대부분의 지원자 추적 시스템은 이력서를 스팸 필터가 이메일을 읽는 방식으로 읽습니다. 그들은 토큰을 스캔하고, 해당 토큰이 얼마나 자주 나타나는지를 계산하고, 밀도에 따라 후보자를 순위 매깁니다. "managed" 대신 "led"라고 쓰면 모델이 우선 순위를 낮춥니다. JD에서 명시하지 않은 동의어를 사용하면 리스트에서 떨어집니다. 리크루터는 이력서를 전혀 보지 못합니다.
성과 기반 채용은 그 모델을 폐기합니다. 토큰을 계산하는 대신 AI는 후보자가 실제로 수행한 작업을 읽습니다. 그들이 생성한 수익. 그들이 확장한 팀들. 그들이 출시한 시스템들. 그들이 해결한 문제들. 그런 다음 역할의 실제 요구 사항에 대해 순위를 매깁니다. 이 에세이는 이것이 어떻게 작동하는지, 왜 근본적으로 다른 후보자 목록을 생성하는지, 그리고 대부분의 레거시 ATS가 여전히 이를 수행할 수 없는 이유를 설명합니다.
성과 기반 채용이 실제로 의미하는 것
성과 기반 채용은 후보자를 직무 설명과의 키워드 중복이 아닌 측정 가능한 성과에 따라 순위를 매기는 선별 모델입니다. 이 모델은 각 이력서에서 네 가지 신호 범주를 추출합니다: 수익(성사된 거래, 생성된 ARR, 절감된 비용), 팀(관리된 인원, 구축되거나 확장된 조직), 시스템(구축, 출시, 운영 중 소유, 확장), 문제(해결된, 복잡한, 새로운).
각 후보자는 JD의 성과 요구 사항에 대해 점수를 매기고, 0-100의 복합 점수와 모델이 발견한 것과 후보자를 해당 순위에 두게 된 이유를 설명하는 서면 설명 단락을 생성합니다. 설명 단락은 시스템을 실제로 창립자가 사용할 수 있는 무언가로 전환하는 부분이기 때문에, 인간이 읽고 동의하거나 수정할 수 있게 해줍니다.
2023년과 2024년에 '인재의 형태(The shape of talent)'에서 요약된 맥킨지의 연구에서는 기술 기반 채용 채택이 2020년 40%에서 2024년 약 60%로 증가할 것으로 나타났으며, 성과 기반 선별은 기술 기반 채용을 현실화하는 기술 메커니즘입니다.
키워드 일치의 세 가지 구조적 문제
키워드 기반 ATS 플랫폼은 15년 동안 기본값이었습니다. 그들은 빠르고 구축하기 쉬운 덕분에 남아 있었고, 잘 작동하는 것은 아니었습니다. 실제로 그들은 세 가지 특정 방식에서 실패합니다.
1. 이력서 오염을 보상합니다.
다섯 개 이상의 직무에 지원한 후보자는 패턴을 배웁니다: 이력서 하단에 숨겨진 흰색 텍스트 키워드 덤프, 반복된 문장, 모든 기술의 모든 변형이 포함된 가짜 기술 섹션. Jobscan은 이러한 것이 얼마나 흔한지를 문서화합니다. 이 패턴은 모든 키워드 기반 필터에서 작동하며, 의미론적인 필터에서도 적용됩니다. 왜냐하면 기본 모델이 여전히 토큰을 읽고 있기 때문입니다.
2. 신호보다 잡음을 보상합니다.
"Python, Python, Python, AWS, AWS, Kubernetes, Django, Postgres"라고 쓰인 이력서는 "초당 200만 개의 이벤트를 처리하는 실시간 사기 탐지 파이프라인을 배포했다"는 이력서보다 더 높은 점수를 받습니다. 키워드 모델은 작업의 뒷이야기가 아닌 토큰 밀도를 보상합니다. 적게 일하면서 더 전략적으로 설명한 후보자가 승리합니다.
3. 단어 선택 때문에 훌륭한 후보자를 거부합니다.
