आपके पास आने वाले सबसे कठिन आवेदनों पर — वे सीमावर्ती मामले, जहाँ एक-कॉल वाली स्क्रीनिंग "नहीं" कहती है और कोई इंसान "हाँ" कह सकता था — जब उम्मीदवार का प्रतिनिधित्व एक एजेंट कर रहा था, तो पास दर 4.5% से 26.2% हो गई। यह पहुँच में लगभग छह गुना बदलाव है, और यह मॉडल, रिज़्यूमे या जॉब डिस्क्रिप्शन में किसी बदलाव से नहीं आया। यह प्रक्रिया बदलने से आया।
यह आँकड़ा एजेंट-मध्यस्थ नियुक्ति पर गाओ और जियांग के अध्ययन से है (arXiv, 2026), जो EMNLP 2026 के REALM वर्कशॉप में स्वीकृत हुआ। एक Head of Operations के लिए यह एक ऐसे कारण से महत्वपूर्ण है जिसका निष्पक्षता की बयानबाज़ी से कोई लेना-देना नहीं है और इस बात से पूरा लेना-देना है कि आपकी AI रिज़्यूमे स्क्रीनिंग का बचाव दो बार किया जा सकता है या नहीं। उसी अध्ययन में पाया गया कि दो-एजेंट प्रक्रिया द्वारा चुने गए आवेदन, मामलों को दोबारा चलाने पर कम बार दोहराए गए। गेट हिला — और असंगत रूप से हिला।
अध्ययन: 600 जोड़े, दो पक्ष, एक सीमावर्ती पूल
अधिकांश स्वचालित स्क्रीनिंग एक स्थिर निर्णय है। मॉडल को एक कॉल एक रिज़्यूमे को एक पद के सामने पढ़ती है और एक फ़ैसला लौटाती है। गाओ और जियांग बताते हैं कि नियुक्ति वास्तव में ऐसी संरचित नहीं है — नियोक्ता उपयुक्तता आँकते हैं, जबकि उम्मीदवार अपनी योग्यताओं के प्रमाण प्रस्तुत करते और उनका बचाव करते हैं — और वे दो-पक्षीय संस्करण बनाते हैं: नियोक्ता-पक्ष का एक एजेंट और उम्मीदवार-पक्ष का एक एजेंट प्रमाणों का आदान-प्रदान करते हैं और यह तय करने से पहले अपने निर्णय अद्यतन करते हैं कि कौन आगे बढ़ेगा।
उन्होंने इसे दो अग्रणी मॉडलों, GPT-5.5 और Claude Opus 4.7 के साथ 600 निर्मित रिज़्यूमे–पद जोड़ों पर चलाया, और उसी सामग्री पर एक-कॉल बेसलाइन से तुलना की।
| माप | GPT-5.5 | Claude Opus 4.7 |
|---|---|---|
| आगे बढ़ने की दर, एक-कॉल → दो एजेंट | 33.3% → 39.3% | 34.0% → 35.5% |
| सीमावर्ती पूल में पास दर, 3 रन | 4.5% → 26.2% | 6.5% → 16.1% |
इन दो पंक्तियों को एक-दूसरे के सामने रखकर पढ़ें। कुल आगे बढ़ने की दर अधिकतम छह अंक हिली — वह किस्म का बहाव जिसे एक ऑपरेशंस प्रमुख बिना ध्यान दिए पचा लेगा। सीमावर्ती पूल, दोनों प्रक्रियाओं में समान 191 जोड़े, कई गुना हिला। प्रभाव ठीक उसी जगह केंद्रित है जहाँ आपकी सीमा-रेखा काम कर रही है।
यदि आपकी स्क्रीनिंग किसी कट-ऑफ पर अंशांकित है, तो एजेंट के साथ आने वाला उम्मीदवार सीमांत रूप से लाभ में नहीं है। उसका मूल्यांकन एक भिन्न प्रक्रिया कर रही है।
यह ढील नहीं है, और यही समस्या है
