Przegląd systematyczny ukazuje fundamentalną zmianę w sposobie, w jaki AI wspomaga rekrutację. Systemy przeszły od automatyzacji prostych zadań - porównywania par profili i tworzenia rankingów kandydatów - do skomplikowanych workflow'ów, które retrieve'ują dowody, porównują kandydatów i wspierają lub wykonują decyzje zatrudnieniowe. Analiza 40 reprezentatywnych prac pokazuje progresję od bilateralnego wyszukiwania i rankingów behawioralnych przez neuronowe dopasowywanie osób do stanowisk aż po narzędzia agentów rekrutacyjnych zbudowane na dużych modelach językowych.
Badacze wyodrębnili trzy kluczowe przejścia. Po pierwsze, zmianę od skupienia się na podobieństwie profilu kandydata do stanowiska na rzecz wzajemnej zdatności - uwzględniającej, co dany kandydat realnie zyska z pracy. Po drugie, przejście od polegania na pojedynczym modelu do compound workflow'ów integrujących wiele komponentów. Po trzecie, zmianę paradygmatu z offline'owych prognoz opartych na historycznych danych do ewaluacji powiązanej z rzeczywistymi dowodami i produktywnością.
Jednak przegląd ujawnia znaczące luki. Etykiety behawioralne używane do trenowania modeli mieszają trzy różne rzeczy: ekspozycję kandydata wobec stanowiska, jego preferencje oraz faktyczne kwalifikacje. Brak dostępu do danych prywatnych firm zmusza naukowców do pracy z danymi syntetycznymi, co ogranicza ważność wyników poza laboratorium. Ponadto finalne wyniki systemów maskują awarie we wczesnych etapach pipeline'u. Zaskakujące, żadne z analizowanych rozwiązań nie ocenia jednocześnie czterech kluczowych aspektów: użyteczności, sprawiedliwości, prywatności i bezpieczeństwa - co stanowi poważną lukę w zarządzeniu tymi systemami.