"스트리밍 서비스를 구축했다"고 쓴 수석 엔지니어는 "실시간 데이터 파이프라인의 설계" 대신에 순위에서 사라집니다. 하버드 비즈니스 스쿨의 숨겨진 노동자 프로젝트는 2,700만 명의 자격을 갖춘 미국인이 능력과 무관한 이유로 자동 선별에 의해 필터링된다고 추정했습니다. 이러한 거부의 대부분은 기술이 아닌 어휘에 기반하고 있습니다.
성과 기반 AI가 실제로 평가하는 것
CurriculoATS는 이력서를 수석 엔지니어나 운영자가 읽듯이 분석하며, 정규 표현식으로 읽지 않습니다. 이 모델은 네 가지 측정 가능한 성과 범주를 추출하고 이를 JD와 비교하여 점수를 매깁니다.
수익.
성사된 거래, 생성된 ARR, 절감된 비용, 처리된 거래, 생산된 절감액. 모델은 상위 라인 숫자("$2.4M의 새로운 ARR 성사")와 운영 숫자("인프라 비용을 38% 줄였다")를 모두 인식합니다. 수익 신호가 없는 후보자는 이에 대해 처벌받지 않습니다. 그 역할은 이를 요구해야만 합니다.
팀.
관리된 인원, 구축된 조직, 채용된 인원, 개발된 리더. 모델은 "세 명의 팀을 이끌었다"와 "두 개의 시간대에서 8명의 엔지니어를 45명으로 늘렸다"를 구별합니다. 두 번째는 본질적으로 다른 운영적 도전을 설명하기 때문입니다.
시스템.
구축, 출시, 소유, 운영 중으로 확장. 모델은 동사와 범위를 읽습니다. "하루에 40억 개의 쿼리를 처리하는 검색 관련 시스템을 출시했다"는 "검색 관련 시스템에 기여했다"와는 다른 신호이며, 성과 기반 모델은 그 차이를 포착합니다. 키워드 모델은 둘 다 "검색"이라는 단어로 다룹니다.
문제.
해결, 복잡한, 새로운, 애매한. 후보자의 이력서는 그들이 처음부터 끝까지 소유한 어려운 문제를 설명합니다. "해결되지 않은 메모리 누수를 진단하고 해결했다"는 "버그 수정 작업을 했다"보다 더 강한 문제 해결 신호로 작용합니다. 두 경우 모두 동일한 기술을 언급할 수 있지만요.
0-100의 복합 점수는 이러한 신호와 경험의 관련성, 경력 궤적, 기술 일치를 결합합니다. 서면 설명 단락은 모델이 발견한 구체적인 성과를 명시하며, 이는 창립자가 이를 읽고 순위를 신뢰할지를 결정할 수 있게 해줍니다.
우리가 이렇게 구축한 이유
CurriculoATS 이전에, 우리 창립자 Dev는 Amazon에서 검색 및 추천 시스템 작업을 위해 여러 해를 보냈습니다. 그 작업에서 디자인을 이끌었던 단일 원리는 다음과 같습니다: 입력이 직접적으로 조작할 수 없는 신호를 기준으로 순위를 매깁니다. 판매자는 제품 제목에 원하는 것을 무엇이든 쓸 수 있지만, 구매 데이터를 조작할 수는 없습니다. 리뷰어는 가짜 리뷰를 남길 수 있지만, 검증된 리뷰 패턴은 대규모로 조작하기가 더 어렵습니다. 순위 결정자는 조작하기 어려운 신호를 읽습니다.
채용도 같습니다. 후보자는 원하는 키워드를 무엇이든 쓸 수 있습니다. 이는 본질적으로 무료입니다. 그들은 사기를 저지르지 않고는 측정 가능한 성과를 조작할 수 없으며, 이는 총알 포인트를 다시 작성하는 것보다 훨씬 높은 기준입니다. 따라서 성과 기반 순위 결정자는 구조적으로 조작하기 더 어려우며, 정직한 후보자에게 더 공정하게 구조화되어 있으며, 창립자가 실제로 알고 싶어하는 것과 구조적으로 일치합니다: 이 사람이 우리가 필요로 하는 일을 실제로 했는가?
