Kısaca: Tavsiye endüstrisi, büyük ölçüde yerini kaybetmiş bir sistem için eniyileme yapmaya devam ediyor. Anahtar kelime eşleştiren aday takip yazılımı ortadan kalkmadı, ama belirleyici okuma giderek daha fazla, sizi bir havuza karşı puanlayan ve sıralayan bir dil modeli tarafından yapılıyor. 2026’ya ait üç ayrı denetim bu okuyucunun gerçekte nasıl olduğunu anlatıyor. Dokuz model üzerinde yapılan bir geçerlilik çalışması, bu modellerin çoğunun, hangisinin daha güçlü olduğu kurgu gereği bilindiği hâlde iki özgeçmişten güçlü olanı tutarlı biçimde seçemediğini ve iki aday gerçekten eşit olduğunda çekimser kalmayı beceremediğini buldu. On dört modelin, model başına 24.024 eşleştirilmiş ilan üzerinden denetlendiği bir çalışma, demografik önyargının kaybolmadığını, model kuşakları arasında yön değiştirdiğini gösterdi. Hakem değerlendirmesinden geçmiş bir istem enjeksiyonu çalışması ise gizli öz-tanıtım metninin sıralamaları gerçekten oynattığını, ancak yalnızca neredeyse kimse yapmazken işe yaradığını ve zayıf bir adayın güçlü bir adayın üstüne çıkmasına yol açabildiğini ortaya koydu. Pratik sonuç makineyi kandırmak değil. Sonuç şu: sıralama gürültüsü artık piyasanın gerçek bir özelliği ve belgeniz sırayla dört farklı okuyucudan sağ çıkmak zorunda. Bu rehber doğrulanmış kanıt tablosunu, nerede tam olarak neyi talep edebileceğinizi gösteren mevzuat tablosunu, dört okuyuculu bir ayrıştırma modelini ve araştırmanın desteklediği ile halk inancı veya düpedüz risk olanı ayıran bir taktik karnesini veriyor. CEO gerçek alıcıya göre tasarlar; öğrenci tavsiyeyi tekrarlamadan önce denetimi okur.
Son birkaç yılda sıradanlaşmış, kendine özgü bir hayal kırıklığı türü var. Açıkça nitelikli olduğunuz bir pozisyona başvuruyorsunuz. Başvuru saniyeler içinde onaylanıyor. Sonrasında hiçbir şey olmuyor. Geri bildirim yok, insan yok, neyin yanlış gittiğine dair sinyal yok ve dosyayı hiç kimsenin açmamış olduğuna dair büyüyen bir şüphe var.
Bu şüphe çoğu zaman haklı ve internetin buna yanıtı, makineyi nasıl yeneceğinize dair muazzam miktarda kendinden emin tavsiye oldu. Şu yazı tipini kullanın. Tablolardan kaçının. Pozisyon adını birebir tekrarlayın. Anahtar kelimeleri beyaz metinle gizleyin. Bu tavsiyelerin çoğu 2015 civarı için doğru olan bir sistemi tarif ediyor, bugün yalnızca kısmen geçerli ve bir kısmı 2026’da aktif olarak tehlikeli.
Asıl değişenin ne olduğunu tam olarak anlamak önemli, çünkü değişim “artık işe alımda yapay zeka var” değil. Yapay zeka uzun süredir işe alımda. Değişen şey, okuyucunun kural izleyen bir ayrıştırıcıdan olasılıksal bir sıralayıcıya dönüşmesi ve olasılıksal sıralayıcıların, kural izleyicilerin asla başaramadığı biçimlerde hata yapması. 2026 araştırma literatürü bu hatalar konusunda alışılmadık ölçüde açık sözlü ve onu doğru okumak, herhangi bir biçimlendirme ipucu listesinden daha faydalı.
2026 denetimleri gerçekte ne buldu?
Bu yıl yayımlanan üç çalışma bilinmeye değer, çünkü birlikte bir aday için önemli olan üç soruyu kapsıyorlar: sistem daha iyi kişiyi seçiyor mu, grupları eşit muameleye tabi tutuyor mu ve oyuna getirilebilir mi?
