तपाईंले आवेदन दिने हरेक जागिरबाट किन अस्वीकृत हुँदै हुनुहुन्छ (र यो प्रायः हरेक पटक उही AI हो)
9 मिनेट पढाइ · २०२६ जुन ९ मा अद्यावधिक
Bogdan द्वारा
छोटकरीमा
अमेरिकाका 90% भन्दा बढी नियोक्ताहरूले मानिसले हेर्नुअघि नै जागिरका आवेदनहरू AI ले छान्छन्, र थोरै विक्रेताहरूले ती अधिकांश एल्गोरिदम आपूर्ति गर्छन् — Fortune 100 का 60% भन्दा बढी र अमेरिकाका 10 सबैभन्दा ठूला संघीय निकायमध्ये 8 वटाले एक्लै HireVue प्रयोग गर्छन्। त्यसैले जब तपाईं 50 जागिरमा आवेदन दिनुहुन्छ, प्रायः उही मोडेलले तपाईंलाई 50 पटक अंक दिइरहेको हुन्छ। FAccT 2026 मा प्रकाशित स्ट्यानफोर्ड-नेतृत्वको अध्ययन (Bommasani et al., arXiv:2605.27371) ले 42 लाख वास्तविक आवेदनको विश्लेषण गर्यो र भेट्टायो कि 10 पदमा आवेदन दिने आवेदकहरूमध्ये 4% हरेक एक-एक पदबाट अस्वीकृत हुन्छन् — स्वतन्त्र निर्णयहरूले अनुमान गर्नेभन्दा उच्च दर। प्रणालीगत-अस्वीकृति दर 0.1% भन्दा तल ल्याउन आवेदकहरूले 10 को सट्टा 25 आवेदन पठाउनुपर्छ। यदि एउटा एल्गोरिदमलाई तपाईंको प्रोफाइल मन पर्दैन भने, दोस्रो, पाँचौं र पचासौंले पनि प्रायः उही नतिजा निकाल्छन्। समाधानका तीन भाग छन्: बढी व्यापक रूपमा र बढी विविध पेसाहरूमा आवेदन दिनुहोस् (फरक विक्रेता र मोडेल), एल्गोरिदमले तपाईंलाई जुन निर्धारणात्मक सङ्केतमा अंक दिन्छ त्यो सच्याउनुहोस् (ATS-पठनयोग्य ढाँचा, मितिहरू, परिमाणित बुँदाहरू), र मानवीय समीक्षा भएका माध्यमहरू खोज्नुहोस् (सिफारिस, पूर्व-विद्यार्थी सञ्जाल, रिक्रुटरहरू)।
तपाईंका जवाफविहीन आवेदनहरूपछाडिको लुकेको अवरोध
यदि तपाईंले 30, 50 वा 100 जागिरमा आवेदन दिनुभएको छ र ती सबैमा एकनास मौनता छ भने, सबैभन्दा सामान्य अनुमान — “मेरो बायोडाटा नै कमजोर होला” — सही नहुन सक्छ। संरचनागत कारण प्रायः सरल र बढी असहज हुन्छ: तपाईंलाई 50 फरक रिक्रुटरले पढिरहेका छैनन्। तपाईंलाई मुट्ठीभर एल्गोरिदमले अंक दिइरहेको छ, र धेरै सम्भवतः उही एल्गोरिदमले पटक-पटक।
अमेरिकाका 90% भन्दा बढी नियोक्ताहरूले अब कुनै पनि मानिस संलग्न हुनुअघि नै आवेदकहरू छान्न एल्गोरिदमिक स्क्रिनिङ प्रयोग गर्छन्। EU मा अपनाइने क्रम छिटो बढिरहेको छ र अब EU AI Act अन्तर्गत औपचारिक रूपमा नियमन गरिन्छ, जसले कार्यस्थलको भर्ती AI लाई “उच्च-जोखिम” (Annex III) वर्गीकृत गर्छ। अधिकांश जागिर खोज्नेहरूले नबुझेको कुरा भनेको विक्रेता बजार कति केन्द्रित छ भन्ने हो। Fortune 100 का 60% भन्दा बढी र अमेरिकाका 10 सबैभन्दा ठूला संघीय निकायमध्ये 8 वटाले HireVue का एल्गोरिदम प्रयोग गर्छन्। Pymetrics — यो लेखले आधार बनाएको 2026 को स्ट्यानफोर्ड अध्ययनमा अध्ययन गरिएको विक्रेता — वित्त, उत्पादन, भण्डारण र अन्य 8 उद्योगमा फैलिएका, संयुक्त वार्षिक आम्दानी 225 बिलियन डलर भएका 156 नियोक्ताको स्क्रिनिङमा मध्यस्थता गर्छ।
