سهشنبه است، ۲۴۴ درخواست برای ۱ نقش در صف شما نشسته و مدیر استخدام تا پنجشنبه اسمها را میخواهد. غربالگری اولیه نامزدهای شما باید مجموعهای قابل دفاع از افراد را برای ارزیابی در محدوده ظرفیت مصاحبهتان تولید کند، و این کار با غربالگری رزومه شروع میشود.
تعداد درخواستها به ازای هر شغل از ۱۱۶ در سال ۲۰۲۲ به ۲۴۴ در سال ۲۰۲۵ افزایش یافت، در حالی که تیمهای استخدام ۵۶٪ کوچکتر شدند، بر اساس معیارهای جهانی Greenhouse.
در یک نظرسنجی Gartner از ۳٬۲۹۰ نامزد، ۳۹٪ هنگام درخواست از هوش مصنوعی استفاده کردند. به همین دلیل است که این همه رزومه شبیه هم به نظر میرسند و حس درونی چیز زیادی برای چنگ زدن ندارد.
با فرض ۲ دقیقه برای هر رزومه، این یعنی ۸ ساعت خواندن پیش از آنکه یادداشتی بنویسید. و خواندن نامتوازن میشود: در مطالعات مصاحبه، افراد پس از پشت سر هم آمدن چند نامزد قوی، به نامزد بعدی امتیاز کمتری میدهند. این بیدقتی نیست: ارزیابها بیسروصدا پاسخهای مثبت خود را در طول یک نشست سهمیهبندی میکنند.
این روشی است برای غربالگری اولیه نامزدها در ۳ حرکت که میتوانید از آن دفاع کنید. نخست معیارهای وزندار را با مدیر استخدام قفل کنید، هر رزومه را به یک شکل و به ترتیب درهمریخته امتیاز دهید، و اندازه فهرست را بر اساس ساعتهای مصاحبهتان تعیین کنید.
نکات کلیدی
- چند نفر را باید در فهرست کوتاه بگذارم؟ از ظرفیت مصاحبه و الزامات شغل به عقب کار کنید. مثال ۱۹ نفره در ادامه محاسبهای روی ارقام کل است، نه هدفی برای هر نقش.
- چرا معیارها را پیش از نخستین رزومه بنویسیم؟ ارزیابها معیارها را به سمت رزومهای که دوست دارند خم میکنند. نوشتن معیارها پیش از هر چیز، سوگیری جنسیتی را در مطالعات ییل حذف کرد.
- آیا باید فقط رزومههایی با امتیاز ۸ از ۱۰ را در فهرست کوتاه بگذارم؟ نه. در نیمی (۵۱٫۸٪) از ۱٬۰۲۴ پروژه Flowmingo با ۲۰ رزومه یا بیشتر که هوش مصنوعی امتیاز داده بود، هیچکدام به ۸ نرسیدند.
- آیا ترتیب رزومهها تغییر میدهد که چه کسی وارد فهرست میشود؟ بله. ۲۲ مدل هوش مصنوعی در ۶۳٫۵٪ مواقع نخستین رزومه از ۲ رزومه با صلاحیت برابر را انتخاب کردند.
- آیا میتوانم بگذارم ChatGPT ۲۰۰ رزومه را رتبهبندی کند؟ فقط بهعنوان یک مرتبسازی اولیه که فرد آن را بررسی میکند. متن پنهان در رزومهها در برخی آزمونها بیش از ۸۰٪ مواقع غربالگرهای هوش مصنوعی را فریب داد.
۱. با ۲۴۴ متقاضی و ۲ روز، غربالگری اولیه نامزدها چگونه بدون خواندن هر رزومه کار میکند؟
۲۴۴ رزومه را به ترتیب رسیدن نخوانید. غربالگری اولیه نامزدها را در ۳ مرحله اجرا کنید: حقایق سخت، سپس امتیازهای وزندار، و در پایان خواندن دستی بخش بالایی و دسته پایینتر از آن.
ترتیب دریافت درخواستها بیطرف به نظر میرسد، اما هیچ ربطی به شغل ندارد. متقاضی اول تازهترین توجه شما را میگیرد و متقاضی روز چهارم هرچه مانده. پاسها این مشکل را حل میکنند، چون هر پاس همان پرسش را از همه CVها میپرسد.
شکل زیر ۳ پاس را نشان میدهد. پاس ۱ دو یا سه واقعیت قطعی را بررسی میکند، مثل ساعات اصلی کار، که در فرم درخواست میپرسید. چون قبول/رد هستند، متقاضیان به آنها پاسخ میدهند و شما زمانی برای خواندن صرف نمیکنید.
پاس ۲ به همه باقیماندهها بر اساس ۴ تا ۶ معیار، هر کدام از ۰ تا ۱۰، با همان فرمول برای همه امتیاز میدهد. پاس ۳ قضاوت شما را برمیگرداند: بالای رتبهبندی و چند CV که کمی زیر خط برش شما هستند را دستی میخوانید.
آن خواندن انسانی آخر مهم است، چون یک فرمول امتیازدهی ممکن است یک CV غیرمعمول را از دست بدهد. برای مثال، فردی که تغییر مسیر شغلی داده ممکن است تمدیدها را زیر عنوان فروش انجام داده باشد که معیارهای شما هرگز به آن اشاره نمیکنند.

فهرست کوتاه ۳ پاسی: واقعیتهای قطعی، امتیازهای وزندار، سپس خواندن دستی برش بالایی، به اندازه ساعات مصاحبه شما.
