大多数申请跟踪系统阅读简历的方式就像垃圾邮件过滤器阅读电子邮件一样。它们扫描标记，计算这些标记出现的频率，并根据密度对候选人进行排名。写"领导"而不是"管理"，模型就会让你失去优先权。使用招聘描述中没有指定的同义词，你就会跌到名单后面。招聘人员从未见过简历。
基于结果的招聘抛弃了这种模型。AI 不再统计标记，而是阅读候选人实际做过的事情。产生的收入。扩展的团队。交付的系统。解决的问题。然后它根据角色的真实要求进行排名。本文解释了它是如何运作的，为什么它会产生根本不同的候选人名单，以及为什么大多数传统 ATS 仍然无法做到这一点。
基于结果的招聘实际上意味着什么
基于结果的招聘是一种筛选模型，通过可衡量的成就对候选人进行排名，而不是通过与职位描述的关键词重叠。该模型从每份简历中提取四个类别的信号：收入（完成的交易、生成的年经常性收入、产生的节省）、团队（管理的人、建立或扩展的组织）、系统（构建、交付、扩展、生产中的所有权）和问题（解决的、复杂的、新奇的）。
它根据职位说明的结果要求对每位候选人进行评分，产生一个 0-100 的综合分数，并附带一段书面的推理段落，解释模型发现了什么以及为什么排名候选人。推理段落是将系统变成创始人实际可以使用的内容，因为它允许人类阅读、同意或覆盖。
麦肯锡在 2023 年和 2024 年的研究中总结的《人才的形状》显示，基于技能的招聘采用率从 2020 年的 40% 上升到 2024 年的约 60%，而基于结果的筛选是使基于技能的招聘成为现实的技术机制，而不是一种期望。
关键词匹配的三大结构性问题
基于关键词的 ATS 平台已经成为默认选择十五年。它们之所以存在，是因为构建成本低且易于演示，而不是因为它们运作良好。实际上，它们在三个特定方面失败。
1. 它们奖励简历污染。
任何申请超过五份工作的候选人都学会了模式：简历底部隐藏的白字关键词堆、重复的要点、带有所有技术变体的虚假技能部分。Jobscan 记录了这一现象的普遍性。这个模式适用于每一个基于关键词的过滤器，包括使用句子嵌入的语义过滤器，因为底层模型仍在读取标记。
2. 它们奖励噪音而不是信号。
一份简历上写着"Python, Python, Python, AWS, AWS, Kubernetes, Django, Postgres"，胜过一份说"交付了一个处理每秒 200 万事件的实时欺诈检测管道"的简历。关键词模型奖励的是标记密度，而不是背后的工作。描述得更多而做得更少的候选人获胜。
3. 它们因用词选择而拒绝优秀候选人。
一名高级工程师如果写"构建了一个流媒体服务"而不是"设计了一个实时数据管道"，就会从排名中消失。哈佛商学院关于隐性劳动者的项目估计，有 2700万合格的美国候选人因与能力无关的原因被自动筛选掉。这些拒绝大多数是基于词汇，而不是技能。
基于结果的 AI 实际评估什么
CurriculoATS 阅读简历的方式就像一名高级工程师或操作人员一样，而不是像正则表达式那样。该模型提取四个类别的可衡量结果，并与职位描述进行评分。
收入。
完成的交易、产生的年经常性收入、降低的成本、处理的交易、产生的节省。该模型识别顶部数字（"关闭了 240 万美元的新年经常性收入"）和操作数字（"降低了 38% 的基础设施支出"）。没有收入信号的候选人不会因之受到惩罚；该角色只是必须要求它。
团队。
管理的人、建立的组织、招聘的人、培养的领导者。该模型区分 "领导一个三人的团队" 和 "将一个组织从 8 名工程师扩展到 45 名工程师跨越两个时区"，因为第二种描述了一个根本不同的操作挑战。
系统。
构建、交付、拥有、生产中的扩展。该模型读取动词和范围。"交付了一个每天处理 40 亿个查询的搜索相关性系统"是与"参与了搜索相关性系统"完全不同的信号，而基于结果的模型捕捉到其中的不同。关键词模型将两者视为同一个词 "搜索"。
