你的AI招聘工具“审计通过了”，但你可能正在筛掉不该筛的人

今天是10月17日，周六。

早上不用赶地铁，不用开会，不用回消息。我泡了杯茶，翻了翻这周攒下的几封邮件，发现它们都在说同一件事：规则在变，技术在变，但大多数人的准备没跟上。

周末咱们不聊宏大的战略，聊聊发生在我们身边、最真实的管理切肤之痛。今天聊第四件。这件事发生在招聘流程的最上游，发生在一份简历被“看见”或“被消失”的那个瞬间。

💡 社交货币金句：

1. “审计通过”不等于“没有偏见”。一个AI工具可以在整体数据上看起来公平，同时在具体岗位上系统性地筛掉某一群人。

2. 供应商的承诺不是你的抗辩理由。EEOC说得非常清楚：如果AI歧视，使用它的雇主承担责任。

3. 如果你无法还原一个招聘智能体是如何做出决定的，你不是在监督这项技术，你是在把问责权委托给它。

一份“看起来没问题”的候选人名单

先想象一个场景。

你是一家公司的招聘负责人，打开AI招聘智能体生成的候选人名单。名单上的候选人背景多样，经验看着也对口，有几个明显很强的选择。你松了一口气：系统运转正常。

但那份名单无法告诉你：哪些合格的候选人从未被找到，哪些人的经验被系统误读了，哪些证据被丢弃了，以及，是哪些隐藏的假设决定了谁进入了下一轮。

“输出看起来可能是公平的，即使过程并不公平。”这是HR Executive在2026年10月发表的分析文章中的核心判断，标题写得很直接：HR正在部署AI招聘智能体，但还没学会怎么审计它们。

这不是“某家公司做得不好”的问题。这是一个结构性的治理缺口——当AI招聘从“推荐候选人”演变为“在招聘工作流中自主行动”时，大多数组织的审计能力，还停留在评估一个“单一工具”的层面。

斯坦福的研究：审计通过了，偏见还在

这个缺口有多大？2026年，斯坦福大学以人为本人工智能研究院（HAI）牵头的一项研究给出了迄今为止最大规模的实证证据。

研究者追踪了340万人提交的400万份求职申请，覆盖150多家雇主、1700个岗位，所有申请都由同一家第三方AI招聘供应商筛选。这种“算法单一文化”意味着，当一家供应商的工具存在偏见时，这个偏见会同时影响使用它的所有雇主。

按照美国雇佣歧视法中的“五分之四规则”衡量，26%的黑人申请者和15%的亚裔申请者，其提交的申请流向了AI系统对该群体存在不利影响的岗位。研究者做了一个换算：如果AI以“最受青睐群体”的同等比率推荐这些候选人，大约多出4万份申请会进入下一轮。

但这项研究真正关键的发现，不是“偏见存在”——这一点早就被讨论过。真正关键的是：这种偏见在整体审计层面是“隐形”的。

研究的合著者、查普曼大学助理教授Sarah Bana解释了机制：“早期的研究报告的是供应商所有岗位的平均数据。我们把每个岗位拆开来看。这就是关键区别。想象一个模型对仓库类岗位过度选择某个群体，对金融类岗位选择不足。平均值看起来是平衡的；但逐岗位看，真实的偏见就出现了。”

翻译一下：一个AI招聘工具可以在公司整体层面通过偏见审计，但仍然在特定岗位上系统性地筛掉特定群体。而雇主做招聘决策，恰恰是一个岗位一个岗位做的。一份“整体干净”的审计报告，可能给HR一种虚假的安全感。

【视觉卡片：结果审计 vs 过程审计】

审计对象变了，但审计方式没变

如果问题只是“审计粒度不够细”，解决方案似乎很直接：分岗位审计就行。但事情比这更复杂。

HR Executive的分析指出，招聘技术正在从“孤立模型”演变为多阶段、智能体化的工作流。智能体可以搜索人才、检索证据、比较申请者、排序资质、发起触达，并决定人类招聘官何时进入流程。每一个动作看起来都不大，但它们串联成了一条会产生真实后果的决策链条。而大多数组织还没有准备好审计这条链条。

一篇2026年的系统性综述考察了40项AI招聘研究，发现没有一个系统同时评估了效用、公平性、隐私和安全性。综述还指出了一个更深的测量问题：行为数据会模糊“曝光”“合格”和“偏好”之间的区别。一个候选人可能从未出现在搜索结果中，因为系统没有呈现正确的证据。另一个候选人可能因为一个非传统的职位名称被错误解读而被排得更低。等到HR看到候选人名单时，这些更早的决定已经从视野中消失了。

这就是为什么HR Executive的文章明确指出：结果审计和过程审计不是同一件事。一份人口统计上平衡的名单，告诉了领导者关于结果的重要信息。但它不能证明系统找到了正确的人才、使用了有效的证据，或者给了同等合格的候选人可比的机会。