دادههای Flowmingo · ۲۳۷،۶۵۰ متقاضی · ۱۰،۰۷۴ پروژه استخدام · ۴،۸۵۷ شرکت · پروژههای ایجادشده از ۱ ژوئیه ۲۰۲۵ تا ۲۴ اوت ۲۰۲۶
- ۵۰٪ از همه متقاضیان در پروژه استخدامی با ۱۷۴ متقاضی یا بیشتر بودند.
همه افراد یک پروژه را میشمارد (بارگذاریشده، دعوتشده یا از آگهی شغلی)، هر متقاضی زنجیرهای یک بار. بسیاری از پروژهها آزمایشی هستند.
۲. کدام معیارهای انتخاب کوتاه متقاضیان را باید پیش از اولین CV بنویسم تا هر برشی دوام بیاورد؟
۴ تا ۶ معیار را از آنچه شغل باید تحویل دهد بنویسید و پیش از آنکه کسی CV باز کند، آنها را با مدیر استخدام توافق کنید. ۲ یا ۳ واقعیت قطعی را قبول/رد کنید و بقیه را وزن دهید.
نوشتن آنها در ابتدا مهم است، چون خواندن CVها قضاوت شما را خم میکند. در مطالعات بنیادین دانشگاه ییل، افراد به متقاضیان یک شغل ساختگی رئیس پلیس امتیاز دادند.
وقتی متقاضی مرد تجربه خیابانی بیشتری داشت، افراد گفتند تجربه خیابانی مهمتر است. وقتی تحصیلات بیشتری داشت، گفتند تحصیلات مهمتر است.
تعهد به معیارها در ابتدا آن سوگیری جنسیتی را در مطالعه سوم از میان برد و افرادی که خود را عینیترین میدانستند، بیشترین سوگیری را داشتند. استخدامها فرضی بودند، اما هشدار روشن است: معیارهایی که پس از خواندن نوشته میشوند، همان CVی را توصیف میکنند که از قبل دوست دارید.
فرض کنید در حال استخدام یک مدیر موفقیت مشتری هستید (نمونهای، نه داده مشتری). واقعیتهای سخت را بهعنوان سؤالات مصاحبه پیشغربالگری بپرسید، سپس بنویسید چه شواهدی هر امتیاز را کسب میکند:
| معیار | وزن | شواهد برای ۸ تا ۱۰ | برای ۳ تا ۵ |
|---|---|---|---|
| ساعات کاری اصلی؛ حق کار، در جایی که پرسیدنش قانونی است | قبول/رد، پرسیده میشود | پاسخ بله | |
| تمدیدها در یک سبد B2B | الزامی، ۴ | اندازه سبد و یک نتیجه تمدید | بدون دامنه یا نتیجه |
| آنبوردینگ مشتری | بسیار مهم، ۳ | برنامهای که اجرا کردند و چه چیزی تغییر کرد | مشارکت داشتند |
| استفاده روزانه از CRM | مهم، ۲ | CRM و اینکه چه چیزی را رصد میکردند | CRM زیر مهارتها |
| تجربه SaaS | خوب است داشته باشد، ۱ | روی یک محصول SaaS کار کردهاند | نرمافزار مجاور |
| بدون شواهد | قاعده | امتیاز ۳، یادداشت «نشان داده نشده»: نه صفر و نه نادیده گرفته شود |
تمدیدها بیشترین وزن را دارند چون یک مدیر موفقیت مشتری با آنها موفق میشود یا شکست میخورد. رزومهای که درباره یک معیار ساکت است امتیاز ۳ میگیرد، چون صفر دادن کسی را که آن را جا انداخته مجازات میکند. نادیده گرفتن آن خط بدتر میشد: رزومهای که کمتر میگوید آنگاه تنها بر اساس نقاط قوتش امتیاز میگرفت.
۳. مدیر استخدام من مدام فهرست نهاییام را رد میکند. چگونه پیش از غربالگری بر سر خط برش توافق کنیم؟
بر سر معیارها و وزنها توافق کنید، سپس شما و مدیر استخدام هر کدام همان ۵ رزومه را جداگانه امتیاز دهید و مقایسه کنید. جایی که امتیازهایتان واگرا میشود، معیار را اصلاح کنید، نه فرد را.
یک فهرست نهایی میتواند شکست بخورد چون شما و مدیر استخدام تصویر متفاوتی از الزامات شغل دارید.
بر اساس Noise، کتابی بنیادین درباره قضاوت، ۲ مصاحبهگر در یک پنل واحد حدود ۱ بار از هر ۴ بار بر سر اینکه کدام نامزد بهتر بود اختلاف نظر دارند.
وقتی افراد نامزدها را جداگانه میبینند، همانطور که شما و مدیر استخدامتان معمولاً میکنید، این عدد به حدود ۱ از هر ۳ میرسد. این محاسبه ما بر اساس پژوهش مصاحبه Huffcutt است، نه یک مطالعه رزومه. با این حال، یعنی یک فهرست نهایی ردشده معمولاً نویز است، نه مدرکی بر اینکه یکی از شما اشتباه میکند.
فرض کنید رزومهای را در تمدیدها ۸ امتیاز میدهید و مدیر استخدامتان ۴ امتیاز میدهد. با گفتوگو درباره آن، میفهمید که آنها تمدیدهای سازمانی میخواهند و رزومه حسابهای کوچک را نشان میدهد. آن معیار را یک بار، پیش از آغاز فهرست نهایی نامزدها، اصلاح کنید و برای همه ۲۴۴ رزومه اصلاح شده است.
