तुम्ही AI CV स्क्रीनिंग सॉफ्टवेअरचे दर ठरवत आहात, आणि तुमचा तिसरा AI रेझ्युमे स्क्रीनिंग डेमो आधीच्या 2 सारखाच संपतो. तुम्ही विचारता की सर्वात वरचा CV पहिल्या क्रमांकावर का, आणि प्रतिनिधी पुन्हा त्याचा मॅच स्कोअर दाखवतो.
Greenhouse च्या विक्रेत्याने चालवलेल्या नोव्हेंबर 2025 AI in Hiring survey मध्ये, फक्त 21% अमेरिकन भरती-व्यवस्थापकांना खात्री होती की त्यांच्या AI ने कोणताही पात्र अर्जदार नाकारला नाही.
ही तुमची चूक नाही: विक्रेते क्वचितच काम कसे चालते ते दाखवतात. पण धोका तुमच्यावर येतो, कारण तुम्ही तपासू शकत नाही असे साधन तुमच्या मंजुरीसह चांगल्या लोकांना गाडून टाकू शकते.
हा मार्गदर्शक दाखवतो की सॉफ्टवेअरने काय करावे, खरेदीपूर्वी 20 जुन्या CV वर त्याची चाचणी कशी करावी, आणि विक्रेत्यांना जबाबदार धरण्यासाठी 12 मुद्दे.
मुख्य मुद्दे
- AI CV स्क्रीनिंग सॉफ्टवेअर 200 CV सोबत काय करते? ते प्रत्येक CV तुमच्या निकषांविरुद्ध स्कोअर करते, पुरावा उद्धृत करते आणि गठ्ठा क्रमवार लावते. तुम्ही वरचे वाचता आणि ठरवता.
- मी फक्त 10 पैकी 8 स्कोअर मिळवणाऱ्या CV चीच मुलाखत घ्यावी का? नाही. 10 जुलै ते 24 सप्टेंबर 2026 दरम्यान Flowmingo ने स्कोअर केलेल्या 105,648 CV पैकी फक्त 4.0% ने 8 गाठले. सर्वांना क्रमवार लावा आणि तुमच्या कटऑफखालचा पट्टा वाचा.
- AI च्या निवडीला एखादी व्यक्ती मंजुरी देणे हे पक्षपात थांबवण्यासाठी पुरेसे आहे का? नाही. 528 लोकांच्या एका प्रयोगात, पुनरावलोकन करणारे पक्षपाती AI ज्या गटाला साथ देत होता त्या गटाकडे झुकले.
- खरेदी करण्यापूर्वी साधनाची चाचणी कशी करावी? ज्यांचा निकाल तुम्हाला माहीत आहे असे 20 जुने CV घ्या, ते मिसळून पुन्हा चालवा, नंतर 3 प्रतींवर फक्त नाव बदला.
- बायस ऑडिटशिवाय मी ते न्यू यॉर्क सिटीच्या नोकऱ्यांसाठी वापरू शकतो का? कोण पुढे जाईल हे ठरवण्यास ते लक्षणीय मदत करत असेल तर नाही. तुम्हाला, म्हणजे नियोक्त्याला, गेल्या वर्षातील ऑडिट हवे आणि वापराच्या 10 व्यवसाय दिवस आधी NYC रहिवाशांना सूचित करावे लागते.
1. आम्हाला प्रत्येक पदासाठी 200+ CV मिळतात. AI CV स्क्रीनिंग सॉफ्टवेअर त्यांचे काय करते?
ते तुम्ही ठरवलेल्या निकषांवर प्रत्येक CV वाचते, प्रत्येकाला लिखित कारणासह गुण देते आणि त्या गठ्ठ्याची क्रमवारी लावते.
आमच्या प्लॅटफॉर्मला स्कोअर करण्यासाठी 10 किंवा त्याहून अधिक CV पाठवलेल्या प्रकल्पांमध्ये, सर्वात व्यस्त 10 पैकी 1 प्रकल्पाला 228 किंवा त्याहून अधिक मिळाले. Greenhouse च्या 2025 उत्तर अमेरिका मानदंड अहवालात प्रत्येक अर्ज मोजला जातो आणि सरासरी पदासाठी 244 अर्ज नोंदवले जातात, त्यामुळे 200+ हे सामान्य व्यस्त पद आहे.
ते CV स्क्रीनिंगची पहिली फेरी 5 टप्प्यांत करते:
- तुम्ही जॉब ब्रीफ पेस्ट करता.
- सॉफ्टवेअर वेटेड निकषांचा मसुदा तयार करते, आणि तुम्ही ते संपादित करता.
- ते प्रत्येक CV ला प्रत्येक निकषावर गुण देते, पुरावा उद्धृत करते.
- ते सर्वांची क्रमवारी लावते, आणि तुम्ही वरचे आणि त्याखालील गट वाचता: क्रमवारी, कधीही नाकारू नका.
- तुम्ही कारणांसह शॉर्टलिस्ट एक्सपोर्ट करता.

हे कसे चालते: जॉब ब्रीफ, तुम्ही संपादित करता ते वेटेड निकष, पुरावा उद्धृत करून प्रत्येक CV ला गुण, मग क्रमवारी, कधीही नाकारू नका. शॉर्टलिस्ट कारणांसह बाहेर जाते.
स्वयंचलित रेझ्युमे स्क्रीनिंग साधन CV मध्ये जे लिहिले आहे त्याला गुण देते, आणि आता अनेक CV जॉब वर्णनाची कॉपी करतात (2024 मधील एक पायाभूत Reddit थ्रेड).
काही उमेदवार आणखी पुढे जातात. 1,200 अमेरिकन नोकरी शोधणाऱ्यांच्या Greenhouse च्या 2025 सर्वेक्षणात, 41% ने AI रेझ्युमे स्क्रीनिंग फिल्टरला लक्ष्य करणारा मजकूर लपवल्याचे कबूल केले. म्हणूनच गुण ही पहिली फेरी आहे, आणि पुढे नोकरी अर्जदारांसाठी स्क्रीनिंग प्रश्नांनी व्यक्तीची चाचणी घ्यावी.
