ATS 如何让优秀候选人石沉大海（以及应对之策）

传统ATS平台通过将简历中的关键词与职位描述匹配来筛选候选人。逻辑很简单：简历匹配的关键词越多，候选人就越相关。

结果是可预见的。候选人学会了在简历中填充与职位描述相关的关键词，而不论这些词是否反映他们的真实技能或经验。此做法已普遍到LinkedIn News也将其作为一种常见求职策略进行报道。

对招聘方的结果是申请者池被稀释。通过筛选的候选人不一定是最合适的；而是那些最懂ATS规则的。一个相关的数据点说明了问题的规模：行业研究显示，多达75%的简历根本未到达人力招聘者手中。对于高量、低复杂度的职位，这也许是可以接受的权衡。但对于争夺顶尖人才的组织来说，这是一个重大且大多隐形的问题。

简历是职业故事的压缩版本。传统ATS平台把它当作一串数据点来读取。这个差距比大多数招聘团队意识到的更重要。

具有非线性职业路径、职业空档或跨行业经验的候选人往往会被ATS过滤掉，不是因为他们缺乏能力，而是因为他们的背景无法与关键词集干净地匹配。正如招聘评论员Andrew Jenkins指出的，传统ATS像是一种钝器，对所有候选人一视同仁，不顾他们经验中的细微差别。

这种缺乏语境的处理也导致糟糕的候选人体验。没有收到任何确认、反馈或人工联系的申请者感到自己被简化为一个数据点。这种感知会传播。随着时间推移，它以难以且昂贵扭转的方式侵蚀雇主品牌。

这个问题的规模有充分记录。2021年Harvard Business School的一项研究（在直到2025年的后续研究中不断被引用）发现，88%的雇主认为他们因ATS将候选人筛掉而失去了高度合格的候选人。对于中等技能岗位，这一比例上升到94%。

格式化是一个常被忽视的影响因素。传统 ATS 平台在解析包含图形、表格或非标准字体的简历时常常遇到困难。具有视觉化格式或非传统版式的候选人，可能在人工招聘人员看到他们的名字之前就被淘汰。系统舍弃该候选人，并非因为他们不合格，而是因为文档未针对机器读取进行优化。

其结果是组织自我造成的人才缺口。

ATS 平台的客观性取决于用于训练它们的数据。当历史招聘数据反映出既有偏见时，这些偏见就会被编码进筛选逻辑。具有特定教育背景、职业路径或人口特征的候选人可能会在没有任何刻意意图的情况下被系统性地优待或不利对待。

其后果可能相当严重。联邦法官在 2024 年 7 月允许继续审理的 Mobley v. Workday 案，成为 United States 首起针对 AI 驱动招聘歧视的大型集体诉讼案件。该案凸显了许多组织在自身 ATS 配置中尚未充分审视的更广泛风险。来自 University of Washington、并于 AAAI/ACM Conference on AI, Ethics, and Society 上发布的一项 2025 年 11 月研究发现，当 AI 系统在招聘推荐中表现出种族偏见时，人类评审者往往会照搬这些偏见，选择与 AI 偏好一致的候选人；在没有 AI 输入的情况下，同一批评审者则做出了无偏见的选择。换言之，问题并不会局限于算法之内。