راهحل کتاب، برآمده از تجربه نه یک مطالعه، این است که هر بخش را پیش از هر حکم کلی قضاوت کنید:
- از میان انبوه رزومهها ۵ رزومه را انتخاب کنید. جاهایی که امتیازهایتان ۳ واحد یا بیشتر فاصله دارد، یک نمونه با امتیاز بالا و یک نمونه با امتیاز پایین بنویسید.
- مدیر استخدام معیارها را تأیید میکند و هر تغییر بعدی باید دلیل مکتوب داشته باشد.
- هر حذف کلی، مثل «بدون مدرک، بدون تماس»، را با هم و بهصورت مکتوب توافق کنید، چون چنین قاعدهای افراد را سریع حذف میکند.
۴. آیا فهرست نهایی کردن نامزدها برای ۲۰۰ رزومه به یک ماتریس امتیازدهی نیاز دارد، یا دستهبندی بله/شاید/خیر کافی است؟
از یک ماتریس امتیازدهی استفاده کنید، چون انبوهه «شاید» پنهان میکند که چرا کسی در آن قرار گرفته است. ۴ تا ۶ معیار وزنی را از ۰ تا ۱۰ امتیاز دهید و همه را برای همه یکسان جمع بزنید.
فرض کنید ۶۰ رزومه در «شاید» مانده باشد: تا روز دوم، هیچکس یادش نمیآید چرا.
یک مرور بنیادی در سال ۲۰۱۳ توسط Kuncel و همکاران متخصصانی را که یک دید کلی میساختند با یک فرمول ثابت که امتیازهای جداگانه را جمع میزد مقایسه کرد. فرمول عملکرد شغلی را بیش از ۵۰٪ بهتر پیشبینی کرد، حتی با اینکه متخصصان شغل را میشناختند.
در عمل، قضاوت خود را در امتیاز هر معیار بگذارید، سپس بگذارید جمع کل رتبهبندی کند.
اینجا روی مثال بخش ۲ آمده است (نمایشی، نه داده مشتری):
| معیار (وزن) | A | B | C |
|---|---|---|---|
| تمدیدها (۴) | 8 | 4 | 9 |
| آنبوردینگ (۳) | 7 | 8 | 6 |
| CRM (۲) | 6 | 9 | 4 |
| SaaS (۱) | 5 | 10 | 2 |
| امتیاز وزنی از ۱۰ | 7.0 | 6.8 | 6.4 |
| میانگین ساده از ۱۰ | 6.5 | 7.75 | 5.25 |
امتیاز وزنی = (۴ × تمدیدها + ۳ × آنبوردینگ + ۲ × CRM + ۱ × SaaS) / ۱۰.
B بهترین میانگین ساده را دارد، ۷.۷۵، به لطف نمرههای بالا در CRM و SaaS، اما فقط ۴ در تمدیدها، همان معیار ضروری. با وزندهی، A با ۷.۰ پیش میافتد، چون A در جایی که کار سختترین است قوی است.
C قویترین تمدیدها را دارد، ۹، اما جزئیات کم CRM و SaaS باعث میشود C به ۶.۴ برسد، رزومهای برای خواندن در مرحله سوم شما. پیش از تعیین نمره قبولی، ببینید رزومههای واقعی چه امتیازی میگیرند.
داده Flowmingo · ۱۰۵,۶۴۸ رزومه · ۵۰,۵۴۶ متقاضی · ۳,۸۱۵ پروژه استخدام · ۱,۷۶۱ شرکت · ۱۰ ژوئیه تا ۲۴ سپتامبر ۲۰۲۶
- ۵.۴ از ۱۰ میانه امتیاز رزومه در برابر معیارهای وزنی خودِ هر شغل بود.
- ۱۹.۰٪ از رزومهها در برابر معیارهای شغلشان امتیاز ۷ یا بیشتر از ۱۰ گرفتند.
- ۴.۰٪ از رزومهها در برابر معیارهای شغلشان امتیاز ۸ یا بیشتر از ۱۰ گرفتند.
امتیازهای رزومه با هوش مصنوعی، نه کیفیت متقاضی یا نتایج استخدام؛ بین مشاغل قابل مقایسه نیست. معیارهای سختگیرانه یا بارگذاری انبوه امتیازها را پایین میآورد؛ رزومههای غیرقابلامتیازدهی و امتیازهای پیش از ۱۰ ژوئیه حذف شدهاند.
نمودار زیر نشان میدهد امتیازها چقدر سریع کمتعداد میشوند. کمی بیش از نیمی از رزومهها (۵۶.۴٪) به ۵ رسیدند، و حدود ۱ از هر ۵ (۱۹.۰٪) به ۷. فقط ۴.۰٪ به ۸ رسیدند، و ۰.۱٪ به ۹.

پراکندگی امتیاز CV، دادههای Flowmingo: تنها ۴.۰٪ از ۱۰۵٬۶۴۸ CV در برابر معیارهای خودِ شغلشان امتیاز ۸ یا بیشتر از ۱۰ گرفتند.
امتیاز ۸ نیازمند شواهد روشن روی تقریباً همه معیارهاست و کمتر CVی این را صریح بیان میکند. پس قاعدهای مثل «فقط ۸ها را مصاحبه کنید» بسیاری از نقشها را با فهرستی اندک یا بدون فهرست رها میکند.