供应商的审计，不是你的问责策略

这里有一个更深层的问题：谁来做审计，以及谁为审计的结果负责？

大多数HR领导者依赖供应商来完成审计。HR Executive的文章直言，这是一个“冒险的决定”。纽约市的Local Law 144确实要求某些自动化雇佣决策工具在使用前接受独立的偏见审计，并向候选人发出通知，而且该市对“雇佣决策”的定义宽泛到包括筛选环节。但合规审计是底线，不是运营模式。供应商可以展示其工具在某个特定数据集上达到了统计标准。但雇主仍然需要判断：这个系统对我的岗位、我的候选人、我的决策是否有效？

法律实践也在确认这一点。美国平等就业机会委员会（EEOC）已经明确：“你为你的AI负责。”如果AI工具产生歧视，使用它的雇主承担责任。雇主不能将责任转移给供应商。“供应商告诉我们它是无偏的”不是抗辩理由。Jones Walker律所的分析同样指出，即使系统由第三方供应商开发，法院也倾向于让雇主为歧视性结果负责。Workday目前正在加州联邦法院面临的集体诉讼（Mobley v. Workday），也在检验算法筛选中的法律责任边界。2026年6月，法院驳回了Workday的大部分驳回动议，允许关键的歧视指控继续推进。

HR Executive的文章用一句话收尾，值得每一位CHRO和技术采购者反复读：“组织无法外包问责。如果HR无法还原一个招聘智能体是如何做出决定的，它就不是在监督这项技术。它是在把问责权委托给它。”

【大师点评】

伊查克·爱迪思（Ichak Adizes），管理学家，企业生命周期理论和PAEI模型创始人。

爱迪思的“成功公式”指出了一个至今仍在被反复验证的判断：对于任何系统来说，成功的秘诀只有一个，就是用外部的整合除以内部的分裂。系统内有了互重互信时，才可以尽量减少内部撕裂，把剩下的精力全部注入外部的整合上。他还指出，能量是固定的，它首先被用于系统的内部需求，只有剩余的能量才能用于应对外部环境。

把这句话放在AI招聘的治理缺口里：企业部署AI招聘智能体的“外部整合”，是效率提升、规模筛选、成本下降。但“内部分裂”是什么？是审计能力滞后于部署速度，问责链条在供应商和雇主之间断裂，HR被锁在责任终端却无法还原决策过程。当内部撕裂大于外部整合时，组织会陷入一种状态：工具在跑，但没有人真正知道它在跑向哪里；名单在生成，但没有人能解释谁被留在了名单之外。

爱迪思提醒我们：授权的前提是信任，信任的前提是控制。 当HR把一个智能体放进招聘工作流，却不具备审计它的能力时，这不是授权，是暴露。效率提升的收益，会被一次未被发现的系统性偏见、一场无法应诉的歧视诉讼、一次监管审查中的“无据可依”所抵消。

来源： 伊查克·爱迪思，企业生命周期理论和PAEI模型相关著作。

三个可以在这个周末想清楚的问题

第一，问一个此前可能没被问过的问题：我们的审计是“分岗位”的，还是“整体平均”的？

斯坦福的研究已经证明，整体平均的审计可以掩盖分岗位的偏见。Sarah Bana的类比很清晰：“对仓库岗位过度选择某个群体，对金融岗位选择不足，平均值看起来平衡，逐岗位看真实偏见就出现了。”你可以向HR或供应商确认：审计报告是否按岗位类型拆分了不利影响分析？如果没有，你看到的“通过”，可能只是“平均数通过”。

第二，确认问责链条上有一个具体的人。

一份面向CHRO的合规简报提出了一个实操标准：对于每一个部署的AI招聘智能体，你应该能够说出谁拥有其决策的责任、展示最近一次偏见审计的日期、并在被要求时提供文档。如果这三个问题中任何一个的答案是“不清楚”或“找供应商”，问责链条就存在断裂。法律上，雇主是最终责任主体；运营上，组织无法外包问责。

第三，把“过程审计”纳入下一步的治理设计，而不只是“结果审计”。

结果审计看的是“名单是否平衡”。过程审计看的是“系统是否找到了正确的人、使用了有效的证据、给了同等合格的人可比的机会”。HR Executive的建议很具体：先测量合格人才池，再审查谁进入了名单，问“谁从未被考虑”，而不只是“谁被考虑了”。这需要记录、日志和可解释性文档。如果这些不存在，过程审计就无从谈起。

写在最后

HR Executive的文章里有一句话值得放在桌上：“输出可能看起来公平，即使过程并不公平。”

爱迪思的系统理论提醒我们：组织中的能量是有限的。当能量被消耗在“让AI更快地筛更多人”上时，能用于“确保AI筛对了人”的能量就所剩无几。而后者，恰恰是招聘这件事最不能让步的底线。

审计通过，不是终点。审计通过，只是起点。

📌 今日互动（对立面讨论）：如果你的求职简历被AI筛掉了，你觉得你应该找谁要一个解释？是使用AI的公司，还是提供AI的供应商？

🎁 长尾福利：在后台回复关键词 【审计】，获取《AI招聘智能体审计自检清单》（含“分岗位不利影响分析”与“过程审计”的5个关键问题）。

本文为人生管理与职场认知分享，不构成任何投资、财务或职业决策建议。本文不构成法律建议，具体问题请咨询专业机构。文中引用的数据及案例均来自公开资料，仅供参考，以官方发布为准。本文内容由真人创作者策划撰写，AI辅助信息检索与整理。