Flowmingo डेटा · 10 किंवा त्याहून अधिक CV असलेले 2,294 हायरिंग प्रकल्प, 1,004 कंपन्यांमध्ये, 3 एप्रिल ते 20 ऑक्टोबर 2026 दरम्यान मिळालेले CV
- 10 किंवा त्याहून अधिक CV असलेल्या प्रकल्पांसाठी 33 CV हा मध्यक होता.
- त्या प्रकल्पांतील सर्वात व्यस्त 10 पैकी 1 प्रकल्पात 228 किंवा त्याहून अधिक CV आले.
फक्त Flowmingo च्या CV मूल्यांकनासाठी पाठवलेले CV मोजले आहेत, पदाला इतरत्र मिळालेले प्रत्येक अर्ज नाही.

प्रत्येक पदासाठी CV: 10 किंवा त्याहून अधिक CV असलेल्या 2,294 प्रकल्पांमध्ये, मध्यकाला 33 मिळाले. सर्वात व्यस्त 4 पैकी 1 ला 83 किंवा त्याहून अधिक, आणि सर्वात व्यस्त 10 पैकी 1 ला 228 किंवा त्याहून अधिक मिळाले.
2. या भूमिकेसाठी 'qualified' म्हणजे काय, हे कीवर्डपलीकडे जाऊन सॉफ्टवेअरला कसे सांगायचे?
नोकरीतूनच 4 ते 6 निकष लिहा, प्रत्येकाला वजन द्या, आणि कोणता CV पुरावा उच्च गुण मिळवतो ते सांगा. नोकरीला नको असलेल्या गोष्टी वगळा, जसे की शाळेचे नाव, पोस्टकोड किंवा गॅप इयर.
अर्जात विचारलेल्या 2 किंवा 3 तथ्यांसाठी पास/फेल ठेवा, जसे की काम करण्याचा अधिकार किंवा परवाना (candidate shortlisting). CV वरून वाचलेल्या प्रत्येक गोष्टीला वजन द्या, कारण CV प्रॉक्सीवरचा कठोर फिल्टर पात्र लोकांना लक्षात न येता काढून टाकतो.
2021 मधील एका Harvard Business School and Accenture study मध्ये 1 उदाहरण दिले आहे: 6 महिन्यांहून अधिक काळ बेरोजगार असलेल्या कोणाचीही रँक खाली करणारा फिल्टर.
प्रॉक्सींना तितकीच काळजी आवश्यक आहे. नवीन AI मॉडेल्समध्ये स्पष्ट लिंग आणि वंश पूर्वग्रह कमी दिसतो, पण शिक्षणाशी जोडलेला पूर्वग्रह लक्षणीय राहतो (Iso and colleagues). इलिनॉय 1 जानेवारी 2026 पासून प्रॉक्सी म्हणून झिप कोडवर बंदी घालते, आणि सिंगापूरचा निष्पक्षता कायदा भाषेची क्षमता, राष्ट्रीयत्व आणि वय यांचे संरक्षण करेल.
येथे Customer Service Team Lead साठी एक वर्कशीट आहे (उदाहरणार्थ, ग्राहक डेटा नाही):
| निकष | वजन | 8 ते 10 साठी पुरावा | 3 ते 5 साठी पुरावा |
|---|---|---|---|
| 5+ एजंट्सच्या टीमचे नेतृत्व केले | Must Have (4) | टीमचा आकार आणि निकाल, जसे की जलद उत्तरे | "टीमला सपोर्ट केला", आकार नाही |
| एस्केलेटेड तक्रारी हाताळल्या | Very Important (3) | त्यांनी स्वतः सांभाळलेली एस्केलेशन, आणि ती कशी संपली | कौशल्यांत "Complaint handling" |
| दररोज टिकेटिंग सिस्टमचा वापर | Important (2) | सिस्टमचे नाव आणि त्यांनी काय ट्रॅक केले | "CRM tools", तपशील नाही |
| रिटेल किंवा ई-कॉमर्स सेवा | Good to Have (1) | रिटेल किंवा ऑनलाइन शॉप सेवा टीम | जवळपासचे सेवा काम |
| वगळा | गुण दिले जात नाहीत | शाळेचे नाव, पोस्टकोड, फोटो, वय, संदर्भाशिवाय गॅप |
नोकरीच्या शीर्षकात लपलेल्या Must-haves, जसे की प्रत्येक स्तरासाठीची वर्षे किंवा साइटवर काम करणे, वर्कशीटमध्ये किंवा 1 किंवा 2 स्क्रीनिंग प्रश्नांमध्ये टाका. पहिल्या CV ला गुण मिळण्यापूर्वी हायरिंग मॅनेजरसोबत ते मान्य करा, आणि आमच्या shortlisting मार्गदर्शकात दाखवल्याप्रमाणे 5 CV वर ते कॅलिब्रेट करा.
Flowmingo कशी मदत करते
तुमची नोकरी पेस्ट करा आणि Flowmingo त्यातून वजन दिलेले निकष तयार करते, आणि तुमची टीम प्रत्येकाचे महत्त्व ठरवते. Must Have ची गणना Good To Have पेक्षा 4 पट जास्त होते (How we score).
3. माझा हायरिंग मॅनेजर का विचारेल. AI CV स्क्रीनिंग सॉफ्टवेअर प्रत्येक गुण समजावून सांगू शकते का?
चांगले AI CV स्क्रीनिंग सॉफ्टवेअर प्रत्येक निकषासाठी गुण दाखवते आणि तो गुण मिळवून देणारी CV मधील ओळ उद्धृत करते. जर तुम्हाला पुरावा दिसत नसेल, तर तुम्ही तुमच्या हायरिंग मॅनेजरसमोर shortlist चा बचाव करू शकत नाही.
प्रस्तावनेतील नोव्हेंबर 2025 च्या Greenhouse सर्वेक्षणात ते न पाहिल्याची किंमत दिसते. AI बद्दल खूप आत्मविश्वास असलेल्या US recruiters व्यतिरिक्त, 25% लोकांचा त्यांच्या AI वर अजिबात विश्वास नव्हता, आणि 8% ला ते कशाला प्राधान्य देते याची कल्पनाच नव्हती.

अमेरिकी भर्तीकर्त्यांचा आत्मविश्वास: 21% खूप आत्मविश्वासू, 25% त्यांच्या AI वर अजिबात आत्मविश्वासू नाहीत, आणि 8% ला ते कशाला प्राधान्य देते याची कल्पनाच नाही.
येथे 1 CV विभाग 2 च्या वर्कशीटनुसार ओळीओळीने गुण दिलेला आहे (उदाहरणादाखल, ग्राहक डेटा नाही):
| निकष (वजन) | गुण /10 | CV मधून उद्धृत पुरावा |
|---|---|---|
| संघाचे नेतृत्व केले (4) | 8 | "7 एजंट्सचे नेतृत्व केले; पहिल्या उत्तराची वेळ 9 वरून 4 तासांवर आणली" |
| एस्कलेशन्स (3) | 7 | "VIP तक्रार रांग सांभाळली, महिन्याला सुमारे 30 प्रकरणे" |
| टिकेटिंग सिस्टम (2) | 6 | "Zendesk, रोज" |
| रिटेल सेवा (1) | 3 | CV वर दाखवलेले नाही, फ्लॅग केले |
| वेटेड स्कोअर | 6.8 | (4x8 + 3x7 + 2x6 + 1x3) / 10 = 68 / 10 |
| साधा सरासरी | 6.0 | (8+7+6+3) / 4 = 24 / 4 |
वेटेड स्कोअर साध्या सरासरीपेक्षा वरचढ ठरतो, कारण सर्वात मजबूत पुरावा अनिवार्य असलेल्या निकषावर आहे. गप्प राहिलेल्या रिटेल ओळीला 3 गुण मिळतात, जो आमच्या शॉर्टलिस्टिंग मार्गदर्शकातील फ्लॅग केलेला डीफॉल्ट आहे. शून्य दिल्यास CV वर ती ओळ न लिहिणाऱ्याला अन्याय होईल.
मग सुमारे एका मिनिटात 3 तपासण्या करा. प्रत्येक उद्धृत ओळीने तिचा निकष सिद्ध केला पाहिजे, कोणताही स्कोअर गहाळ पुराव्यावर आधारित नसावा, आणि बर्यापैकी एकूण गुणांमागे कमकुवत अनिवार्य निकष लपून राहू नये.
डेमोमध्ये, विभाजन न देता फक्त एकच साम्य टक्केवारी हा धोक्याचा इशारा आहे, आणि जाहिरातीची नक्कल करणारी कारणेही तशीच आहेत.
Flowmingo कशी मदत करते
Flowmingo प्रत्येक CV ला तुमच्या वेटेड निकषांविरुद्ध 10 पैकी गुण देते आणि प्रत्येक स्कोअरमागील पुरावा लिहून देते (FAQ). एकूण स्कोअर वेटेड सरासरी असतो, वरील तक्त्याप्रमाणे (आम्ही कसे गुण देतो).
4. AI जेव्हा एखाद्या मजबूत उमेदवाराला कमी गुण देते तेव्हा काय होते, आणि मी ते ओव्हरराइड करू शकतो का?
स्वयंचलितपणे काहीही घडू नये: कमी स्कोअरने CV यादीत खाली जावे, यादीबाहेर नाही. तुम्ही तुमच्या कटऑफखालील श्रेणी वाचता आणि लोकांना वर आणता.
Flowmingo डेटा · 105,648 CV · 50,546 उमेदवार · 3,815 भरती प्रकल्प · 1,761 कंपन्या · सध्याचा स्कोअरर, 10 जुलै ते 24 सप्टेंबर 2026
- प्रत्येक जॉबच्या स्वतःच्या वेटेड निकषांविरुद्ध 10 पैकी 5.4 हा मध्यक CV स्कोअर होता.
- 4.0% CV ना 8 किंवा त्याहून अधिक गुण मिळाले, आणि 19.0% ना 7 किंवा त्याहून अधिक गुण मिळाले.
हे AI CV स्कोअर आहेत, उमेदवाराची गुणवत्ता किंवा भरतीचे निकाल नाहीत, आणि जॉब्समध्ये तुलना करता येत नाहीत. कडक निकष किंवा मोठ्या प्रमाणातील अपलोड्स ते खाली आणतात; स्कोअर करता न येणारे CV वगळले जातात. स्कोअरिंग पद्धत 9-10 जुलै 2026 रोजी बदलली आणि त्यापूर्वीचे स्कोअर तुलना करण्यायोग्य नाहीत.

CV स्कोअरचा प्रसार, सध्याचा स्कोअरर: 105,648 CV पैकी 56.4% ने 5 किंवा जास्त गुण मिळवले आणि 19.0% ने 7 किंवा जास्त गुण मिळवले. फक्त 4.0% ने 8 किंवा जास्त गुण मिळवले, आणि 0.1% ने 9 गाठले.
त्यामुळे "फक्त 8 गुण मिळवणाऱ्यांचीच मुलाखत घ्या" यामुळे अनेक भूमिकांसाठी अगदी लहान यादी उरते, किंवा काहीच उरत नाही. 20 किंवा त्याहून अधिक स्कोअर केलेल्या CV असलेल्या अर्ध्या प्रकल्पांमध्ये, एकही 8 पर्यंत पोहोचला नाही (candidate shortlisting).
528 लोकांसह 2025 च्या एका प्रयोगात, पुनरावलोकन करणाऱ्यांनी अनुकरण केलेल्या पक्षपाती AI च्या निवडींना 90% पर्यंत वेळा अनुसरले (Wilson and colleagues).
त्यामुळे स्कोअर स्वीकारण्यापूर्वी पुरावा वाचा, हा आमचा सल्ला आहे, अभ्यासाचा निष्कर्ष नाही. 3 सवयी ठेवा:
- वरचा भाग आणि त्याखालचा पुढील स्तर वाचा, जिथे 2024 च्या foundational Reddit थ्रेडमध्ये करिअर बदलणारे, बूटकॅम्प ग्रॅज्युएट्स आणि 2-स्तंभ CV स्थान मिळवताना दिसले.
- जेव्हा तुम्ही एखाद्याला वर नेता, तेव्हा स्कोअरने काय चुकवले याबद्दल 1 वाक्य लिहा.
- भूमिका बंद झाल्यानंतर, तुमचे ओव्हरराइड बरोबर होते का ते तपासा.