Flowmingo چطور کمک میکند
ارزیابی CV شرح شغل را به معیارهایی تبدیل میکند که میتوانید ویرایش کنید و از الزامی (۴) تا خوب است داشته باشید (۱) امتیاز دهید. هر CV را روی هر معیار از ۰ تا ۱۰ با شواهد مکتوب امتیاز میدهد و نبود شواهد را ۳ میشمارد. هیچکس را بهطور خودکار حذف نمیکند: با توجه به اعداد بالا، به جای فیلتر کردن به ۸ تا ۱۰، بر اساس امتیاز CV مرتب کنید.
۵. نیمی از CVهای من شبیه ChatGPT به نظر میرسند. یک CV پیش از مرحله انتخاب چه چیزی میتواند به من بگوید؟
از CV برای واقعیتهای سخت و پرسشهایی که باید بپرسید استفاده کنید، نه بهعنوان اثبات مهارت. امروز صیقل دادن هیچ هزینهای ندارد، پس به همهکسانی که از فیلتر CV عبور کردهاند یک نمونه کار یکسان یا مصاحبه ساختاریافته یکسان بدهید.
صیقل دادن قبلاً زمان و تلاش میبرد. حالا در همان نظرسنجی Gartner از ۳٬۲۹۰ متقاضی، ۵۴٪ از کسانی که از AI استفاده میکردند، متن CV خود را با آن نوشتند.
نمودار زیر هر روش را از ۰، بدون ارتباط با عملکرد شغلی بعدی، تا ۱، مطابقت کامل که هیچ روشی به آن نمیرسد، امتیاز میدهد. بر اساس تحلیل مجدد بنیادین سال ۲۰۲۲ توسط Sackett و همکاران، مصاحبههای ساختاریافته با ۰.۴۲ پیشتازند.
در همان تحلیل مجدد، آزمونهای دانش شغلی با ۰.۴۰، نمونههای کار با ۰.۳۳ و آزمونهای توانایی شناختی با ۰.۳۱ در پی میآیند. سطرهایی که بیشتر CVها با آنها شروع میکنند آخرند: تجربه در یک شغل مرتبط ۰.۰۷، سابقه کاری پیشین ۰.۰۶ (Van Iddekinge).

چه چیزی عملکرد را پیشبینی میکند: مصاحبههای ساختاریافته بهترین همبستگی را با عملکرد شغلی بعدی دارند و سالهای تجربه تقریباً هیچ.
این یعنی سالهای ذکرشده در CV چیز کمی درباره اینکه چه کسی خوب عمل خواهد کرد به شما میگوید. پس چیزی را بررسی کنید که جعل کردنش سخت است:
- نتایجی که میتوانید راستیآزمایی کنید: اعداد، سیستمهای نامبردهشده و تاریخها.
- ۱ نمونه کار کوتاه، یکسان برای همه، مانند یک ایمیل تمدید قرارداد به مشتری ناراضی. برای مشاهده انجام کار، یک Showcase از نامزد میخواهد هنگام انجام یک وظیفه صفحهاش را ضبط کند.
- یک مصاحبه ساختاریافته بر پایه پرسشهای مصاحبهای که عملکرد شغلی را پیشبینی میکنند.
5.1 آیا باید نامزدی را به این دلیل که هوش مصنوعی در نوشتن رزومهاش کمک کرده رد کنم؟
نه، نه فقط به همین دلیل. نمیتوانید بهطور قابلاعتماد یکی را تشخیص دهید، و حتی ممکن است یک ابزار غربالگری هوش مصنوعی آن را ترجیح دهد.
در نظرسنجی TopResume از ۶۰۰ مدیر استخدام آمریکایی، تنها ۳۳٫۵٪ توانستند رزومههای نوشتهشده با هوش مصنوعی را از میان ۴ رزومه تشخیص دهند. پس یک ممنوعیت بر پایه حدس و گمان خواهد بود.
ابزارهای غربالگری هوش مصنوعی همچنین رزومههایی را که همان مدل هوش مصنوعی نوشته ترجیح میدهند (Xu et al.، یک پیشچاپ، هنوز در هیچ ژورنالی منتشر نشده). در فهرستهای کوتاه شبیهسازیشده، این متقاضیان ۲۳٪ تا ۶۰٪ بیشتر احتمال داشت که به مرحله بعد برسند تا متقاضیان بههماناندازه واجدشرایط با رزومههای نوشتهشده توسط انسان. پس رد کردن رزومههای نوشتهشده با هوش مصنوعی در حالی که با هوش مصنوعی رتبهبندی میکنید، چندان منطقی نیست.
6. آیا ترتیبی که ۲۰۰ رزومه را میخوانم فهرست کوتاه من را تغییر میدهد؟ چطور آن را درست کنم؟
بهاحتمال زیاد: مصاحبهکنندگان پس از یک رشته نامزدهای قوی، به افراد نمره پایینتری میدهند، و بیشتر مدلهای هوش مصنوعی آزمایششده رزومهای را که اول فهرست شده ترجیح میدهند. دسته را بههم بزنید و هر رزومه را در برابر معیار مکتوب نمرهگذاری کنید.
در یک مطالعه بنیادین روی بیش از ۹۰۰۰ مصاحبه پذیرش MBA، مصاحبهکنندگان طوری رفتار میکردند که گویی سهمیه روزانهای از نمرات بالا دارند (Simonsohn and Gino). پس از یک رشته قوی، آنها به متقاضی بعدی نمره پایینتری دادند.
