矽谷公司都用AI來篩選履歷、他用AI做了自動投履歷機器人來應對,能提高面試率嗎?

本文作者羅伯特‧庫姆斯是紐約布魯克林的一個網路通訊執行總監。他想換工作的時候,發現很多公司都是用機器人回覆郵件,於是他也製造了一個發送申請郵件的AI機器人,申請了上千份工作,在這個過程中也發現了一些篩選履歷的其他規則。最後發現,其實你的履歷甚至連機器人都不會去讀,要想找好工作,還是要從人脈入手。

我有一份很棒的工作,不急著跳槽。作為全國非營利組織的管理層,我帶過一些非常出色的團隊。但是在過去的這些年裡,他們做的太好了,以至於讓我開始思考他們是否還需要我。所以慢慢地,我開始尋求一些新的挑戰,一開始是向 Google、Slack、Facebook 和 Squarespace 等知名科技公司申請職位(這或許有些天真)。

我很快認清了兩件事:

  1. 我是在跟他們這塊領域的頂尖領導者競爭,所以我的履歷並不會有什麼優勢。
  2. 是機器人在閱讀求職者的工作申請。

這些機器人是「求職者追蹤系統」(ATS),通常會對工作申請進行分類,它們根據應聘者的技能、前任僱主、工作經歷、學校背景等關鍵詞自動地篩選出候選人。

當意識到我的對手是機器人時,我決定改變策略——自己也做一個機器人。

我是如何製造出一個「申請工作」機器人 

雖然我不是工程師,但我經常玩技術。通常出於無聊或者創造力破錶,或者兩者都有,我能找到方法使一些事情(比如社群媒體、資料處理、網路內容等等)實現自動化。

於是,我寫了一個魯布‧戈德堡式的爬蟲程式(註:魯布‧戈德堡機械 Rube Goldberg machine 是一種被設計得過度複雜的機械組合,以迂迴曲折的方法去完成一些其實是非常簡單的工作,例如倒一杯茶,或打一顆蛋等等。)、電子表格和腳本來把我的求職過程自動化,我暫且謙虛地把它稱作是我的「機器人」。

我的機器人會蒐集人事部經理的聯繫方式,然後把包含我的履歷和求職信的特製郵件發送過去。很快,我就開始想像自己是在把求職過程變成一件超精密的工作。

我追蹤了自己的求職信、履歷或者LinkedIn檔案被瀏覽的次數,還追蹤了電子郵件的回覆(包括自動回覆)。它雖然不是一個很優雅的機器,但是十分有效率。我第一次啟動它的時候,它自動幫我申請了1300份位於美國中西部的工作,僅僅用了我穿過馬路去買杯咖啡的時間。

不過,我現在住在紐約市,並沒有搬家的打算,所以我很快把它關了,直到我發佈新版本。

經過數次更新和一些尷尬的小問題之後,我最終確定了5.0版本,該版本在大約三個月的時間裡幫我申請了538份工作。

認清現實:甚至連機器人也不會閱讀你的履歷

開門見山地說,機器人申請工作這招並不管用。我仍然在尋找合適的工作——聽到我的機器人方法不奏效,你可能不會很驚訝。

在你提醒我做了所有職業規劃教練和招聘人員都告訴求職者不要做的事之前,先聽我說完:我不只是把同樣的內容發送到每個能想像到的職位列表——遠不止如此。我還測試了不同的郵件標題、不同版本的履歷和求職信。我製造機器人,是為了在申請每個新的工作時儘可能地調整最佳化可變因素,就像別人可能一次申請一個。

儘管我發現了一些回覆的不同之處,但是差距不大。真人閱讀郵件時看起來沒什麼不同。我做了一項A/B測試,把一封正常的求職信和第二句中承認了是由機器人發送的郵件進行了對比:

矽谷公司都用AI來篩選履歷、他用AI做了自動投履歷機器人來應對,能提高面試率嗎?

我原以為在這項 A/B 測試中,不同的求職信會得到截然不同的回覆,然而並沒有。

透過這些測試,現在,所有郵件中,總該有一封測試表現得比別的郵件達到更好的效果。對我來說,我不關心是哪一封郵件;我只是想從其他所有的求職者中脫穎而出。

但這似乎並不重要,因為就我從這個實驗和其他類似實驗中得出的結論,沒有人會閱讀求職信——甚至像求職者追蹤系統這樣的機器人也不會閱讀求職信。 

矽谷公司都用AI來篩選履歷、他用AI做了自動投履歷機器人來應對,能提高面試率嗎?

