简历会 AI 美颜后，低能力者录用概率被抬高 20%，你靠什么看透一个人？

2026 年招聘圈最魔幻的一幕发生了。

行业报告显示，AI 面试官服务企业数一年涨了 4 倍，84% 用在了校招上。

可就在同一时间，行业里另一句话也火了：招聘的难点，已经从"找不到人"变成了"看不透人"。

这背后是个挺讽刺的循环：企业用 AI 面试官提效，求职者也在用 AI 写简历、练话术、模拟面试。

魔高一尺，道高一丈，两边都堆技术，都在练葵花宝典，反而真正看人的环节反而被越推越远。

你看，怪不怪？工具越强，人反而越看不清了。

倍智做了二十多年人才测评，在人事决策上一直主张：Hire Slow，Fire Fast！招聘的本质不是越快越好，是选对，越准越好。

可 AI 一进场，大家都忙着提效，反而把"选对"这件最难的事，悄悄交给了算法。

当然，等发现问题，往往是半年后的事情了，那个时候，招聘的指标已经完成了。

面试看表演，测评看证据

我们见过太多"面的时候挺好，入职就傻眼"的面霸。

有回给一家制造企业盘干部，面试环节人人都说那位候选人"表达清晰、气场足"，老板也喜欢，当场就定了。

结果上岗半年，团队被带散了，业绩不增反降。

反倒是那批里测评"潜力项"被标红、当时不太被看好的另一位，后来干成了标杆。为什么？因为面试看的是"表演"，测评看的是"证据"。

表演是什么？是候选人精心准备的话术，是气场，是临场发挥。

这套东西，AI 面试反而更容易被糊弄，因为候选人可以用 AI 练表达、练套路，连微表情都能对着镜子练。

证据是什么？是他过去真实干成过什么，在压力下的稳定表现，性格里能不能扛事、能不能带队伍。这些，装不出来。

更麻烦的是，AI 面试把"表演"这件事工业化了。

某调研机构做过对比，用 AI 辅助准备话术的候选人，面试评分平均高出一个档位，可入职后的实际绩效并没有更好。

说白了，你给的高分，买的是排练，不是能力。难怪有 HR 调侃，现在面的是"AI 陪练出来的演员"，这里面，销售岗位又是重灾区。

这就是效率损耗。

企业省下了筛选时间，却大概率招进来一批"会表演"的人，后面的培养、换人、团队磨合，全是隐形成本。

看上去提效，综合账算到一年头上，未必划算。

为什么测评能在表演面前站住？因为它不考你"怎么说"，考你"怎么做"。

情境判断、认知状况、性格特质，这些是长期养成的，三天包装不出来。

可有些企业把测评当"摆设"，面试和测评毫无关联，就是走了个形式。

AI面试，"提效"和"风险"同时存在

关于AI面试，一正一反的两组数据。

一组是"提效"。

某调研机构调研的一家半导体制造企业，上了 AI 面试官后简历筛选效率涨了 39%、面试通过率从 45% 拉到 65%，数字很漂亮。从"快"的角度，这没毛病，HR 终于不用淹没在简历的汪洋大海里了。

一组是"风险"。

监管已经盯上这件事。美国平等就业委员会（EEOC）2023 年发布技术指引，明确 AI 招聘工具可能产生非法差别影响，雇主即便用的是第三方工具也要担责；同一年，EEOC 与 iTutorGroup 就算法年龄歧视达成和解。

欧盟更干脆，在《人工智能法案》（Regulation (EU) 2024/1689）里，把招聘、筛选、候选人评估类 AI 直接列入 Annex III 高风险清单，要求算法透明、人工复核、数据留痕，相关义务自 2027 年底起适用。

