出品 | 网易智能
作者 | 小爪
编辑 | 王凤枝
谷歌AI团队，却不信AI招聘。
至少，DeepMind的通用AI安全与对齐团队，不愿把候选人完全交给公司现有的申请流程。
求职者走完正常申请后，还要填一份\"请勿广泛分享\"的特别表格，才能确保简历被团队里的真人看到。彭博社看到的内部文件称，谷歌的申请系统存在\"不可忽略的概率\"错筛简历，或者要花过长时间才能把申请送到团队。
这份表格还提醒求职者：材料最终由真人阅读，而团队成员已经厌倦了大模型生成的申请内容。言下之意，请别用AI代写简历。
对此，谷歌方面否认系统会错筛求职者。DeepMind发言人回应称，该表格仅用于绕过招聘人员的初步审查，将简历直接递交至团队成员，并不构成录用捷径。
但这背后也透露出一个尴尬的现实：求职者一边担心简历被系统误筛、到不了真人手里，招聘方一边又发现摆到面前的简历越来越像AI的批量产物。当写简历和筛简历都有AI介入，简历本身还能提供多少有效信息？
岗位申请翻倍，企业招聘团队却缩小一半
招聘平台Greenhouse今年3月发布的基准报告分析了6000多家公司和6.4亿份求职申请。2022年到2025年，每名招聘人员每年要处理的申请量从146份涨到746份，翻了四倍多；同期每家企业的招聘团队规模，从平均10.43人缩到4.62人，减少一半以上。
承压的不只是招聘人员，每个岗位本身也在被更多人盯上。每个职位收到的平均申请数，也从116份涨到244份，翻了一倍。
招聘人员的产出确实提高了，人均每月促成的录用从2.2人升到4.9人。但填一个坑的平均时间，反而从44天拖到了60天。系统吞下了更多简历，招聘周期却没有跟着变短。
这些变化当然不能全甩给AI。就业市场波动、远程岗位普及、企业缩减招聘团队，都会推高单个职位和单名招聘人员面对的申请量。
但生成式AI确实把申请成本又往下压了一截。以前反复改的简历、求职信、申请问答，现在几分钟能生成好几版。候选人不知道第一轮谁在筛、按什么规则筛，广撒网就成了理性选择。
招聘方也在跟着上工具。美联社5月报道，面对AI生成申请带来的材料洪流，一些企业已经开始用聊天机器人做电话、文字或视频面试，主要用在早期筛选。
一个循环就这么转起来了：求职者用AI扩大投递，招聘方用AI压缩名单。两头都省了力气，可整个系统反而要花更多精力，去验证一份材料背后的经历、意愿和真实能力。
当AI既写简历，也给简历打分
更麻烦的是，自动筛选未必是在找\"最合适\"的人，也可能是在找\"最像自己\"的文字。
今年6月更新的一项研究，拿2245份人类撰写的简历做底本，为同一批候选人生成不同来源的简历摘要，让多种大模型两两比较。控制内容质量之后，几款较大模型选自己生成版本、和选人类版本之间的概率差，达到了67到82个百分点。
这里的67到82不是错误率，也不是模型选自身作品的绝对比例，而是两类文本被选中概率之间的差值。如果模型完全没有偏好，这个差值应该接近0。
研究人员随后模拟了24类职业的招聘。用与筛选器相同模型润色材料的候选人，进入候选名单的概率，比提交人类撰写版本的同等候选人高出23%到60%。
论文把这种现象称为\"自我偏好\"。研究者提出的一种可能机制是\"自我识别\"：模型或许能从语言风格和结构线索中辨认出与自身生成习惯相近的文本。但这不等于模型像人一样，有意识地\"认出\"了自己的作品。
研究是在受控环境里做的，既不是对真实招聘平台的审计，也证明不了用AI改简历就一定更容易拿到offer。它只是说明一种可能：当AI同时写材料又评材料，拿高分的未必是能力更强的人，也可能只是文风更对模型胃口的人。
对求职者来说，这就多了一个新的优化方向。以前改简历，是为了让招聘人员更快看懂自己的经历；现在，越来越多材料是在往适合机器读取的格式上靠。措辞更完整、结构更标准、关键词更齐全，代价是不同候选人开始像从同一套模板里生成。