यसको परिणाम भनेको श्रम बजारभरि एउटै असफलताको बिन्दु हो। जब एउटा विक्रेताको एल्गोरिदमले तपाईं उपयुक्त हुनुहुन्न भन्ने निर्णय गर्छ, त्यो फैसला त्यो विक्रेता प्रयोग गर्ने हरेक नियोक्तासम्म फैलिन्छ। बढी कम्पनीमा बढी पदका लागि आवेदन दिनु — परम्परागत जागिर-खोजी सल्लाह — तब मात्र आंशिक रूपमा काम गर्छ जब ती कम्पनीहरूले फरक विक्रेता प्रयोग गर्छन्। जब गर्दैनन्, उही मेसिनले 47 फरक पोसाकमा तपाईंलाई “होइन” भनिरहेको हुन्छ।
“एल्गोरिदमिक मोनोकल्चर” को वास्तविक अर्थ के हो
अनुसन्धानकर्ताहरूले यो ढाँचालाई एल्गोरिदमिक मोनोकल्चर भन्छन् — जसलाई औपचारिक रूपमा “धेरै निर्णयकर्ताहरू उही वा उस्तै एल्गोरिदममा भर पर्ने अवस्था” भनेर परिभाषित गरिन्छ। यो शब्द कृषि विज्ञानबाट आएको हो, जहाँ विशाल क्षेत्रभरि एउटै बालीको प्रजाति रोप्दा एउटै किरा वा रोगजनकको प्रभाव बढ्छ। आर्थिक तर्क पनि उस्तै सर्छ: जब धेरै नियोक्ताले उही स्क्रिनिङ उपकरण किन्छन्, त्यो उपकरणका रुचि र अन्धा-बिन्दुहरू समग्र श्रम बजारमा नै गडिन्छन्।
Bommasani, Bana, Creel, Jurafsky र Liang (स्ट्यानफोर्ड, Chapman, Northeastern) को 2026 को नवीन अध्ययन भनेको एउटै विक्रेता प्रयोग गर्ने धेरै नियोक्ताहरूभरि वास्तविक एल्गोरिदमिक भर्ती निर्णयहरू अवलोकन गर्ने पहिलो अध्ययन हो। तिनीहरूले डिसेम्बर 2018 देखि डिसेम्बर 2022 सम्ममा 3,372,132 आवेदकले 1,746 पदमा पेस गरेका 4,197,168 आवेदनको डेटासेट प्राप्त गरे, जुन सबै pymetrics मोडेलले छानिएका थिए। हरेक आवेदनलाई अंक दिइन्छ र “सिफारिस” वा “सिफारिस नगर्ने” मा दुईभागे बनाइन्छ। औसतमा, प्रति पद 58.2% आवेदकलाई सिफारिस गरिन्छ; बाँकीलाई सम्भावित अस्वीकृतिका लागि चिन्ह लगाइन्छ, र अधिकांश नियोक्ताले सिफारिस नभएकाहरूलाई थप मानवीय समीक्षाविना नै अस्वीकार गर्छन्।
यो बनोटले अधिकांश जागिर खोज्नेहरूले भोग्ने तर देख्न नसक्ने कुरालाई प्रतिबिम्बित गर्छ: डेटासेटमा भएका 42 pymetrics मोडेल एकैसाथ धेरै कम्पनीले प्रयोग गर्छन्। यदि तपाईं दुई कम्पनीमा आवेदन दिनुहुन्छ र संयोगले दुवैले उही मोडेल प्रयोग गर्छन् भने, कम्पनी A बाटको अस्वीकृति यान्त्रिक रूपमा कम्पनी B बाटको अस्वीकृति हो। तपाईंको मूल्यांकन दुई पटक भएको होइन; एक पटक मूल्यांकन भयो र जवाफ सर्वत्र नक्कल गरियो।
4% को नियम: सबैतिरबाट अस्वीकृत आवेदकहरू
अध्ययनको प्रमुख अनुभवजन्य निष्कर्ष भनेको तिनीहरूले प्रणालीगत अस्वीकृति भन्ने कुरा हो — आवेदकले आवेदन दिने हरेक पदबाट अस्वीकृत हुने दर। ठ्याक्कै 10 आवेदन पेस गर्ने आवेदकहरूमध्ये 4% सबै 10 बाट अस्वीकृत भए। आवेदकहरूले बढी पदमा आवेदन दिँदै जाँदा, विश्वव्यापी अस्वीकृतिको दर घट्छ — तर सांख्यिकीय स्वतन्त्रताले अनुमान गर्नेभन्दा ढिलो गरी।
त्यो खाडलले किन महत्त्व राख्छ? यदि भर्ती निर्णयहरू साँच्चै स्वतन्त्र हुन्थे — हरेक नियोक्ताले नयाँ निर्णय गर्दै — भने अस्वीकृति दरहरू प्रति-पद अस्वीकृति सम्भाव्यताबाट गणना गर्न सकिने किसिमले घातीय रूपमा घट्थे। लेखकहरूले यसलाई अर्को ठूलो डेटासेट (Fortune 500 का 108 फर्ममा 83,000 आवेदनको पत्राचार अध्ययन) सँग जाँचे र भेट्टाए कि ती दरहरू साँच्चै स्वतन्त्र रूपमा घट्छन्। एल्गोरिदमिक भर्तीले त्यसो गर्दैन। ह्रास परस्पर सम्बन्धित छ: एक पटक अस्वीकृत हुनुहोस्, अर्को पटक अस्वीकृत हुने तपाईंको सम्भावना संयोगभन्दा उच्च हुन्छ।