Birincisi, Şubat 2026’da yayımlanan ve dürüst değerlendirmeyi tıkayan bir sorunu hedef alan bir geçerlilik çalışması. Bir eleme sisteminin iyi olup olmadığını, daha iyi adayın gerçekte kim olduğunu bilmeden ölçemezsiniz ve hiçbir kamuya açık özgeçmiş veri kümesi bu doğrulukla gelmiyor. Bu yüzden araştırmacılar kendileri bir tane inşa ettiler: belirli işlere göre uyarlanmış, doğrudan karşılaştırılabilir ve içine üstünlük sıralaması gömülmüş geniş özgeçmiş setleri kurguladılar. Ardından bunun üzerinde dokuz model çalıştırdılar: Claude Sonnet 4, DeepSeek V3.1, Gemini 2.0 Flash, Gemini 2.5 Pro, 12 milyar parametreli Gemma 3, GPT-4o Mini, GPT-5, 8 milyar parametreli Llama 3.1 ve 70 milyar parametreli Llama 3.3.
Ana bulgu açık sözlü. Modellerin çoğu, daha nitelikli adayları anlatan özgeçmişleri tutarlı biçimde seçemedi. Bunun üstüne, iki aday eşit nitelikte olacak şekilde kurgulandığında modeller güvenilir biçimde çekimser kalmadı, yine de birini seçtiler. Ve seçim oranları demografik gruplar arasında farklılaştı, zaman zaman tarihsel olarak dezavantajlı adayların lehine.
İkinci bulgu üzerinde biraz durun, çünkü bu yazının başındaki deneyimi açıklayan bulgu odur. Sıralama üretmeye zorlanan bir sistem sıralama üretir, sıralanacak gerçek bir fark olmadığında bile. Bu da geniş bir aday havuzundaki sıralamanın kayda değer bir kısmının sinyal olmadığı anlamına gelir. O kısım, makinenin reddetmesi gereken bir beraberliği bozmasıdır.
Haziran 2026’da yayımlanan ikinci çalışma, Kline, Rose ve Walters tarafından geliştirilen eşleştirilmiş özgeçmiş denetimi yöntemini on dört yaygın dil modeline uyguladı ve model başına 24.024 eşleştirilmiş ilan çalıştırdı. Sonuç gerçekten şaşırtıcı. 2023 kuşağından test edilen tek model, saha deneylerinin insan işe alımında belgelediği beyaz lehine geri dönüş açığını yüzde 1 anlamlılık düzeyinde 2,12 yüzde puanı olarak yeniden üretti. 2024 ve sonrasında yayımlanan her model ya hiç açık göstermedi ya da ters yönde istatistiksel olarak anlamlı bir tersine dönüş sergiledi; bu tersine dönüş siyah başvuru sahipleri lehine 3,01 yüzde puanına kadar çıktı. Aynı örüntü cinsiyet ekseninde de görüldü.
Bunun dürüst okuması “önyargı sorunu çözüldü” değil. Demografik etkilerin yönü ve büyüklüğünün artık, belirli bir işverenin o çeyrekte hangi sağlayıcının hangi model sürümünü çalıştırdığına bağlı olduğu ve bunun hiçbir adayın göremeyeceği ya da kontrol edemeyeceği bir şey olduğudur.
Hesaplamalı Dilbilim Derneği’nin 2026 Bulgular cildine kabul edilen üçüncü çalışma, iş arayan forumlarında en agresif biçimde dolaşan taktiği test etti: istem enjeksiyonu, yani özgeçmişe eklenen, yeni bir nitelik katmayan ama bir modelin değerlendirmesini etkilemek için yazılmış metin. Bulgu, kalabalıklaşmış bir işlemin neredeyse kusursuz bir örneği. Aday kalitesi türdeş olduğunda ve az sayıda aday bunu yaptığında enjeksiyon sıralamaları güvenilir biçimde iyileştirdi. Daha fazla aday enjeksiyon yaptıkça etkinliği hızla azaldı ve uygulama yaygınlaştığında tamamen çöktü. Adayların nitelik bakımından gerçekten farklılaştığı yerde enjeksiyon ortalamada daha az etkiliydi, ama ara sıra daha düşük nitelikli bir adayı daha yüksek nitelikli birinin üstüne çıkarabildi.
