AI скринингът в подбора все още работи със смесени сигнали
Кандидатите за работа тази година все по-често настройват автобиографиите си за AI recruitment screening, след като репортаж на Wired за Jodi Beggs показа, че дребни редакции като замяната на изписаната дума percent със символа % могат да променят резултата. Това е важно, защото кандидатите може да оптимизират за филтър при наемане, който е непоследователен, опционален или изобщо не е активен в технологичния стек на даден работодател. Според материала на Wired, фолклорът около поведението на ATS системите вече влияе върху начина, по който хората пишат CV-та, почти колкото и самият софтуер.
Какво казва материалът на Wired за оценяването на автобиографии
Примерът с Beggs се запомня, защото изглежда прецизен. Двустранично CV губи точки. Използването на среден инициал в един документ, но не и в друг, също сваля точки. Замяната на дума със символ подобрява резултата. На пръв поглед това прави AI съпоставянето на кандидати и позиции измеримо до нивото на отделния знак.
На практика бих третирал подобен изход като проверка за съвместимост, а не като присъда. Инструментите за оптимизация на CV по ключови думи са добри в едно: да показват доколко даден документ следва обявата за работа според собствените им правила. Те са значително по-слаби в това да кажат дали екипът по подбор изобщо ще отдаде значение на тези детайли. Тази разлика е важна, защото много кандидати вече приемат, че логиката на applicant tracking system е едновременно стандартна и решаваща.
Beggs го формулира директно: ако задачата е да угодиш на роботите, тогава може би машините харесват AI-generated content дори когато хората не го харесват. Именно това е същинският проблем. Щом кандидатите повярват, че automation за класиране на кандидати ги филтрира първо, те започват да пишат за parser логиката, преди да мислят за яснота за човека.
Защо поведението на ATS не е стандартизирано
Точно тази част твърде често се пропуска. Applicant tracking system не е едно единствено нещо. Greenhouse се държи различно от друг ATS софтуер, а дори при един и същи доставчик процесът може да варира според закупените модули, настройките на рекрутърите, правилата за отхвърляне и това дали AI screening tools изобщо са включени.
Главният изпълнителен директор на Greenhouse Daniel Chait казва пред Wired, че около тези инструменти има много фолклор и че няма две еднакви ATS системи. Това съвпада с наблюденията на операторите в реални hiring стекове. Един екип по подбор може да използва ATS основно за workflow и compliance логове, докато друг да добавя knockout въпроси, слоеве за класиране или автоматизирани интервю функции. Трети екип все още може да препраща почти всяка обещаваща кандидатура към човек.
Ако търсите по-широк пазарен сигнал, US Equal Employment Opportunity Commission предупреждава работодателите да проверяват как се използват алгоритмичните инструменти за подбор, а материалът на SHRM за ATS практиките показва колко големи остават разликите в ежедневните операции по подбор.
От playbook-а на Encorp: Грешката при внедряване е да се приема, че моделът е самият продукт. При системите за подбор реалният продукт е процесът: intake на позицията, правила за оценяване, recruiter overrides и какво се записва или игнорира. Ако екипът не може ясно да обясни тези предавания, добавянето на повече автоматизация обикновено води до повече gaming от страна на кандидатите, а не до по-добър сигнал. Вижте AI Integration for Recruitment Screening.
Как се променя поведението на кандидатите, когато вярват, че машините ги оценяват
Щом кандидатите решат, че automation в процеса по наемане подрежда купчината, започва рекурсивен цикъл. Кандидатите използват един инструмент, за да отгатнат какво иска друг инструмент. После пренаписват едни и същи bullet points за опита си, докато резултатът не светне в зелено.
Виждал съм варианти на това и в други screening процеси извън подбора. Системата започва като triage инструмент, но потребителите бързо научават видимите евристики и започват да се оптимизират спрямо тях. В подбора това може да означава повтаряне на названия на роли, изравняване на нюансите, натъпкване на варианти на умения или прекомерна употреба на AI-generated content, за да се увеличи съвпадението по термини. Така документът става по-удобен за машината и по-малко информативен едновременно.
Това е една от причините Harvard Business Review да твърди, че CV-тата трябва да останат четими първо за хора. Друга причина е, че AI screening tools рядко работят изолирано. Рекрутърите все още вземат предвид препоръки, качеството на портфолиото, тайминга, очакванията за възнаграждение, географията и това дали самата роля не се е променила по време на търсенето. Нищо от това не се вижда в оценката на CV-то.
Разходната страна лесно се пропуска. Wired отбелязва, че инструменти тип Jobscan могат да струват приблизително между 30 и 50 долара на месец. За кандидат без работа това не е малък разход. Ако базовото предположение е грешно за половината позиции, по които кандидатства, той плаща, за да overfit-не документите си към процес, който може и да не съществува.
Защо ATS оптимизацията може да пропусне реалния сигнал при наемане
Най-силният контрапример в историята е и най-простият: слабите оценки невинаги спират интервютата. Wired сочи по-ранен материал на Business Insider за рекрутър, получил дузина интервюта и оферта въпреки слабите резултати в Jobscan.
Това не означава, че инструментите за CV са безполезни. Означава, че са тесни като обхват. Те могат да маркират липсващи термини, слабо съответствие и странности във форматирането. Но не могат надеждно да моделират пълния път на вземане на решения в enterprise recruitment.
В един преглед на внедряване, по който работих, най-голямата промяна в класирането изобщо не дойде от модела. Дойде от checkbox на рекрутър, който променяше дали вътрешните кандидати се преглеждат преди външните. AI слоят понесе вината, защото беше видимата част от процеса, но оперативното тясно място стоеше една стъпка по-нагоре. В екипите по подбор често има сходни скрити разклонения: campus срещу experienced кандидати, кандидатури през агенции, синдикални правила, филтри по локация или опашки за преглед от мениджър.
Ето защо automation за класиране на кандидати често получава и твърде много заслуги, и твърде много вина. Оценката е четима; процесът около нея обикновено не е.
Какво да оптимизират кандидатите вместо това
Моят практичен извод е скучен, което обикновено е добър знак. Поддържайте чисто форматиране. Поддържайте последователно изписване в отделните документи. Следвайте езика на обявата там, където това добавя яснота, а не там, където превръща CV-то ви в синонимен речник. Показвайте доказателства: приходи, време на цикъл, доставени модели, изпълнена квота, размер на екип, управляван бюджет, намалени дефекти.
За работодателите изводът е различен. Ако вашият ATS софтуер и процесът ви за AI recruitment screening са непрозрачни, кандидатите ще се опитат да reverse-engineer-нат всичко, което могат да видят. Това поведение е рационално. Резултатът е повече шум в началото на фунията и по-слабо доверие в преживяването при кандидатстване.
Следете какво ще стане по-нататък в тази категория: повече доставчици ще продават прецизност на оценките, докато повече работодатели ще откриват, че истинският проблем е дисциплината в конфигурирането и workflow-ът на оценяващите. Екипите, които ще се справят най-добре, няма да са тези с най-лъскавия слой за scoring. Ще са тези, които могат да обяснят на ясен език какво всъщност прави системата и къде човекът все още взема решението.
Martin Kuvandzhiev
CEO and Founder of Encorp.io with expertise in AI and business transformation