वास्तविक डेटामा “उही AI 50 पटक” यस्तै देखिन्छ। रूपक होइन। स्वतन्त्रताबाट विचलित हुने मापन गरिएको सांख्यिकीय ढाँचा।
“धेरै जागिरमा आवेदन देऊ” आंशिक रूपमा काम गर्छ — तर तपाईंले 25 मा आवेदन दिनुपर्छ
चलाखीपूर्वक, अनुसन्धानकर्ताहरूले भर्ती एल्गोरिदम निर्धारणात्मक हुन्छन् भन्ने तथ्यको उपयोग गरे: उही इनपुट, उही आउटपुट। तिनीहरूले एउटा प्रति-तथ्यगत सिमुलेसन चलाए जसले डेटासेटका 1,746 पदमध्ये हरेकमा आवेदन दिएको भए हरेक आवेदकले पाउने नतिजा उत्पन्न गर्यो। नतिजा: हरेक आवेदकलाई कम्तीमा एउटा pymetrics मोडेलले सिफारिस गर्ने थियो। प्रणालीले आधारभूत रूपमा बाहिर राख्ने कुनै उम्मेदवार छैन — बशर्ते तिनीहरूले सबैतिर आवेदन दिऊन्।
वास्तविक आवेदकहरूले पक्कै पनि हरेक पदमा आवेदन दिँदैनन्। बढी यथार्थपरक आवेदन व्यवहारमा — व्यापक रूपमा तर विश्वव्यापी रूपमा नभई आवेदन दिँदा — केही आवेदकहरू अझै प्रणालीगत रूपमा अस्वीकृत हुन्छन्। लेखकहरूले आवश्यक परिमाण गणना गर्छन्: प्रणालीगत अस्वीकृति दर 0.1% भन्दा तल सुनिश्चित गर्न, स्वतन्त्र निर्णयको आधाररेखामा 10 को तुलनामा आवेदकहरूले 25 आवेदन पेस गर्नुपर्छ। एल्गोरिदमिक मोनोकल्चरको गणितले, गैर-एल्गोरिदमिक श्रम बजारले तपाईंलाई निःशुल्क दिने उही निष्पक्षता आधाररेखामा पुग्नकै लागि तपाईंलाई आफ्नो आवेदन परिमाण लगभग 2.5 गुणा बनाउन बाध्य पार्छ।
अध्ययनले प्रलेखन गरेका दुई विशिष्ट हानि
प्रणालीगत अस्वीकृतिभन्दा बाहेक, अध्ययनले अमेरिकी रोजगार भेदभाव कानुनको सीमा भेट्ने जातीय रेखा अनुसारको प्रतिकूल प्रभाव प्रलेखन गर्छ। “4/5 को नियम” — अमेरिकी नियामकहरूले प्रयोग गर्ने — ले कुनै पदलाई प्रतिकूल प्रभाव भएको भनी चिन्ह लगाउँछ जब एउटा जनसांख्यिक समूहको छनोट दर सबैभन्दा बढी छनोट भएको समूहको दरको 80% भन्दा कम हुन्छ, र त्यो खाडल सांख्यिकीय रूपमा उल्लेखनीय हुन्छ।
जब लेखकहरूले प्रति-पद आधारमा (कानुनले माग गर्ने स्तर) छुट्ट्याए, तिनीहरूले भेट्टाए:
- 1,746 पदमध्ये 10.62% ले कालो-जातिका आवेदकहरूविरुद्ध प्रतिकूल प्रभाव देखाउँछन्।
- 30.70% कालो-जातिका आवेदकहरूले कालो-जातिका आवेदकलाई प्रतिकूल असर पार्ने कम्तीमा एउटा पदमा आवेदन दिए।
- कालो-जातिका आवेदकहरूले पेस गरेका सबै आवेदनमध्ये 25.87% तिनीहरूलाई प्रतिकूल असर पार्ने पदमा गए।
- एसियाली आवेदकहरूले पेस गरेका सबै आवेदनमध्ये 14.74% तिनीहरूलाई प्रतिकूल असर पार्ने पदमा गए।
महत्त्वपूर्ण कुरा, pymetrics ले नाम, फोटो वा उल्लेखित जनसांख्यिकीका आधारमा होइन, अनलाइन मूल्यांकन-खेलको प्रदर्शनका आधारमा छान्छ। एल्गोरिदमले परम्परागत जनसांख्यिक प्रतिनिधिहरूमध्ये कुनै पनि नदेखी नै पूर्वाग्रह सतहमा आउँछ। अनुसन्धानकर्ताहरूले यसैलाई प्रतिनिधि भेदभाव भन्छन् — मोडेलले देखिनमा तटस्थ विशेषताहरूमा जातिसँगको सहसम्बन्ध भेट्टाउँछ, अनि स्पष्ट पूर्वाग्रह-विरोधी तालिम (जुन pymetrics ले मोडेल निर्माणका बेला लागू गर्छ भनी लेखकहरू उल्लेख गर्छन्) भए पनि पूर्वाग्रह फैलाउँछ।
