案例研究：生成式AI为Landing Point招聘团队节省时间

高管猎头公司Landing Point使用生成式AI技术格式化简历和职位描述。该项目使每位招聘专员每周节省四小时，同时确保数据安全。

技术实施背景

生成式AI正在重塑各行业的IT战略，包括招聘领域。在纽约高管猎头公司Landing Point，首席AI工程师Faizel Khan通过实施生成式AI来削减运营低效问题，同时优先考虑安全性。该公司的IT战略目标明确：减少行政摩擦，让招聘专员专注于建立人际关系。通过自动化重复性任务（如简历格式化、候选人简介创建和合同起草），IT团队为招聘专员重新赢得了宝贵时间。该战略强调部署速度和强治理，以保护敏感的客户和候选人数据。

技术架构与集成

为实现这一目标，团队使用AWS私有云基础设施进行安全数据存储，并根据特定业务需求微调大语言模型（LLM）。他们将AI工具直接集成到公司现有的申请人跟踪系统（ATS）中，实现了无缝采用且不中断工作流程。该举措已带来可衡量的收益：每位招聘专员每周节省四小时，职位发布量增加十倍，安置时间更快。

技术决策访谈

编辑注：以下访谈经过精简和 clarity 编辑。

问：推动公司采用生成式AI的痛点是什么？
Faizel Khan：主要动机是行政摩擦。我们相信应该花更多时间与客户和候选人互动以实现更好匹配。招聘专员需要处理大量后台工作——格式化简历、创建简介和合同等。这些过去非常耗时。我们决定通过AI解决这个问题，因为生成式AI可以通过自然语言生成自动创建这些文档。

问：构建GenAI架构时优先考虑哪些因素？
Khan：首先是速度和治理。由于公司规模小（不足100名员工），我们无需担心可扩展性。我们最关注速度：多快能格式化简历？多快能在网站发布职位描述？同时要维护客户和候选人数据的隐私。

问：项目期间最大挑战是什么？
Khan：最大挑战是数据。在我加入前，公司没有内部IT人员来管理数据、进行数据建模。虽然ATS中有结构化数据，但我需要处理大量非结构化数据，如简历和客户笔记。我们构建的所有产品都基于这些非结构化数据。我们必须雇佣人员标注这些非结构化数据并将其转化为结构化数据。

问：是否需要购买第三方供应商产品？
Khan：我们已拥有数据，因此大部分工作内部完成。但必须使用LLM供应商，因为我们无法自建大语言模型。我们评估了多种LLM，进行微调后选择输出最佳模型——实际上不止一个模型，不同用例对应不同模型。其次是AWS，我们选择使用AWS虚拟私有云存储数据和应用程序。

问：哪些防护措施对建立信任和合规最关键？
Khan：我们拥有数千名候选人的个人信息，必须优先考虑安全。我们始终使用虚拟私有云和私有基础设施存储数据，所有访问都基于规则，用户只能访问所需内容。除了ATS中的工具，我们还基于开源LLM构建了私有聊天应用，通过基于角色的权限、私有云部署和零数据保留策略确保安全。即使使用OpenAI，零数据保留策略也意味着不会保存任何信息。

问：如何推动招聘专员采用并确保他们信任AI输出？
Khan：这是产品构建的关键因素。我们专注于解决行政摩擦，这是每个招聘专员日常都能感受到的。当我们推出简历生成器时，它为招聘专员节省了大量时间，这激励他们主动使用。其次，我们将工具集成到招聘专员现有工作空间，而非创建独立应用。

问：项目是否带来明确ROI或业务收益？
Khan：我们关注速度和节奏。在ROI方面，我们关注在相同时间内能做多少更多工作。虽然没有财务公式，但时间方面，每位招聘专员每周至少节省四小时。使用职位格式化工具后，职位发布数量达到以前的10倍以上。

问：IT或数据团队是否需要为此项目学习新技能？
Khan：确实需要。随着AI工具开发，市场不断涌现新AI架构（如MCP、A2A），我们必须持续学习。我订阅了约10份技术通讯，持续关注新架构，学习并尝试在适合用例时实施。

问：本项目对AI计划与业务战略对齐有何启示？
Khan：最重要经验是接触最终用户，了解他们的痛点，确保AI工具真正解决问题。我们甚至主动跨出招聘部门，请管理员列出工作日中的所有痛点，然后研究如何用AI解决这些问题。