同样是AI招聘，做的事不同，结果可能相反
但话说回来，AI掺和进招聘就一定变糟？也不见得。
今年7月发布的一项现场实验，把约7万名求职者随机分成两组，一组走人工面试，一组走AI语音面试。两组的面试记录最后都由人类招聘人员评价，录用也由人拍板。
结果是，接受AI语音面试的求职者，拿到录用通知的概率相对高出12%。这种提升还延续到了实际入职和留任，研究也没有发现受聘员工的生产率下降。
关键在于，这里的AI不是决定谁被录用的裁判，它只负责提问、追问、收集信息，再把面试材料交给人判断。研究人员看面试记录发现，AI主持的面试更结构化、更一致，同时还能根据回答做出调整。这种\"受控的差异\"，让更多招聘相关信息被收集了下来。
这跟自动筛简历有个关键区别。简历排序是在已有文本里做减法：根据关键词、经历、岗位要求缩小名单。结构化面试更像做加法：让每个候选人回答问题，补上简历里没有的信息，把不同人的经历整理成可以比较的材料。
输入一批高度相似的简历时，模型会放大文本风格和关键词的影响；AI被用来持续追问、补齐信息时，反而可能帮真人拿到原本缺失的判断依据。
当然，这只是特定企业和特定岗位里的实验，不能证明AI面试普遍优于真人，也没测试让AI独立决定录用的后果。但它至少说明，在特定企业和岗位中，AI用于结构化收集信息，可能改善真人的判断条件。招聘自动化的效果，不只取决于模型能力，也取决于它是在替人淘汰候选人，还是在帮助人获得新的信息。
招聘系统真正缺的，不是更快淘汰人
继续追问\"一份简历是不是AI写的\"，很可能会变成一场没有终点的追逐。模型可以换，提示词可以调，生成的文字还能再人工改一遍。招聘人员就算看出了模板痕迹，也很难只凭文风判断一段经历是否真实。
Reddit的招聘从业者社区里，有人说自己目前不完全信任任何AI检测工具。更管用的办法，是在申请环节加一项跟实际工作直接相关的短任务：批量投递的人往往懒得做，愿意认真答的人至少留下了新的判断材料。也有人提到，在申请表里加一个针对具体岗位的问题，能过滤掉大量根本没看职位要求的申请。
这些只是从业者的个人经验，但指向的产品方向倒是值得验证：与其判断现有材料\"像不像真的\"，不如让候选人提供简历里原本没有的信息。
重点不在于禁不禁止求职者用AI。哪怕一份材料是借AI完成的，招聘方一样可以接着问：为什么这么做？中间有哪些取舍？条件变了会怎么调整？简历给的只是压缩过的结论，新的材料加上后续追问，才能让候选人把过程亮出来。
AI也可以参与这一环。它可以给每个候选人抛出大致一致的问题，整理回答，标出需要真人复核的地方。与其让模型在后台默默替人淘汰候选人，不如让它帮招聘方更早拿到一批可比较、可追问的信息。
不过，理想用法和现实用法之间，往往隔着一段距离。
今年4月发表于FAccT 2026的一篇论文，就记录了这段距离。研究人员访谈了22名招聘从业者，受访者普遍觉得自己还握着最终决定权，但生成式AI已经悄悄改变了职位怎么定义、候选人怎么评价、什么样的面试表现算\"好\"。不少人坦言，用AI并不完全是自己的选择：管理层要求提高使用率、求职者先一步用上、个人的效率压力，都在推着他们上工具。可他们说的效率提升其实相当有限，一些人反而担心：越来越多基础判断交给工具之后，自己会慢慢失去控制感，也失去专业能力。
回头再看DeepMind那张\"请勿广泛分享\"的表格，它不能证明谷歌的系统确实错筛了简历，却说明团队希望绕过常规初审，让申请直接到达成员手中。这条人工通道能解决材料能不能被看见，却仍然回答不了那个更基本的问题：这个人究竟做过什么？
我要配资提示：文章来自网络，不代表本站观点。