व्यक्तिगत जागिर खोज्नेहरूका लागि सार: यदि तपाईंको विशेष जनसांख्यिक समूह कुनै मोडेलबाट प्रतिकूल रूपमा प्रभावित भइरहेको छैन भने पनि, यी ढाँचाहरूको अस्तित्वको अर्थ हो कि एल्गोरिदमको फैसला “उपयुक्तता” को स्वच्छ नाप होइन — यो हल्लाखल्ला भएको, सांख्यिकीय रूपमा पूर्वाग्रही सङ्केत हो जसलाई तपाईंले आफ्ना सीपको मूल्यांकनका रूपमा भित्री रूपमा ग्रहण गर्नुहुँदैन।
एल्गोरिदमको फैसला साँच्चै के ले बदल्छ
यी एल्गोरिदमले अंक दिने केही कुरा निर्धारणात्मक र सच्याउन सकिने हुन्छ। केही होइन। यो भिन्नता थाहा पाउनु नै उत्पादनशील प्रयास र खेर गएका हप्ताहरूबीचको भिन्नता हो।
तपाईंले बदल्न सक्ने, र एल्गोरिदमले अर्को आवेदनमा याद गर्ने कुराहरू:
- ATS-पठनयोग्य ढाँचा। एकल-स्तम्भ बनोट, वास्तविक पाठ (छविभित्रको पाठ होइन), मानक खण्ड लेबल (“अनुभव”, “शिक्षा”), सजावटी स्तम्भ वा तालिका नहुने। अधिकांश पार्सर असफलता सामग्रीबाट होइन, बनोटका छनोटबाट आउँछन्।
- हरेक भूमिकामा मितिको पूर्णता। मितिविहीन अनुभव या त हेलचेक्र्याइँको आवेदन या लुकेको खाडलको उच्च-स्तरको सङ्केत हो; एल्गोरिदमले यसलाई कडा रूपमा दण्डित गर्छन्।
- सत्यले समर्थन गर्ने ठाउँमा परिमाणित बुँदाहरू। “आम्दानी बढाइयो” अदृश्य हुन्छ। “आम्दानी 32% बढाइयो” ले असर पार्छ। सङ्ख्या नबनाउनुहोस् — तर तपाईंसँग भएकाहरू पनि नछोड्नुहोस्।
- बुँदाको सुरुमा बलियो क्रियापद। “नेतृत्व गरें / निर्माण गरें / अघि बढाएँ / पठाएँ” ले वजन बोक्छन्; “को जिम्मेवार / मा काम गरें / मा मद्दत गरें” ले बोक्दैनन्।
- अधुरा प्लेसहोल्डर नहुने। [X], [सङ्ख्या], वा “TBD” जस्ता कोष्ठकहरू कुनै पनि ATS-स्क्रिन गरिएको प्रक्रियामा स्वतः-अस्वीकृति दर्जाका हुन्। एल्गोरिदमले तिनलाई हेलचेक्र्याइँको मस्यौदाका रूपमा हेर्छन्।
- भूमिकाको शब्दावलीसँग मिल्ने सीप कीवर्डहरू। ठेसिएर होइन, तर उपस्थित। यदि जागिरको विज्ञापनमा “Postgres” लेखिएको छ र तपाईंले “SQL” लेख्नुभयो भने, तपाईं नमिल्न सक्नुहुन्छ।
एल्गोरिदमबारे तपाईंले बदल्न नसक्ने — तर वरिपरि बाटो लगाउन सक्ने कुराहरू:
- तपाईंले आवेदन दिने भूमिकाका प्रकारहरू विविध बनाउनुहोस्। फरक पेसाहरू प्रायः फरक मोडेलबाट जान्छन्। दुवै तपाईंको पृष्ठभूमिसँग मिल्दा “data analyst” र “business analyst” दुवै भूमिकामा आवेदन दिनुको अर्थ एउटाको सट्टा दुई एल्गोरिदमले हेर्छन्।
- नियोक्ताहरूको आकार वर्ग विविध बनाउनुहोस्। ठूला उद्यमहरूले अत्यधिक रूपमा ठूला विक्रेता (HireVue, Workday, pymetrics, Greenhouse) प्रयोग गर्छन्। मध्यम-बजार र स्टार्टअपहरूले धेरै फराकिलो दायरा प्रयोग गर्छन्; कतिपयले स्वतः स्क्रिनिङ गर्दै गर्दैनन्।
- मानवीय समीक्षा समावेश हुने माध्यमबाट आवेदन दिनुहोस्। आन्तरिक सिफारिस, पूर्व-विद्यार्थी सञ्जाल, विश्वविद्यालयका करियर सेवा, र रिक्रुटरमार्फत प्रत्यक्ष सम्पर्कले अधिकांश कम्पनीमा स्वचालित प्रारम्भिक फिल्टरलाई छल्छन्। स्ट्यानफोर्ड अध्ययनले उल्लेख गर्छ कि स्वतन्त्रताको अवस्थामा, 10 आवेदन नै 0.1% प्रणालीगत-अस्वीकृति दरमा पुग्न पर्याप्त हुन्थ्यो — नेटवर्किङ त्यो स्वतन्त्रता पुनः प्राप्त गर्ने प्रत्यक्ष उपाय हो।