Tablo 1: Dil modeliyle özgeçmiş elemesine dair 2026 kanıtları (doğrulanmış kaynaklar)
| Çalışma ve tarih | Kapsam | Temel bulgu | Sizin için anlamı |
|---|---|---|---|
| Dil modeliyle özgeçmiş elemesinde geçerlilik, Şubat 2026 (Castleman, Shen, Metevier, Springer, Korolova) | 9 model, bilinen üstünlük sıralamasıyla özel olarak kurgulanmış veri kümesi | Modellerin çoğu daha nitelikli özgeçmişi tutarlı seçemiyor; gerçek beraberliklerde çekimser kalmıyor | Herhangi bir sıralamanın bir kısmı liyakat değil, üretilmiş gürültüdür |
| Özgeçmiş elemesinde ırksal önyargı, Haziran 2026 | 14 model, model başına 24.024 eşleştirilmiş ilan, Kline-Rose-Walters eşleştirilmiş denetim yöntemi | 2023 kuşağı model +2,12 yüzde puanı beyaz lehine açık gösterdi; 2024 ve sonrası tüm modeller sıfır açık ya da -3,01 yüzde puanına varan tersine dönüş gösterdi | Demografik etkiler artık model kuşağına göre değişiyor, adaylara görünmez biçimde |
| Otomatik özgeçmiş elemesinde istem enjeksiyonu, ACL 2026 Bulgular (Baxi, Xu, Jiang, Jasin) | Kontrollü deneyler, tek ve çoklu enjeksiyon koşulları | Enjeksiyon nadir ve kalite türdeşken işe yarıyor; yaygınlaşınca çöküyor; gerçek kalite sıralamasını tersine çevirebiliyor | Gizli anahtar kelime hilesinin raf ömrü kısa, riski gerçek |
Üçünün ortak yönüne dikkat edin. Hiçbiri, sistemlerin özgeçmişinizi düzeltilebilir, biçimlendirmeyle ilgili bir hatayla yanlış okuduğunu bulmadı. Bulundukları şey, bu sistemlerin davranışı sürümler arasında kayan gürültülü sıralayıcılar olduğu. Bu, eniyileme probleminin tamamını yeniden çerçeveliyor.
Dört okuyucu ve her birinin gerçekte çıkardığı şey
Özgeçmiş tavsiyelerindeki kalıcı hata, “aday takip sistemi”ni tek bir şey gibi ele almak. Modern bir hatta belgeniz tipik olarak dört ayrı okuyucudan geçer ve her biri farklı biçimde hata yapar. Birine sıkı biçimde eniyileme yapıp diğerini yok saymak, süreçte kendi kendine açılan en yaygın yaradır.
Tablo 2: Özgeçmişinizin dört okuyucusu (CEOtudent editöryel çerçevesi)
| Okuyucu | Gerçekte ne yapar | Onu bozan şey | Ödüllendirdiği şey |
|---|---|---|---|
| 1. Ayrıştırıcı | Dosyanızı yapılandırılmış alanlara çevirir: ad, işveren, unvan, tarihler, beceriler | Çok sütunlu düzenler, görsele gömülü metin, kritik veriyi taşıyan üstbilgi ve altbilgiler, sıra dışı tarih biçimleri | Sıkıcı, doğrusal, makinece okunabilir yapı |
| 2. Getirici | Metninizi gömer ve bir görev tanımıyla anlamsal olarak eşleştirir; kısa listeye girip girmediğinizi belirler | Sektörün dilinden gerçekten uzak bir kelime dağarcığı; gömme için çok az metin bırakan aşırı kısalık | Alanın gerçek terminolojisini, etrafında yeterli içerikle kullanmak |
| 3. Sıralayıcı | Bir dil modeli kısa listedeki özgeçmişleri okur ve çoğu zaman birbirine karşı puanlar veya sıralar | Belirsizlik, farklılaşmamış iddialar ve eşit görünen adayları yine de ayırmaya zorlanması | Ona sıralayacak gerçek bir şey veren belirli, doğrulanabilir, sayısallaştırılmış farklılaşma |
| 4. İnsan | Sıralanmış listenin tepesine, bir ilk izlenim oluşturacak kadar süre göz gezdirir | Bir insanın yazdığından çok makineye göre eniyilenmiş gibi okunan bir belge | Tutarlılık, kanıt ve konuşma başlatmak için bir sebep |
Bu tablodaki gerilim oyunun tamamı. Okuyucu 1 sıkıcı yapısal uyum ister. Okuyucu 4 yetkin bir insanın yazdığı gibi okunan bir belge ister. Etkisi en çok artan Okuyucu 3 ise diğer ikisinin hiç umursamadığı bir şey ister: sizi havuzda hemen üstünüzdeki ve altınızdaki kişiden gerçekten ayırt edilebilir kılan malzeme.
