Screening CV cu AI: același CV, 100 de rulări, scoruri de la 66 la 99

E fiabil screening-ul de CV-uri cu AI cât să ia singur decizii de angajare? Propriile cifre ale HackerRank spun că nu. Compania și-a publicat open-source agentul AI cu care își filtrează aplicările, iar același CV, nemodificat, trecut prin el de 100 de ori, a produs scoruri de la 66 la 99. La un prag obișnuit de 85 de puncte, exact același candidat e respins automat în aproximativ două rulări din trei.

Uneltele de screening cu AI se vând pe două promisiuni: viteză și consistență. Viteza e reală. Consistența, se pare, nu, și măcar de data asta nu trebuie să argumentăm teoretic, pentru că furnizorul a publicat codul.

La finalul lui iunie 2026, Interview Street (compania-mamă a HackerRank) a lansat hiring-agent pe GitHub, unealta internă construită pentru a tria cele 50.000–60.000 de aplicări anuale de interni. Pe 1 iulie, Pinggy a rulat testul pe care ar trebui să-l facă primul orice cumpărător de screening cu AI: același PDF, la nesfârșit, măsurând dispersia.

Articolul ăsta trece prin ce a găsit testul, de ce apare variația și ce întrebări i-am pune oricărui furnizor de screening cu AI înainte să-i lăsăm unealta să atingă o decizie de tip da/nu. Suntem foști ingineri software care folosesc zilnic AI în propriul flux de screening, deci nu e un argument anti-AI. E un argument despre unde trebuie să stea judecata.

Concluzii pe scurt

Un CV nemodificat, 100 de rulări prin hiring-agent, unealta open-source a HackerRank: scoruri între 66 și 99 (Pinggy, iulie 2026).

La un prag de 85 de puncte, același candidat trece în circa 35% din cazuri și e respins în restul de 65% doar din zgomot de scorare.

65% din scor ponderează activitatea open-source și proiectele personale; experiența în producție și skill-urile tehnice însumează 35%.

Scăderea temperaturii modelului a strâns dispersia (șase rulări: 27–34), dar nu a eliminat-o.

AI Act-ul european clasifică sistemele de recrutare și evaluare a candidaților drept cu risc ridicat, cu obligații aplicabile acestor sisteme din august 2026.

Ce a arătat de fapt testul de screening de CV cu AI

Metoda Pinggy a fost simplă: un fișier de CV, nemodificat, trecut repetat prin CLI. Doar primele patru rulări au dat 90, 74, 88 și 83. La rularea 100, dispersia completă era 66–99, o bandă de 33 de puncte pornind de la un input identic.

Aritmetica ce contează pentru oricine folosește un prag de scor:

Indicator	Rezultat
Rulări	100, PDF identic
Interval de scor	66–99 (bandă de 33 de puncte)
Primele patru rulări	90, 74, 88, 83
Rată de trecere la prag de 85 de puncte	~35%
Rată de respingere automată, același candidat	~65%

Citește ultimul rând încă o dată. Candidatul nu s-a schimbat. CV-ul nu s-a schimbat. Dacă ajungea sau nu la un om depindea de ce zar i-a picat la rulare.

Obiecția evidentă de inginer, „scade temperatura”, a fost și ea testată. Șase rulări consecutive cu temperatură redusă au dat 27, 34, 32, 34, 34 și 30. Mai strâns, da. Determinist, nu. Discuția de pe Hacker News intră în detaliu: temperatura modelează distribuția de eșantionare, nu o elimină, iar comportamentul virgulei mobile pe GPU adaugă nedeterminism dedesubt. Variația poate fi redusă. Nu poate fi configurată până la zero.

E întrebarea pe care o primim de la clienți sub o formă sau alta în fiecare trimestru: „nu putem pur și simplu să automatizăm screening-ul de CV-uri?” Răspunsul onest a fost mereu „parțial”. Acum există un set de date public și reproductibil care arată exact care parte.

De ce se mișcă scorul: șase apeluri LLM și o problemă de ponderare

Ca să fim corecți cu HackerRank: unealta e licențiată MIT, documentată deschis și construită să filtreze doar cele mai slabe aplicări dintr-un flux de peste 50.000 de interni, majoritatea ajungând oricum la revizuire umană. Ca artefact de inginerie pentru o problemă de volum, e un design rezonabil. Problemele încep când același tipar e aplicat unor decizii pentru care nu a fost construit.

Pipeline-ul înlănțuie șase apeluri LLM separate, câte unul pentru date de bază, istoric de muncă, educație, skill-uri, proiecte și premii, apoi îmbogățește rezultatul cu date din GitHub (clasifică repository-urile, selectează primele șapte contribuții ale candidatului) și scorează totul pe patru categorii ponderate.

Două rezultate ale acestei arhitecturi merită mai multă atenție decât cifra de variație din titlu.