준수 측면에서도 상황이 맞아떨어집니다. NYC Local Law 144 및 EU AI 법안은 모두 문서화된 논리를 갖춘 시스템을 선호합니다. 후보자당 서면 설명을 생성하는 모델은 검정 상자 키워드 필터보다 감사 및 공개가 훨씬 쉽습니다.
성과 기반 채용이 무너지는 곳 (그리고 이를 수정하는 방법)
성과 기반 채용은 키워드 매칭보다 구조적으로 더 강하지만, 그것이 마법이 아니며 성능이 낮은 경우에 대해 솔직해질 가치가 있습니다. 데이터에서 세 가지 패턴이 나타납니다. 첫째, 주니어 후보자와 최근 졸업생들은 종종 합법적인 성과를 가지고 있지만 아직 정량화되지 않았습니다. 그들의 첫 직장에서 수익 또는 규모 지표에 노출되지 않았기 때문입니다. 모델은 질적 신호("팀이 여전히 사용하고 있는 onboarding 흐름의 재설계를 이끌었다")를 읽음으로써 이를 처리하지만, 이 군집의 점수 범위는 압축되어 순위가 평평해질 수 있습니다. 해결책은 JD 구성에서 초급 역할에 대해 정량화된 성과의 가중치를 낮추는 것입니다. 둘째, 할당량 수치가 부풀려진 영업 후보자는 키워드 점수를 조작하는 것처럼 성과 기반 점수도 조작할 수 있습니다. 모델은 기간이나 동료 비교가 없는 반올림된 숫자를 저신뢰 신호로 처리하지만, 충분히 결정된 후보자는 여전히 부풀려진 성과를 생성할 수 있습니다. 레퍼런스 체크는 구조적 수정으로 남아 있으며, 선별 층이 아닙니다. 셋째, 결과가 비공식적인(독점 인프라 작업, 기밀 프로젝트) 깊이 있는 기술 역할은 후보자가 상세히 무엇을 출시했는지 설명하지 못하기 때문에 낮은 순위를 매길 수 있습니다. 해결책은 창립자가 NDA 하에 후보자가 설명할 수 있는 수준의 시스템 출시 신호를 요청하는 JD를 작성하는 것입니다. 이러한 한계를 지적하는 것이 중요합니다. 성과 기반 순위는 도구이지 평결이 아니며, 점수를 결정으로 취급하는 창립자는 점수를 검토의 시작으로 취급하는 창립자보다 더 나쁜 채용을 생성합니다.
창립자가 이를 적용하는 방법
성과 기반 채용은 JD가 의무가 아닌 성과로 작성되기를 요구합니다. "데이터 파이프라인 소유에 대한 책임"은 의무입니다. "첫 6개월 동안 이 사람은 초당 10만 개의 이벤트를 처리하는 스트리밍 파이프라인을 배포할 것입니다"는 성과입니다. 모델은 두 번째와 대조할 수 있으며, 첫 번째로는 유용한 것을 할 수 없습니다.
- JD를 성과로 다시 작성하십시오. 이 사람이 첫 6개월 동안 Deliver할 내용을 설명하는 두세 문장. 이것이 선별 모델이 사용하는 문서입니다.
- 역할을 성과 기반 선별을 통해 실행하십시오. 수동적으로 선택한 상위 10 후보와 상위 10 후보를 비교하고 겹침을 측정하시오.
- 설명 단락을 읽어보세요. 이 단락은 모델이 발견한 성과를 알려줍니다. 모델이 당신이 발견하지 못한 것을 찾았다면 신호가 추가되고 있는 것입니다. 의미 있는 것을 발견하지 못했다면 JD에 성과가 더 필요합니다.
- 결정이 아닌 선별 도구로 점수를 사용하십시오. 상위 8-12명과 인터뷰하여 논의하고 결정하십시오. 모델이 올바른 후보자 목록을 제공합니다. 결정은 여전히 인간에게 달려 있습니다.
다음에 할 일
성과 기반 선별이 실제 역할에서 후보자 목록을 생성하는 것을 보고 싶다면, CurriculoATS의 무료 스타터 등급으로 하나의 활성 직무를 처리할 수 있습니다. 포함된 내용을 보려면 기능 페이지를 읽고, 창립자 전용 사용 사례를 확인하십시오. 모델 설정은 역할당 약 15분이 소요됩니다.