當求職者追蹤系統開啟的時候,我的機器人所發的郵件表現稍好,但只是好一點點。

朋友們很快就指出了這個方法沒有作用的主要原因。大部分人告訴我,必須要認識一個能幫我把履歷轉交給人事經理的人。

在嘗試與整個矽谷的求職系統對抗之前,我瞭解了這個系統有多強大。2014年的一項研究發現,在美國,30%至50%的僱員來自推薦,而且有推薦人的求職者被錄用的概率比沒有推薦人的求職者高四倍以上。根據一名人士顧問的估計,85%的關鍵職位都是透過推薦獲得的。

矽谷公司都用AI來篩選履歷、他用AI做了自動投履歷機器人來應對,能提高面試率嗎?

被推薦的求職者只佔申請人數的一小部分,但被錄用的可能性是其他人的五倍。

矽谷80%的職缺,你不會在召聘公告上看到

 但是,即使公司會優先考慮員工推薦,但也必須注意到那些有獨特資質的求職者——至少我是這麼認為的。

我諮詢了在 Agile.Careers(一個針對高科技管理人員的培訓計畫)工作的史考特‧烏里格,一個非傳統的求職者如何在競爭激烈的就業市場中勝出。他解釋說很容易找到適合某種模式的求職者,不過除此之外,「招聘人員基本沒什麼幫助;他們找的是最符合標準的人。」按照他的觀點,招聘人員沒有時間去關注正常之外的東西。

艾米 ‧ 西格林,行政通訊招聘公司的總裁,提出了不同的意見:「即招即用的招聘幾乎不會發生在領英申請中。當某個非常有影響力的人遇到一個非常有趣的人,並且說『讓我們為你創造一個崗位』的時候,這種情況才會發生。

所以,這是對提交一份履歷然後坐等通知這種傳統做法的沉重打擊。但是我並不是只提交一份履歷,我提交了很多份履歷。大數法則表明一定會有一些東西能夠從求職者追蹤系統中脫穎而出,即使是在那些托朋友將履歷放在最上面的候選人之後。

不過,烏里格說還有另一個數字遊戲在起作用。

他告訴我:「大約80%的職位從來沒公佈過,而對於更高層別的職位,這個比例可能達到90%。」被公佈的職位競爭非常激烈。求職者追蹤系統在挑選出最好的候選人方面做的很差,而且最重要的是——最好的職位甚至都沒有公佈過。

從我開始機器人實驗之後,跟我交流過的其他招聘人員說,招聘公告上的大部分職位要嘛是由已經跳槽的人事部門員工發佈的,要麼已經有人填補了這個空缺。(或者,對很多科技公司來說,他們已經決定要聘請某個持有 H1B 簽證的人,但是需要發佈職位滿足必要條件。)

總之,你提交的申請比一般求職者多兩倍、三倍還是十倍,都不重要——幾乎不會對你有所幫助,因為影響因素超出了你(或你的機器人)的控制範圍。

少申請,多社群

 所以除了灰心喪志之外,這件事還教會了我什麼呢?首先,它讓我變得更聰明了一點。隨著對正面申請的過程幾乎失去信心,我從機械地申請上千份工作中學到了三個教訓:

  1. 關鍵不在於你怎樣申請,而在於你認識的推薦人。如果你不認識,也不要過於擔心。
  2. 公司試圖以最小的風險來填補一個職位,而不是尋找打破規矩的人。
  3. 你申請了多少工作與你是否會被考慮沒有關係,而且那些你沒有機會申請的工作也不會考慮到你。

也許我不需要一個精心製作的機器人來發現這些;也許在某些方面,我對這些資料呈現出來的的訊息要比對機器人是否能真正幫我找到一份工作更感興趣。

但,這個計畫並不是完全失敗了。四十三家公司最終聯繫了我進行後續面試,我與其中20家進行了交談。然而幾乎在每一個案例中,這些公司的規模都很小(少於50個員工),而且沒有一家公司擁有篩選履歷的求職者追蹤系統。

我對所有的面試官都坦白了我做的事,雖然擔心這些會讓他們反感,但目前為止他們的反應都很積極;我甚至得到了一些諮詢工作。但是與此同時,我已經放棄了用傳統的方式申請職位,無論是手動申請還是用機器人。現在我把在非營利組織的工作時間縮減為每週三天,花些時間去跟有趣的人見面,看看能從中學到什麼。最後,我希望他們之中某個人會把我的履歷帶走,並且放到某堆履歷的最上面。 

使用 Facebook 留言

發表回應

謹慎發言,尊重彼此。按此展開留言規則