机器不是更公平了，它只是把人的偏见放大得更隐蔽。你以为算法客观，其实它学的是历史数据里那些早就存在的偏好。

一线的 HR 反馈里还有个普遍现象：AI 面试给出的"通过"，很大程度来自简历关键词匹配，而不是真实能力判断。

也就是说，机器先按词挑人，再给一套看似严谨的评分，可这套评分的底座，本来就不牢。

这两组数据放一起看才有意思：AI 让你"看快"了，却没让你"看准"。

SHRM（美国人力资源管理协会）测算过，替换一名员工的综合成本约为其年薪的 50% 到 200%，关键岗位、越往高层越接近上限。

招错一个中层，隐性成本往往逼近年薪的一到两倍，替换、磨合、团队损耗全算上。招聘不是一次性买卖，招错人是要连本带利还的。

这些不是纸面数字，是真实发生的反馈。

有家制造企业 HR 跟我聊，AI 面试招进来的销售，头三个月达标率比人工面的还低，她自己都纳闷"机器挑的人怎么还不如人挑的"。

还有位老板更直接：招得快，换得也快，团队刚磨合顺又得重来。他们不是反对 AI，是发现过度依赖AI，看人的那道关反而松了。

回到人才供应链理念，测的是能力，要的是证据

人和企业的关系，打个比方就是种子和土壤的关系。

种子和土壤要配得上，种子才有可能从一棵小树苗长成参天大树；如果配不上，那么就算你是金种子、银种子，最后可能也长不出来。

因此，我们在做人的匹配和选聘时，很大程度上需要基于企业的土壤情况，去配置和寻找符合标准的种子。

因为土壤是很难改的，改良土壤花的时间会很长。

我们经常讲“企业的文化就是老板的文化”，也是这个道理。

老板、企业的文化基因、历史以及核心竞争优势，这些都是相对固定的，不可能改，或者说不可能那么快地改。

所以，我们需要基于不同企业的情况去做选择，这也是为什么我们那么重视人才测评和人工面试的原因。

关于 AI 在招聘场景的应用：

AI 能够提效，但会削弱企业和个体的个性。它基于的面试模型，很大程度上和具体企业情况的匹配程度并不是那么相关。

1. 当然，在一些标准化程度很高、与企业历史和行业发展关联性不大的岗位上，可以用 AI 等技术手段来提高效率。

因此，AI 面试看的往往是种子的"包装"，简历漂不漂亮、表达流不流畅；但人才测评看的是种子的"基因"，他到底能不能扛事、能不能落地。

包装可以一键生成，基因测不出来就是测不出来。

所以企业该补的，不是更猛的 AI，而是一套能兜住"看不准"的标准和证据。

标准得从战略拆下来，证据得可量化、有常模，AI 面试的结果才有地方落地，不然算法再快，也只是让你更快地招错人。

测评是门手艺，底层是心理学加数据应用，用常模做对标、用数据做对比，把一个人放进同岗位、同层级的群体里，看他在什么位置、差多少。

而这些常模和数据，是可以积累、可以反哺产品的。把真实的测评数据喂回去，AI 的匹配算法才不再凭关键词猜，而是用实测数据去校准。

测评数据不是孤立的，它是让 AI 越用越准的底盘。

用测评数据赋能AI，给大家3个建议

提高招聘的有效性，要同时用好测评数据和AI面试技术：

第一，AI 做初筛。把重复劳动交给机器，让人力资源回到"识人"主业。

落地时划清一条线：哪些岗位用 AI 初筛，哪些从第一轮就让人上，别一股脑全交给机器。

第二，真人做判断。关键岗位、关键少数的取舍，永远要人来拍板。

机器给参考，不给结论。管理岗、核心岗，不能让算法替你签字。有条件的企业，关键岗可以搞多人背靠背测评，两个人的判断对不上，再对测评报告，而不是先看算法脸色。

第三，测评做证据。用标准化、有常模、可追溯的测评，把"我觉得他行"变成"数据说他在行"。

倍智的大五人格、岗位胜任力等量表，二十余年累计2000 万标杆企业的常模数据，这些都是一手实测数据。AI想编都编不出来这些数据。

人才供应链建设围绕的是高绩效人才画像，不是招得最快，而是招得最对。

当简历也会 AI，测评的价值不是要被机器取代，而是被重新发现。

硬件工具越强，越要把"看清人"这件事，牢牢攥在人手里。

所以回到解法，不是不用 AI，而是让 AI 技术和测评数据深度融合。

AI 负责把重复劳动吃掉、把海量简历先过一遍，测评数据负责在关键处给出有据可查的判断。效率才真正落到结果上。

少一点对技术的过度依赖，多一点对数据的尊重，招聘这件事，才不会在魔与道的拉锯里空转。

许锋博士 · 倍智人才 | 人才供应链·人才测评·大五人格

数据来源：

欧盟《人工智能法案》（Regulation (EU) 2024/1689）Annex III 第 4(a) 条：招聘与候选人评估类 AI 列为高风险，须算法透明、人工复核、数据留痕，义务自 2027 年底起适用。

• 美国平等就业委员会（EEOC）2023 年技术指引：AI 招聘工具可产生非法差别影响，雇主对第三方工具输出同样担责；EEOC v. iTutorGroup（2023）算法年龄歧视和解案。

• SHRM（美国人力资源管理协会）《Human Capital Benchmarking Report》：替换员工综合成本约为年薪 50%–200%，越往高层越接近上限。

• 倍智（TaleBase）内部数据：累计 2000 万+ 测评样本、服务 4000+ 标杆企业；高潜人才中约 93% 成为高绩效者。

• 企业实践（晶合集成，半导体制造）：引入 AI 初筛后简历处理与面试聚焦的定性提效观察。

-