问题。
解决的、复杂的、新颖的、模糊的。候选人的简历描述了他们负责的艰难问题。"诊断并解决了一个已经无解六个月的内存泄漏"的信号比"处理错误修复"更强，即使两者可能都提到相同的技术。
0-100 的综合评分将这些信号与经验相关性、职业轨迹和技能匹配结合在一起。书面推理段落列出了模型发现的具体结果，这意味着创始人可以阅读并决定是否信任该排名。
我们为什么要这样构建它
在 CurriculoATS 之前，我们的创始人 Dev 在亚马逊工作了多年，从事搜索和推荐系统的工作。这个工作驱动了设计的一个单一原则：基于输入无法直接制造的信号进行排名。卖家可以在产品标题中随意写，但不能伪造购买数据。评论者可以留下虚假评论，但经过验证的评论模式在大规模上更难伪造。排名器读取更难伪造的信号。
招聘也具有相同的特征。候选人可以随意写关键词；这基本上是免费的。他们无法在不作弊的情况下伪造可衡量的结果，这比重新措辞一个要点要高得多的门槛。因此，基于结果的排名更难操控，更公正对待诚实的候选人，并与创始人真正想知道的内容对齐：这个人是否做了我们需要完成的工作？
合规情况也符合要求。纽约市当地法第 144 条和欧盟 AI 法案都倾向于具有文档推理的系统。每位候选人生成书面解释的模型比黑箱关键词过滤器更容易审计和披露。
基于结果的招聘在哪里崩溃（以及如何修复它）
基于结果的招聘在结构上比关键词匹配更强，但它并不是魔法，值得诚实地面对它表现不佳的情况。数据中浮现出三种模式。首先，初级候选人和应届毕业生通常有合法的结果，但尚未量化，因为他们的第一份工作没有让他们接触到收入或规模指标。该模型通过读取定性信号（"领导了正在使用的入职流程的重新设计"）来处理此问题，但该人群的评分范围压缩，这可能会扁平化排名。解决的方法是根据职位描述的配置，在入门级角色中降低量化结果的权重。其次，拥有虚高配额的销售候选人可以像操作关键词评分一样操控基于结果的评分，通过虚构或打圭收入数字。该模型将没有时间段或同行比较的圆形数字视为低置信度信号，但一个足够有决心的候选人仍然可以产生虚高的结果。参考检查依然是结构性修复，而不是筛选层。第三，深度技术角色的结果是非公开的（专有基础设施工作、机密项目），可能会由于候选人无法详细描述他们交付的内容而排名较低。解决的方法是在撰写职位描述时，要求以候选人可以在保密协议下描述的适当抽象程度提出系统交付信号。命名这些局限性很重要，因为基于结果的排名是一种工具，而不是最终裁决，视分数为裁决的创始人比那些视分数为审查开始的创始人更可能产生较差的招聘。
创始人如何应用这一点
基于结果的招聘要求职位描述以结果而非职责的形式编写。"负责拥有数据管道"是一项职责。"在头六个月内，此人将交付一个以低于一秒延迟处理 10 万个事件的流媒体管道"是一个结果。模型可以与第二个进行匹配；它无法对第一个做出任何有用的反应。
- 将职位描述重写为结果。两到三句话描述此人在头六个月将交付的内容。这是筛选模型使用的文档。
- 通过基于结果的筛选运行角色。将排名前十的候选人与您手动挑选的前十名进行比较。测量重叠。
- 阅读推理段落。该段落告诉您模型发现了什么结果。如果它找到的东西是你没有的，模型在添加信号。如果它没有找到任何有意义的东西，职位描述可能需要更多的结果。
- 将分数作为分流工具，而不是决策工具。面试前 8-12 名候选人，进行讨论，决策。模型可以将您引导至正确的候选人名单。决定仍然属于人类。
接下来该怎么办
如果您想看到基于结果的筛选在真实职位上产生候选人名单，CurriculoATS 的免费入门级别可以处理一个活跃的职位，并且没有限制团队成员数。请查看功能页面了解具体内容，然后查看创始人专用的 AI ATS 用例。该模型设置角色大约需要 15 分钟。