명확하게 자격이 있는 후보자가 전화 인터뷰 없이 ATS에 사라진 이유가 궁금하다면, 그 대답은 거의 항상 점수 계층이 아닌 구문 분석 계층에 있습니다. 후보자는 두 개의 열이 있는 이력서를 가지고 있었습니다. 그들의 이름은 헤더에 있었습니다. 날짜는 텍스트 상자에 있었습니다. 시스템은 문서를 수신하고 80%에 대해 깨끗한 구문 분석을 반환했지만, 읽을 수 없는 부분은 조용히 삭제했습니다. 후보자는 이력서의 절반만 보았기 때문에 화면에서 약해 보였습니다. 이러한 일이 창립자들이 인식하는 것보다 더 자주 발생하며, ATS 점수가 실제 문제인 구문 분석 문제에 대해 비난받는 가장 큰 이유입니다.
ATS가 실제로 하는 일, 한 문단으로
지원자 추적 시스템은 구직 신청서를 수집, 구문 분석, 조직, 순위를 매기고 저장하는 소프트웨어입니다. 대부분의 현대 ATS 플랫폼은 문서를 구조화된 데이터로 구문 분석하고, 구문 분석된 데이터를 직무 요건에 대해 평가하며, 인적 자원이 가장 강력한 후보를 먼저 검토할 수 있도록 후보를 순위 매기는 세 단계 파이프라인을 운영합니다. 구현은 2020년 이후로 의미 있게 진화했습니다. 초기 ATS 플랫폼은 직무 기술서에 'Python'이 나열되면 글자 그대로의 토큰을 포함한 이력서와만 일치하는 하드 키워드 매칭에 거의 전적으로 의존했습니다. CurriculoATS를 포함한 현재 시스템은 키워드뿐만 아니라 맥락을 평가하기 위해 의미 매칭, 다중 신호 점수 및 대형 언어 모델 추론을 결합합니다.
아키텍처가 브랜드보다 더 중요한 이유
같은 기능 목록을 가진 두 개의 ATS 플랫폼이 구문 분석 및 점수 계층이 어떻게 설계되었는지에 따라 매우 다른 결과를 생성할 수 있습니다. 상자에 있는 브랜드는 선별 품질을 예측하지 않습니다; 내부의 아키텍처가 그렇습니다. ATS 옵션을 평가하는 창립자는 로고보다 비표준 레이아웃을 처리하는 방법, 점수 계층이 평가하는 신호, 시스템이 감사할 수 있는 방식으로 그 추론을 노출하는지를 더 신경 써야 합니다.
1단계: 구문 분석, 대부분의 실패가 발생하는 곳
구문 분석 엔진은 이력서 문서에서 구조화된 데이터를 추출합니다: 이름, 연락처 정보, 날짜 및 제목이 포함된 작업 경험 항목, 교육 및 기술. 업계 분석에 따르면, 모든 ATS 거절의 약 30%가 점수가 실행되기 전에 구문 분석 단계에서 발생합니다. 가장 일반적인 구문 분석 실패는 예측 가능하다. 다중 열 레이아웃이 잘못 선형화되어 현재 직무 아래의 후보자의 세 번째 불릿 포인트가 이전 역할에 속하는 것처럼 보입니다. 텍스트 상자는 문서의 주요 콘텐츠 스트림 외부에 존재하므로 이전 구문 분석기에서 완전히 건너뜁니다. 많은 디자이너가 연락처 정보를 넣는 헤더와 바닥글은 때때로 무시됩니다. 이미지 기반 이름 배너는 보이지 않습니다. 창의적인 섹션 제목("모험" 대신 "경험")은 분류기를 혼동시킵니다. 이 모든 것은 후보자가 실제로보다 약해 보이게 만듭니다. CurriculoATS는 표준 레이아웃을 강력하게 처리하는 현대적인 구문 분석 파이프라인을 사용하지만, 모든 구문 분석기와 마찬가지로 극단적인 창의적 형식에는 어려움을 겪습니다. 10년 동안 변하지 않은 조언은 여전히 유효합니다: 깨끗한 단일 열 이력서에 표준 섹션이 포함되어 있으면 모든 주요 ATS에서 깨끗하게 구문 분석됩니다.
구문 분석기가 보는 것 vs. 인간이 보는 것
유용한 연습: 이력서를 일반 텍스트 편집기에 복사하여 붙여넣기. 당신이 보는 것은 구문 분석기가 보는 것과 대략 같습니다. 연락처 정보가 누락되었거나, 날짜가 잘못 순서가 있거나, 불릿이 이전 역할과 섞여 있다면, 그것이 점수 계층이 평가할 것입니다. 대부분의 구문 분석 실패는 이 단계에서 즉시 보입니다.
2단계: 점수 매기기, ATS 플랫폼이 다른 곳
이력서가 구문 분석되면, 시스템은 구조화된 데이터를 직무 요건에 대해 평가합니다. 이곳이 ATS 플랫폼이 가장 다르게 되는 곳입니다. 2026년 시장에서 세 가지 접근 방식이 지배적입니다. 첫째, 하드 키워드 매칭, 구식 접근 방식: 직무 설명의 키워드는 이력서 텍스트에서 글자 그대로 검색되고 주 빈도 점수가 생성됩니다. 이는 빠르고 설명 가능하지만 허약합니다. 자신이 'Amazon의 클라우드에서 서비스 운영'이라고 설명한 후보자는 'AWS'를 요구하는 직무와는 글자 그대로의 토큰이 없기 때문에 낮은 점수를 받습니다. 둘째, NLP에 의한 의미 매칭: 시스템은 'AWS'와 'Amazon Web Services' 및 'Amazon의 클라우드에서 서비스 운영'이 동등하다는 것을 이해합니다. 이것은 더 많은 후보자를 올바르게 포착하지만 여전히 키워드 수준에서 점수를 매깁니다. 셋째, 다중 신호 점수 매기기와 추론: 시스템은 여러 차원(양적으로 측정된 성과, 경험의 관련성, 경력 궤적, 기술 정렬)에서 이력서를 평가하고 복합 점수를 생성합니다. CurriculoATS는 이 세 번째 접근 방식을 사용합니다. 이를 우리는 영향 점수로 부르며, 키워드 수준 평가도 의미적으로 풍부하더라도 이력서에서 가장 강력한 신호인 특정 역할에 연결된 결과를 놓칩니다.
