人工不智能：AI狂飙三十年 第108章 招聘系统把林凡刷掉
林凡被招聘系统刷掉，是一场意外。
准确地说，是一场他自己送上门的意外。
青橙数科内部要评估一个 AI 招聘初筛系统，客户希望用它筛选 AI 运维、内容审核和初级产品岗位。为了测试系统，项目组需要一些真实简历做样本。林凡本着“自己人先挨刀”的精神，把自己的简历丢了进去。
张磊听说后，肃然起敬：“你这是用肉身做单元测试。”
林凡说：“别说得这么悲壮，应该不会太离谱。”
十分钟后，系统给出评分：
综合匹配度：58。
建议：不进入下一轮。
会议室里安静了。
张磊看着屏幕，努力憋笑，憋到脸都扭曲：“凡哥，你被自己行业淘汰了。”
林凡盯着报告：“它说我不适合 AI 运维？”
系统理由写得很详细：学历背景竞争力一般；过往岗位稳定性不足；项目经历偏执行，缺少大规模平台经验；年龄相对初级岗位偏高；未体现头部厂商认证；表达中多次出现“风险”“边界”“人工复核”等保守倾向，可能影响业务推进效率。
老周看到最后一句，冷笑：“保守倾向？它倒是很会替老板省心。”
项目经理脸色尴尬：“这只是测试。”
林凡说：“测试挺成功，成功把我测试没了。”
招聘系统供应商解释，模型会根据岗位历史录用数据、绩效数据和行业标准进行匹配。过去被录用的 AI 运维候选人大多来自名校、大厂、年轻、证书齐全，简历里高频出现“快速推进”“业务增长”“高并发”“自动化降本”等关键词。林凡这种二本出身、从项目维护转合规风险、简历里总写“人工兜底”的人，在模型眼里像一个会拖慢组织速度的隐患。
张磊说：“它不是招人，是招老板幻想中的人。”
苏晓远程参加评审，看到报告后问：“历史录用数据里，有没有被证明误招的人？有没有后来表现好的非典型候选人？有没有因为学历、年龄被刷掉但人工复核后录用的人？”
供应商沉默。
“如果训练数据只包含过去被录用的人，模型学到的不是谁能做好工作，而是谁过去更容易被录用。”苏晓说。
林凡看着屏幕，第一次觉得被刷掉也有点价值。
系统继续测试其他样本。小吴因为学历和经验不足被刷；阿宁因为设计转风控岗位“路径不典型”被刷；张磊的新版简历得分 62，理由是“经历波动较大，稳定性存疑”。张磊很不服：“我人生是波动，但我本人最近很稳定！”
何苗的简历也被拿来测。系统给她内容审核岗位高分，但在“团队适配”里扣分，理由是维权经历较多，可能对平台规则提出较强挑战。
何苗看完，笑了：“它说得对。我确实会挑战。”
问题是，挑战规则到底是风险，还是价值？
林凡把这些案例整理成评估报告。核心问题很清楚：招聘系统把历史偏好包装成客观评分，把组织惰性包装成匹配度，把质疑能力包装成不稳定。它不一定故意歧视，但它会忠实继承过去招聘里的偏见，然后用更快的速度放大。
老板看到林凡 58 分，开玩笑说：“你要是重新投我们公司，可能进不来。”
林凡说：“那说明系统需要修，不说明我该感谢当年 hR 手下留情。”
老周说：“也说明别轻易把入口交给机器。机器守门，最先关掉的是它没见过的路。”
客户不太愿意接受这个结论。他们说招聘量大，不用 AI 初筛效率太低。苏晓提出折中：AI 可以排序，不能单独淘汰；低分候选人中必须抽样人工复核；评分理由必须展示；学历、年龄、地域、职业空窗等敏感或半敏感因素不得作为硬淘汰；保留申诉入口。
供应商说：“这样会降低自动化效率。”
苏晓说：“招聘不是垃圾分类。”
张磊小声说：“这句我爱听。”
晚上，云启未来白板写：
招聘系统刷掉林凡，说明林凡还有用。
林凡：“这句谁写的？”
张磊举手：“我。喜剧效果。”
何苗把下面补上：
历史偏好不等于未来能力。
苏晓远程发来一句：
不要把没见过的人，判成不合适的人。
林凡写：
机器守门时，人要定期开门看看。
他把那份 58 分报告夹进笔记本。
这不是耻辱。
是证据。
林凡把 58 分报告带回家，林桂兰看了半天，越看越气。
“它凭什么说你学历竞争力一般？你虽然学校一般，但你人也一般得很稳定啊。”
林凡：“妈，你这是帮我还是补刀？”
“我意思是，它不能只看学校。”林桂兰理直气壮，“你从毕业到现在，踩了这么多坑，还能没被坑死，这不也是能力？”
林凡笑出声。
林桂兰又指着“保守倾向”那行：“这个更离谱。小心一点怎么了？我买经络贴前要是保守一点，能省两千六。”
林凡把报告收回来：“你这解读比供应商有人味。”
“那当然。”林桂兰说，“机器看简历，我看儿子。”
这句话让林凡心里一软。
他忽然意识到，招聘系统最缺的也许不是更多数据，而是一个愿意问“这个人为什么会这样走到今天”的耐心。简历是一张纸，人的路不是。
第二天，林凡把自己的低分报告匿名放进评审材料，标题写成“现任岗位胜任者被同岗位系统筛除案例”。客户代表一开始还以为是外部样本，看到最后才知道是他。
会议室里有人笑，也有人笑不出来。
因为这个案例太难反驳：一个正在做 AI 运维治理的人，差点被 AI 运维岗位筛掉。
林凡说：“如果系统连已经在岗位上的人都识别不了，我们至少该承认，它不是在判断能力，而是在判断模板相似度。”