Bu üçüncü gereklilik, geçerlilik çalışmasının sadece iç karartıcı olmaktan çıkıp eyleme dönüştüğü yerdir. Modeller beraberliklerde çekimser kalmayı beceremiyor ve eşit görünen adaylar arasında sıralama üretiyorsa, yapabileceğiniz en yüksek kaldıraçlı şey eşit görünmeyi bırakmaktır. Daha yüksek sesle değil, sıralayıcıya gerçek ayrışma yaratan belirli, kontrol edilebilir, sayısallaştırılmış içerik vererek. İçinde bir sayı, bir mekanizma ve bir sonuç barındıran üç madde, on beş madde sorumluluk dilinden daha çok iş görür, çünkü birincisi sıralanabilirken ikincisi değildir.
Uygun bir ihtiyatla belirtilmesi gereken ilgili bir mekanizma daha var. Dil modellerinin uzun bağlamları nasıl kullandığına dair Hesaplamalı Dilbilim Derneği İşlemleri’nde yayımlanan çalışmada iyi belgelendiği üzere, model başarımı tipik olarak ilgili bilgi girdinin başında veya sonunda yer aldığında en yüksektir ve modelin onu ortadan çıkarması gerektiğinde belirgin biçimde düşer. O araştırma özgeçmişler üzerinde değil, belge soru-cevabı ve anahtar-değer getirimi üzerinde yapıldı; dolayısıyla bunu kanıtlanmış bir özgeçmiş bulgusu saymak aşırı yorum olur. Ama altta yatan konumsal etki modellerin kendi özelliğidir ve ihtiyatlı çıkarım zaten tartışmasızdır ve insan okuyucuların istediğiyle örtüşür: en güçlü, en farklılaştırıcı malzemenizi ikinci sayfaya gömmek yerine belgenin ilk üçte birine koyun.
Artık neyi talep edebilirsiniz ve nerede?
2026’da değişen ikinci şey, giderek artan sayıda ülkede bir algoritma tarafından elenmenin uygulanabilir haklarla birlikte gelmesi. Adayların çoğu bunu bilmiyor ve dolayısıyla hiç kullanmıyor. Tablo gerçekten hareket hâlinde, Avrupa’daki önemli bir erteleme dâhil, bu yüzden aşağıdaki durum sütunu kuralın kendisi kadar önemli.
Tablo 3: Algoritmik işe alım kuralları ve Ağustos 2026 itibarıyla durumları (doğrulanmış kaynaklar)
| Ülke veya bölge | Düzenleme | Ağustos 2026 itibarıyla durum | Adaya ne verir |
|---|---|---|---|
| Avrupa Birliği | Yapay Zeka Yasası, Ek III (işe alım ve seçme yüksek riskli sayılıyor) | Ek III yüksek risk yükümlülükleri 2 Ağustos 2026 için planlanmıştı; geçici Dijital Omnibus anlaşması uyarınca bağımsız Ek III sistemleri için yükümlülükler 2 Aralık 2027’ye ertelendi | Yürürlüğe girdiğinde: etkilenen kişilere şeffaflık, insan gözetimi, uygulayıcı için temel haklar etki değerlendirmesi |
| Illinois, ABD | Illinois İnsan Hakları Yasası’nı değiştiren HB 3773 | 1 Ocak 2026’dan beri yürürlükte | İstihdam kararlarında yapay zeka kullanıldığına dair bildirim; posta kodu temelli vekil değişken yasağı; ayrımcı kullanımın açık yasağı |
| Colorado, ABD | 2024 Colorado Yapay Zeka Yasası’nı yürürlükten kaldırıp yerine geçen SB 26-189 | 14 Mayıs 2026’da imzalandı, 1 Ocak 2027’de yürürlüğe giriyor | Bildirim, yapılandırılmış olumsuz karar ve insan incelemesi süreci, en az üç yıl kayıt saklama |
| New York Şehri, ABD | Otomatik istihdam karar araçlarına ilişkin Yerel Yasa 144 | Yürürlükte | Yayımlanmış yıllık önyargı denetimi sonuçları ve adaylara önceden bildirim |
| ABD federal mahkemeleri | Mobley – Workday davası, Kaliforniya Kuzey Bölgesi | ADEA kapsamında yaş ayrımcılığı toplu davası; mahkeme 17 Şubat 2026’da toplu bildirime izin verdi, katılım 7 Mart 2026’da kapandı | Yalnızca işverenin değil, eleme aracı sağlayıcısının da ayrımcılık sorumluluğuna çekilebileceğini ortaya koyuyor |
Buradaki pratik hamle küçük ve neredeyse hiç kimse yapmıyor. Kapsam dâhilindeki bir ülkede, işe alım uzmanına kararda otomatik bir araç kullanılıp kullanılmadığını doğrudan sormak ve hakkınız olan insan incelemesi ya da denetim bilgisini talep etmek meşru, ucuz ve ara sıra gerçek bir ikinci bakış üretiyor. Ayrıca cevap ne olursa olsun size işveren hakkında faydalı bir şey söylüyor.