- तपाईंले कुन विज्ञापनमा आवेदन दिनुभयो र नियोक्ताले कुन प्लेटफर्म प्रयोग गर्यो भनी ट्र्याक गर्नुहोस्। यदि तपाईंले आफ्ना 25 आवेदनमध्ये 18 उही विक्रेता पोर्टलबाट गएको पत्ता लगाउन सक्नुहुन्छ भने, तपाईंले अर्को ब्याच समायोजन गरेर तोड्न सक्ने मोनोकल्चर पहिचान गर्नुभएको छ।
नीति बदलिँदैछ — तर ढिलो, र सबैतिर होइन
स्ट्यानफोर्ड अध्ययन एउटा तातो नीतिगत क्षणको चौबाटोमा अवस्थित छ। तीन नियामक व्यवस्थाले एल्गोरिदमिक भर्तीलाई असर गर्छन्:
- 1964 को अमेरिकी नागरिक अधिकार ऐनको Title VII — 4/5 को नियमको आधार। प्रति-पद मापन गर्दा भर्ती एल्गोरिदमले संरक्षित समूहहरूमा प्रतिकूल प्रभाव उत्पन्न गर्नु हुँदैन।
- EU AI Act (2024, 2026–2027 सम्म लागू)। Annex III ले “रोजगार, कामदार व्यवस्थापन र स्वरोजगारमा पहुँच” का लागि प्रयोग हुने AI लाई औपचारिक रूपमा उच्च-जोखिम वर्गीकृत गर्छ। 2 अगस्ट 2026 देखि, EU बजारका उच्च-जोखिम भर्ती AI प्रणालीहरूले अनुरूपता मूल्यांकन, पारदर्शिताका दायित्व र पूर्वाग्रह-लेखापरीक्षणका आवश्यकताहरूको सामना गर्छन्।
- New York City Local Law 144 (2021, 2023 देखि लागू)। NYC का नियोक्ताहरूले प्रयोग गर्ने स्वचालित रोजगार-निर्णय उपकरणहरूको वार्षिक पूर्वाग्रह लेखापरीक्षण, साथै एल्गोरिदम प्रयोग भइरहेको छ भनी उम्मेदवारहरूलाई सूचना दिनुपर्ने माग गर्छ।
नीतिको दिशा स्पष्ट छ — बढी पारदर्शिता, बढी पूर्वाग्रह लेखापरीक्षण, बढी उम्मेदवार अधिकार — तर समयरेखा वर्षौंमा चल्छ। अध्ययनमा विश्लेषण गरिएको pymetrics डेटासेटले चार वर्षसम्म उम्मेदवार वा नियामकहरूलाई कुनै प्रति-पद प्रतिकूल-प्रभाव खुलासाविना नै सञ्चालित प्रणालीहरू प्रलेखन गर्छ। लेखकहरूले सञ्चालनमा रहेका भर्ती एल्गोरिदमहरूमा स्वतन्त्र अनुसन्धान पहुँचका नयाँ बाटोहरूको माग गर्छन्। ती नबनेसम्म, व्यक्तिगत उम्मेदवारहरूले बाहिरबाट अपारदर्शी रहेको प्रणालीमा बाटो खोज्नुपर्छ।
यो हप्ता के गर्ने
ठोस, प्रभावको क्रममा:
- तपाईंको हालको बायोडाटामा ATS लेखापरीक्षण चलाउनुहोस्। निर्धारणात्मक पार्सर-स्तरका जाँचहरू (ढाँचा, मितिहरू, प्लेसहोल्डर, कमजोर क्रियापद) मै सस्ता फाइदा हुन्छन्। पहिले उच्च-गम्भीरताका निष्कर्षहरू सच्याउनुहोस्।
- विक्रेताहरू नक्सांकन गर्नुहोस्। आफ्ना पछिल्ला 10 आवेदनका लागि, तपाईंले कुन प्लेटफर्ममार्फत आवेदन दिनुभयो (Workday, Greenhouse, Lever, आदि) नोट गर्नुहोस्। यदि अधिकांश एउटैबाट गए भने, तपाईंका अर्को 10 ले जानाजान फरक प्लेटफर्महरू लक्षित गर्नुपर्छ।
- आफ्नो लक्ष्य सूचीमा 2–3 नजिकका पेसाहरू थप्नुहोस्। मिल्दो सीप-मागसहितका भूमिकाहरू भेट्टाउन बजार-सूचना उपकरण प्रयोग गर्नुहोस्। नजिकका पेसाहरू सामान्यतया फरक मोडेलले छानिन्छन् — र तपाईंका सीप साँच्चै हस्तान्तरण हुन्छन्।
