आपने स्क्रीनिंग को स्वचालित किया। आपके उम्मीदवारों ने आवेदन करना स्वचालित कर दिया। अब ज़्यादातर टैलेंट लीडर संकेत ही नहीं पढ़ पा रहे।

चौवन प्रतिशत टैलेंट लीडर अब कहते हैं कि AI से बने रिज़्यूमे, आवेदन और साक्षात्कार की तैयारी ने किसी उम्मीदवार की असल क्षमता आँकना और कठिन बना दिया है — और वे यह उसी साँस में कहते हैं जिसमें उनमें से 90% से अधिक बताते हैं कि वे पूरे सोर्सिंग और स्क्रीनिंग में AI चला रहे हैं, जबकि 5% से भी कम इन नतीजों को रूपांतरकारी बताते हैं (ManpowerGroup, 2026)। इन तीन आँकड़ों को साथ पढ़िए, तो कहानी "AI हमें भर्ती में मदद कर रहा है" नहीं है। कहानी यह है: आपने दो साल फ़नल के एक हिस्से को स्वचालित करने में लगाए, आपके उम्मीदवारों ने वही दो साल दूसरे हिस्से को स्वचालित करने में लगाए, और जो सचमुच मायने रखता है — यह पढ़ना कि काम कौन कर सकता है — उस पर शुद्ध असर पीछे चला गया।

यही वह जाल है जिसमें आज मध्य-बाज़ार की ज़्यादातर भर्ती परिचालन बैठी हैं। जब स्क्रीनिंग टूटी हुई लगे, तो सहज प्रवृत्ति होती है एक बेहतर एप्लिकेंट ट्रैकिंग सिस्टम खरीदना या एक और AI फ़िल्टर जोड़ देना। ManpowerGroup और Everest Group के आँकड़े कहते हैं कि यह प्रवृत्ति गलत परत पर निशाना लगा रही है। यह औज़ार की कमी नहीं है। यह संकेत की समस्या है, और कितनी भी स्क्रीनिंग स्वचालन उस संकेत को नहीं सुधार सकती जिसे बड़े पैमाने पर जाली बनाने योग्य बना दिया गया हो।

फ़नल के दोनों पक्ष एक साथ स्वचालित हो गए

समरूपता से शुरू करें, क्योंकि यही वह हिस्सा है जिसकी लगभग कोई गणना नहीं करता। जब आपने सोर्सिंग, रैंकिंग और स्क्रीनिंग के लिए AI तैनात किया, तो आपने मान लिया कि दूसरी ओर के इनपुट स्थिर रहेंगे — कि एक रिज़्यूमे लगभग वही जानकारी वहन करता है जो 2022 में करता था। ऐसा नहीं है। उम्मीदवार के पास अब आपके ही वर्ग का औज़ार है। जनरेटिव AI रिज़्यूमे लिखता है, कवर लेटर को आपके विज्ञापन के अनुरूप ढालता है, आपके स्क्रीनिंग प्रश्नों के उत्तर का मसौदा बनाता है और साक्षात्कार का पूर्वाभ्यास करता है।

ManpowerGroup/Everest Group का अध्ययन — अमेरिका और ब्रिटेन में 80 C-सूट, CHRO और वरिष्ठ टैलेंट-एक्विज़िशन लीडरों का एक सर्वेक्षण — परिणाम पर एक संख्या रखता है: 54% बताते हैं कि AI-सहायता प्राप्त उम्मीदवार व्यवहार असल क्षमता को सटीक रूप से आँकना कठिन बना देता है (ManpowerGroup, 2026)। यह वरिष्ठ भर्ती लीडरों का बहुमत है जो आपको बता रहा है कि इनपुट क्षीण हो चुका है। दोनों पक्ष एक साथ स्वचालित हुए, और यह हथियारों की होड़ वहीं समाप्त हुई जहाँ हथियारों की होड़ें आमतौर पर समाप्त होती हैं — दोनों ओर कहीं अधिक ख़र्च, और किसी के लिए भी कोई टिकाऊ बढ़त नहीं।

संकेत अधिक शोरपूर्ण नहीं हुआ — वह जाली बनाने योग्य हो गया

यहाँ एक निर्णायक भेद है जो बदल देता है कि इस बारे में क्या करना है। समस्या यह नहीं है कि फ़नल में अधिक शोर है। समस्या यह है कि रिज़्यूमे-और-आवेदन की परत अब AI-फुलाने योग्य है — और एक बार जब कोई संकेत सस्ते में गढ़ा जा सके, तो उस पर उम्मीदवारों की रैंकिंग करना वह मापना बंद कर देता है जिसकी आपको परवाह है।

सोचिए आपका स्क्रीनिंग AI वास्तव में क्या अनुकूलित करता है। यह उम्मीदवारों को उनके लिखित आवेदन की मज़बूती पर अंक देता और रैंक करता है: कीवर्ड, शब्दावली, पद-विवरण से दिखने वाला मेल। जब वह लिखित परत उम्मीदवार के अपने प्रयास से बनती थी, तब वह मेहनत और उपयुक्तता का एक कमज़ोर पर असली प्रतिनिधि थी। जब उसे कोई मॉडल नौ सेकंड में बना देता है, तो रैंकिंग तेज़ी से प्रॉम्प्ट प्रवीणता को पुरस्कृत करती है — कि उम्मीदवार (या उसके औज़ार) ने आपके विज्ञापन की उल्टी इंजीनियरिंग कितनी अच्छी की — न कि पद से उपयुक्तता को। आपको फिर भी एक स्पष्ट, आश्वस्त रैंक-की-हुई सूची मिलती है। बस वह गलत चर माप रही है। यह चयन में सबसे ख़तरनाक विफलता-रूप है: कोई ऐसा तंत्र नहीं जो दिखाई देकर टूटता हो, बल्कि वह जो अपने द्वारा मापी जाने वाली चीज़ के चुपचाप अर्थहीन हो जाने के बाद भी आश्वस्त परिणाम देता रहता है।

यही कारण है कि "5% से कम रूपांतरकारी" कोई परिपक्वता की समस्या नहीं है जिसे एक और तिमाही का अपनापन हल कर दे (ManpowerGroup, 2026)। आप ऐसी परत से रूपांतरकारी परिणाम नहीं निकाल सकते जिसका संकेत खोखला कर दिया गया हो। जाली बनाने योग्य इनपुट पर अधिक स्क्रीनिंग शक्ति लगाने से केवल शोर की तेज़, अधिक आश्वस्त छँटाई मिलती है।

नीचे छिपी हुई मात्रा की समस्या

संकेत की समस्या एक मात्रा की समस्या के ऊपर सवार है, और दोनों जुड़ते जाते हैं। चूँकि आवेदन करना अब लगभग मुफ़्त है, आवेदनों की संख्या असली रुचि से अलग हो गई है। एक भर्तीकर्ता ने बताया कि एक बिज़नेस एनालिस्ट पद, जो ऐतिहासिक रूप से 100 से 150 आवेदन खींचता, इस बार 2,000 से अधिक ले आया — एकल पद के लिए 13 से 20 गुना उछाल (The Irish Times, 2026)। यह योग्य रुचि की लहर नहीं है। यह उन उम्मीदवारों का यांत्रिक उत्पादन है जो वही स्वचालन चला रहे हैं जो आप चलाते हैं।

लागत आपकी टीम के समय पर पड़ती है। उसी रिपोर्टिंग में, Greenhouse के एक सर्वेक्षण ने पाया कि 38% भर्तीकर्ता अब अपने प्रयास का आधा कचरा, स्पैम और पूरी तरह अयोग्य आवेदनों को छानने में लगाते हैं (The Irish Times, 2026)। इसे संकेत की समस्या के ऊपर रखिए, तो पूरी तस्वीर मिलती है: पहले से कहीं अधिक आवेदन, हर एक पहले से कहीं कमज़ोर संकेतक, और एक भर्ती टीम जो अपनी आधी क्षमता मशीन-जनित मात्रा को मानवीय मंशा से अलग करने में जला रही है। इसे तेज़ी से संसाधित करने के लिए और अधिक स्क्रीनिंग AI खरीदना समस्या को छोटा नहीं करता। यह उसे औद्योगिक बना देता है।

एक बेहतर ATS इसे क्यों ठीक नहीं करेगा

लुभावना उत्तर — एक अधिक चतुर ATS, एक तेज़ रिज़्यूमे-पार्सिंग मॉडल, एक AI जो "AI का पता लगाता है" — रचना से ही हथियारों की होड़ हार जाता है। आप जो भी डिटेक्टर तैनात करते हैं वह एक लक्ष्य है जिसके विरुद्ध जनरेशन औज़ार स्वयं को अनुकूलित करते हैं, और वे औज़ार तेज़ी से दोहराते हैं और लाखों उम्मीदवारों द्वारा उपयोग किए जाते हैं। आप अपना बजट ठीक उसी परत की रक्षा में लगा देंगे जो पहले ही समझौता-ग्रस्त हो चुकी है।

विफलता का गहरा कारण यह है कि यह एक टूटी हुई पूर्वधारणा स्वीकार करता है: कि क्षमता रिज़्यूमे में बसती है। वह कभी पूरी तरह ऐसा था ही नहीं — और अब प्रमाण-सहित नहीं है। हल यह नहीं है कि जाली बनाने योग्य परत को अधिक चतुराई से पढ़ा जाए। हल यह है कि जाली बनाने योग्य परत को इतना भार देना बंद किया जाए और निर्णय-भार को उन इनपुटों पर स्थानांतरित किया जाए जिन्हें कोई उम्मीदवार बड़े पैमाने पर सस्ते में नहीं गढ़ सकता। यह आपके स्क्रीनिंग करने के तरीके में एक डिज़ाइन परिवर्तन है, कोई ख़रीद नहीं।

हथियारों की होड़ में बने रहने की एक शांत लागत भी है: गलत अस्वीकृतियाँ। जब आपकी रैंकिंग प्रॉम्प्ट प्रवीणता को पुरस्कृत करती है, तो वह उम्मीदवार जो सचमुच सक्षम पर स्वयं-विपणन में औसत है — या जिसने अपना आवेदन किसी ऑप्टिमाइज़र से गुज़ारने से इनकार किया — उस उम्मीदवार के नीचे डूब जाता है जिसने ऐसा किया। आप केवल फुलाए हुए आवेदनों को पकड़ने में विफल नहीं होते; आप सक्रिय रूप से उस असली क्षमता को नीचे धकेल रहे हैं जिसने परत के साथ खेलने की परवाह नहीं की। ऐसे बाज़ार में जहाँ एक ही पद अब हज़ारों आवेदन खींचता है, वे झूठे नकारात्मक अदृश्य और अपूरणीय हैं। आपको कभी पता नहीं चलेगा कि आपके जाली बनाने योग्य संकेत ने किस योग्य व्यक्ति को दफ़ना दिया।

उन इनपुटों की ओर पुनः भार दें जिन्हें उम्मीदवार बड़े पैमाने पर जाली नहीं बना सकते

यहाँ शोध असामान्य रूप से जमा हुआ है, और यह AI की घबराहट से दशकों पहले का है। संदर्भ-बिंदु है Schmidt और Hunter का मेटा-विश्लेषण, जो चयन शोध के लगभग 85 वर्षों को संश्लेषित करता है, और जिसने पाया कि कार्य-नमूना परीक्षण, संरचित साक्षात्कार और संज्ञानात्मक-योग्यता माप नौकरी-प्रदर्शन के सबसे मज़बूत भविष्यसूचकों में से हैं — जबकि रिज़्यूमे से जुड़े संकेत, शिक्षा और अनुभव के वर्ष, तुलनात्मक रूप से कमज़ोर हैं (Schmidt & Hunter, 1998)। एक संरचित, कार्य-प्रतिनिधि मूल्यांकन आवेदन-दस्तावेज़ की तुलना में कहीं अधिक भविष्यसूचक वैधता वहन करता है — और वह तब भी बेहतर उपकरण था जब आवेदन-दस्तावेज़ ईमानदारी से लिखा जाता था।

AI इसे एक श्रेष्ठ-अभ्यास तर्क से एक अत्यावश्यक तर्क में बदल देता है। जो तरीके टिकते हैं वे ठीक वही हैं जिन्हें बड़े पैमाने पर जाली बनाना महँगा है। एक मॉडल सेकंडों में एक निर्दोष रिज़्यूमे बना सकता है; वह आपके असली उम्मीदवार को एक कार्य-प्रतिनिधि नमूने पर बिठाकर संरचित परिस्थितियों में उसका असली तर्क उत्पन्न नहीं कर सकता। एक मान्य मनोमितीय मूल्यांकन उन गुणों और अभिरुचियों को मापता है जिन्हें एक चमकाया हुआ आवेदन बस उजागर नहीं करता। रिज़्यूमे परत पर आपने जो संकेत खोया वह पुनः प्राप्त करने योग्य है — पर केवल माप को उस जगह ले जाकर जहाँ स्वचालन नहीं पहुँच सकता।