Popüler taktikleri kanıta karşı puanlamak
İşte dolaşımdaki pek çok şeyle çelişen bölüm. Aşağıdaki her taktik, ne sıklıkla tekrarlandığına göre değil, yayımlanmış araştırmanın onu destekleyip desteklemediğine göre notlandırıldı.
Tablo 4: Özgeçmiş taktiklerinin 2026 kanıtlarına göre puanlanması (CEOtudent editöryel çerçevesi)
| Taktik | Kanıt durumu | Risk | Karar |
|---|---|---|---|
| Basit tek sütunlu düzen, standart bölüm başlıkları | Belge ayrıştırıcılarının çalışma biçimiyle destekleniyor; dört okuyucunun hiçbiri için dezavantaj yok | Yok | Yapın ve bu konuyu düşünmeyi bırakın |
| Görev tanımından ve alandan alınan gerçek terminolojiyi kullanmak | Okuyucu 2’deki anlamsal getirimin çalışma biçimiyle destekleniyor | Dürüstse yok | Yapın |
| İlk üçte birde sayısallaştırılmış, belirli, farklılaştırıcı başarılar | Okuyucu 3’te belgelenen beraberlik bozma hatasını doğrudan hedefliyor | Yok | Elinizdeki en yüksek kaldıraçlı hamle |
| Anahtar kelime doldurma, pozisyon adını defalarca tekrarlama | Artık bağlayıcı kısıt olmayan Okuyucu 1’e yönelikti; Okuyucu 3 ve 4’e gürültü olarak okunuyor | Orta | Büyük ölçüde geçersiz, bırakın |
| Gizli beyaz metinle istem enjeksiyonu | Doğrudan incelendi ve ACL 2026’da yayımlandı: yalnızca nadirken işe yarıyor, yaygınlaşınca çöküyor, gerçek kalite sıralamasını tersine çevirebiliyor | Yüksek: yanlış beyandır, tespit edilebilir ve getirisi şimdiden azalıyor | Yapmayın |
| Her başvuru için ayrı özgeçmiş uyarlamak | Hem Okuyucu 2 hem Okuyucu 3’ün belirli bir görev tanımına göre çalışmasıyla tutarlı | Maliyeti zamanınız | Gerçekten istediğiniz roller için yapın, toplu değil |
| Reddedilmeleri telafi etmek için çok yüksek hacimde başvurmak | Aleyhinize işliyor: farklılaşmamış göründüğünüz havuzların payını artırıyor, tam da sıralama gürültüsünün baskın olduğu yer | Orta | Daha az ama daha hedefli başvuru hacmi yener |
Beyaz metin satırı bir cümle daha hak ediyor, çünkü size kendinden emin biri tarafından önerilmesi en olası taktik odur. ACL 2026 sonucu, hiç işe yaramadığı değildir. Sonuç, getirisi azalan kalabalık bir işlem ve kalıcı bir dürüstlük maliyeti olduğu ve nasıl davrandığını belgeleyen araştırmanın artık kamuya açık olduğudur; bu da onu yakalamak için tasarlanan sistemlerin tam olarak o literatüre karşı inşa edildiği anlamına gelir. Kapanmakta olan bir pencereye göre eniyileme yapmak, tamamen kontrolünüzdeki tek varlığın kötü bir kullanımıdır.
Fiilen iş arıyorsanız bu ne anlama geliyor?
Bunu, alıcının kısmen güvenilmez olduğu herhangi bir süreci yöneteceğiniz gibi yönetin. Güvenilmez bir alıcıya bağırarak yanıt vermezsiniz. Güvenilmez kısmın vereceği karar sayısını azaltarak yanıt verirsiniz.