- जानाजान विविधतासहित 25 आवेदनमा पुग्नुहोस्। स्ट्यानफोर्ड सिमुलेसनले भन्छ कि परिमाण + विविधता नै प्रणालीगत-अस्वीकृति खाडल घटाउने कुरा हो। जागिर-बोर्डमा जथाभावी छर्ने काम छोड्नुहोस्; फरक नियोक्ता, आकार र विक्रेताभरि 25 भूमिका सावधानीपूर्वक छान्नुहोस्।
- कम्तीमा 3 मानवीय-समीक्षा माध्यम सक्रिय गर्नुहोस्। एउटा आन्तरिक सिफारिस अनुरोध, एउटा रिक्रुटर सम्बन्ध, एउटा प्रत्यक्ष सम्पर्क। यिनले स्वचालित फिल्टरलाई छल्छन् र एल्गोरिदम-स्क्रिन गरिएको बाटोले खोसेको सांख्यिकीय स्वतन्त्रता पुनः प्राप्त गर्छन्।
- 6 हप्तासम्म नतिजाहरू ट्र्याक गर्नुहोस्। हल्लाभित्रको सङ्केत तुलनात्मक हुन्छ: कुन माध्यमले अन्तर्वार्ता ल्याउँछ, कुनले मौनता। सङ्केत उत्पन्न गर्ने माध्यमहरूतर्फ समायोजन गर्नुहोस् — र कुनै ढाँचा देखिए मोनोकल्चर पोर्टलहरूबाट टाढा।
6 सुविचारित चरणमा एक-एल्गोरिदम अस्वीकृतिबाट बाहिर निस्कनुहोस्
- 1
पहिले निर्धारणात्मक सङ्केतहरू सच्याउनुहोस्
तपाईंको हालको बायोडाटामा निःशुल्क ATS जाँच चलाउनुहोस् र उच्च-गम्भीरताका निष्कर्षहरू (मितिविहीन भूमिका, कमजोर क्रियापद, अधुरा प्लेसहोल्डर, जटिल बनोट) सच्याउनुहोस्। यी ती सस्ता फाइदा हुन् जसलाई एल्गोरिदमले हरेक आवेदनमा पुरस्कृत गर्छ।
- 2
आफ्ना पछिल्ला 10 आवेदनपछाडिका विक्रेताहरू नक्सांकन गर्नुहोस्
हरेक आवेदन कुन प्लेटफर्ममार्फत गयो (Workday, Greenhouse, Lever, HireVue, pymetrics, आदि) नोट गर्नुहोस्। यदि अधिकांश उही विक्रेता पोर्टलबाट गए भने, तपाईंले तोड्नुपर्ने मोनोकल्चर भेट्टाउनुभयो।
- 3
तपाईंले लक्षित गर्ने पेसाहरू विविध बनाउनुहोस्
आफ्नो लक्ष्य सूचीमा 2–3 नजिकका भूमिकाहरू थप्नुहोस् — फरक पेसाहरू सामान्यतया फरक मोडेलले अंक दिन्छन्। “तपाईंको देशमा नजिकका पेसाहरूका लागि के-के भर्ती भइरहेको छ” भन्ने बजार-सूचना दृश्य तपाईंले गर्न सक्ने सबैभन्दा बढी लाभ दिने कुरामध्ये एक हो।
- 4
विविध विक्रेता र आकारभरि 25 आवेदनमा पुग्नुहोस्
स्ट्यानफोर्ड सिमुलेसनले देखाउँछ कि प्रणालीगत-अस्वीकृति दर 0.1% भन्दा तल ल्याउन 25 जानाजान-विविधीकृत आवेदन आवश्यक छन्। ठूला उद्यम, मध्यम-बजार र स्टार्टअप मिसाउनुहोस्; विक्रेता प्लेटफर्महरू मिसाउनुहोस्; पेसाका प्रकार मिसाउनुहोस्।
- 5
मानवीय-समीक्षा माध्यमहरू सक्रिय गर्नुहोस्
मानवीय समीक्षा समावेश हुने बाटोहरूमार्फत कम्तीमा 3 आवेदन पेस गर्नुहोस्: आन्तरिक सिफारिस, रिक्रुटर सम्पर्क, पूर्व-विद्यार्थी सञ्जाल, विश्वविद्यालयका करियर सेवा। यिनले स्वचालित प्रारम्भिक फिल्टरलाई छल्छन् र एल्गोरिदमले हटाउने सांख्यिकीय स्वतन्त्रता पुनः प्राप्त गर्छन्।
- 6
साप्ताहिक रूपमा नतिजा ट्र्याक गर्नुहोस् र पुनः बाँडफाँड गर्नुहोस्
6 हप्तासम्म, कुन माध्यमले प्रतिक्रिया ल्याउँछ र कुनले मौनता ल्याउँछ लग गर्नुहोस्। सङ्केत उत्पन्न गर्ने माध्यमहरूतर्फ परिमाण सार्नुहोस् — र विश्वव्यापी अस्वीकृतिको ढाँचा देखिने मोनोकल्चर पोर्टलहरूबाट टाढा।
बारम्बार सोधिने प्रश्नहरू
के साँच्चै 90% रिज्युमे मानिसले हेर्नुअघि AI ले छानिन्छन्?
