几乎所有市场上的申请跟踪系统都声称拥有 AI。但在对工程师来说重要的意义上，它们中的大多数并没有。它们拥有基于规则的自动化、关键字提取，以及偶尔采用的句子嵌入模型，这些都是建立在 2014 年的代码基础上。营销页面称之为 AI。幕后的模型仍然是十年来一直存在的常规表达式。
这是 AI 炒作与 AI 现实之间的差距。这很重要，因为招聘结果取决于你实际购买的是哪一个。
招聘中的真实 AI 是什么样的
招聘中的真实 AI 意味着一个模型可以读取简历，提取可衡量的结果（产生的收入、管理的团队、交付的系统、解决的问题），并根据与角色的相关性对候选人进行排名。该模型生成一个分数和一段书面推理，供人类阅读并可能提出异议。它不仅仅是计算标记数量。它不仅仅是计算向量距离。它可以解释候选人实际上做了什么，就像一位高级工程师或操作员会做的那样。麦肯锡关于人才实践的研究，在《2023 年和 2024 年人才的形态》中总结，技能基础招聘的采用率从 2020 年的 40% 上升到 2024 年的约 60%，这正是一个结果阅读模型所支持的。炒作 AI 无法很好地进行技能基础的招聘，因为它没有技能的概念，只有标记存在的概念。真实的 AI 可以。
最简单的测试是要求供应商提供分数背后的推理段落。如果他们无法提供，那么这个分数就是一个黑箱，AI 只是营销而已。
炒作 AI：反复出现的模式
在查看市场上大多数 ATS 演示后，发现同样的几个模式被当作 AI 销售，而它们实际上是其他东西。
- 将关键字频率伪装成语义匹配。该模型计算 Python 和 AWS 出现的频率，并称结果为匹配分数。添加停用词过滤和同义词字典，然后就被称为“自然语言处理”。候选人的体验没有变化：在简历中填充关键字就能胜出。
- 句子嵌入作为薄膜包装。更复杂的版本使用预训练的句子嵌入来计算简历与职位描述的余弦相似度。这能够捕捉同义词，但仍然是文本到文本的匹配。一个将职位描述复制粘贴到简历摘要中的候选人得分很高，但实际上没有经验。
- 聊天机器人面试官。带有 LLM 前端的脚本形式。对安排和初步筛选有用，但并不能进行智能筛选。
- AI 生成的摘要。该模型将简历摘要成要点，这是一个生产力功能，而不是排名决策。底层的排名仍然是基于关键字的。
这些都不是欺诈。它只是慷慨的标签。它也恰好是候选人学会如何可靠地操控 ATS 的原因。Jobscan 记录了真实简历上关键字填充的普遍性，而这种模式之所以有效，是因为筛选系统对此给予了奖励。
为什么炒作如此持久
三种力量使招聘软件中 AI 营销与 AI 现实之间的差距不断扩大，值得提及，以便你可以忽略它们。
第一，买方通常不是技术评估者。采购是人力资源，演示在人才负责人面前，而“实际模型架构是什么”的问题很少被提出。供应商了解到，只要演示看起来干净，他们可以继续使用 2018 年发布的相同正则表达式，并称之为 AI。对营销没有惩罚。
第二，传统 ATS 是平台游戏。Greenhouse、Lever 和 Workable 的盈利在于工作流程，而不是筛选准确性。添加真正的排名 AI 需要昂贵的工程投入，对于在采购比较表中并不清晰显示的功能。因此，他们发布了便宜的版本。
第三，招聘受到许多其他因素的影响，如职位描述质量、来源渠道、市场状况和团队品牌，因此不良筛选隐藏在喧闹之中。一个每年招聘 12 名优秀工程师的团队会将其归功于这个过程。相同的团队如果使用 Google 表格也能招聘到相同的 12 个人，因为筛选并没有做到团队认为它所做的工作。真正的 AI 筛选在某种方式上是可测试的，帮助创始人区分实际的提升与噪声：你可以将模型的前十名候选人与自己前十名进行比较，看它们是否重叠。炒作 AI 几乎每次都未通过此测试。
亚马逊推荐系统教会我们的招聘知识
在创建 CurriculoATS 之前，我们的创始人 Dev 在亚马逊工作多年，专注于搜索和推荐系统。那项工作提供了一条直接映射到招聘 AI 的教训：唯一值得发布的模型是其前 K 名结果优秀的模型。其他一切皆为表演。
亚马逊的推荐系统不会发布表现略好于平均精度但将错误项排在第一位的模型。第一位决定用户是否点击。简历排名同样如此。招聘者查看前十或十五个候选人，如果模型的前十个是错误的，其余系统都无法拯救。
这就是为什么 CurriculoATS 是围绕多信号评估构建的，量化成就、经验相关性、职业轨迹、技能对齐，生成一个 0-100 的综合得分以及完整的书面推理段落。该段落就是将黑箱排名器转变为创始人实际上可以信任的内容的部分。你可以阅读、反对、覆盖。这就是支持决策的 AI 与替代决策的 AI 之间的区别，这比任何模型架构的细节都更重要。详细信息请参见影响评分页面。
买方的问题为何比供应商的营销更重要
创始人在演示中询问 AI 的方式决定了他们最终获得的是真实的排名智能还是仅仅是伪装成智能的营销。胜出采购竞争的供应商不一定拥有最好的模型；他们是那些能够回答买方实际提出的问题的供应商。大多数买方提出的是错误的问题。“它有 AI 吗？”是错误的问题，因为每个供应商都会说是。“AI 分数是多少？”更接近，因为它迫使供应商描述模型的输入。“给我看看一个排名靠前候选人的推理”是正确的问题，因为它迫使供应商提交输出。拥有真实排名智能的供应商可以在 90 秒内展示这一点。拥有炒作 AI 的供应商则无法。这是任何 ATS 演示中信号最大的时刻，大多数创始人跳过这一环节，因为演示流程旨在让他们专注于工作流程功能。我们见过创始人坐在管道板和录用信模板的 40 分钟演示中，然后签署年度合同，而从未询问模型为特定候选人生成推理段落。采购差距并不是对 AI 的了解，而是打断演示的意愿。在前十分钟请求推理段落的创始人，无需阅读单一基准，就可以筛选出 70% 的传统 ATS 市场。
创始人如何在一次演示中评估 AI 招聘供应商
你不需要采购框架。你只需要三个问题。
- 给我看看排名最高候选人的推理。如果答案是一个没有解释的数字，这个模型就是基于关键字的。继续下一个。
- 在我加入之前，通过系统运行我上一次招聘的候选人的简历。如果模型会将他们排名在前十，系统就有信号。如果他们会被拒绝，模型就坏了。
- 当我有十个岗位开放而不是三个时，这会花费我多少？每位定价会惩罚正在增长的团队。固定定价随招聘数量扩展，这是创业公司真正关心的。
这就是整个演示。三十分钟足够。
接下来该做什么
如果你桌子上有一个 ATS 的候选名单，并不确定 AI 是否真实，请在每个系统上运行这三个问题演示。然后阅读我们的 AI ATS for founders 页面和比较页面，看看主要供应商和基于结果的模型相比如何。CurriculoATS 的初学者层级对一个活跃职位是免费的，这足以测试你当前正在进行的角色的排名，而无需签署合同。
前亚马逊（搜索与推荐）和 Synopsys 的机器学习工程师。建立 CurriculoATS 以通过基于结果的 AI 评估替换招聘中的关键字匹配。宾州州立大学校友。撰写有关招聘 AI、ATS 经济学以及什么实际预测工作表现的文章。