स्पष्ट पाठ यह है कि दो-एजेंट स्क्रीनिंग बस अधिक उदार है — उम्मीदवारों को एक वकील मिल जाता है, अधिक लोग पास होते हैं, आप सीमा-रेखा फिर से अंशांकित कर आगे बढ़ जाते हैं। शोधपत्र इस रास्ते को स्पष्ट रूप से बंद करता है: "दो-एजेंट स्क्रीनिंग उन आवेदनों को अस्वीकार करती है जिन्हें एक-कॉल आगे बढ़ाती है, निर्णयों को दोनों दिशाओं में बदलती है।"
इससे दो परिणाम निकलते हैं, और दूसरा महँगा है।
समान पास मात्रा पर, दोनों प्रक्रियाएँ भिन्न आवेदनों को आगे बढ़ाती हैं। आप एक-कॉल स्क्रीनिंग को ढीला करके दो-एजेंट परिणामों की पुनरावृत्ति नहीं कर सकते, क्योंकि कोई भी एक-कॉल सीमा-रेखा उन आवेदनों को वापस नहीं लाती जिन्हें दो-एजेंट स्क्रीनिंग निरंतरता से चुनती है। ये प्रक्रियाएँ एक ही डायल की दो सेटिंग नहीं हैं। ये दो भिन्न चयन-फलन हैं जो संयोगवश समान संख्या में लोगों को पास करते हैं।
और खोज-चरण में चुने गए तथा नए रनों में दोबारा चलाए गए मामलों में, केवल दो-एजेंट प्रक्रिया के अपने चयन, दोनों प्रक्रियाओं के साझा चयनों से कम बार दोहराए गए — GPT-5.5 के अंतर्गत स्पष्ट रूप से, Opus 4.7 के अंतर्गत कम निश्चितता से — जबकि एक अलग एक-कॉल अनुवर्तन में तुलनीय गिरावट नहीं दिखी। जिन उम्मीदवारों को एजेंट-मध्यस्थ प्रक्रिया ने अपने दम पर खोजा, उन्हीं के दोबारा मिलने की संभावना सबसे कम थी।
जो निर्णय दोहराया नहीं जाता, उसे समझाया नहीं जा सकता। न पूछने वाले अस्वीकृत उम्मीदवार को, न किसी आंतरिक अपील को, न किसी नियामक को। EU AI Act के तहत भर्ती और उम्मीदवार मूल्यांकन अनुसूची III में आते हैं, और उच्च-जोखिम दायित्व तथा अनुच्छेद 26 के परिनियोजक कर्तव्य अब 2 दिसंबर 2027 से लागू होते हैं (EU AI Act explorer, 2026)। अनुच्छेद 14 की मानव-निगरानी आवश्यकता यह मान लेती है कि निगरानी करने योग्य कोई स्थिर चीज़ मौजूद है। ऐसा स्क्रीनिंग रिकॉर्ड जो कहता है यह उम्मीदवार इस रन में आगे बढ़ा, निगरानी लॉग नहीं है। वह समय-मुहर लगी लॉटरी टिकट है।
AI रिज़्यूमे स्क्रीनिंग में प्रक्रिया — मॉडल नहीं — वह चर है जिसे आप नियंत्रित करते हैं
यह निष्कर्ष अकेला नहीं है, और यही बात इसे रोचक से परिचालनगत बना देनी चाहिए। तीन मॉडलों — व्यावसायिक और खुले-भार — पर 30,000 से अधिक LLM रिज़्यूमे मूल्यांकनों के एक अलग ऑडिट में पाया गया कि परखी गई हर स्थिति में जनसांख्यिकीय प्रभाव नगण्य थे — लेकिन अकेले प्रॉम्प्ट की शब्दावली ने वरिष्ठता-वरीयता को फिर उभार दिया। अनुभव को समान रखने पर, एक संरचित मूल्यांकन प्रॉम्प्ट ने आयु-प्रभाव को d=0.02 (p=0.90) तक गिरा दिया; एक अनौपचारिक, अंदाज़-आधारित प्रॉम्प्ट ने d=0.41 (p=0.03) बनाए रखा (Pavlopoulos, 2026)। वही मॉडल, वही रिज़्यूमे, वही उम्मीदवार। भिन्न प्रक्रिया, भिन्न उत्तर।