समजा तुमचा कटऑफ 7 आहे आणि एक करिअर बदलणारी 6.1 गुण मिळवते, कारण तिच्या CV मध्ये "shift supervisor" आहे, "team lead" नाही. तिने एका रिटेलरमध्ये 6 लोकांचे नेतृत्व केले, त्यामुळे तिला वर न्या आणि "led 6, title differs" असे नोंदवा.
2 डिसेंबर 2027 पासून, EU ला साधनाला ओव्हररूल करण्याचा अधिकार असलेला प्रशिक्षित व्यक्ती आवश्यक आहे (Article 26).
Flowmingo कशी मदत करते
कोणालाही स्वयंचलितपणे नाकारले जात नाही: Flowmingo त्याच्या कारणांसह स्कोअर परत देते, आणि प्रत्येक निर्णय तुमच्या टीमकडेच राहतो (FAQ).
5. आम्ही विविध बाजारांमध्ये भरती करतो. AI CV स्क्रीनिंग सॉफ्टवेअर इतर भाषा आणि विचित्र फॉर्मॅट वाचते का?
कधीकधी वाचते, आणि हे अंतर मोठे असू शकते, त्यामुळे तुम्हाला मिळणाऱ्या भाषा आणि लेआउटवर ते तपासा. विक्रेत्याला भाषेनुसार निकाल विचारा, नंतर तुमच्या स्वतःच्या 2 किंवा 3 इंग्रजीतर CV आणि स्कॅन केलेल्या CV तपासा.
साधनामागील मॉडेल "multilingual" लेबलापेक्षा अधिक महत्त्वाचे आहे. JobResQA benchmark मध्ये (2026 चा preprint), Llama 3.3 70B ने इंग्रजी CV प्रश्नांवर 0.73 गुण मिळवले पण जर्मनमध्ये 0.47 आणि चिनीमध्ये 0.48.
तथापि, ही घट असमान आहे. इटालियन 0.70 वर टिकला, आणि Mistral Large जवळ राहिला, इंग्रजीमध्ये 0.69 आणि चिनीमध्ये 0.61.

तेच मॉडेल, इतर भाषा: Llama 3.3 70B ने इंग्रजीत 0.73, इटालियनमध्ये 0.70, चिनीमध्ये 0.48 आणि जर्मनमध्ये 0.47 गुण मिळवले. हे उत्तरांच्या गुणवत्तेचे गुण आहेत, जे AI न्यायाधीशाने मानवी उत्तरांशी तुलना करून तपासले आहेत, भरतीची अचूकता नाही.
विचित्र फॉरमॅट्समुळेही साधने अडकतात. त्याच 2024 मधील मूलभूत चर्चेत, भरती करणाऱ्यांनी 2-स्तंभ CV, तक्ते आणि चुकीच्या वाचलेल्या तारखा नमूद केल्या, आणि स्कॅन केलेल्या CV साठी आधी मजकूर ओळखणे आवश्यक असते.
मग विचारा की साधन जी फाइल्स वाचू शकत नाही त्यांचे काय होते: ती फ्लॅग व्हायला हवीत, कधीही गुपचूप वगळली जाऊ नयेत.
Flowmingo डेटा · 2,223 कंपन्यांमध्ये CV मूल्यांकनासाठी पाठवलेल्या 210,364 CV, 3 एप्रिल ते 20 ऑक्टोबर 2026
- Flowmingo च्या CV मूल्यांकनासाठी पाठवलेल्या 99.7% CV गुणांसह परत आल्या.
- 345 CV गुण देता आले नाहीत कारण फाइल खराब, पासवर्ड-संरक्षित किंवा वाचनक्षम नव्हती.
हे मोजते की गुण देणे किती वेळा पूर्ण झाले, प्रत्येक CV किती अचूक वाचले गेले हे नाही. काही गुण न मिळालेल्या CV अजूनही रांगेत असू शकतात.
उदाहरणार्थ, सिंगापूरमध्ये भरती करताना, तुम्हाला इंग्रजीत CV दिसतील ज्यात चिनी, मलय किंवा तमिळ नावे आणि परदेशी पदव्या असतील. विभाग 9 मधील नाव-बदल चाचणीत अशा 2 CV वापरा, आणि विचित्र-फाइलच्या जागा एका खऱ्या गैर-इंग्रजी CV आणि एका स्कॅन केलेल्या CV साठी ठेवा.
6. Amazon आणि Workday नंतर, महिलांविरुद्ध किंवा 40 वर्षांवरील लोकांविरुद्ध पक्षपातासाठी AI स्क्रीनिंग कसे तपासावे?
विक्रेत्याकडे ऑडिट आकडे मागा, मग गटानुसार तुमचे स्वतःचे शॉर्टलिस्ट दर तपासा. धोका खरा आहे, कारण साधने मागील भरतींमधून शिकतात, नावे वाचतात आणि आधी वाचलेल्या CV ला पसंती देतात.
मूलभूत उदाहरण म्हणजे Amazon चे प्रायोगिक CV साधन (Reuters, 2018). त्याने 10 वर्षांच्या CV मधून शिकले, "women's" या शब्दाला दंड दिला आणि 2 सर्व-महिला महाविद्यालयांच्या पदवीधरांना खालचा दर्जा दिला.
नावे मॉडेल्सना प्रभावित करतात. 3 CV-जुळवणी मॉडेल्सच्या ऑक्टोबर 2024 मधील मूलभूत ऑडिटमध्ये, श्वेत-संबंधित नावांनी वंश चाचण्यांमध्ये 85.1% जिंकले (Wilson and Caliskan). कृष्णवर्णीय पुरुष नावे 100% पर्यंत हरली.
क्रमही त्यांना प्रभावित करतो. 22 AI मॉडेल्स आणि समान पात्रतेच्या CV च्या जोड्यांवरील 30,690 निर्णयांमध्ये, आधी दाखवलेल्या CV ने 63.5% वेळा जिंकले (Rozado).

पहिला सीव्ही जिंकतो: 22 AI मॉडेल्समध्ये, पहिला दाखवलेला सीव्ही 63.5% वेळा जिंकला आणि दुसरा 36.5%. निष्पक्ष संभाव्यता 50% आहे.
