• A chatlog mint interjú: a több éves LLM-chatelőzményed sokkal jobban megmutatja, hogyan gondolkodsz, döntesz, tanulsz, mint egy önéletrajz vagy egy 30 perces HR-interjú.
• Saját LLM, mint referencia: lesz egy „te-retrénelt” LLM (a saját chateidből), amit ugyanúgy megadhatsz referenciaként, mint ma egy korábbi főnököt. Ez az LLM tud rólad véleményt formálni anélkül, hogy konkrét privát adatot kiteregetne.
• LLM beszél az LLM-mel: a cég LLM-je leül „beszélgetni” a te LLM-edhez, és így születik meg a képetek egymásról. Nem kulcsszavas HR-szűrő dobja ki az önéletrajzot, hanem két modell mélyen végigrágja, mire vagy jó.
• Pontatlan HR-szűrők vs. gazdag adat: ma sok jelölt a primitív HR-filteken bukik el, mielőtt bárki érdemben megnézné. Ő azt mondja: úgyis algoritmusok döntenek rólad, akkor inkább döntsenek sokkal jobb adatok alapján (többéves chatelőzmény), ne egy A4-es PDF alapján. Ez csak azoknak rossz, akik kamuzással akarnak bejutni.
• Nem csak „public footprint” számít: akinek van sok open source kódja, cikke, blogja, az ma is előnyben van. De a tehetség nagy része nem látszik publikusan. Egy több éves chatelőzmény erős jel még azoknál is, akik „csendben jók”.
• Globális talent matching: végső szinten el tud képzelni egy olyat, hogy azt kérdezed: „Mutasd meg, kik a világ legjobb jelöltjei erre a feladatra!” A cél globális, kétoldalú optimalizálás – a cégek gyorsabban találják meg a nekik való embert, az emberek pedig a nekik való munkát.

Lefordítva: Carmack szerint ha már úgyis algoritmusok válogatnak, akkor csináljuk rendesen – mély, több éves kognitív lenyomat alapján, nem pár buzzworddel telerakott önéletrajz és random HR-szimpátia alapján.

In some important ways, a user’s LLM chat history is an extended interview. The social media algorithms learn what you like, but chats can learn how you think.

You should be able to provide an LLM as a job reference, just like you would a coworker, manager, or professor. It can…