图片：AI放大的组织惯性。

某公司要给一位项目负责人配团队。AI根据履历和项目经历推荐了三个人。会上，大家先问的不是谁做过类似项目，而是“这几个人分别是谁带来的”。推荐结果没有被否定，只被重新解释：熟悉的人被说成“更懂公司”，陌生的强候选人被说成“还需磨合”。

这是示意场景。熟悉业务确实可能是优势，信任也需要时间建立。问题是，当亲疏成为没有写下来的硬指标，AI的排序只是为既有偏好提供一份漂亮的说明。

熟人偏好一旦进入数据，就会越来越像事实

企业常把过去的任用、绩效和推荐记录作为参考。如果过去的机会就更容易给熟人，历史数据自然会显示熟人“经验更完整”。AI学习这些记录，并不能告诉你机会当初是否分配得合理。

管理层会看到一套自洽的结论：这些人项目多、曝光高、评价好，似乎理应继续得到机会。很少有人追问另一面：没有得到关键项目的人，凭什么证明自己也能做？

这不是说所有熟人提拔都错。若某人确实扛过复杂任务，就应被认可。真正该反对的是，熟人免于举证、外人必须完美的双重标准。

图片：本篇核心判断。

关系公司付出的代价，是把竞争从工作转移到餐桌

员工看到的不是“谁做好事谁有机会”，而是“先让关键人看见我”。做事的人花时间经营可见度，领导花时间为自己的选择解释。跨部门合作也可能变成派系账：你的项目、我的人、他的预算。

AI让人才材料更快生成，推荐理由更长，争议却不会因为文字更专业而消失。相反，当系统给出统一的评价语言，主观偏好更容易被包装成客观结果。企业以为自己在用数据选人，员工可能只看到更精致的熟人规则。

还有另一种解释：某岗位确实需要高度信任或特殊经验，外部人短期难以胜任。那就把具体要求写出来，并给其他人补齐经验的机会。不能把“我熟悉他”直接改写为“他更适合”。

机会分配的旧数据，不能直接当能力的真相

一个人项目经历多，可能因为能力强，也可能因为他早早得到了关键项目。另一个人经历少，可能尚未证明自己，也可能从未得到证明的机会。如果AI把过往项目数当作主要信号，旧分配方式就会变成新推荐逻辑。

管理层可以查看推荐依据中哪些是已经完成的真实任务，哪些只是上级评价、推荐语或可见度。对后者要问：评价人看到了什么可验证的工作？同一岗位的其他候选人有没有相同展示机会？这不是要抹平差异，而是避免把机会造成的差异误认为天生能力差异。

一个简单的办法是给候选人相同的小型实作：在一份脱敏资料里判断客户条件、提出取舍、说明风险。不要让AI自动生成的漂亮陈述占主要分数，重点看他能否指出缺失信息、在条件改变时修正判断。涉及敏感业务资料时，严格限制外部工具使用权限。

若熟人候选人确有优势，也应写出能在现场看到的证据。这样推荐人不用靠“相信我”，陌生候选人也知道自己差在哪里。不能录用或任用的理由要与岗位任务相关，而不是“团队感觉不合适”一句话。

不让关系断绝合作，而让关系退出裁判席

关系可以作为寻找候选人的入口，也可以帮助了解一个人的合作方式；它不该拥有免检待遇。面试、项目试作和复盘标准对所有人一致，特殊信任要求须说明具体业务风险。

选人结果出来后，回看半年内的真实交付，不只看谁在会上被赞许。若系统推荐的强候选人长期被跳过，领导应查推荐逻辑与任用逻辑哪里不一致；若被录用的人表现好，也不必因为他是熟人就否定结果。企业要戒掉的是双重标准，不是正常的人际信任。

让任用理由接受同一把尺

关键岗位或重要项目启动前，先写三项不可少的任务证据：做过什么、遇到过什么难题、怎样复盘失败。候选人不论由谁推荐，都按同一材料回答。

AI可以整理经历、提示证据缺口，不能自动决定信任，也不能给推荐人打隐形加分。评审时记录对不同候选人的同类追问，保留未选者可以补齐的经验路径。

若岗位确实要由熟悉的人承担，也应该明确这是阶段性风险选择，并写下什么时候重新开放机会。这样既不否认管理判断，也不把一时的熟悉变成永久的门槛。

人事选择还有一个容易被忽略的后果：没有拿到机会的人开始退出竞争。他们未必当场离职，可能只是不再主动接难活。公司以后再说“没人能扛项目”，表面看是人才不足，实际可能是过去的任用规则把愿意证明自己的人劝退了。可回看关键岗位候选人半年后的去向，以及强候选人未被任用后的项目参与情况。不能把流失全归因于关系，但至少要排查这个变量。

下一次会议，先别问“谁的人”

先让每位候选人的一项真实工作样本上桌。问同一个问题：“如果把这个项目交给他，哪段经历能证明他会处理最难的环节？”回答不了，再去看推荐人也不会让证据自动出现。

关系可以帮企业找到人，不能替企业证明人。AI时代更需要的，不是一张更快的名单，而是一套亲疏都不能绕开的工作标准。

图片：从一件可核的管理动作开始。

更多内容请关注小程序哦！