ब्लूमबर्गच्या 2024 मधील पायाभूत चाचणीत, GPT-3.5 ने जवळपास सारख्याच 8 सीव्हींना क्रमांक दिले, जिथे निष्पक्ष वरचा दर 12.5% आहे. आशियाई महिलांची नावे 17.2% वेळा वर आली आणि काळ्या पुरुषांची 7.6% (आकडे). तरीही interviewing.io या पद्धतीला आव्हान देते, आणि चॅटबॉट हे चाचणी केलेले स्क्रीनिंग साधन नाही.
Workday विरुद्धच्या Mobley प्रकरणात, न्यायालयाने मे 2025 मध्ये 40 आणि त्याहून अधिक वयाच्या अर्जदारांना देशव्यापी गट म्हणून पुढे जाण्याची परवानगी दिली (Holland & Knight). हे आरोप आहेत, निष्कर्ष नाहीत.
प्रत्येक गटाच्या शॉर्टलिस्ट दराला सर्वाधिक गटाच्या दराने भागा (उदाहरणादाखल उदाहरण, ग्राहक डेटा नाही):
| गट | सीव्ही | शॉर्टलिस्ट केलेले | शॉर्टलिस्ट दर | सर्वाधिकाशी गुणोत्तर |
|---|---|---|---|---|
| गट X | 140 | 14 | 10.0% | 100% |
| गट Y | 100 | 6 | 6.0% | 60%: तपास करा |
गट Y चा 6.0% भागिले गट X चा 10.0% म्हणजे 60%, जो 80% रेषेखाली आहे. म्हणून भूमिका बंद होण्यापूर्वी का ते शोधा.
80% रेषा 1978 मधील पायाभूत Uniform Guidelines मधून आली आहे, जी वंश, लिंग आणि वांशिक गटांसाठीचा नियम आहे. 40 वर्षांवरील लोकांसाठी ती वापरणे ही आमची सूचना आहे. लहान गटांसाठी, महत्त्वाची चाचणी वापरा.
2 नोव्हेंबर 2026 पर्यंत हा नियम अजूनही eCFR मध्ये आहे. 9 जून 2026 रोजी, न्याय विभागाच्या Office of Legal Counsel ने त्यामागील मार्गदर्शक तत्त्वांना Title VII चे असंविधानिक अर्थ लावणे म्हटले.
EEOC ने नोव्हेंबर 2026 मध्ये ती रद्द करण्याची योजना आखली आहे (Ogletree). Title VII disparate-impact दावे कायम आहेत, म्हणून ही तपासणी तुमचा स्वतःचा देखरेख म्हणून ठेवा.
7. आम्ही न्यू यॉर्क, EU आणि सिंगापूरमध्ये भरती करतो. कोणते AI स्क्रीनिंग कायदे लागू होतात?
हे नोकरी कुठे आहे आणि तुमचे उमेदवार कुठे राहतात यावर अवलंबून आहे. EU आणि सिंगापूरचे नियम 2027 च्या उत्तरार्धात सुरू होतात, पण न्यू यॉर्क शहराचे आता लागू होतात.
न्यू यॉर्क शहर मागील वर्षातील bias ऑडिट, सार्वजनिक सारांश आणि सूचना यांशिवाय समाविष्ट साधनावर बंदी घालते. ही सर्वसाधारण माहिती आहे, कायदेशीर सल्ला नाही.

ठिकाणानुसार कायदे: न्यू यॉर्क सिटी बायस ऑडिट आणि 10 व्यावसायिक दिवसांची सूचना नसलेली कव्हर केलेली साधने प्रतिबंधित करते. इलिनॉय सूचना आणि झिप-कोड प्रॉक्सी नको अशी अट घालते, कॅलिफोर्निया 4-वर्षांचे रेकॉर्ड, EU 2 डिसेंबर 2027 पासून आणि सिंगापूर 2027 अखेरपासून लागू होते.
शहराच्या DCWP ने पायाभूत Local Law 144 5 जुलै 2023 पासून अंमलात आणला आहे, दररोज $500 ते $1,500 दंडासह. तरीही State Comptroller यांना 32 कंपन्यांमध्ये किमान 17 संभाव्य उल्लंघने आढळली, जिथे शहराला 1 आढळले. पायाभूत 2024 अभ्यासात 391 नियोक्त्यांपैकी केवळ 18 जणांनी ऑडिट पोस्ट केले होते (Null Compliance).
EU नोकरीच्या अर्जांना फिल्टर करणे उच्च-जोखीम म्हणून सूचीबद्ध करते (Annex III), Digital Omnibus अंतर्गत 2 डिसेंबर 2027 पासून (Lewis Silkin). इलिनॉयचे नियम (पायाभूत 2024 Morgan Lewis टिपण) आणि कॅलिफोर्नियाचे 2025 नियम (Mayer Brown) आधीपासूनच लागू आहेत.
EEOC ने जानेवारी 2025 मध्ये त्याचे पायाभूत 2023 AI मार्गदर्शन काढून टाकले आणि disparate-impact तपासण्या थांबवल्या (Seyfarth). Mobley सारखे खाजगी दावे सुरूच आहेत.
सिंगापूरचा Act 11 संरक्षित वैशिष्ट्यांवरील निर्णयांना प्रतिबंध करेल आणि 25 पेक्षा कमी कर्मचाऱ्यांच्या नियोक्त्यांना, निष्पक्ष विचाराशिवाय, सूट देईल (Mondaq, DLA Piper). तो AI चे नाव घेत नाही, म्हणून स्वयंचलित फिल्टरना तो लागू होतो हे आमचे वाचन आहे.
7.1 AI त्यांचा CV स्क्रीन करते हे आम्ही उमेदवारांना सांगावे आणि त्यांना बाहेर पडण्याचा पर्याय द्यावा का?
होय, कारण न्यू यॉर्क सिटी आणि इलिनॉय दोन्ही सूचना आवश्यक करतात. बाहेर पडण्याचा पर्याय, जिथे एखादी व्यक्ती त्याऐवजी CV वाचते, ही चांगली पद्धत आहे, तरीही NYC चे नियम तो आवश्यक करत नाहीत.