این جریمه حدود ۲۳ ماه سابقه کار ارزش داشت و در طول روز بیشتر میشد. این یعنی پیشینیان قوی میتوانند به نامزدها آسیب بزنند. اینها مصاحبه بودند، نه خواندن رزومه، پس تعمیم آنها به دسته رزومههای شما استنباط ماست.
هوش مصنوعی اثر ترتیب خودش را دارد. Rozado جفتهایی از رزومههای بههماناندازه واجدشرایط را به ۲۲ مدل هوش مصنوعی نشان داد، هر جفت دو بار با ترتیب جابهجاشده.
در میان ۳۰٬۶۹۰ تصمیم، رزومهای که اول فهرست شده بود ۶۳٫۵٪ مواقع و دومی ۳۶٫۵٪ مواقع برنده شد، در حالی که شانس منصفانه ۵۰٪ است. پس در یک تصمیم نزدیک، تنها جایگاه میتواند تعیین کند چه کسی به فهرست شما راه مییابد.

اثر ترتیب هوش مصنوعی: در میان ۲۲ مدل هوش مصنوعی، رزومهای که اول فهرست شده بود از میان ۲ رزومه بههماناندازه واجدشرایط، در ۶۳٫۵٪ تصمیمها برنده شد، در حالی که شانس منصفانه ۵۰٪ میبود.
راهحلهای این ریسک در فهرستکردن نامزدها ارزان تمام میشوند:
- دسته را بههم بزنید، نه اینکه به ترتیب رسیدن یا ترتیب الفبایی بخوانید.
- نسبت به معیار مکتوب امتیاز دهید، نه نسبت به CVی که همین حالا خواندهاید.
- هیچ سهمیهای برای تعداد تأییدها در هر نشست تعیین نکنید و استراحت کنید.
- در پایان، ۱۰ CV اول را دوباره امتیازدهی کنید.
- با هوش مصنوعی، هر مقایسه را دو بار با جابهجایی ترتیب اجرا کنید و هر نتیجه دوقطبی را به یک انسان ارجاع دهید.
۷. وقتی بیش از ۲۰۰ نفر برای ۱ نقش درخواست دادهاند، چند نامزد را برای مصاحبه در فهرست کوتاه بگذارم؟
از ساعتهای مصاحبه و حداقل الزامات شغل به عقب برگردید: در ۲۰۲۵ حدود ۷٫۶٪ از متقاضیان مرحله اول را گذراندند، تقریباً ۱۹ نفر از ۲۴۴ نفر. برای فهرستکردن نامزدها، همه را رتبهبندی کنید و برش بالایی را بردارید، نه یک نمره قبولی ثابت.
این ۷٫۶٪ میانگین ۲۰۲۵ آمریکای شمالی Greenhouse در بیش از ۶٬۰۰۰ سازمان است. قیف زیر آن را روی ۱ شغل اعمال میکند: از ۲۴۴ متقاضی، حدود ۱۹ نفر مرحله ۱ را میگذرانند. حدود ۴ نفر از آنها مرحله ۲ را با نرخ ۲۲٫۰٪ میگذرانند.

قیف فهرست کوتاه، ۲۰۲۵: از ۲۴۴ متقاضی، حدود ۱۹ نفر مرحله ۱ و حدود ۴ نفر مرحله ۲ را میگذرانند، بر اساس محاسبه ما روی میانگینهای Greenhouse.
حدود ۱۹ مصاحبه اول بهعلاوه حدود ۴ مصاحبه دوم به میانگین ۲۲٫۷ مصاحبه در هر شغل Greenhouse نزدیک است، با ۱۲٫۳ ساعت مصاحبه بهازای هر استخدام. با این حال، ۱۹ و ۴ محاسبه ما روی میانگینهاست و Greenhouse مراحل خود را تعریف نمیکند، پس آنها را فقط راهنما در نظر بگیرید.
فرض کنید میتوانید ۱۴ ساعت مصاحبه آزاد کنید، با ۴۵ دقیقه برای هر مصاحبه اول: این حدود ۱۹ نوبت میشود. ۳ تا ۵ نام را برای انصرافها ذخیره کنید و نرخ تکمیل مصاحبه هوش مصنوعی را بررسی کنید تا بدانید چند نفر به پایان میرسند.
رتبهبندی از یک حد نصاب نمره دلبخواهی جلوگیری میکند، اما کسی را که فاقد یک الزام ضروری است فقط برای پر کردن فهرست جلو نبرید. در نیمی از پروژههای مشتریان ما با بیش از ۲۰ CV امتیازدهیشده، حتی یک CV به ۸ نرسید.
دادههای Flowmingo · ۱٬۰۲۴ پروژه استخدامی با بیش از ۲۰ CV امتیازدهیشده · ۹۰٬۶۲۹ CV · ۵۴۹ شرکت · ۱۰ ژوئیه تا ۲۴ سپتامبر ۲۰۲۶
- در ۵۱٫۸٪ از پروژههای استخدامی با ۲۰ CV امتیازدهیشده یا بیشتر، هیچ CVی نمره ۸ یا بالاتر نگرفت.
- ۶٫۶ از ۱۰ برش ۲۰٪ برتر پروژه میانه بود و CV برتر میانه در پروژهها نمره ۷٫۹ گرفت.
- ۳۵٫۱٪ از پروژههای با ۱۰۰ CV امتیازدهیشده یا بیشتر هنوز هیچ کسی با نمره ۸ یا بالاتر نداشتند.