समृद्ध स्थितियों में दिशा पलट जाती है, जो बात को नरम करने के बजाय कठोर बनाती है। जब कार्वोनेन और मार्क्स ने यथार्थवादी परिनियोजन संदर्भ जोड़ा — असली कंपनी नाम, सार्वजनिक करियर पृष्ठों से ली गई संस्कृति-विवरणियाँ, और "केवल शीर्ष 10% स्वीकार करें" जैसी चयनात्मक शर्तें — तो उन्होंने छह मॉडलों में साक्षात्कार दरों में 12 प्रतिशत अंक तक जनसांख्यिकीय प्रभाव उत्पन्न किए, और वे पूर्वाग्रह-रोधी प्रॉम्प्ट निर्देश, जो स्वच्छ बेंचमार्कों में काम करते हैं, काम करना बंद कर दिया (arXiv, 2025)।
तीन अध्ययन, तीन विधियाँ, एक निष्कर्ष: आपकी विचरणशीलता स्कोरिंग मॉडल में नहीं बसती। वह उसके चारों ओर की प्रक्रिया में बसती है।
यह अभी क्यों मायने रखता है, 2028 में नहीं
क्योंकि उम्मीदवार-पक्ष का आधा हिस्सा पहले से तैनात है। ManpowerGroup और Everest Group ने पाया कि 54% नियोक्ता कहते हैं कि AI-जनित रिज़्यूमे, आवेदन और साक्षात्कार-तैयारी ने उम्मीदवार की वास्तविक क्षमता आँकना और कठिन बना दिया है, जबकि 90% से अधिक सोर्सिंग और स्क्रीनिंग में AI चलाते हैं और 5% से कम परिणामों को रूपांतरकारी बताते हैं (ManpowerGroup, 2026)।
इस खाई को — लगभग सार्वभौमिक अंगीकरण, लगभग शून्य प्राप्त मूल्य — आम तौर पर औज़ार की समस्या पढ़ा जाता है। गाओ और जियांग सुझाते हैं कि यह प्रक्रिया की समस्या है। दोनों पक्ष स्वचालित, किसी की भी प्रक्रिया निर्दिष्ट नहीं, और गेट का व्यवहार अब बातचीत करती दो प्रणालियों का उद्भूत गुण है।
ईमानदार सीमाएँ
निष्कर्ष को उसके वास्तविक भार पर रखें। ये 600 निर्मित रिज़्यूमे–पद जोड़े हैं, वास्तविक परिणामों वाली वास्तविक नियुक्तियाँ नहीं — इसका कोई माप नहीं है कि दो-एजेंट स्क्रीनिंग ने जिन उम्मीदवारों को आगे बढ़ाया, उन्होंने आगे प्रदर्शन किया या नहीं। दो मॉडल, दोनों अग्रणी, एक समय-बिंदु पर। और यह एक वर्कशॉप शोधपत्र है, समकक्ष-समीक्षित जर्नल लेख नहीं, इसलिए विशेष रूप से पुनरावृत्ति वाले परिणाम को एक मज़बूत संकेत मानें, कोई स्थापित आकलन नहीं।
इन चेतावनियों के बाद जो बचता है वह संरचनात्मक दावा है, और वही आपका पैसा खर्च कराता है: स्क्रीनिंग प्रक्रियाएँ इस बात में भिन्न होती हैं कि उनके निर्णय कितनी विश्वसनीयता से दोहराए जाते हैं, और फ़िलहाल कोई इसे माप नहीं रहा। यदि प्रभाव बताए गए आकार का आधा भी वास्तविक है, तो आपके सीमावर्ती निर्णय आपके फ़नल का सबसे अस्थिर और सबसे अधिक चुनौती-योग्य हिस्सा हैं।
इस तिमाही में इसके बारे में क्या करें
उपयोगी प्रतिक्रिया उम्मीदवार-एजेंटों पर प्रतिबंध लगाना नहीं है — आप उन्हें विश्वसनीय रूप से पकड़ नहीं सकते, और यह कोशिश आपसे वे उम्मीदवार छीन लेगी जो निर्देश मानते हैं। उपयोगी प्रतिक्रिया यह है कि आप मॉडल के बजाय प्रक्रिया को शासित करें। लागत के क्रम में चार कदम:
