提交通过申请跟踪系统的简历在任何人类看到之前经历了三个阶段：解析、匹配和排名。每个阶段可能以与候选人实际适应性无关的方式失败。《哈佛商业评论》对算法招聘的分析将在人类审查之前被过滤的简历比例定为大约72%（对于驱动关键词的系统）。最近的独立研究对流行的“75%被拒绝”说法提出质疑——2025年对25位各行业招聘者的研究发现，只有8%允许自动内容拒绝；其余依赖于由关键筛选和可选分数指导的人为审查。诚实的说法是：大多数简历并非被无声算法自动拒绝，而是由于解析失败、关键字匹配薄弱以及将合格候选人埋在喧嚣中的排名系统的组合过滤。对于候选人来说结果是一样的——沉默。了解机制很重要，因为各种问题的解决方法在每个阶段都有所不同。
阶段1：解析——格式化杀死优秀候选人
解析是将简历文档转换为系统可以搜索和排名的结构化数据的行为。解析器提取联系信息、工作经验、教育背景、技能以及章节结构。它以可预测的方式失败：
- 多列布局。 解析器从上到下、从左到右读取。带有侧边栏标题的双列简历会被序列化为无意义的内容。
- 图像中的文本。 解析器默认不进行光学字符识别（OCR）。保存为图形的姓名或技能部分是不可见的。
- 嵌入式文本框和表格。 标准的Word/Pages模板使用这些进行视觉布局，导致提取失败。
- 页眉、页脚和侧边栏。 停留在页眉中的联系信息通常被解析器忽略，意味着候选人的电子邮件从未进入系统。
- 特殊字符和不寻常的字体。 自定义符号和装饰字体会被损坏。
EDLIGO对1000份被拒绝的简历的独立分析发现，43%的拒绝是由格式、解析或任意过滤失败造成的，而不是资格缺口。这是非强制性错误率。在申请之前处理格式的候选人提高了自己的机会，而无需改变资格。
阶段2：匹配——词汇差异成为排斥
一旦解析器有了结构化数据，系统就会将其与职位描述进行比较。大多数传统系统使用某种组合：
硬关键字匹配——精确的标记。职位描述要求“Kubernetes”的简历会被拒绝，尽管简历上写着“K8s”。旧系统是这样做的。新的系统增加了同义词词典，但覆盖面不均。
语义匹配——将相似概念映射到附近向量空间的嵌入。比硬匹配要好，但在工作岗位和工具名称迅速变化的领域仍然容易受到词汇漂移的影响。
加权评分——必需技能的权重高于可选技能。这是大多数排名发生的地方：缺失一个“必需”关键字的候选人，往往排在拥有该关键字但缺乏基础技能的候选人之后。
关键字差距问题在相邻学科之间的边界处最为严重。“使用事件驱动架构构建后端服务”可能无法匹配“REST API开发”，如果系统不理解它们的等价性。“领导5人产品团队”可能无法匹配“产品经理”，如果候选人的职称是“创始人PM”。词汇漂移与非传统职业道路相关，这意味着关键字匹配不成比例地过滤掉了那些职业经历不线性的候选人——正是小型创业公司常常想要的候选人。
阶段3：排名——质量的生与死
匹配后，候选人会被排名。招聘人员通常只阅读排名列表的前10-20%。决定谁在这10-20%中的机制是整个管道中最重要的决策，而这是ATS创始人很少审计的部分。
基于关键字重叠的排名快速且代码可解释，但在将真实信号与流行词汇沙拉区分方面表现不佳。粘贴职位描述中每个单词的候选人可能排名高于实际上交付了工作的候选人。基于结果的排名——我们在CurriculoATS影响评分中构建的——颠覆了这一点。每个候选人根据量化成就、经验相关性、职业轨迹和技能对齐进行评估，然后会获得一个0-100的综合评分，并伴随一段书面推理。书面推理是关键。招聘经理在30分钟内阅读30个推理段落很快就能发现模型错误，并信任其他信息。招聘经理阅读200份未排名的简历几乎什么也没发现，并且对其中任何一份都没有信任。
这一教训来自于Dev在亚马逊构建的排名系统：一个黑箱的评分无法赢得信任，而一个无法赢得信任的系统无法规模使用。这就是为什么创始人尽管为ATS支付费用，最终仍需重新阅读每一份简历。ATS产生了输出，但没有任何人能验证的输出。
我们在亚马逊关于排名失败的经验教训
在创办CurriculoATS之前，我们的创始人Dev在亚马逊的搜索和推荐团队工作了几年。针对ATS设计的最具普遍性的教训是：当一个排名器默默失败时，用户会指责库存。当优秀产品未能排名时，卖家指责亚马逊；在招聘中，当优秀简历未能浮现时，招聘人员指责候选人池。在这两种情况下，实际的失败都是上游的，在排名器中。亚马逊的解决方案不是在破损的排名器上添加更多规则，而是围绕输入无法直接制造的信号重建它。真实的购买数据。真实的退货率。经过验证的评论模式。相同的原则推动结果导向的招聘：基于候选人无法伪造的信号（产生的收入、扩展的团队、交付的系统、解决的问题）进行排名，而不是基于任何候选人都能填充的标记。第二个教训，几乎可以逐字应用：一个没有可解释性的排名器会被对手逆向工程。在亚马逊，卖家在几周内学会了游戏关键词标题。在招聘中，候选人在数年内学会了游戏关键词过滤，但这种游戏现在已经非常普遍。唯一的结构性防御是一个关注实质的排名器，并展示其推理。将ATS筛选视为一个排名问题而不是数据输入问题的创始人，最终会获得比将其视为带有AI的工作流软件的创始人更干净的候选名单。
作为创始人如何修复每种失败模式
如果您在一个10到200人的初创公司负责招聘，以下是填补每个空缺的实用手册：
- 审计您的解析。 通过您的申请表提交五份格式良好的候选人简历。然后在ATS中打开它们，验证解析字段。如果30%缺失或混乱，您的解析器默默失败——您的某些申请者也是如此。
- 审计您的关键字匹配。 取一份使用与您的JD不同词汇的强简历，一份逐字复制JD的弱简历。提交两者。如果弱简历排名更高，那么您就正在基于噪声评分。大多数传统系统未能通过此测试。
- 要求推理，而不仅仅是分数。 如果您的ATS产生一个没有解释的数字，团队就会重新阅读每一个，这意味着您在为实际未使用的筛选支付费用。SHRM的$5,475平均雇佣成本中包含了一部分浪费的时间。
- 跟踪您的阶段流失。 测量从接收的申请到首次招聘人员联系的百分比。如果低于60%，您的漏斗顶端存在流失，通常是解析加上低信任排名导致的漏失。
- 进行为期一周的信号测试。 将一个开放职位转移到基于结果的筛选器，并将候选名单与当前系统生成的候选名单进行比较。该测试在免费的Starter计划上没有成本，七天内让您了解瓶颈是工具还是过程。
接下来该怎么做
黑箱问题是可以解决的，但前提是从第一天起就旨在可解释性的工具。如果您想看看基于结果的评分及书面推理在您的自有输入上是什么样子的，免费的CurriculoATS Starter计划处理一个活跃职位，团队成员无限——查看功能或定价。有关招聘算法和偏见的更广泛观点，《哈佛商业评论》对算法招聘的分析是合适的初步阅读。
前亚马逊（搜索和推荐）及Synopsys的机器学习工程师。创建CurriculoATS以用基于结果的AI评估取代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经济学和实际工作表现预测的文章。