نمرات CV هوش مصنوعی، نه نتایج استخدام؛ نتایج به معیارهای هر شغل و متقاضیان بستگی دارد. این شمارش CVهایی است که از یک نمره عبور میکنند، نه استخدامهای خوب در دسته.
۸. وقتی هوش مصنوعی یا بازنگران خسته CVها را رتبهبندی میکنند، چگونه سوگیری را از فهرستکردن نامزدها دور نگه دارم؟
فرض کنید هم هوش مصنوعی و هم داور خسته سوگیری دارند، و هر حذف را بررسی کنید. فقط بر اساس معیارهای نوشتهشده امتیاز بدهید، تا جایی که ممکن است نامها را پنهان کنید، و هر گروهی را که نرخ عبورش زیر ۸۰٪ نرخ گروه برتر است بازبینی کنید.
از درون، سوگیری فقط مثل یک حس درونی درباره تناسب به نظر میرسد. در یک مطالعه بنیادین در سال ۲۰۲۲، کلاین و همکارانش بیش از ۸۳٬۰۰۰ درخواست جعلی به کارفرمایان بزرگ آمریکایی فرستادند.
نامهای مشخصاً سیاهپوستی شانس دریافت پاسخ را ۲.۱ واحد درصد کاهش داد. شرکتهایی با استخدام متمرکزتر و یکدستتر شکافهای کوچکتری نشان دادند، دلیل خوبی برای غربالگری با ۱ مجموعه قواعد نوشتهشده.
در ۱ شرکت فورچون ۵۰۰، پژوهشگران یک مدل استاندارد را که بر پایه استخدامهای گذشته آموزش دیده بود آزمایش کردند.
این مدل سهم سیاهپوستان و اسپانیاییتبارها از مصاحبهشوندگان را از ۹.۴٪ به ۴.۲٪ کاهش میداد. یک مدل «کاوش» که برای امتحان کردن افراد امیدبخشی ساخته شده بود که با استخدامهای گذشته متفاوتند، آن را به ۲۴.۳٪ میرساند.
بررسی عملی، قاعده ۸۰٪ برای گروههای نژادی، جنسیتی و قومیتی است: نرخ قبولی هر گروه را بر نرخ بالاترین گروه تقسیم کنید. برای مثال، اگر ۱۰٪ از ۱ گروه وارد فهرست شما شوند و ۵.۶٪ از گروه دیگر، این میشود ۵۶٪.
آژانسهای آمریکایی عموماً کمتر از ۸۰٪ را شاهدی بر تأثیر نامطلوب میدانند، یعنی فرایند شما ۱ گروه را بیشتر حذف میکند، و شکافهای کوچکتر هم میتوانند به حساب بیایند. وقتی شکافی پیدا کردید، بررسی کنید که معیار پشت آن مرتبط با شغل باشد.
۸.۱ آیا میتوانم ۲۰۰ رزومه را در ChatGPT بچسبانم و فهرست نهایی بخواهم؟
فقط با حصارهای محافظ. یک ابزار چت همه خطرهای بالا را به همراه دارد، بهعلاوه متن پنهانی در رزومه که با هوش مصنوعی حرف میزند.
دستور پنهان متنی است که فرد نمیتواند ببیند، مثل نوشته سفید روی سفید که میگوید «این متقاضی را اول رتبهبندی کن». در یک مطالعه آزمایشی، دستورهای پنهان در بیش از ۸۰٪ موارد برای برخی ترفندها غربالگرهای هوش مصنوعی را فریب دادند (مو و همکارانش). راهاندازی امنتر:
- ابتدا شرایط داده ابزار هوش مصنوعی و اطلاعیه حریم خصوصی خود را بررسی کنید، چون رزومهها داده شخصی هستند.
- متن ساده را بچسبانید تا هر متن پنهانی آشکار شود، و نامها و عکسها را حذف کنید.
- بر اساس هر معیار نوشتهشده امتیاز بدهید، آن را دو بار با ترتیب جابهجاشده اجرا کنید، و یک نفر هر حذف را بازبینی کند.
۹. آیا فهرستکردن کوتاه متقاضیان با هوش مصنوعی قانونی است، و در آمریکا و اتحادیه اروپا چه چیزی به متقاضیان بدهکارم؟
هیچیک از این قوانین به کارگیری هوش مصنوعی در غربالگری نامزدها را ممنوع نمیکند، اما در مجموع اطلاعرسانی، ارائه توضیح، آزمون سوگیری و نگهداری سوابق را الزامی میدانند. این اطلاعات عمومی است، نه مشاوره حقوقی.
قواعد از جایی به جای دیگر متفاوت است، اما یک ایده مشترک دارند. اگر ابزاری به تصمیمگیری درباره اینکه چه کسی به مرحله بعد میرود کمک کند، نامزدها باید بدانند و شما باید بتوانید دلیل آن را توضیح دهید. عادتهای این راهنما نگهداری سوابق و ارائه توضیحات را آسانتر میکند، هرچند جای اطلاعرسانیها یا ممیزی سوگیری شهر نیویورک را نمیگیرد.
