AI 筛简历这件事,真正的问题不是公不公平

     每次有人问「AI 招聘公平吗」，讨论最后都会变成站队。支持的说效率高、消除偏见；反对的说黑箱、歧视。但这两种回答都太轻巧了。真正的问题从来不是要不要用 AI，而是：出了事，谁来负责？   

     亚马逊在 2018 年悄悄关掉了一个内部 AI 招聘系统。这个系统被训练了十年的历史简历数据，结果学会了系统性地压低女性候选人的评分——因为过去十年递上来的简历，本来就以男性为主。系统没有恶意，它只是在忠实地复现历史。这件事后来成了 AI 招聘领域被引用最多的反面案例，但我觉得它真正值得追问的地方，不是「AI 会歧视」，而是：这个系统运行了多久，才有人发现它在做什么？   

     效率是真的，但成本转移也是真的   

     AI 筛简历确实能提效。一个中型互联网公司春招可以收到几万份简历，HR 团队三五个人，靠人工根本过不完。AI 初筛不是噱头，是现实需求。问题在于，效率的收益归谁，风险的成本由谁承担。   

     收益很清晰：公司节省了大量人力，筛选速度快了几十倍。风险却是不对称分布的。一个应届生投了三十家公司，被 AI 系统批量拒绝，他不知道是哪里出了问题，也没有渠道申诉，甚至不知道自己是被机器拒的还是被人拒的。这种信息不对称，才是 AI 招聘里最真实的权利问题。   

「

     效率从来不是中立的。它总是对某些人更友好，对另一些人更残忍。   

」

     「黑箱」这个词被用滥了，但它指向一个真实问题   

     反对 AI 招聘的人喜欢说「黑箱」，但这个词用得太宽泛，反而模糊了真正的问题。问题不是算法本身不透明——大多数商业软件都不透明——而是决策后果无法追溯。   

     一个人被 AI 系统拒绝，他有权知道是什么因素导致了这个结果吗？目前大多数公司的回答是：没有义务告知。这在法律上可能站得住脚，但在社会信任层面是一个慢性毒药。欧盟的 AI 法案专门设置了「高风险 AI 系统」分类，招聘筛选被列在里面，要求提供可解释性和人工复核机制。不是因为欧洲人特别感性，而是因为他们算清楚了：一旦公众对系统失去信任，整个行业都会付出更大代价。   

     4   

     欧盟 AI 法案对高风险 AI 系统要求达到的核心合规层级：使用边界、透明告知、人工复核、责任追溯   

     治理不是贴在技术外面的标签   

     很多公司谈 AI 伦理，最后变成一份 PDF 文件放在官网上。这种做法有个隐含逻辑：治理是法务部门的事，产品团队专心做功能就好。这个逻辑从根上就错了。   

     真正的治理效果，活在产品的默认设置里。系统有没有在初筛时告知候选人「你的简历将由 AI 处理」？被拒后有没有提供申诉入口？高置信度的拒绝和低置信度的拒绝，处理方式一样吗？这些不是政策问题，是产品设计问题。制度如果进不了界面，就只是一纸声明。   

●一个可以用来判断 AI 招聘系统是否「走得稳」的简单测试：假设你的朋友被这个系统拒绝了，他能不能知道原因、能不能提出异议、能不能找到一个真实的人来处理他的案子。如果三个问题的答案都是「不能」，这个系统不管效率多高，都还没做好准备进入高风险场景。   

     真正被忽视的那一层：责任链   

     讨论 AI 公平性，最容易陷入的陷阱是把问题停在「技术本身」上。技术有没有偏见，模型够不够准，这些当然重要，但它们不是最终问题。最终问题是：出了事，谁来负责？   

     现实情况是，责任往往在系统里消失了。企业说「我们用的是第三方 AI 服务」，第三方服务说「我们只提供工具，使用方式由客户决定」，候选人站在这条链条的末端，找不到一个可以追责的具体主体。这不是偶然的设计失误，这是一个对平台极其有利的结构。   

     真正成熟的 AI 治理，要求在这条链条里插入清晰的责任节点。不是「出了事大家一起道歉」，而是在系统上线之前就说清楚：哪一类决策必须有人工介入，哪一类错误的后果由谁兜底，数据保留多久、日志留给谁查。这些问题如果在设计阶段没有答案，等出事了再补，成本会高出十倍。   

     回到最开始那个问题：AI 筛简历，公平吗？我的答案是：这个问题问错了。公不公平，取决于系统怎么设计、谁来监督、错了之后怎么处理。同样的技术，可以做成一个对候选人相对公正的工具，也可以做成一个高效率转移风险的机器。区别不在于用没用 AI，在于有没有人真的对后果负责。   

     ✦ 小结   

     AI 招聘的核心矛盾不是「机器 vs 人类」，而是效率收益与风险成本的不对称分配。判断一个系统是否值得信任，不看原则清单有多长，看的是：普通人遇到具体问题时，有没有真实的保护和可追溯的责任链。治理不是给技术踩刹车，是给它装方向盘。