- पिछले महीने के सीमावर्ती निर्णयों पर पुनरावृत्ति परीक्षण चलाएँ। अपनी कट-ऑफ से कुछ अंकों के भीतर गिरे पचास आवेदन निकालें, उन्हें ठीक उसी स्क्रीनिंग से दोबारा चलाएँ, और गिनें कि कितने फ़ैसले टिकते हैं। वह संख्या आपकी पुनरुत्पादनीयता दर है; लगभग निश्चित रूप से वह आपके पास नहीं है, और उसे पाने में एक दोपहर लगती है।
- प्रॉम्प्ट को विन्यास के रूप में तय करें, प्रति-भर्तीकर्ता आदत के रूप में नहीं। Pavlopoulos का परिणाम कहता है कि संरचित मूल्यांकन प्रॉम्प्ट और अनौपचारिक प्रॉम्प्ट भिन्न उपकरण हैं। यदि आपके भर्तीकर्ता स्वतंत्र रूप से बदल सकते हैं कि स्क्रीनिंग क्या पूछती है, तो आप अज्ञात संख्या में प्रक्रियाएँ चला रहे हैं और उनके आउटपुट का श्रेय एक मॉडल को दे रहे हैं।
- स्कोर के निर्धारणात्मक हिस्से को निर्णय वाले हिस्से से अलग करें, और दोनों को अलग-अलग लॉग करें। पद की घोषित आवश्यकताओं से गणितीय रूप से परिकलित घटक निर्माण से ही दोहराया जाता है; मॉडल का निर्णय नहीं। Scovai की स्कोरिंग एक निश्चित भार-बजट पर चलती है, दोनों के बीच 50/50 बँटा, जिसमें निर्णय वाला आधा हिस्सा निम्न तापमान पर चार पृथक उप-स्कोरों के रूप में लौटता है, हर एक अपने लिखित कारण के साथ — यह पृथक्करण व्यवहार में कैसा दिखता है, इसे देखने का एक तरीक़ा है स्कोरिंग आर्किटेक्चर।
- मानव समीक्षा वहाँ रखें जहाँ विचरणशीलता है, वहाँ नहीं जहाँ मात्रा है। आपके समीक्षक अभी पूरे फ़नल पर फैले हैं। अध्ययन कहता है कि अस्थिरता सीमावर्ती पट्टी में केंद्रित है — अर्थात उस पट्टी पर लक्षित एक छोटा मानव-समीक्षा बजट, समान रूप से फैले बड़े बजट से अधिक बचाव-योग्यता ख़रीदता है।
इनमें से किसी के लिए नई ख़रीद ज़रूरी नहीं। चारों विन्यास-निर्णय हैं, जो अच्छी ख़बर है और यही कारण भी है कि वे लगातार लिए नहीं जाते।
आपके सामने का निर्णय
एजेंट-मध्यस्थ नियुक्ति अपनी घोषणा नहीं करेगी। कोई वेंडर डेमो नहीं, कोई बजट मद नहीं, मंज़ूर करने के लिए कोई एकीकरण नहीं। यह तब आती है जब पर्याप्त उम्मीदवार अपने औज़ार लेकर आते हैं और आपका गेट उस तरह व्यवहार करना बंद कर देता है जैसा आपका डैशबोर्ड कहता है — और यहाँ उपलब्ध प्रमाणों के आधार पर, पहले सटीकता नहीं टूटती, पुनरावर्तनीयता टूटती है।
इसलिए इस तिमाही के एजेंडे पर रखने योग्य सवाल यह नहीं है कि आपकी AI रिज़्यूमे स्क्रीनिंग सटीक है या नहीं। वह अधिक संकीर्ण और बहुत अधिक उत्तर-योग्य है: अगर आप कल पिछले महीने की अस्वीकृतियाँ दोबारा चलाएँ, तो कितनी वैसी ही वापस आएँगी? यदि आप नहीं जानते, तो मापने की पहली चीज़ यही है। अपनी स्क्रीनिंग के बारे में आप जो भी दावा करना चाहें — कि वह निष्पक्ष है, कि वह व्याख्येय है, कि कोई इंसान उसकी सार्थक निगरानी करता है — वह सब एक ऐसे उत्तर पर टिका है जो आपके पास अभी नहीं है।