این جدول برخی از وظایف را برای حوزههای قضایی و موارد کاربرد نشاندادهشده خلاصه میکند. از ۱ ژانویه ۲۰۲۷، کلرادو توضیحی به زبان ساده در بازه ۳۰ روز پس از رد شدن و مسیری برای بازبینی انسانی اضافه میکند.
| کجا | قاعده، شروع | چه چیزی بدهکارید |
|---|---|---|
| شهر نیویورک | قانون محلی ۱۴۴، ۵ ژوئیه ۲۰۲۳ | AEDTهای مشمول: ممیزی در سال پیشین، خلاصه عمومی و اطلاعرسانیهای الزامی، از جمله ۱۰ روز کاری پیش از آن برای نامزدها/کارکنان مشمول در نیویورک |
| ایلینوی | HB 3773، ۱ ژانویه ۲۰۲۶ | اطلاعرسانی؛ بدون اثر تبعیضآمیز؛ بدون جانشینهای کد پستی |
| کالیفرنیا | شورای حقوق مدنی، ۱ اکتبر ۲۰۲۵ | سوابق تصمیم خودکار ۴ سال |
| کلرادو | SB 26-189، ۱ ژانویه ۲۰۲۷ | اطلاعرسانی؛ در بازه ۳۰ روز پس از رد شدن، نقش ابزار به زبان ساده و مسیری برای بازبینی انسانی؛ سوابق ۳ سال |
| فدرال آمریکا | 29 CFR 1607.4 و 1602.14 | قاعده سرانگشتی اثر نامطلوب ۸۰ درصد؛ سوابق ۱ سال یا تا بسته شدن هر اتهام |
| اتحادیه اروپا | مقرره 2026/1744 | وظایف پرخطر از ۲ دسامبر ۲۰۲۷؛ محدودیتهای ذخیرهسازی GDPR اکنون |
| بریتانیا | راهنمای ICO، در حال بازبینی | سوابق نامزدهای ردشده: نه فراتر از دوره ادعا بدون دلیل تجاری روشن |
| سنگاپور | قانون انصاف در محیط کار، پایان ۲۰۲۷ | بدون تصمیم بر پایه ویژگیهای محافظتشده؛ ادعاها تا ۲۵۰٬۰۰۰ دلار سنگاپور |
شمول شامل استفاده از خروجی بهتنهایی، بالاتر از هر معیار دیگری، یا برای نادیده گرفتن سایر نتیجهگیریها میشود. دامنه و قواعد اطلاعرسانی DCWP را بررسی کنید: بازبینی انسانی بهتنهایی معافیت نیست.
نهادهای نظارتی کم اجرا کردهاند. وقتی شهر نیویورک ۳۲ شرکت را بررسی کرد، ۱ مورد مشکل یافت. حسابرسان ایالتی که همان شرکتها را بررسی کردند، دستکم ۱۷ تخلف احتمالی پیدا کردند (بازرس کل ایالت نیویورک).
دعاوی حقوقی خصوصی سریعتر پیش میروند. در پرونده Workday، متقاضیان ۴۰ سال به بالا میگویند نرمافزار غربالگری Workday به رد شدنشان کمک کرده است.
دادگاهی اجازه داد ادعای سنی سراسری آنها پیش برود (فوربس). این یعنی اجرای کم، در صورت شکایت یک نامزد ردشده، دفاعیه نیست.
۱۰. وقتی امتیاز هوش مصنوعی و فهرست کوتاه من با هم اختلاف دارند، کدام برنده است و به رئیس خود چه بگویم؟
به هیچکدام کورکورانه اعتماد نکنید: امتیاز هوش مصنوعی، امتیاز خودتان و شواهد را کنار هم بگذارید و بگذارید معیارهای نوشتهشده تصمیم بگیرند. به رئیس خود فهرستی رتبهبندیشده با امتیاز، شواهد و شکاف هر نامزد برای بررسی بدهید.
اختلاف مفید است، چون به معیاری اشاره میکند که شما و هوش مصنوعی متفاوت خواندهاید. پیش از بحث درباره مجموع، آن شواهد را بررسی کنید.
در همان شرکت فورچن ۵۰۰، لی و همکاران ۸۸٬۶۶۶ درخواست را پیگیری کردند تا ببینند انتخابهای مصاحبه چه کسانی به استخدام منجر میشود.
از افرادی که غربالگران انسانی برای مصاحبه انتخاب کردند، ۱۰ درصد استخدام شدند. نرخ استخدام تخمینی انتخابهای مدلها ۲۷ درصد (مدل اکتشافی) و ۳۲ درصد (مدل استاندارد) بود.

انتخابهای چه کسی استخدام شدند: انتخابهای مصاحبهای غربالگران انسانی در برابر انتخابهای ۲ مدل غربالگری در ۱ شرکت Fortune 500.
اما این ۱ شرکت با نرخهای تخمینی است. همان مدل استاندارد سهم سیاهپوستان و اسپانیاییتبارها از مصاحبهشوندگان را نیز بیش از نصف کاهش میداد (بخش ۸). پس هر دو را بررسی کنید و تصمیم را به هیچکدام نسپارید.
سپس نامهای نهایی را بر اساس همان معیارها کنار هم مقایسه کنید، تا شواهد تصمیم بگیرد، نه آخرین چیزی که خواندهاید.
شواهد را همراه هر نام تحویل دهید، مانند یک کارت امتیاز مصاحبه (تصویری، نه داده مشتری):
| رتبه | داوطلب | امتیاز CV | شواهد | شکافی که باید بررسی شود | تصمیم |
|---|---|---|---|---|---|
| ۱ | A | ۷.۰ | تمدیدها با نتیجه حفظ مشتری | عمق آنبوردینگ | مصاحبه |
| ۲ | B | ۶.۸ | جزئیات قوی CRM و SaaS | بدون حوزه تمدید | مصاحبه |
| ۳ | C | ۶.۴ | تمدیدها با نتایج | جزئیات کم CRM | ذخیره |
| نزدیک به رد شدن | D | ۵.۹ | جزئیات آنبوردینگ و CRM | معیار الزامی امتیاز ۳ گرفت | حذف: کمترین مجموع (۵.۹) |
سطر D دلیل مکتوب را نگه میدارد: بدون شواهد تمدید، پس معیار الزامی امتیاز ۳ گرفت و مجموع به ۵.۹ افت کرد. این همان چیزی است که به رئیستان میگویید، یا به داوطلبی که میپرسد.
وقتی رئیستان موافقت کرد، به هر داوطلب فهرستشده مرحله بعد، قالب آن، مهلت و فردی که باید بپرسد را اطلاع دهید. سپس به بقیه هم اطلاع دهید، با قالبهای ایمیل رد داوطلب ما.
چگونه Flowmingo کمک میکند
Flowmingo یک مصاحبهگر AI رایگان برای استخدامکنندگان است. هر CV امتیازی برای هر معیار، شواهد، نقاط قوت، شکافها و آنچه باید بعداً بررسی شود میگیرد: همان ستونهای بالا. سپس متقاضیان در زمان خودشان مصاحبه AI را انجام میدهند و شما هر گزارش را با لینک با مدیر استخدامتان به اشتراک میگذارید. اینکه چه کسی پیش برود همیشه تصمیم شماست. Flowmingo را برای فهرستسازی داوطلبان بعدیتان رایگان امتحان کنید.
۱۱. منابع
هر مطالعه، قانون و نظرسنجی در این راهنما به منبعی در پایین پیوند دارد؛ آمار Flowmingo از دادههای پلتفرم خود Flowmingo گرفته شده است.
- California Civil Rights Department (2025). Civil Rights Council secures approval for regulations to protect against employment discrimination related to artificial intelligence. State of California.
- Callaham, S. (2026). A federal judge, a 1967 law and a billion rejected job applications. Forbes.
- Colorado General Assembly (2026). SB26-189: Automated decision-making technology. Colorado General Assembly.
- Crowell & Moring (2024). Artificial intelligence in employment update: Illinois requires notice and prohibits discriminatory impact in use of AI. Crowell & Moring LLP.
- European Parliament and Council (2026). Regulation (EU) 2026/1744 amending Regulation (EU) 2024/1689, the Digital Omnibus on AI. Official Journal of the European Union.
- Gartner (2025). Gartner survey shows just 26% of job applicants trust AI will fairly evaluate them. Gartner newsroom.
- Greenhouse (2026). The Hire Standard: Greenhouse benchmark report, North America. Greenhouse.
- Huffcutt, A. I., Culbertson, S. S., & Weyhrauch, W. S. (2013). Employment interview reliability: New meta-analytic estimates by structure and format. International Journal of Selection and Assessment.
- Information Commissioner's Office (n.d., read 2026). Keeping recruitment records. ICO.
- Kahneman, D., Sibony, O., & Sunstein, C. R. (2021; paperback 2022). Noise: A flaw in human judgment. Little, Brown Spark.
- Kline, P., Rose, E. K., & Walters, C. R. (2022). Systemic discrimination among large U.S. employers. The Quarterly Journal of Economics.
- Kuncel, N. R., Klieger, D. M., Connelly, B. S., & Ones, D. S. (2013). Mechanical versus clinical data combination in selection and admissions decisions: A meta-analysis. Journal of Applied Psychology.
- Li, D., Raymond, L., & Bergman, P. (2025). Hiring as exploration. The Review of Economic Studies.
- Ministry of Manpower, Singapore (2025). Workplace Fairness (Dispute Resolution) Bill press release. MOM.
- Mu, H., Liu, J., Wan, K., Xing, R., Chen, X., Baldwin, T., & Che, W. (2025). AI security beyond core domains: Resume screening as a case study of adversarial vulnerabilities in specialized LLM applications. arXiv preprint.
- NYC Department of Consumer and Worker Protection (n.d., read 2026). Automated employment decision tools (AEDT). City of New York.
- Office of the New York State Comptroller (2025). Enforcement of Local Law 144: Automated employment decision tools. Report 2024-N-6.
- Rozado, D. (2026). Gender and positional biases in LLM-based hiring decisions: Evidence from comparative CV/resume evaluations. PeerJ Computer Science.
- Sackett, P. R., Zhang, C., Berry, C. M., & Lievens, F. (2022). Revisiting meta-analytic estimates of validity in personnel selection: Addressing systematic overcorrection for restriction of range. Journal of Applied Psychology.
- Simonsohn, U., & Gino, F. (2013). Daily horizons: Evidence of narrow bracketing in judgment from 10 years of MBA admissions interviews. Psychological Science, via EurekAlert.
- TopResume (2025). AI in hiring survey. TopResume.
- U.S. Code of Federal Regulations (current text). 29 CFR 1602.14, preservation of records. Legal Information Institute.
- U.S. Code of Federal Regulations (current text). 29 CFR 1607.4, information on impact. Legal Information Institute.
- Uhlmann, E. L., & Cohen, G. L. (2005). Constructed criteria: Redefining merit to justify discrimination. Psychological Science, via Yale News.
- Van Iddekinge, C. H., Arnold, J. D., Frieder, R. E., & Roth, P. L. (2019). A meta-analysis of the criterion-related validity of prehire work experience. Personnel Psychology.
- Xu, J., Li, G., & Jiang, J. Y. (2026). AI self-preferencing in algorithmic hiring: Empirical evidence and insights. arXiv preprint.