Kanıtlardan üç hamle çıkıyor.
Birincisi, eşleştirme için değil ayrışma için mühendislik yapın. Geçerlilik çalışmasında belgelenen baskın hata biçimi, iyi adayların anahtar kelime uyuşmazlığıyla elenmesi değil. Benzer görünen adayların keyfî biçimde sıralanması. Özgeçmişinizin her satırına tek bir soru sorulmalı: bu, beni neredeyse aynı olan başvurandan ayırt edilebilir kılıyor mu, yoksa aradaki farkı siliyor mu? Sorumluluk dili siler. Sayılar, mekanizmalar ve adı konmuş sonuçlar ayırır.
İkincisi, toplu başvuruları artık oldukları düşük beklenen değerli kanal olarak görün. Geniş ve türdeş bir havuzdaki sıralamanın kayda değer bir kısmı üretilmiş gürültüyse, farklılaşmamış yüzüncü başvurunuzun getirisi sıfıra yakındır. Aynı saatler gerçekten uyarlanmış bir başvuruya ya da sıralama adımını tamamen atlayan bir referans bulmaya harcandığında çok daha fazlasını satın alır. Bu, hangi işlerin önce otomatikleştirileceğine karar verirken geçerli olan aynı tahsis mantığıdır: kazanç doğru hedefi seçmekten gelir, yanlış olanı daha çok yapmaktan değil.
Üçüncüsü, piyasanın gerçekte neye para ödediğine dair kısa ve güncel bir dosya tutun, çünkü Okuyucu 2’nin eşleştirdiği terminoloji özgeçmiş şablonlarından daha hızlı hareket ediyor. 2026 küresel iş piyasasında en çok aranan beceriler dökümümüz makul bir başlangıç noktası ve hedeflediğiniz roller yapay zeka sistemlerine iş devretmeyi içeriyorsa, ajan tarayıcıların ve bilgisayar kullanan yapay zekanın ne yapıp ne yapamadığını anlamak, bu yetkinlik hakkında bir sıralayıcının gerçekten ödüllendirebileceği kesinlikte yazmanızı sağlar.
CEO ve öğrenci
Buradaki CEO içgüdüsü, işe alım hattını geçilecek adil bir sınav olarak görmeyi bırakıp anlaşılacak bir kanal olarak görmeye başlamaktır. Kanalların özellikleri vardır. Bu kanal hızlı, yüksek hacimli, marjda gürültülü ve giderek daha düzenlenmiş. Elinizdeki kanala göre tasarlarsınız ve en gürültülü kısmından, yani anonim yüksek hacimli başvurudan uzaklaşarak çeşitlendirirsiniz.
Öğrenci içgüdüsü, zeminin ne kadar hızlı kaydığını fark etmektir. Önyargının yönü yaklaşık iki yılda model kuşakları arasında tersine döndü. En çok önerilen hile, belgelenmiş bir azalma eğrisiyle bir araştırma makalesi olarak yayımlandı. Avrupa uyum tarihi bir yıldan fazla ötelendi, üstelik herkes hâlâ ilk tarih hakkında rehber yazarken. Bunların hiçbiri bir özgeçmiş şablonundan bilinemez ve hepsi birincil kaynakları yirmi dakika okumakla bilinebilir.
Tüm bunlardan sağ çıkan tavsiye gösterişsiz ve değişmedi: gerçekten belirli olun, gerçekten farklılaşın, dürüst olun ve en iyi malzemenizi önce okunacağı yere koyun. Değişen şey, bu tavsiyenin neden işe yaradığını artık söyleyebiliyor olmamız ve savunduğu tam hata biçimini adlandırabilmemiz.
Sıkça sorulan sorular
Özgeçmişimi gerçekten bir insan yerine yapay zeka mı okuyor?
İlk okuma giderek daha çok otomatik, ama her zaman belirleyici olan o değil. Tipik modern hat belgenizi ayrıştırır, anlamsal olarak bir kısa liste getirir, o kısa listeyi sıralamak için bir dil modeli kullanır ve sıralanmış listenin tepesini bir insanın önüne koyar. Dört adım da vardır; her birinin ağırlığı işverene ve rolün kıdemine göre büyük ölçüde değişir.
Eski aday takip sistemi biçimlendirme kurallarını hâlâ dert etmeli miyim?
