اگر امروز برای شغلی درخواست می‌دهید، احتمالاً پیش از آنکه انسانی رزومه شما را ببیند، یک ماشین آن را می‌خواند. این یعنی اگر لحن و واژگان شما دقیقاً با متن آگهی شغلی همراستا نباشد، صرف‌نظر از مهارت‌های واقعی‌تان، شانس خود را از دست می‌دهید.
در ۱۹ ژوئن ۲۰۲۶، یک توسعه‌دهنده راهکاری برای این مشکل را در پلتفرم dev.to به اشتراک گذاشت: ابزاری تخصصی برای پر کردن شکاف میان تجربه متقاضی و الزامات سخت‌گیرانه سامانه‌های ATS (Applicant Tracking Systems). این سامانه‌ها در واقع فیلترهای تهاجمی کلمات کلیدی هستند که برای بسیاری ازe جویندگان کار، یک «سیاه‌چاله» ایجاد می‌کنند؛ جایی که رزومه‌های حرفه‌ای تنها به دلیل نبود چند اصطلاح خاص، دور ریخته می‌شوند.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی اتوماسیون فرآیندهای استخدامی اشاره کردیم، این ابزار با استفاده از Next.js، Supabase، Stripe و OpenAI API ساخته شده است تا این چرخه را به نفع کاربر تغییر دهد.
طبق گزارش منتشر شده در dev.to، این ابزار سه خروجی مشخص ارائه می‌دهد:
- امتیاز تطبیق از ۰ تا ۱۰۰
- فهرستی دقیق از کلمات کلیدی گمشده بر اساس شرح شغلی
- پیشنهادهای بازنویسی برای هر بخش از رزومه جهت همراستایی بیشتر با آگهی
این سرویس بر خلاف مدل‌های اشتراکی رایج، با هزینه تک‌بار ۹ دلاری برای هر استفاده فعال می‌شود. برای شما این یعنی راهی ارزان برای تبدیل تاریخچه شغلی به متنی «ماشین‌خوان» بدون صرف ساعت‌ها وقت برای بازبینی دستی هر آگهی شغلی.
این پروژه نشان‌دهنده چرخش به سمت گردش‌کارهای «هوش مصنوعی در برابر هوش مصنوعی» است؛ جایی که متقاضیان از مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — استفاده می‌کنند تا فیلترهای شرکاتی را دور بزنند که خود از هوش مصنوعی برای غربالگری استفاده می‌کنند.
گام بعدی شما
- ابزار مذکور را در لینک Vercel ارائه‌شده تست کنید تا نقاط کور رزومه‌تان را بیابید
- اگر توسعه‌دهنده هستید، بررسی کنید که چگونه می‌توان با OpenAI API ابزارهای مشابه برای تحلیل‌های حرفه‌ای تکراری ساخت
- متوجه شوید که رزومه دیگر یک سند ایستا نیست، بلکه یک تبلیغ پویا و بهینه‌شده است
اما داستان سخت‌افزاری این تحولات حتی شگفت‌انگیزتر است؛ برای درک زیرساخت‌های قدرت‌بخش این مدل‌ها، به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو