大多数 AI 招聘工具并没有按你想的那样工作

大多数候选人跟踪系统（applicant tracking systems）的核心功能仍然是匹配：扫描简历中的关键词、职称、资质和工作年限，然后按与职位描述的相似程度对候选人进行排序。

这对处理大量候选人有用，但不能算作智能。这是将模式识别应用于文本，输出质量受限于系统中预设筛选标准的质量。

市场模糊了这一差别，因为 AI 标签很有销售力。但自动化简历解析与排序并不意味着工具真正理解哪些因素能预测岗位成功。

Harvard Business School 和 Accenture 的研究发现，88% 的受访雇主承认他们自己的系统会筛掉合格候选人，因为这些人不符合精确配置的参数。系统在按设计运行，但设计才是问题所在。

这个标签之所以传播，是因为它在商业上奏效，而不是因为它可靠地描述了招聘质量方面的技术突破。

在以关键词为驱动的系统中加入机器学习组件，让供应商可以称产品为AI驱动，即使其底层的评估逻辑基本没有改变。

这就造成了一个市场，几乎每个平台都宣称能筛选出最佳候选人，但很少有人能解释他们实际在测量哪些信号，或为什么这些信号能预测你所在环境中的表现。

在企业环境中这尤其危险。用广泛数据训练出来的通用模型并不会自动知道在你的岗位、你的团队或你的地域中，哪些因素能让某人获得成功。

正确的采购问题不再是“这是否使用了 AI？”几乎每个供应商都能以某种形式回答是。更好的问题是系统实际上在评估什么，以及这些评估如何与像你这样的岗位的绩效结果相连接。

按照关键词密度对候选人进行排序的工具确实在测量某种东西。但对实际工作、上下文和可比绩效历史中的能力信号进行评估的工具，测量的是实质上不同的东西。

这种区别会影响谁能进入面试阶段、谁会收到录用通知以及入职后谁能胜任。如果某个信号不能预测绩效，那你并没有改善招聘质量。你只是让错误发生得更快且更容易规模化。

本系列的下一篇文章将从批评转向具体内容：当演示结束、真实系统必须自证其能效时，真正的能力评估是什么样的。