Evet, ama artık bir strateji değil hijyen unsuru. Standart başlıklarla tek sütunlu bir düzen, görsel içinde kritik bilgi bulunmaması ve üstbilgi ile altbilgide kilit ayrıntı olmaması size hiçbir şeye mal olmaz ve bütün bir ayrıştırma hatası sınıfını ortadan kaldırır. Tek başına sizi üst sıraya taşımaz.
Anahtar kelimeleri beyaz metinle koymak işe yarıyor mu?
Tam olarak bu uygulamaya dair hakem değerlendirmesinden geçmiş 2026 araştırması, az sayıda aday yaptığında ve başvuranlar başka türlü benzer olduğunda sıralamaları iyileştirdiğini, benimseme yayıldıkça etkisinin çöktüğünü buldu. Ayrıca zayıf adayların güçlü adayların üstüne çıkmasına izin verdiği durumları belgeledi ki bu, tespit edilip cezalandırılmasını gerektiren zararın ta kendisi. Kalıcı bir dürüstlük maliyetiyle azalan bir avantaj.
Yapay zeka eleyicileri bana karşı önyargılı mı?
On dört modelin 2026 eşleştirilmiş özgeçmiş denetimi, cevabın büyük ölçüde model kuşağına bağlı olduğunu buldu. Test edilen tek 2023 kuşağı model, insan saha deneylerindeki beyaz lehine açığı 2,12 yüzde puanı olarak yeniden üretti; 2024 ve sonrası her model ya hiç açık ya da ters yönde 3,01 yüzde puanına varan bir tersine dönüş gösterdi. Rahatsız edici sonuç şu: etki gerçek, değişken ve size görünmez.
Beni yapay zekanın mı elediğini öğrenebilir miyim?
Bazı yerlerde evet. Illinois Ocak 2026’dan beri bildirim zorunlu kılıyor, New York Şehri önceden bildirim ve yayımlanmış önyargı denetimleri istiyor. Colorado’nun kuralları Ocak 2027’de yürürlüğe giriyor. Avrupa Birliği’nin işe alım sistemleri için yüksek risk yükümlülükleri geçici Dijital Omnibus anlaşmasıyla Aralık 2027’ye ertelendi. Sormak bedava ve kapsam dâhilindeki yerlerde işverenin cevaplama yükümlülüğü var.
Daha çok işe başvurmak algoritmik reddi telafi eder mi?
Kanıtlar tersini gösteriyor. Sıralama gürültüsü, benzer görünen adaylardan oluşan geniş havuzlarda en kötüdür ki bu tam olarak yüksek hacimli, uyarlanmamış bir başvurunun düştüğü havuzdur. Daha az ama daha iyi farklılaşmış başvurular ve sıralama adımını atlayan referans gibi her yol, belirgin biçimde daha iyi beklenen getiriye sahip.
Kaynakça
- Castleman, Shen, Metevier, Springer ve Korolova, Measuring Validity in LLM-based Resume Screening, Şubat 2026
- Can LLMs Hire Fairly? Racial Bias in Resume Screening, Haziran 2026
- Baxi, Xu, Jiang ve Jasin, Prompt Injection in Automated Resume Screening with Large Language Models, Findings of the Association for Computational Linguistics, 2026
- Kline, Rose ve Walters, Systemic Discrimination Among Large U.S. Employers, National Bureau of Economic Research, 2022
- Liu, Lin, Hewitt, Paranjape, Bevilacqua, Petroni ve Liang, Lost in the Middle: How Language Models Use Long Contexts, Transactions of the Association for Computational Linguistics
- Avrupa Birliği, Yapay Zeka Yasası, Ek III ve yüksek risk takvimlerine ilişkin geçici Dijital Omnibus anlaşması
- Illinois Genel Kurulu, HB 3773, Illinois İnsan Hakları Yasası’nda değişiklik, 1 Ocak 2026’dan itibaren yürürlükte
- Colorado Genel Kurulu, SB 26-189, 14 Mayıs 2026’da imzalandı, 1 Ocak 2027’de yürürlükte
- New York Şehri, otomatik istihdam karar araçlarına ilişkin Yerel Yasa 144
- Mobley – Workday davası, Amerika Birleşik Devletleri Kaliforniya Kuzey Bölge Mahkemesi
Bu içerik, derinlemesine bir araştırmanın ardından yapay zeka desteğiyle derlenmiş ve CEOtudent editör ekibi tarafından yazılıp yayına hazırlanmıştır.
This post is also available in:
