Οι hiring ομάδες έχουν δίκιο να μην εμπιστεύονται ένα black-box screening flow. Όμως τα πρόσφατα δεδομένα της LinkedIn δείχνουν ότι η AI μπορεί να βοηθήσει ουσιαστικά όταν χρησιμοποιείται για ταξινόμηση, ανάδειξη δεξιοτήτων και προτεραιοποίηση, όχι για τελική ετυμηγορία.
Στην πράξη, το screening layer που περιγράφει η LinkedIn βασίζεται σε recruiter-defined qualifications: το σύστημα διαβάζει profile, βιογραφικό και screening answers και τα αντιπαραβάλλει με αυτά που έχει δηλώσει η ομάδα ως σημαντικά. Αυτό είναι διαφορετικό από το να αφήνεις το μοντέλο να «μαντεύει» μόνο του ποιος είναι καλός.
Πώς στήνεται σωστά ένα AI screening flow
Η πιο ασφαλής εφαρμογή είναι να βάλεις την AI να κάνει:
- parsing και σύντομη σύνοψη βιογραφικών
- ανάδειξη σχετικών skills ή κενών πληροφορίας
- ομαδοποίηση προφίλ σε buckets προτεραιότητας
- draft follow-up ερωτήσεων για σημεία που λείπουν
Έτσι η ομάδα κερδίζει χρόνο χωρίς να χάνει ορατότητα.
Τα τρία guardrails που δεν διαπραγματεύονται
Από το Future of Recruiting report προκύπτει ότι η αγορά πηγαίνει όλο και πιο πολύ προς skills-based hiring. Αυτό σημαίνει πως το screening πρέπει να είναι:
- συνδεδεμένο με σαφή criteria
- εξηγήσιμο στον recruiter και στον hiring manager
- συμπληρωματικό των ανθρώπινων interviews και assessments
Αν η AI δεν μπορεί να σου δείξει γιατί πρότεινε έναν υποψήφιο, τότε δεν πρέπει να χρησιμοποιείται ως screening authority.
Τι να μετράς
Ένα χρήσιμο AI screening playbook δεν μετριέται μόνο με time saved. Μετριέται και με:
- ποιότητα shortlist
- ποσοστό candidates που περνούν σε επόμενο στάδιο με συνέπεια
- χρόνο μέχρι πρώτο meaningful review
- ποιότητα feedback ανάμεσα σε recruiter και hiring manager
Το σωστό ερώτημα δεν είναι «πόσους βιογραφικούς έκοψε η AI». Είναι «βοήθησε την ομάδα να φτάσει γρηγορότερα σε καλύτερες, πιο δίκαιες αποφάσεις;»