北京
周三下午三点，一位科技写作者盯着屏幕上闪烁的光标，删掉了她刚写完的一整段话。那段话里，她试图解释为什么现在所有公司都在用算法筛选简历，却依然有超过40%的新员工在入职18个月内离职或表现平平。她突然意识到：如果把求职者当成一串可量化的数据点，那么招聘这件事本身就变成了一场基于历史标签的赌博——而赌注是一个人的未来。
这个写作者叫Karissa，她在HackerNoon上发表了一篇思考文章。她提出的问题很直接：当我们把所有人力资源决策都交给AI时，我们是不是把“人的潜力”这个东西，错误地等同于了“过去留下的可测量痕迹”？她把这个问题扔出来，不是已经有了答案，而是觉得整个行业都在回避它。
目前市面上几乎所有AI招聘工具，本质上都在做同一件事——用过去预测未来。算法分析你上一份工作的职称、毕业院校的排名、GitHub仓库的星标数量、甚至邮件回复的平均时长，然后给出一个分数。但这里有个巨大的逻辑断层：这些数据证明的是“你做过什么”，而不是“你还能做什么”。Karissa在文章中反复强调的一个点是，潜力本身是不可被直接测量的，它是关于未发生事件的一种概率判断，而AI极其不擅长处理那些没有训练样本的事情。
更麻烦的是，那些最有潜力做出突破性贡献的人，往往在算法的评分表上并不好看。比如跨行业转行的人——他们的简历上没有“标准路径”。比如自学成才的开发者——他们没有学位证这个最容易被解析的信号。再比如那些在非主流领域积累了深厚洞察力的人——他们的经验很难被关键词匹配系统识别。Karissa指出，这不仅仅是技术问题，它是一个组织心理学问题：当我们用效率替代判断时，我们实际上是在系统性淘汰那些看似“不合规”但可能带来质变的人。
另一个被这篇文章推上前台的关键词是“资质主义陷阱”。这个概念说的是，当社会越来越依赖文凭、证书、过往头衔这些信号来分配机会时，信号本身就开始膨胀和贬值。AI招聘系统加速了这个过程——它让资质筛选变得成本极低、速度极快，从而导致用人单位更加依赖这些表面信号，而不是花时间去理解一个人的真实能力结构。Karissa的观点很清晰：算法并没有创造偏见，但它极大地固化了偏见，并让偏见看起来像是“数学事实”。
她还提到了一个让人不太舒服的细节。在AI辅助面试的流程中，候选人常常面对一个由算法驱动的评估界面，而算法本身的决策逻辑连招聘方自己都无法完整解释。这种不对称构成了新的权力失衡——你被一台机器判定为“不适合”，但你永远不知道判定标准是什么，也没法申诉。Karissa把这个现象跟黑箱医疗诊断做了类比：如果AI告诉你有病但又拿不出证据，你会安心吃药吗？
但这篇文章最出格的地方，不是批评技术本身，而是挑战了一个行业共识。现在很多AI伦理讨论的焦点是“怎么让算法更公平”，比如调整数据集的代表性、引入公平性约束指标。但Karissa暗示，也许真正的问题出在“我们到底该不该用算法来评估潜力”这个更根本的层面。有些东西——比如一个人面对未知问题时的适应能力、在团队中的感染力和凝聚力、在长时间尺度上的成长轨迹——可能本质上就是反量化的。你越试图去测量它们，你的测量工具就越像一面哈哈镜，扭曲大于反映。
这篇文章被HackerNoon标注为观点文章，作者明确表示使用了AI辅助写作。她自己就站在一个微妙的边界上：用AI来表达“AI的边界在哪里”这件事。Karissa的整个论述，最终指向一个不常被讨论的盲区——我们太忙于教会AI看人，却忘了问一句：如果人的价值本身就不是一个能被“看”的东西，那这场工程从一开始就是建在流沙上的。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
