AI 简历筛选. 这是一个说明性的实操示例,不是客户成果:这家公司和这里的所有数字都是假设。AI 简历筛选是一种软件,它读取收到的简历,按岗位的必备条件给每份打分,再把一份排好序的入围名单交给招聘人员批准。它不会自己录用或淘汰任何人;候选人往下走或收到拒信之前,必须由招聘人员签字确认。
为了说明,设想一家入围名单出得很慢的猎头公司。假设每个空缺岗位约收到 100 份简历,招聘人员读第一遍每份要花约 6 分钟:找事实、对照必备条件、再录入 ATS。这些是示例的假设,不是某位客户的实测数据。
这篇文章背后没有真实的项目,所以没有成果可报告。我们能展示的是设计。流水线打分并排序,但从不自动淘汰。每份入围名单都由招聘人员批准,每次运行都会留下审计日志,记录模型给了什么分、为什么。
从岗位空缺到入围名单,时间都花在哪儿了?
处在这种情况的团队会先测量,而不是先搭建:和两位招聘人员坐在一起,在一批申请里抽样,给第一遍阅读计时。判断本身通常很快,慢的是查找、阅读和重新录入。
- 逐份打开简历,找出工作年限、提到的技能以及所在地或工作许可,再乘以每个岗位的一摞简历。
- 把这些事实对照该岗位具体的必备条件,而每个职位需求的条件都不同。
- 把入围名单重新录入 ATS,并写下每位候选人入选的理由,期间不断被打断。
- 等待。读到一半的一摞简历会一直放着,直到招聘人员回来,好候选人就凉了。
所以目标从来都不是「读得更快」，而是「别再让招聘人员费力去找那些早就写在简历上的信息」。
#AI 简历筛选如何缩短出入围名单的时间?
AI 如何缩短招聘中的入围名单产出时间？
它读取每份收到的简历,提取岗位要求的事实,按必备条件给候选人打分,并起草一份排好序的入围名单,让招聘人员审阅而不是从头冷读。节省下来的是冷读的第一遍,团队可以在前后分别计时。在任何人收到回复之前,仍由招聘人员批准每份入围名单。
这套流程分四步运行：从非结构化简历中提取信息，依据岗位声明的必备条件为候选人打分，为简历堆排序并附上每个分数的理由，然后将入围名单路由到招聘人员的审批队列。没有人工点击批准，任何内容都不会离开这个队列。
这一设计复用了理赔和发票录入背后的文档处理模式,并针对招聘做了调整。形态和我们的运营场景页面所述一致:从非结构化输入中提取、打分、分流,由人批准。它会作为一个AI 实施项目来界定范围,代码归您所有。
#AI 会自行淘汰候选人吗？
We are
Stennir 构建一套「起草+审核」式的筛选流程，负责打分和排序，然后将每一份入围名单交给招聘人员审批。
We aren't
它不是一个默默淘汰申请人的自动拒绝过滤器，也不是一个打分却不给出理由的黑箱。
不会。每个分数都附带模型给出的理由,每次运行都有日志。在这一设计中,到达候选人手里的每份入围名单都由真人招聘人员批准,没有人会被自动淘汰。招聘人员不同意某个分数时,理由就在那里可供争论,这也给出了按岗位调整必备条件的信号。
实际使用中,由模型完成第一遍阅读,由招聘人员做决定,起点是一摞附有理由、已排好序的简历,而不是一个冷冰冰的收件箱。
拿回来的时间,招聘人员可以做什么?
做模型做不了的部分:趁简历还新鲜,给入围候选人打电话。把工作从阅读转到交谈,这才是重点。对优秀候选人及时打一个电话,往往就是促成一次入职与被对手抢先之间的差别。
如果您负责人才或运营部门,而第一遍阅读正在吞掉您一周的时间,这就是我们设计的那类工作。我们先测量时间到底花在哪儿,再设计一条由您的团队拥有的起草加审核流水线。告诉我们您在构建什么,在任何人写代码之前,我们会告诉您这种模式是否适合。