अमेरिकामा, हो — धेरै उद्योग सर्वेक्षण र Bommasani et al. 2026 अध्ययनले यो अंश कुनै न कुनै रूपको एल्गोरिदमिक स्क्रिनिङ प्रयोग गर्ने नियोक्ताहरूको 90% भन्दा बढी राख्छन्। EU को सङ्ख्या कम छ तर छिटो बढिरहेको छ र अब EU AI Act अन्तर्गत औपचारिक रूपमा नियमन गरिन्छ, जसले भर्ती AI लाई उच्च-जोखिम वर्गीकृत गर्छ। ठ्याक्कै आँकडा उद्योगअनुसार फरक हुन्छ: ठूला उद्यम र संघीय निकायहरूले यी उपकरण झन्डै विश्वव्यापी रूपमा प्रयोग गर्छन्; साना व्यवसायहरू ढिलो अपनाउँछन् तर पछ्याउँदैछन्।
सरल भाषामा “एल्गोरिदमिक मोनोकल्चर” के हो?
यो त्यति बेला हुन्छ जब धेरै फरक नियोक्ताहरूले उही विक्रेताबाट उही स्क्रिनिङ एल्गोरिदम किन्छन्। 2026 को स्ट्यानफोर्ड अध्ययनले यसलाई ठोस रूपमा प्रलेखन गर्छ: Fortune 100 का 60% भन्दा बढी र अमेरिकाका 10 सबैभन्दा ठूला संघीय निकायमध्ये 8 वटाले एक्लै HireVue प्रयोग गर्छन्; pymetrics ले 11 उद्योगभरि 156 नियोक्ताका लागि आवेदकहरू छान्छ। त्यसैले जब तपाईं सबैले उही विक्रेता प्रयोग गर्ने कम्पनीहरूमा 50 जागिरमा आवेदन दिनुहुन्छ, तपाईंलाई 50 छुट्टै मूल्यांकन होइन, उही मोडेलले 50 पटक अंक दिइरहेको हुन्छ।
यदि एउटा AI ले मेरो बायोडाटा अस्वीकार गर्यो भने, अरूले पनि अस्वीकार गर्छन्?
प्रायः, हो — र स्ट्यानफोर्ड अध्ययनले ठ्याक्कै कति पटक भन्ने मापन गर्यो। सबै उही विक्रेताको मोडेलले छानिएका 10 आवेदन पेस गर्ने आवेदकहरूमध्ये 4% हरेक एक-एक पदबाट अस्वीकृत भए। अस्वीकृति-सहसम्बन्ध दर स्वतन्त्र निर्णयहरूले उत्पन्न गर्नेभन्दा सांख्यिकीय रूपमा उच्च छ। त्यसैले जवाफ “हरेक एल्गोरिदमले तपाईंलाई अस्वीकार गर्नेछ” नभए पनि, बजारको संरचनाको अर्थ हो कि अस्वीकृतिहरू स्वतन्त्र होइन, परस्पर सम्बन्धित हुन्छन्। एक पटक एउटा मोडेलले तपाईंलाई होइन भनेपछि, अर्कोले पनि होइन भन्ने सम्भावना बढी हुन्छ।
के धेरै जागिरमा आवेदन दिनुले साँच्चै मद्दत गर्छ?
आंशिक रूपमा, तर तपाईंले अनुमान गर्नेभन्दा धेरैमा आवेदन दिनुपर्छ। स्ट्यानफोर्ड प्रति-तथ्यगत सिमुलेसनले भेट्टायो कि प्रणालीगत-अस्वीकृति दर 0.1% भन्दा तल ल्याउन, स्वतन्त्र निर्णयको आधाररेखामा 10 को तुलनामा आवेदकहरूले 25 आवेदन पेस गर्नुपर्छ। महत्त्वपूर्ण कुरा, परिमाण मात्र पर्याप्त छैन — ती 25 आवेदन फरक पेसा, फरक नियोक्ता आकार र फरक विक्रेता प्लेटफर्महरूभरि फैलिनुपर्छ। सबै उही विक्रेताको पोर्टलबाट पेस गरिएका 25 आवेदनले मोनोकल्चर समस्या समाधान गर्दैनन्।
EU AI Act ले युरोपेली जागिर खोज्नेहरूका लागि यसलाई कसरी बदल्छ?
