算法替你筛简历：AI简历筛选筛掉的恐怕不止是时间
结论先撂这儿：效率背后藏着公平性债
用AI筛简历，HR是轻松了，可这轻松是有代价的。招聘类AI大多用监督学习，从历史录用数据里找“成功模式”。一旦过去偏爱某类人，模型就把这偏好当成能力信号。名字、毕业院校、邮编、职业空窗期，这些看似中性的字段，都能变成歧视的代理变量。米岸AI得说句实话：算法不是更客观，它只是把人的偏见跑得更快、更一致。
老炮都翻过车
最经典的案例是亚马逊早年那套简历系统，用十年简历训练，结果对带“women's”字样的经历打分偏低，还下调了两所女校毕业生的评分，项目最后砍掉。2024年几项审计更扎心：在3个简历匹配模型测试里，白人关联姓名赢了85%的种族测试，黑人男性姓名在部分测试里输得精光；22个模型、3万多次判断里，先看到的简历赢了63.5%，而公平线该是50%。这不是玄学，是实打实的数据。
法律开始找后账
2026年这事儿从“建议”变成“硬要求”。纽约市Local Law 144要求相关工具必须有上一年度的偏见审计、公开摘要、提前通知候选人；伊利诺伊州禁邮编这类代理变量；加州要求保留四年记录；欧盟把“筛选求职申请”列为高风险，从2027年底起适用。Workday还摊上了Mobley集体诉讼，被指自动化筛选涉年龄歧视。要我说，企业别拿“工具说的”当挡箭牌，最终签字担责的还是人。
真要用，得立规矩
不是说AI招聘不能用，是用法得讲究。先把训练数据洗一遍，去掉代理变量；再按群体算初筛通过率，低于最高组80%就去查原因；关键岗位一定要有人工复核，给被拒的人一条申诉路径。独立第三方审计现在都成标配了，不能光听厂商拍胸脯说“我们很公平”。
给HR的一句大实话
AI能帮你从格式海里捞信号，但它读不懂一个人跳槽背后的故事，也分不清职业空窗是因为带娃还是深造。把初筛交给它、把判断留给人，这套分工才稳。本文只做行业观察，不构成法律意见，具体合规请咨询专业律师。
常见问题
问：小公司也要做偏见审计吗？
答：看所在地。纽约、伊利诺伊、加州这些地方有硬性要求，跨地区招人的公司更得留意；即便没强制，做一遍也能少踩雷。
问：候选人能拒绝被AI筛吗？
答：部分辖区要求企业告知并给候选人选择或申诉渠道，具体看当地法规，不是厂商说不给就不给。
问：AI筛简历比人筛更公平吗？
答：都不天然公平。人筛受情绪和相似偏好影响，AI筛把历史偏见规模化，关键在持续审计和人工兜底。
问：怎么判断一家AI招聘工具靠不靠谱？
答：直接问厂商要分群体的审计数据，再拿自己的短名单按群体复核一遍，光看演示视频不算数。
