算法正在面试你，还是你在面试算法
上周跟一个做HR的朋友吃饭，他跟我吐槽了一件事。 他公司今年校招，收到了3000多份简历。以前HR团队加班加点两周能筛完，今年上了套AI招聘系统，半天就把简历分了三六九等。他本来还挺得意，觉得终于解放了。 结果呢？ 一个985硕士，技术面表现碾压所有人，HR总监拍板要发offer。结果背调的时候发现，这哥们被AI系统拒绝了三次——因为本科不是"双一流"。三次。 朋友说，那一刻他后背发凉。要不是有人手动捞了这份简历，这公司就错过了一个顶级人才。而错过的原因，不是人不行，是算法觉得ta不行。算法觉得你不行，你就没有机会证明自己行。
核心问题：效率至上的招聘系统，正在制造新的不公平
面对AI招聘这件事，HR们分成了两派。 第一派是"算法崇拜"——他们觉得AI是客观的，不像人那样有主观偏见：•AI不会因为候选人是女性就压低评分
•AI不会因为候选人的名字听起来"不够主流"就忽略ta
•AI用同样的标准衡量所有人，这才是真正的公平
第二派是"算法怀疑"——他们发现AI学的是人类的偏见，不是人类的智慧：•AI训练数据里满是"成功简历"的样本，而"成功简历"本身就带着性别、学历、学校的光环
•算法优化的是"通过筛选的人"，而不是"最适合的人"
•算法把"历史偏好"变成了"永恒规则"，连纠错的机会都不给
关键认知：AI招聘系统的本质，是把过去的偏见自动化、规模化、合法化。 算法崇拜的人以为AI在选最优，实际上AI在复制过去。算法怀疑的人知道AI有问题，但不知道问题出在哪里——问题在于，AI优化的是"被接受的简历"，而不是"适合岗位的人"。这两件事，根本不是一回事。你以为AI在帮你找最好的人，其实AI在帮你找最像"成功样本"的人。
深度分析：AI招聘的三重代价
代价一：算法把"巧合"变成了"规律"
举个例子。某互联网大厂的"成功销售"里，70%是男性。算法学到这个数据后，会默认"女性不适合做销售"。但真相可能是——这公司之前的销售领导恰好是男的，他刚好招了一批男下属，这批男下属业绩刚好不错，于是"男销售=好销售"的偏见就被编码进了算法。 这种偏见一旦进入算法，就不再是"一个领导的个人偏好"，而是"全公司必须遵守的招聘标准"。 更坑的是，没人知道这个偏见是从哪来的。算法是个黑箱，HR只知道结果，不知道原因。被拒的候选人更惨，连自己为什么被拒都不知道。代价二：效率优先正在杀死"非标准人才"
我见过太多被算法埋没的人。 有个产品经理，学历普通，工作经历也不"光鲜"，但ta在简历里写了句话："我主导过一个小众社区从0到1，用户留存做到65%"。 这种经历，AI系统大概率直接过滤——因为没有"大厂背景"，没有"用户量过千万"的数据。 但真正懂产品的人知道，0到1的冷启动能力，比维护一个成熟产品难十倍。 算法的问题是，它只认"已知成功路径"，不认"另类成功路径"。于是所有简历越来越像，所有候选人越来越标准，真正有创造力的人反而被淘汰。代价三：候选人开始"对抗算法"，不是在提升自己
现在的求职市场，出现了一种新现象——"简历优化师"成了热门职业。 这些人专门帮候选人"骗过"AI筛选：把简历塞满关键词、调整格式让它更容易被OCR识别、甚至专门写"算法喜欢"的项目描述。 更离谱的是，有些候选人开始研究各家公司的AI系统，打时间差投递简历，专门挑AI系统"更新前"投递——因为新版本上线前，系统往往有bug，更容易通过。 当求职变成了一场"如何绕过AI"的军备竞赛，我们培养的是"会刷简历的人"，而不是"会做事的人"。修复方案：让人重新站到决策中心
三个月后，我那HR朋友换了套做法。 他还是用AI筛简历，但他改了三个规则：算法是初筛，不是终审。AI层：让算法只做信息处理，不做价值判断 他们把AI的角色限定为"简历整理"，不是"候选人评估"。 AI负责：提取关键信息（学历、工作年限、项目类型）、做基础分类（技术/非技术、经验多/少）、标记异常（gap year、频繁跳槽）。 AI不负责：打分、排名、决定通过与否。 这些决定，由人来做。 教练层：培养HR的"反算法"能力 他们给HR团队做了个培训，专门教HR识别"算法偏见"。 核心就一条：当AI推荐的候选人和HR直觉不一致时，优先相信直觉。 然后追问：AI为什么推荐这个人？数据依据是什么？这个依据合理吗？ 三个月后，他们的招聘团队发现了一个规律：AI推荐的候选人"数据好看"，但实际表现"中规中矩"。反而是那些AI打分不高的候选人，经常有惊喜。 机制层：建立"算法审计"制度 他们规定，每季度要审查一次AI系统的"通过率差异"。 具体看：男性/女性通过率差多少？985/非985通过率差多少？有gap year/无gap year通过率差多少？ 如果某个维度的差异超过15%，就要介入调查。 这个制度执行三个月后，他们发现AI系统对"gap year"的惩罚最重——有gap year的候选人通过率低了40%。调查后发现，是因为训练数据里"有gap year"这个特征和"离职率高"强相关。但这个相关性，根本经不起推敲。
举一反三
传统制造业的技术工人招聘：很多工厂用AI筛选"留得住的人"，结果算法学到了"单身男性留得住"，把女性候选人全部过滤。但真相可能是，这个工厂之前根本没有认真培养过女工人，女工人根本没有机会证明自己。 销售团队的招聘：AI系统发现"外向性格"和"销售业绩"正相关，于是开始过滤"内向"的简历。但顶级销售里，不乏内向型人格——他们的优势是倾听和思考，不是滔滔不绝。 创业公司的招聘：创业公司普遍缺数据，AI系统很容易过拟合——用几个成功员工的特征，去否定所有"不像他们"的候选人。结果就是创业公司越来越像大公司，失去了自己独特的文化基因。 核心认知：AI招聘系统最大的问题，不是技术问题，是认知问题——我们把"优化通过率"当成了"找到合适的人"，但这两件事，差了十万八千里。最后的话
算法可以帮你找到"符合条件的简历"，但找不到"改变规则的创造者"。AI招聘不是不能用，但现在的用法有问题。 我们把太多决策权交给了算法，又没有建立足够的纠错机制。结果就是，算法越来越强势，人越来越依赖算法，候选人的命运越来越不受自己掌控。 现在就可以开始：
1.查一查你们公司的AI招聘系统，有没有定期做"公平性审计"？如果没有，这就是切入点
2.找HR聊聊，问问他们有没有发现"算法明显不合理的案例"？这些案例就是优化的线索
3.下次看到"AI招聘提升效率300%"这种宣传，先问一句：效率是提升了，但公平性呢？
不要等到公司因为AI偏见上了热搜那天，才开始反思招聘系统的设计。老邓 × 艾游，一个人 + 一支AI团队。 专注一件事： 👉 用AI + 游戏化机制，让组织真正动起来 这里持续输出： 方法论｜课程｜AI智能体实践 （收藏/互动可获得「金币」，用于兑换内部工具和课程） 老邓游戏化 | 游长进 | 0-1.team