CurriculoATS가 후보자를 점수 매기는 방식은 다릅니까?
복합 점수는 결과에 중점을 두어 가중치를 부여한 네 가지 신호에서 계산됩니다: 양적으로 측정된 성과(결과에 첨부된 숫자), 경험의 관련성(후보자가 열려 있는 역할의 문제를 해결한 경험 여부), 경력 궤적(책임이 역할에 따라 증가하는지 여부), 기술 정렬(주장된 기술이 이력서의 증거와 일치하는지 여부). 출력은 0-100 점수와 점수가 이렇기에 이유를 설명하는 서면 문단이며, 이를 통해 창립자는 몇 초 내에 점수 결정의 감사를 수행할 수 있습니다. 이것이 '키워드 밀도 0.78'과 '후보자의 마지막 세 역할이 귀하의 열려 있는 역할과 동일한 도메인에서 측정 가능한 수익 영향을 내었기 때문에 강한 적합성'의 차이입니다.
3단계: 순위 매기기 및 인간 전달
세 번째 단계는 프레젠테이션입니다: 강력한 후보가 먼저 읽히도록 후보를 정렬합니다. 이는 창립자가 인식하는 것보다 더 중요합니다. 200명의 지원자를 신청 날짜별로 정렬하여 전달하는 파이프라인은 창립자가 상위 8명을 찾기 위해 모든 200명을 읽도록 강요합니다. 복합 점수로 순위를 매긴 동일한 200명의 후보자를 전달하는 파이프라인은 창립자가 상위 8명을 읽고 30분 만에 신뢰할 수 있는 분류 결정을 내릴 수 있도록 합니다. 순위 매기기는 시스템의 편향이 운영적으로 가시화되는 곳이기도 합니다. NYC 지역 법률 144는 NYC 고용에 사용되는 자동화된 고용 결정 도구에 대한 편향 감사를 요구하며, EU AI 법안의 부속서 III는 채용 AI를 고위험으로 분류하여 문서화, 인간 감독 및 지속적인 모니터링을 요구합니다. AI 지원 점수를 위해 설계된 현대 ATS 플랫폼은 편향 감사를 의미 있게 수행할 수 있도록 추론을 공개해야 하며, 인터뷰 결정을 내리기 전에 채용 팀이 순위 출력을 확인할 수 있도록 해야 합니다.
후보자 경험 측면은 어떻게 생겼습니까?
후보자는 지원 양식, 확인 이메일, 그리고 전화 인터뷰 초대 또는 정중한 거절을 봅니다. 그 단순한 표면 뒤에는 구문 분석기, 점수 매기기, 및 순위가 실행되었고; 후보자의 이력서는 수백 개의 다른 후보자와 비교되었으며; 그들이 진척할지에 대한 구조화된 결정을 내렸습니다. 현대 ATS 플랫폼은 후보자를 대상으로 투명성을 제공하며, 평가에 자동화 도구가 사용되었는지 여부를 지원자에게 알려주는 것은 이제 NYC에서 법적으로 요구되며, EU AI 법안에 따라 점점 더 요구되고 있으며, 다른 곳에서도 광범위하게 모범 사례로 자리 잡고 있습니다.
우리가 Amazon에서 순위 시스템에 대해 배운 것
CurriculoATS 이전에, 우리 창립자 Dev는 Amazon의 검색 및 추천 시스템에서 일했습니다. 가장 직접적으로 번역된 교훈: 순위 시스템은 피드백 루프만큼 좋습니다. Amazon의 제품 순위는 모든 클릭, 구매 및 반품이 모델로 신호를 피드백함으로써 개선됩니다. 대부분의 ATS 플랫폼은 이러한 루프 없이 설계되었습니다; 그들은 후보자를 점수 매기고, 후보자가 고용되거나 거부되며, 결과에 대한 아무것도 다시 흐르지 않아 점수를 재조정합니다. 그 결과는 자체적으로 쇠퇴하는 시스템입니다. CurriculoATS는 루프가 닫힌 상태로 구축되었습니다: 고용된 후보자의 90일 성과가 기록되면, 시스템은 귀하의 특정 회사에서 성공을 예측한 신호 패턴을 학습합니다. 일반 점수 모델은 시작점이며; 팀 전용 보정이 시간이 지남에 따라 점수를 신뢰할 수 있게 만드는 것입니다.
설명 가능한 점수가 불투명한 점수보다 더 나은 이유
시스템이 설명 없이 0-100 점수를 제공하면 점수가 올바른지 판단할 수 없습니다. 만약 그것이 서면 추론 문단과 함께 같은 점수를 제공한다면, 몇 초 내에 감사를 수행할 수 있습니다. 감사는 모델이 비전통적인 경력 경로를 잘못 해석했거나 키워드를 잘못 가중치 잡았던 경우를 감지합니다. 설명 가능성은 또한 NYC 지역 법률 144 및 EU AI 법안에 따라 규제 준수를 가능하게 합니다; 불투명한 모델에 대한 편향 감사는 대부분 형식적입니다.