NYC उमेदवारांना गुण देण्यापूर्वी किमान 10 व्यावसायिक दिवस आधी तुमच्या करिअर्स पेजवर, जाहिरातीत किंवा ईमेलद्वारे सूचना ठेवा (DCWP rules). बाहेर पडण्याच्या उत्तरांना 2 व्यावसायिक दिवसांत उत्तर देण्यासाठी 1 व्यक्ती नेमा, ही आमची सूचना आहे, कायदेशीर मुदत नाही.
उदाहरणार्थ, 1 तारखेला सोमवारी जाहीर केलेल्या सिंगापूर आणि NYC भूमिकेसाठी 15 तारखेला सोमवारपर्यंत NYC CV ला गुण देता येणार नाहीत. सिंगापूरच्या CV ला पहिल्या दिवसापासून गुण देता येतील, आणि तुमच्या करिअर्स पेजवर 10 व्यावसायिक दिवसांपासून सूचना असेल तर NYC CV लाही.
नमुना मसुदा, तुमच्या वकिलासोबत जुळवून घ्या:
या भूमिकेच्या निकषांविरुद्ध CV ला गुण देण्यासाठी आम्ही AI सॉफ्टवेअर वापरतो: [यादी]. आमच्या टीमचा एक सदस्य निकाल तपासतो आणि प्रत्येक निर्णय घेतो. न्यू यॉर्क सिटीच्या भूमिकांसाठी, गेल्या वर्षातील आमचे अलीकडचे बायस ऑडिट येथे सारांशित केले आहे: [दुवा]. सॉफ्टवेअरशिवाय तुमचा अर्ज एखाद्या व्यक्तीने तपासावा, किंवा समायोजनासाठी विनंती करावी यासाठी, या ईमेलला उत्तर द्या आणि [नाव] 2 व्यावसायिक दिवसांत उत्तर देईल.
8. मी स्कोअर केलेली शॉर्टलिस्ट एक्सपोर्ट करून हायरिंग मॅनेजरला पाठवू शकतो का?
हो, आणि एक्सपोर्टमध्ये फक्त नावे आणि आकडे नाही, तर कारणेही असली पाहिजेत. प्रत्येक स्कोअरसोबत त्याच्या पुराव्याच्या ओळी पाठवा, म्हणजे तुम्ही अंदाजाऐवजी पुराव्यावर चर्चा कराल.
उपयुक्त एक्सपोर्टमध्ये 6 गोष्टी असतात: नाव, एकूण स्कोअर, प्रत्येक निकषानुसार स्कोअर, प्रत्येक अनिवार्य अटीसाठीचा पुरावा, तुमची ओव्हरराइड नोंद आणि तारीख. यांमुळे हायरिंग मॅनेजर संपूर्ण यादीऐवजी 1 ओळीवर आक्षेप घेऊ शकतो, आणि तुमच्याकडे का याची नोंद राहते.
एक्सपोर्ट ही तुमची नोंदही असते. कॅलिफोर्नियाच्या नियमांनुसार ADS नोंदी 4 वर्षे ठेवाव्या लागतात, आणि EU AI Act नुसार 2 डिसेंबर 2027 पासून किमान 6 महिने लॉग ठेवावे लागतात.
म्हणून प्रत्येक विक्रेत्याला विचारा की तो स्कोअर किती काळ ठेवतो, आणि ते सर्व एक्सपोर्ट करता येतात का. ओव्हरराइड नोंदीही एक्सपोर्ट होतात का ते तपासा, कारण त्या दाखवतात की प्रत्येक निर्णय एखाद्या व्यक्तीने घेतला आहे. उदाहरणार्थ, एखाद्या एजन्सीला क्लायंटसाठी प्रत्येक उमेदवाराचा PDF हवा असू शकतो.
इन-हाउस टीमला त्यांच्या ATS साठी CSV हवा असू शकतो, किंवा API हवा असू शकतो ज्यामुळे स्कोअर कॉपी-पेस्ट न करता तिथे पोहोचतील. कोणत्याही प्रकारे, हायरिंग मॅनेजरला पुराव्यासह यादी मिळते, कधीही केवळ कोरडी रँकिंग नाही.
Flowmingo कशी मदत करते
Free प्लॅनवर तुम्ही अॅपमधील सर्व काही पाहू शकता, रिपोर्ट लिंकने शेअर करू शकता आणि एकूण 3 PDF किंवा DOCX रिपोर्ट डाउनलोड करू शकता. अमर्याद डाउनलोडसाठी Flowmingo Pro (Starter, Growth किंवा Scale) वर अपग्रेड करा, आणि CSV एक्सपोर्ट Growth पासून सुरू होतो (pricing). Flowmingo 20+ ATSs शी जोडते (ATS guides), Greenhouse, Lever आणि Workday सह, AI मुलाखत स्कोअरसाठी; CV स्कोअरसाठी मोफत API, webhooks किंवा MCP वापरते.
9. मी AI CV स्क्रीनिंग सॉफ्टवेअर माझ्या स्वतःच्या 20 जुन्या CV वर कसे तपासू?
तुम्हाला निकाल माहीत असलेल्या 20 जुन्या CV निवडा, त्या ट्रायलमधून चालवा आणि रँकिंगची प्रत्यक्षात काय घडले त्याशी तुलना करा. नंतर त्या शफल करून पुन्हा चालवा, आणि 3 प्रतींवर फक्त नाव बदला.
त्या 20 मिश्र करा: 5 जण ज्यांना तुम्ही शॉर्टलिस्ट केले आणि त्याचा तुम्हाला आनंद झाला, 5 जवळपासचे, 8 स्पष्ट नाकारलेले आणि 2 इंग्रजीतर किंवा स्कॅन केलेले CV. तुम्हाला नको असलेला वैयक्तिक डेटा काढा, आणि तुमच्या ट्रायल अटी व गोपनीयता सूचना या पद्धतीने जुनी CV पुन्हा वापरण्यास परवानगी देतात का ते तपासा.
नंतर 5 तपासण्या करा:
- जुळणी: 5 पैकी किमान 4 ज्ञात-चांगली CV टूलच्या टॉप 8 मध्ये आली पाहिजेत.
- शफल: ती 20 उलट क्रमाने पुन्हा अपलोड करा. कोणतीही CV 2 पेक्षा जास्त स्थान हलू नये.
- नाव बदल: 3 CV कॉपी करा आणि प्रत्येक प्रतीवर फक्त नाव बदला. स्कोअरमधील फरक 10 पैकी 0.5 किंवा त्याहून कमी राहिला पाहिजे.
- कारणे: 5 यादृच्छिक CV वरील प्रत्येक अनिवार्य अटीचा स्कोअर त्याचा पुरावा दाखवतो, 1 मिनिटाच्या आत तपासता येतो.
- विचित्र फाइल्स: इंग्रजीतर आणि स्कॅन केलेली CV वाचली जातात, रिकामी सोडली जात नाहीत.

20-CV चाचणी: सहमती, शफल, नाव बदल, कारणे आणि विचित्र फाइल्स, प्रत्येकासाठी सुचवलेला पास मार्क जो तुम्ही एका बैठकीत तपासू शकता.
विभाग 6 मधील Rozado च्या पहिल्या-CV परिणामामुळे शफल महत्त्वाचे आहे. हे पास मार्क आमचा अंदाज आहे, हा एक मानक नाही.
9.1 माझ्या टीमने CV वाचून काढलेल्या निकालाशी तुलना करता हे किती अचूक आहे?
तुमच्या भूमिकांसाठी मानवी स्क्रीनर्सशी साधनेांची तुलना करणारा कोणताही स्वतंत्र बेंचमार्क नाही. तुमची 20-CV चाचणी हेच प्रामाणिक उत्तर आहे, म्हणून त्याची खऱ्या निकालाशी तुलना करा.
जर ते 5 पैकी 4 ज्ञात-चांगल्या CV त्याच्या टॉप 8 मध्ये ठेवते आणि 8 पैकी 0 नाकारलेल्या CV त्याच्या टॉप 5 मध्ये ठेवते, तर ते तुमच्याशी सहमत आहे. जर 5 पैकी फक्त 2 टॉप 8 मध्ये आल्या, तर त्यावर विश्वास ठेवण्यापूर्वी उर्वरित 3 साठी त्याची कारणे वाचा.
Flowmingo कशी मदत करते
तुम्ही ही चाचणी मोफत करू शकता: प्रत्येक प्लॅनवर, Free सह, CV मूल्यांकन अमर्यादित आहे, प्रति-CV कोणतेही शुल्क नाही (FAQ).
10. 3 विक्रेता डेमोनंतर, खरेदी करण्यापूर्वी AI CV स्क्रीनिंग सॉफ्टवेअरने कोणत्या तपासण्या उत्तीर्ण केल्या पाहिजेत?
त्याने दृश्यमान पुराव्यासह तुमच्या निकषांवर गुण दिले पाहिजेत, स्वतःहून कधीही नाकारू नये आणि तुमची 20-CV चाचणी उत्तीर्ण व्हावी. तसेच तुमचे उमेदवार त्याच्या ट्रेनिंगपासून दूर ठेवले पाहिजेत.
या 12 मुद्द्यांपैकी प्रत्येक तुमच्या स्वतःच्या CV वर लाइव्ह पाहण्यास सांगा, कारण विक्रेत्याचा नमुना डेटा तुमच्या भूमिकांबद्दल काहीही सिद्ध करत नाही. उदाहरणार्थ, 1 वेट बदला आणि रँकिंग हलताना पाहा.
मुद्दे 1 ते 10 या मार्गदर्शकातील विभाग 2 ते 9 मधून आले आहेत, आणि मुद्दे 11 आणि 12 डेटा हाताळणी समाविष्ट करतात.
| # | सॉफ्टवेअरने | डेमो चाचणी | धोक्याची खूण |
|---|---|---|---|
| 1 | तुम्ही संपादित करता त्याअनुसार निकषांवर गुण द्यावेत | एक वेट बदला | निश्चित, लपलेले निकष |
| 2 | प्रत्येक निकषासाठी CV पुरावा उद्धृत करावा | 3 स्कोअर उघडा | 1 जुळणी टक्केवारी |
| 3 | केवळ स्कोअरवर कधीही नाकारू नये | 10 पैकी 2 बद्दल विचारा | स्वयं-नाकार ईमेल |
| 4 | कारणासह ओव्हरराइड स्वीकारावेत | 1 CV वर हलवा | कारण फील्ड नाही |
| 5 | तुमची 20-CV चाचणी उत्तीर्ण व्हावी | विभाग 9 | "आमचा नमुना डेटा वापरा" |
| 6 | कोणत्याही क्रमाने समान रँक द्यावे | शफल चाचणी | रँक अपलोड क्रमानुसार |
| 7 | नावे, फोटो, पोस्टकोड दुर्लक्ष करावेत | नाव-बदल चाचणी | नावासोबत स्कोअर बदलतो |
| 8 | तुमच्या भाषा आणि लेआउट वाचावेत | 2 विचित्र CV | रिकामे किंवा "असमर्थित" |
| 9 | गटानुसार पास दर नोंदवावेत | ऑडिट टेबल विचारा | फक्त एक बॅज |
| 10 | स्कोअर, कारणे, ओव्हरराइड निर्यात करावेत | यादी डाउनलोड करा | फक्त नावे |
| 11 | उमेदवारांना ट्रेनिंगपासून दूर ठेवावे | करार कलम | "आम्ही आमची मॉडेल्स सुधारतो" |
| 12 | CV हटवावेत आणि तुमच्या DPIA ला साथ द्यावी | धारण कालावधी | लेखी उत्तर नाही |
मुद्दे 11 आणि 12 डेटा हाताळणीबद्दल बोलतात, जे बहुतेक रेझ्युमे स्क्रीनिंग सॉफ्टवेअर पाने वगळतात. ICO च्या नोव्हेंबर 2024 च्या ऑडिटमध्ये असे आढळले की त्यांनी तपासलेल्या बहुतेक प्रदात्यांनी त्यांच्या साधनांना प्रशिक्षण देण्यासाठी उमेदवारांच्या डेटाचा पुनर्वापर केला होता.
त्यात अशी साधनेही आढळली जी भरती करणाऱ्यांना संरक्षित वैशिष्ट्ये गाळण्याची परवानगी देतात, किंवा नावांवरून वंश ओळखण्याचा अंदाज लावतात. म्हणून सही करण्यापूर्वी प्रत्येक विक्रेत्याकडून 4 उत्तरे लेखी स्वरूपात मिळवा:
- ते तुमचे CV कुठे ठेवतात, आणि किती काळ.