Întâi, fiecare apel LLM e o aruncare nouă de zar. Șase apeluri probabilistice înlănțuite își compun zgomotul individual. Pinggy a găsit că, în timp ce categoria de skill-uri tehnice se comporta ca un checklist stabil, evaluările pentru experiența în producție și pentru proiecte erau volatile, judecăți subiective. Exact părțile de carieră care au cea mai mare nevoie de interpretare sunt cele pe care modelul le scorează cel mai inconsistent.

Al doilea, și asta e problema structurală, 65% din scorul total ponderează activitatea open-source și proiectele personale. Experiența în producție și skill-urile tehnice însumează 35%.

Pentru screening de interni, ponderarea e justificabilă: aplicanții nu au istoric în producție, deci codul public e cel mai bun semnal disponibil. Aplic-o peste nivelul de intrare și se inversează. Un inginer senior cu opt ani pe o platformă enterprise closed-source, exact profilul din spatele majorității căutărilor de Cloud/DevOps și Data/AI pe care le facem, poate avea un GitHub public aproape gol și un istoric solid în producție. Ponderarea asta îl scorează pe cei 35% și ignoră în mare parte restul. Unealta nu măsoară senioritate. Măsoară vizibilitate.

Ce înseamnă asta dacă angajezi peste nivelul de entry level

Concluzia nu e „screening-ul cu AI e stricat”. E că logica de screening pe volum nu se transferă la recrutarea pe roluri rare, iar eșecul e invizibil dacă nu-l cauți.

Cele două probleme se compun exact la capătul greșit al pieței:

Variația scorului te costă candidați pe care nu-i vezi niciodată. La volum de interni, un filtru zgomotos care respinge greșit niște aplicanți calificați lasă în urmă tot mii. Într-o căutare în care poate 30 de oameni din țară se potrivesc real pe rol, o rată de respingere falsă de ~65% la prag nu e zgomot, e căutarea însăși.
Ponderarea elimină exact profilul pe care îl vânezi. Inginerii senior și de nivel staff, mai ales din medii enterprise și reglementate, sunt sistematic mai puțin vizibili pe GitHub public. Cu cât profilul e mai rar și mai senior, cu atât un scor ponderat pe proiecte îl reprezintă mai prost. De aceea contactarea candidaților pasivi e o disciplină de headhunting, nu un exercițiu de scorare.

Împărțirea noastră e cea scrisă în cum lucrăm: AI-ul se ocupă de scară, acoperirea la sourcing și potrivirea în primă fază pe mii de profiluri. Fondatorii iau deciziile de judecată pe potrivirea tehnică și de rol. Ambele contează. Niciuna nu o înlocuiește pe cealaltă. Cifrele HackerRank sunt cea mai clară dovadă publică de până acum pentru locul unde stă granița: o dispersie de 33 de puncte e tolerabilă într-o pâlnie de sourcing cu oameni în aval și indefensabilă ca vot decisiv pe o angajare.

Dacă angajezi în UE, luna asta a încetat să fie doar o problemă de calitate.

Regulamentul (UE) 2024/1689, AI Act-ul european, listează sistemele AI folosite la recrutare și selecție, inclusiv filtrarea aplicărilor și evaluarea candidaților, drept cu risc ridicat în Anexa III. Obligațiile pentru aceste sisteme (management al riscului, jurnalizare, supraveghere umană, cerințe de acuratețe) au început să se aplice pe 2 august 2026. Un strat de screening care scorează același input cu 66 într-o rulare și cu 99 în următoarea e o problemă documentată de acuratețe și supraveghere exact sub acel cadru.

Articolul 22 din GDPR era deja acolo: candidații au dreptul de a nu fi supuși unor decizii bazate exclusiv pe prelucrare automată care îi afectează semnificativ. Un prag de respingere automată la 85 de puncte, fără om în buclă, e cazul de manual. Discuția de pe Hacker News a semnalat ambele probleme, alături de litigiul în curs din SUA împotriva Workday pe screening algoritmic, un semnal despre unde se îndreaptă atenția autorităților pe ambele maluri ale Atlanticului.

Am acoperit obligațiile angajatorilor în detaliu în ghidul nostru despre ce înseamnă AI Act-ul pentru recrutare. Pe scurt: dacă un sistem AI îți scorează sau îți filtrează candidații, îi deții acuratețea, pista de audit și supravegherea umană, indiferent dacă l-ai construit sau l-ai cumpărat.

Cinci întrebări înainte să te încrezi într-o unealtă de screening cu AI

Partea de playbook. Înainte ca un strat de AI să aibă vot asupra cui ajunge la hiring manageri, pune întrebările astea furnizorului, sau propriei echipe dacă unealta e internă:

„Treceți același CV prin ea de 20 de ori. Cât e dispersia?” Dacă n-au măsurat variația între rulări, nu-și cunosc propria rată de respingere falsă. Dispersia HackerRank a fost de 33 de puncte; cere-o pe a lor în scris.
„Care sunt exact ponderile pe categorii?” Un raport de 65/35 înclinat spre proiecte publice e o alegere de design cu consecințe. Dacă furnizorul nu divulgă ponderile, nu poți ști pe cine subevaluează sistematic unealta.
„Ce se întâmplă la prag?” Respingerea automată dură, fără revizuire umană, e și risc de calitate, și, în UE, expunere pe Articolul 22 din GDPR. Insistă pe o bandă în care scorurile la limită ajung la un om.
„Unde e pista de audit?” Obligațiile pentru risc ridicat din AI Act cer jurnalizare și trasabilitate. Minimul e dovada pe fiecare decizie, nu doar un scor.
„Pe ce profil a fost calibrată?” O unealtă construită pentru 50.000 de aplicări de interni codifică ipoteze de intern. Întreabă ce se schimbă când scorează un staff engineer cu 12 ani de muncă closed-source.