ठोस रूप में, "इनपुट जिन्हें उम्मीदवार बड़े पैमाने पर जाली नहीं बना सकते" का अर्थ है दो चीज़ें जिन्हें एक मध्य-बाज़ार ऑप्स टीम सचमुच तैनात कर सकती है। पहला, एक संरचित कार्य-नमूना: एक छोटा, पद-प्रतिनिधि कार्य, एक सुसंगत मूल्यांकन-मापदंड के विरुद्ध अंकित, ताकि आप व्यक्ति को असली काम का एक टुकड़ा करते हुए देखें, बजाय उसके बारे में उसके दावे को पढ़ने के। दूसरा, एक मान्य मनोमितीय मूल्यांकन: उन अभिरुचियों और गुणों की एक मापी गई पढ़त जो पद में प्रदर्शन का पूर्वानुमान देते हैं, ऐसी परिस्थितियों में लिया गया जिन्हें उम्मीदवार बाहर आउटसोर्स नहीं कर सकता। दोनों निर्णायक संकेत को दस्तावेज़ से व्यवहार पर ले जाते हैं — और दोनों, उल्लेखनीय रूप से, रिज़्यूमे स्क्रीनिंग से क़ानूनन अधिक बचाव-योग्य हैं क्योंकि वे सीधे काम का नमूना लेते हैं।

इस तिमाही के लिए एकमात्र क़दम

इस पर कार्रवाई करने के लिए आपको अपना ATS उखाड़ने या भर्ती की पुनर्रचना करने की ज़रूरत नहीं है। आपको यह बदलने की ज़रूरत है कि किसी एक पद में निर्णय-भार कहाँ पड़ता है।

तो ठोस क़दम संकीर्ण और परखने योग्य है: अपना सबसे अधिक मात्रा वाला रिक्त पद लें — वही जो AI-फुलाए आवेदनों में डूब रहा है — और प्रक्रिया के आरंभ में एक कार्य-प्रतिनिधि नमूना और एक मान्य मूल्यांकन जोड़ें, फिर अपनी रैंकिंग को इस तरह पुनः भारित करें कि वे परिणाम रिज़्यूमे स्कोर को पछाड़ दें। रिज़्यूमे परत का उपयोग केवल स्पष्ट रूप से अयोग्य को छाँटने के लिए करें; तय करने दें कि कौन आगे बढ़े यह जाली न बनने योग्य इनपुटों को। फिर इसे एक तुलनीय पद के विरुद्ध मापें जिसे आपने रिज़्यूमे-पहले स्क्रीनिंग पर छोड़ा, और एक तिमाही में दो संख्याएँ देखें: भर्ती-गुणवत्ता संकेत जैसे रैम्प गति और आरंभिक प्रदर्शन, और भर्तीकर्ता के समय का वह हिस्सा जो कचरा-छँटाई से वापस पाया गया।

यदि पुनः भारित पद कम बर्बाद स्क्रीनिंग प्रयास के साथ बेहतर भर्तियाँ देता है, तो आपने अपने ही फ़नल के भीतर वह सिद्ध कर दिया जिसकी ओर ManpowerGroup के आँकड़े इशारा करते हैं: एक खोखले किए गए संकेत का उत्तर कभी भी जाली बनाने योग्य परत के लिए एक बेहतर स्क्रीनर नहीं था। उत्तर था उस परत पर भरोसा करना बंद करना जिसे आपके उम्मीदवारों ने स्वचालित करना सीख लिया — और उस एकमात्र चीज़ को मापना जो वे अब भी नहीं कर सकते। वे 54% जो कहते हैं कि वे अब क्षमता नहीं पढ़ पाते, समस्या के बारे में सही हैं। वे उसे उसी एकमात्र जगह ढूँढ़ रहे हैं जहाँ AI ने सुनिश्चित कर दिया कि वह अब न रहेगी।