Screening erzeugt eine Lesereihenfolge, keine Entscheidung
Mengenscreening macht Hiring ungerecht. Sind zweihundert Bewerbungen da, gibt die prüfende Person späteren Bewerbungen nur einen kleinen Teil der Lesezeit, die den ersten fünfzig galt.
Sie automatisieren das, damit jede Bewerbung auf dieselbe Weise bewertet wird, gegen dieselben genannten Anforderungen, unabhängig von ihrem Platz im Stapel.
Das Risiko sollte genannt werden, nicht ignoriert. Ein Modell, das Bewerbungen bewertet, kann Trainingsmuster reproduzieren, die mit der Rolle nichts zu tun haben. Der Ruf der Universität, das Prestige des Arbeitgebers und die Formulierung der Bewerbung können mit Eignung verwechselt werden. Bleibt die Bewertung auf den geschriebenen Anforderungen und ist jedes Urteil nachvollziehbar, ist die Ausgabe prüfbar statt für sich vertrauenswürdig.
Sie erhalten eine Liste mit Gründen, und eine Person liest dann die Bewerbungen. Was sich ändert, ist die Lesereihenfolge, nicht wer entscheidet.
So läuft der ActionFlow auf der Canvas
Anforderungen stehen im Voraus in einem Google-Sheets- oder Airtable-Knoten. Die Anforderungen jeder Rolle sitzen in einzelnen Zeilen, markiert als unverzichtbar, wünschenswert oder nicht zu bewerten, damit die Kriterien erfasst sind, bevor die Bewertung startet.
Ein Webhook-Trigger empfängt die Bewerbung und übergibt sie an einen Document Upload-Knoten. Ein PDF4me-Knoten extrahiert das PDF.
Ein Generate Object-Knoten bewertet jede Anforderung Zeile für Zeile. Für jede Anforderung gibt er erfüllt, teilweise erfüllt oder nicht belegt zurück, mit der Passage, auf der das Ergebnis beruht. Eine Unstimmigkeit lässt sich prüfen, weil die Bewertung je Anforderung läuft statt als Gesamtscore.
Ein Math-Knoten zählt belegte Muss-Kriterien. Diese Zählung setzt die Reihenfolge ohne einen zusammengesetzten Score, der verbergen würde, wie die Kriterien gewichtet sind.
Ein Sort-Knoten ordnet die Queue. Ein Filter-Knoten legt Bewerbungen ohne Beleg für Muss-Kriterien in eine eigene Gruppe, statt sie abzulehnen, weil ein schlecht geschriebener Lebenslauf und eine ungeeignete Person bei automatischer Verarbeitung gleich aussehen.
Ein Airtable-Knoten zeigt die Bewertung neben jeder Bewerbung. Ein Slack-Knoten benachrichtigt das Hiring, dass die Queue bereit ist.
Der Flow lehnt nichts ab. Jede Bewerbung erreicht die Person in der angegebenen Reihenfolge, mit den Notizen.
Knoten, die dieser ActionFlow verwendet
- Airtable (Integration): speichert die Anforderungen als Zeilen, inklusive derer, die nicht bewertet werden.
- Webhook (Trigger): empfängt jede Bewerbung, sobald sie ankommt.
- Document Upload (Data): nimmt den Lebenslauf. PDF4me (Data) extrahiert ihn.
- Generate Object (AI Core): bewertet je Anforderung mit der stützenden Passage, nicht als Gesamtscore.
- Math (Util): zählt belegte Muss-Kriterien, um eine Reihenfolge ohne versteckte Gewichtung zu erzeugen.
- Sort (Data): ordnet die Lese-Queue.
- Filter (Data): trennt Bewerbungen ohne Beleg, statt sie abzulehnen.
- Slack (Communication): benachrichtigt das Hiring, dass die Queue zum Lesen bereit ist.
Häufige Fragen
Newsletter
Produktupdates erhalten
Neue Nodes, Agents und Produktnotizen. Wir senden E-Mails nur, wenn sich das Öffnen lohnt.