Un furnizor cu răspunsuri bune la toate cinci merită o discuție. Unul fără niciunul îți cere să externalizezi judecata către o aruncare de zar.

Întrebări frecvente

E precis screening-ul de CV-uri cu AI?

Pentru extragerea câmpurilor structurate, în mare da. Pentru evaluarea candidaților, inconsistent. Agentul de screening open-source al HackerRank a dat aceluiași CV scoruri între 66 și 99 în 100 de rulări, iar scăderea temperaturii modelului a redus, dar nu a eliminat dispersia. Orice promisiune de acuratețe ar trebui să vină cu o cifră publicată a variației între rulări.

De ce a dat AI-ul scoruri diferite aceluiași CV?

Scorarea cu LLM e eșantionare probabilistică, nu calcul determinist. Unealta HackerRank înlănțuie șase apeluri LLM separate per CV, iar fiecare apel adaugă propria variație, judecățile subiective (calitatea proiectelor, experiența în producție) fluctuând mult mai mult decât elementele de tip checklist, cum sunt skill-urile listate.

Ar trebui companiile să renunțe la AI în screening-ul de CV-uri?

Nu, ar trebui să nu-l mai lase să decidă singur. AI-ul e util pentru scară: sourcing și potrivire în primă fază pe volume mari de profiluri. Datele HackerRank arată de ce decizia finală aparține unui om: la un prag de 85 de puncte, doar zgomotul de scorare a respins același candidat în circa 65% din rulări.

Se aplică AI Act-ul european screening-ului de CV-uri cu AI?

Da. Anexa III din Regulamentul (UE) 2024/1689 clasifică sistemele AI folosite la recrutare și evaluarea candidaților drept cu risc ridicat, cu obligații de supraveghere umană, acuratețe și jurnalizare aplicabile de la 2 august 2026. Articolul 22 din GDPR restricționează separat deciziile de respingere complet automatizate.

Prin ce diferă hiring-agent de la HackerRank de un ATS obișnuit?

Un ATS clasic filtrează după cuvinte-cheie și câmpuri structurate, brut, dar determinist. hiring-agent înlocuiește asta cu evaluări LLM înlănțuite plus analiză GitHub, care citesc mai mult context, dar introduc o variație între rulări pe care un filtru de cuvinte-cheie nu o avea. În plus, ponderează open-source-ul și proiectele personale cu 65% din scor, o alegere construită pentru screening de interni.

Concluzie

Screening-ul de CV-uri cu AI tocmai și-a primit cel mai onest benchmark, publicat de un furnizor împotriva propriei unelte: o dispersie de 33 de puncte pe input identic, o rată de respingere falsă de ~65% la un prag standard și un barem care ponderează proiectele publice peste experiența în producție aproape doi la unu. Nimic din toate astea nu face AI-ul inutil în recrutare. Toate împreună definesc granița: scara se automatizează, judecata nu, iar din august 2026 legislația europeană se așteaptă să știi diferența.

Ce iei cu tine:

Cere oricărui furnizor dispersia între rulări. Fără cifră înseamnă fără rată de respingere falsă măsurată.
Verifică ponderile înainte să te impresioneze demo-ul. Un barem greu pe proiecte subevaluează inginerii senior din closed-source.
Nu lega niciodată un prag de respingere automată dură. Trimite scorurile la limită către un om, în UE mai ales.
Păstrează jurnale pe fiecare decizie. Obligațiile pentru risc ridicat din AI Act se aplică de pe 2 august 2026.

Dacă angajezi pe rolurile unde modul ăsta de eșec doare cel mai tare, ingineri senior de Cloud/DevOps și Data/AI care nu trăiesc pe GitHub public, exact stratul ăla de judecată e ce facem noi. Suntem foști ingineri software; AI-ul din fluxul nostru lărgește pâlnia, iar un fondator ia decizia tehnică pe fiecare shortlist. Spune-ne pe ce recrutezi și îți dăm o citire onestă a ce e nevoie ca să acoperi rolul, inclusiv ce părți din proces chiar se pot automatiza și care nu.

Surse: testul de consistență a scorurilor realizat de Pinggy (1 iulie 2026); interviewstreet/hiring-agent (GitHub, licență MIT); discuția de pe Hacker News; Regulamentul (UE) 2024/1689 (EUR-Lex). Ultima actualizare: 15 august 2026.