- ते तुमच्या उमेदवारांवर कोणतेही मॉडेल प्रशिक्षित करतात का.
- तुम्ही उमेदवाराचे CV आणि गुण कसे हटवता.
- तुम्ही सुरुवात करण्यापूर्वी ते तुमच्या DPIA, म्हणजे डेटा संरक्षण प्रभाव मूल्यांकनाला, आधार देतात का.
Flowmingo कशी मदत करते
Flowmingo हे भरती करणाऱ्यांसाठी एक मोफत AI भरती प्लॅटफॉर्म आहे. त्याचे CV Evaluation मुद्दे 1 ते 3 व्यापते: तुम्ही संपादित करता अशी निकष, प्रत्येक गुणामागील पुरावा आणि स्वयंचलित नाकारणी नाही. तुम्ही मुद्दा 9, विभाग 6 मधील गट-प्रमाण तपासणी, तुमच्या स्वतःच्या शॉर्टलिस्टवर करता. कोणतेही AI CV स्क्रीनिंग सॉफ्टवेअर खरेदी करण्यापूर्वी तुमची 20-CV चाचणी Flowmingo वर चालवा.
11. स्रोत
वर उल्लेख केलेला प्रत्येक अभ्यास, कायदा आणि सर्वेक्षण, APA शैलीत.
- Bloomberg Graphics. (2024). 2024-openai-gpt-hiring-racial-discrimination [Data and code]. GitHub. Percentages as reported by Business Insider via Yahoo.
- Carrino, C. P., Estrella, P., Zbib, R., Escolano, C., & Fonollosa, J. A. R. (2026). JobResQA: A benchmark for LLM machine reading comprehension on multilingual resumes and JDs (arXiv:2601.23183). arXiv.
- Cornell Law School, Legal Information Institute. (n.d., read 2 November 2026). 42 U.S. Code 2000e-2, Unlawful employment practices. Cornell LII.
- Dastin, J. (2018, October 10). Amazon scraps secret AI recruiting tool that showed bias against women. Reuters.
- DLA Piper. (2024, December). First Workplace Fairness Bill introduced in Singapore to protect employees against discrimination. DLA Piper.
- Electronic Code of Federal Regulations. (current text, read 2 November 2026). 29 CFR Part 1607: Uniform guidelines on employee selection procedures. eCFR.
- European Parliament and Council. (2026). Regulation (EU) 2026/1744, the Digital Omnibus on AI. Official Journal of the European Union.
- European Union. (2024). Regulation (EU) 2024/1689 (Artificial Intelligence Act), Annex III. artificialintelligenceact.eu.
- European Union. (2024). Regulation (EU) 2024/1689 (Artificial Intelligence Act), Article 26. artificialintelligenceact.eu.
- Fuller, J. (2021, November 5). How to tap the talent automated HR platforms miss. Harvard Business School Working Knowledge.
- Greenhouse. (2025, November 19). An AI trust crisis (2025 AI in Hiring Report). Greenhouse press release.
- Greenhouse. (2026, March). The Hire Standard: Greenhouse benchmark report, North America. Greenhouse.
- Herbert Smith Freehills Kramer. (2025, December 10). Workplace Fairness Act to take effect end of 2027. Mondaq.
- Holland & Knight. (2025, May 27). Federal court allows collective action lawsuit over alleged AI hiring bias. Holland & Knight.
- Information Commissioner's Office. (2024, November). AI tools in recruitment: Audit outcomes report. ICO.
- interviewing.io. (n.d., read 2026). Refuting Bloomberg's analysis: ChatGPT isn't racist. interviewing.io blog.
- Iso, H., Pezeshkpour, P., Bhutani, N., & Hruschka, E. (2025). Evaluating bias in LLMs for job-resume matching: Gender, race, and education. Proceedings of NAACL 2025 Industry Track.
- Lewis Silkin. (2026, July 27). The Digital Omnibus on AI enters into force today. Lewis Silkin.
- Mayer Brown. (2025, September 2). California adopts new employment AI regulations effective October 1, 2025. Mayer Brown.
- Morgan Lewis. (2024, September 12). Illinois passes new law to address AI in the workplace. Morgan Lewis.
- New York City Department of Consumer and Worker Protection. (n.d., read 2026). Automated employment decision tools (AEDT). City of New York.
- New York City Department of Consumer and Worker Protection. (2023, April). Notice of adoption of final rule: Use of automated employment decision tools (6 RCNY 5-304, notice to candidates). City of New York.
- Office of Legal Counsel, US Department of Justice. (2026, June 9). Constitutionality of disparate-impact liability under Title VII. DOJ.
- Office of the New York State Comptroller. (2025, December 2). Enforcement of Local Law 144: Automated employment decision tools. Office of the New York State Comptroller.
- Ogletree Deakins. (2026, July 7). The EEOC's regulatory agenda: 10 signs of intent. Ogletree Deakins.
- Reddit r/Recruitment. (2024, May 6). Is anyone using AI for resume screening [Online forum thread]. Reddit.
- Rozado, D. (2026). Gender and positional biases in LLM-based hiring decisions: Evidence from comparative CV/resume evaluations. PeerJ Computer Science.
- Seyfarth Shaw. (2026). EEOC-initiated litigation: 2026 edition. Seyfarth Shaw.
- U.S. Code of Federal Regulations (current text). 29 CFR 1607.4, Uniform Guidelines on Employee Selection Procedures, information on impact. Legal Information Institute.
- Wilson, K., & Caliskan, A. (2024). Gender, race, and intersectional bias in resume screening via language model retrieval. Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society, 7(1). Erratum: arXiv v3, 2026.
- Wilson, K., Sim, M., Gueorguieva, A.-M., & Caliskan, A. (2025). No thoughts just AI: Biased LLM hiring recommendations alter human decision making and limit human autonomy. Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society, 8(3).
- Wright, L., Muenster, R. M., Vecchione, B., Qu, T., Cai, P., Metcalf, J., Matias, J. N., et al. (2024). Null compliance: NYC Local Law 144 and the challenges of algorithm accountability. Proceedings of FAccT 2024.