准确地说，是一场他自己送上门的意外。
青橙数科内部要评估一个 AI 招聘初筛系统，客户希望用它筛选 AI 运维、内容审核和初级产品岗位。为了测试系统，项目组需要一些真实简历做样本。林凡本着“自己人先挨刀”的精神，把自己的简历丢了进去。
张磊听说后，肃然起敬：“你这是用肉身做单元测试。”
林凡说：“别说得这么悲壮，应该不会太离谱。”
十分钟后，系统给出评分：
综合匹配度：58。
建议：不进入下一轮。
会议室里安静了。
张磊看着屏幕，努力憋笑，憋到脸都扭曲：“凡哥，你被自己行业淘汰了。”
林凡盯着报告：“它说我不适合 AI 运维？”
系统理由写得很详细：学历背景竞争力一般；过往岗位稳定性不足；项目经历偏执行，缺少大规模平台经验；年龄相对初级岗位偏高；未体现头部厂商认证；表达中多次出现“风险”“边界”“人工复核”等保守倾向，可能影响业务推进效率。
老周看到最后一句，冷笑：“保守倾向？它倒是很会替老板省心。”
项目经理脸色尴尬：“这只是测试。”
林凡说：“测试挺成功，成功把我测试没了。”
招聘系统供应商解释，模型会根据岗位历史录用数据、绩效数据和行业标准进行匹配。过去被录用的 AI 运维候选人大多来自名校、大厂、年轻、证书齐全，简历里高频出现“快速推进”“业务增长”“高并发”“自动化降本”等关键词。林凡这种二本出身、从项目维护转合规风险、简历里总写“人工兜底”的人，在模型眼里像一个会拖慢组织速度的隐患。
张磊说：“它不是招人，是招老板幻想中的人。”
苏晓远程参加评审，看到报告后问：“历史录用数据里，有没有被证明误招的人？有没有后来表现好的非典型候选人？有没有因为学历、年龄被刷掉但人工复核后录用的人？”
供应商沉默。
“如果训练数据只包含过去被录用的人，模型学到的不是谁能做好工作，而是谁过去更容易被录用。”苏晓说。
林凡看着屏幕，第一次觉得被刷掉也有点价值。
系统继续测试其他样本。小吴因为学历和经验不足被刷；阿宁因为设计转风控岗位“路径不典型”被刷；张磊的新版简历得分 62，理由是“经历波动较大，稳定性存疑”。张磊很不服：“我人生是波动，但我本人最近很稳定！”
何苗的简历也被拿来测。系统给她内容审核岗位高分，但在“团队适配”里扣分，理由是维权经历较多，可能对平台规则提出较强挑战。
何苗看完，笑了：“它说得对。我确实会挑战。”
问题是，挑战规则到底是风险，还是价值？
林凡把这些案例整理成评估报告。核心问题很清楚：招聘系统把历史偏好包装成客观评分，把组织惰性包装成匹配度，把质疑能力包装成不稳定。它不一定故意歧视，但它会忠实继承过去招聘里的偏见，然后用更快的速度放大。
老板看到林凡 58 分，开玩笑说：“你要是重新投我们公司，可能进不来。”
林凡说：“那说明系统需要修，不说明我该感谢当年 hR 手下留情。”
老周说：“也说明别轻易把入口交给机器。机器守门，最先关掉的是它没见过的路。”
客户不太愿意接受这个结论。他们说招聘量大，不用 AI 初筛效率太低。苏晓提出折中：AI 可以排序，不能单独淘汰；低分候选人中必须抽样人工复核；评分理由必须展示；学历、年龄、地域、职业空窗等敏感或半敏感因素不得作为硬淘汰；保留申诉入口。
供应商说：“这样会降低自动化效率。”
苏晓说：“招聘不是垃圾分类。”
张磊小声说：“这句我爱听。”
晚上，云启未来白板写：
招聘系统刷掉林凡，说明林凡还有用。
林凡：“这句谁写的？”
张磊举手：“我。喜剧效果。”
何苗把下面补上：
历史偏好不等于未来能力。
苏晓远程发来一句：
不要把没见过的人，判成不合适的人。
林凡写：
机器守门时，人要定期开门看看。
他把那份 58 分报告夹进笔记本。
这不是耻辱。
是证据。
林凡把 58 分报告带回家，林桂兰看了半天，越看越气。
“它凭什么说你学历竞争力一般？你虽然学校一般，但你人也一般得很稳定啊。”
林凡：“妈，你这是帮我还是补刀？”
“我意思是，它不能只看学校。”林桂兰理直气壮，“你从毕业到现在，踩了这么多坑，还能没被坑死，这不也是能力？”
林凡笑出声。
林桂兰又指着“保守倾向”那行：“这个更离谱。小心一点怎么了？我买经络贴前要是保守一点，能省两千六。”
林凡把报告收回来：“你这解读比供应商有人味。”
“那当然。”林桂兰说，“机器看简历，我看儿子。”
这句话让林凡心里一软。
他忽然意识到，招聘系统最缺的也许不是更多数据，而是一个愿意问“这个人为什么会这样走到今天”的耐心。简历是一张纸，人的路不是。
第二天，林凡把自己的低分报告匿名放进评审材料，标题写成“现任岗位胜任者被同岗位系统筛除案例”。客户代表一开始还以为是外部样本，看到最后才知道是他。
会议室里有人笑，也有人笑不出来。
因为这个案例太难反驳：一个正在做 AI 运维治理的人，差点被 AI 运维岗位筛掉。
林凡说：“如果系统连已经在岗位上的人都识别不了，我们至少该承认，它不是在判断能力，而是在判断模板相似度。”