EU AI Act ले “रोजगार, कामदार व्यवस्थापन र स्वरोजगारमा पहुँच” का लागि प्रयोग हुने AI प्रणालीहरूलाई औपचारिक रूपमा उच्च-जोखिम (Annex III) तोक्छ। 2 अगस्ट 2026 देखि, EU बजारमा यी प्रणालीका प्रदायकहरूले अनुरूपता-मूल्यांकन, पारदर्शिता र पूर्वाग्रह-लेखापरीक्षणका आवश्यकताहरूको सामना गर्छन्। व्यावहारिक रूपमा, यसको अर्थ हो कि एल्गोरिदमिक स्क्रिनिङ प्रयोग गर्ने EU नियोक्ताहरूले अन्ततः यो अभ्यास खुलाउन र प्रणालीले प्रतिकूल प्रभाव उत्पन्न गर्दैन भनी प्रमाणित गर्न आवश्यक हुनेछ। समयरेखा वर्षौंमा चल्छ, तर दिशा निर्धारित छ।
के म कुनै कम्पनीले AI स्क्रिनिङ प्रयोग गर्छ कि गर्दैन भन्ने थाहा पाउन सक्छु?
कहिलेकाहीं। सङ्केतहरू: HireVue जस्तो विक्रेताबाट भिडियो-अन्तर्वार्ता लिंक, pymetrics बाट अनलाइन “मूल्यांकन खेल”, Workday वा Greenhouse आवेदन पोर्टल (यी ATS प्रणालीहरू हुन् जसमा प्रायः स्वचालित स्क्रिनिङ हुन्छ), वा विशिष्ट कीवर्ड शब्दावली माग्ने जागिर विज्ञापन। New York City Local Law 144 ले त NYC का नियोक्ताहरूलाई स्वचालित निर्णय उपकरण प्रयोग हुँदा उम्मेदवारहरूलाई सूचित गर्न बाध्य पार्छ — त्यसैले यदि तपाईं NYC मा आवेदन दिँदै हुनुहुन्छ भने, त्यो खुलासा हुन्छ। अन्यत्र, तपाईंले सामान्यतया आवेदन प्लेटफर्मबाट अनुमान लगाउनुपर्छ।
यो अध्ययनले जाति र पूर्वाग्रहबारे विशेष रूपमा के भन्छ?
अध्ययनले भेट्टायो कि अमेरिकी 4/5-नियम मानकअनुसार 1,746 पदमध्ये 10.62% ले कालो-जातिका आवेदकहरूविरुद्ध प्रतिकूल प्रभाव देखाउँछन् — अर्थात् ती पदमा कालो-जातिका आवेदकहरूको छनोट दर सबैभन्दा बढी छनोट भएको समूहको दरको 80% भन्दा कम छ। कालो-जातिका आवेदकहरूले पेस गरेका सबै आवेदनमध्ये 25.87% कालो-जातिका आवेदकलाई प्रतिकूल असर पार्ने पदमा गए; एसियाली आवेदकहरूका आवेदनमध्ये 14.74% एसियाली आवेदकलाई प्रतिकूल असर पार्ने पदमा गए। यो विक्रेता (pymetrics) ले नाम वा फोटोका सट्टा अनलाइन मूल्यांकन खेलमा छान्दा पनि हुन्छ — पूर्वाग्रह जातिसँग सहसम्बन्धित विशेषताहरूमा प्रतिनिधि भेदभावमार्फत देखा पर्छ।
के यो केवल अमेरिकाको समस्या हो?
होइन। विक्रेताहरू विश्वव्यापी रूपमा सञ्चालित छन् — HireVue, Workday, Greenhouse र अरू धेरैले EU, UK र विश्वव्यापी बजारमा बिक्री गर्छन्। स्ट्यानफोर्ड डेटासेट अमेरिका-आधारित छ किनभने तिनीहरूले तुलना गरेको नियामक व्यवस्था (4/5 को नियम) अमेरिकी कानुन हो, तर विक्रेता बजारमा प्राविधिक केन्द्रीकरण यी उपकरण बिक्री हुने जताततै उही छ। EU का जागिर खोज्नेहरूले उही एल्गोरिदमिक मोनोकल्चरको सामना गर्छन्; नीतिगत प्रतिक्रिया (EU AI Act) अमेरिकाको भन्दा बढी परिपक्व छ, तर कार्यान्वयन अझै बढ्दैछ।
के तपाईंको CV ATS-तयार छ?
तात्कालिक ATS अनुकूलता स्कोर पाउनुहोस् र के ठीक गर्ने ठ्याक्कै हेर्नुहोस् — निःशुल्क।
मेरो CV जाँच्नुहोस्