一個親身經歷：輸給了一位履歷是直接複製貼上與聊天機器人對話的候選人。為什麼關鍵字評分層會獎勵這種做法，以及為什麼早期投遞是唯一可擴展的防禦。
不久前，我投遞了一家大型企業的職缺。紙面上有充分的相關經驗，職位描述讀起來就像是為我量身打造的，而且距離截止日期還有好幾週。我提交了申請，禮貌地等了三週，然後收到了禮貌的拒絕回覆。
我有一個朋友在那家公司工作，所以我問了他。他的回答居然是，我投遞太晚了。
記住，距離截止日期還有好幾週。理論上有充分的時間。但公司的求職者追蹤系統會將收到的履歷依據職缺的關鍵字檔案進行預排序，而招募人員幾乎完全從那個預排序清單工作。到我的申請送達時，一份可行的候選名單已經從更早的應徵者中建立好了，我的履歷被放到了「也許」那堆。「也許」那堆永遠不會被回頭看。
然後他告訴我，當他坐下來面試一位系統確實選中的候選人時發生了什麼。
那位候選人提交的履歷，是他們與 ChatGPT 對話的完整未編輯記錄。問題、回答、問題、回答。提示語在頁面上清晰可見。模型的回答也清晰可見。候選人的實際經驗（如果有的話）則完全看不到。
那份履歷獲得了面試機會。我的，帶著在真實職涯中積累的相關經驗，沒有。
值得了解為什麼這樣行得通，因為它解釋了當前就業環境給人的許多感受。
當求職者追蹤系統對收到的履歷運行關鍵字或 AI 評分層時，該層是根據密度和術語廣度來評分的。真人的履歷將正確的關鍵字分散在有限數量的項目符號中，大約 30 到 60 個，以簡潔的履歷英語撰寫。同一主題的聊天機器人對話記錄有數百段冗長的解釋，每個子概念都被命名，每個同義詞都浮出，每個相鄰技能都被提及（還有一些無關的也被加入）。對於衡量與職位描述重疊程度的評分層來說，它看起來就像隊列中最強的匹配。
公平地說，不是每個求職者追蹤系統都這樣過濾。被廣泛重複的說法——ATS 會默默拒絕每一份缺少特定關鍵字的履歷——被誇大了，我們已經在這裡寫過。Workday、Greenhouse、Lever、Ashby 和 SmartRecruiters 預設都會將每份申請呈現給人類招募人員，不涉及自動拒絕。但大多數是關鍵詞。許多大型雇主確實在其技術堆疊之上運行 AI 評分層、淘汰問題或第三方篩選服務，在這些存在的地方，用 LLM 填充的履歷遊戲確實奏效。
這才是讓我困擾的部分。
貼上的聊天機器人對話記錄中沒有任何訊號表明該候選人做了任何超出輸入提示和複製答案的事情。他們可能沒有仔細閱讀職位描述。可能沒有寫一封量身打造的求職信。可能沒有為任何面試問題排練答案。這些在初篩階段都不重要，因為初篩評的是文字密度，不是努力程度。管道另一端的招募人員然後就得面試那些只是貼了提示的人，這不可能是任何人時間的好用途。
可預見的，輸給這種做法的候選人，是那些認真撰寫準確、手寫履歷的人。
你無法用手寫的履歷在填充量上超過 LLM。你不應該嘗試。防禦在於你在申請堆中夠早，以至於評分層基本上無關緊要，因為招募人員仍然從一小批按日期排序的申請中挑選，在 AI 篩選的候選名單被鎖定之前。
在第一天投遞，你是第 7 號應徵者。在第十二天投遞，你是第 240 號，排在某個複製貼上的聊天機器人對話下面。招募人員在有足夠可行的候選人面試時關閉招募需求，而不是在隊列清空時。那個漏斗實際如何運作無論頂端的過濾層多聰明都是一樣的。
這也是為什麼先發效應在各行業的申請回覆率上如此穩健，以及為什麼在上架 LinkedIn 之前就被填補的職缺才是值得追逐的。所有決定誰獲得面試的系統在你早期時都對你有利。晚了，你就任由雇主恰好裝上的任何過濾器擺布，而越來越多的過濾器獎勵的是機器生成的雜訊。
在那次失敗之後，我改變了我的日常流程。具體來說：
我們的早期投遞完整指南更詳細地介紹了每日流程。大部分只需要十五分鐘，而非三小時。
這並不意味著關鍵字填充的對話記錄每次都贏。很多招募人員在很多管道中會花五秒鐘瀏覽那份履歷，認出它是垃圾，然後丟掉。很多 ATS 一開始就不會把它作為頂級匹配浮出。上面的故事是一家雇主的一個職缺，透過二手轉述。我也無法證明那位候選人完全沒有資格。
我能說的是，這種投機行為的結構性條件存在，而且正在擴散。在未來幾年中，不存在 AI 填充履歷問題變得不那麼普遍的版本。但存在一個版本，在那個版本中你認真對待位置性防禦，不再試圖在機器人自己的遊戲中打敗它們。
做第一個。寫真實的東西。讓那些貼長文的候選人在隊列的第 240 行互相競爭。