夜雨聆风关键讯息，D1时间送达！
企业网D1net
企业AI招聘最大的误区，不是“找不到人”，而是“测错了人”。多数公司仍用传统编程、算法和年限经验筛选AI人才，却忽视了真正决定AI项目成败的“技术品味”——即在复杂场景中做架构权衡、工具选择和生产级决策的能力。如今，技能可以被AI助手补强甚至伪装，但判断力无法伪造。AI时代的人才评估必须从“一次性考试”转向持续迭代的动态体系，并结合内部再培训，重新发现被过时岗位描述埋没的人才。未来真正领先的企业，不是最早招聘AI工程师的公司，而是最早重构AI人才评估体系的公司。
你的AI招聘体系存在缺陷：应聘者可以伪造技能，但无法伪造判断力——然而，大多数公司仍在测试错误的内容，并纳闷为何招不到合适的人才。
下次你的团队有人说“招聘一名AI工程师”时，请暂停对话。
这个头衔太过模糊，因为它没有考虑到工程师能力方面的关键差异，相反，公司需要明确自己具体需要什么，是需要有人能快速制作AI解决方案的原型？还是需要有人能构建出可供投入生产的解决方案？又或者是需要有人设计配套能力和基础设施以实现规模化？这些都是不同的技能，需要在招聘过程中进行不同的评估。
但这也是公司的不足之处所在，如我们所知，技能评估很难，而且就AI而言，现有的评估方式也存在缺陷，它们与AI岗位的实际需求不一致，这种不一致就是我所说的“AI评估差距”。
差距所在之处
大多数技术评估都是针对AI出现之前的世界而设计的：编码熟练度、算法、确定性系统设计，这些都是技能测试，它们能确认工程师能够完成工作，但无法告诉你该工程师在构建、扩展或部署生产环境中的AI系统时，是否具备做出正确决策的技术品味。
在与企业工程负责人交谈时，我们了解到，现在应聘者在现场面试时会使用AI助手，实时获取教科书式的完美答案。如果你的评估能被在耳边低语的AI所通过，那它从未测试过正确的内容。技能可以伪造或增强，但品味不能。
为了了解这种情况，请考虑以下场景：一家企业需要一名在特定数据平台方面拥有深厚经验的人员，一名应聘者通过了数据工程评估，他们进入客户面试环节，招聘经理说：“请讲述一次你在设计流架构时必须做出艰难权衡的经历。”应聘者定义了所有相关概念，但他们没有在特定情境下解释为何一种方法会明显优于另一种方法的技术品味，他们出局了。
这种情况之所以发生，是因为大多数评估流程只测试技能：他们能否编码、理解基础知识？没有人系统地测试技术品味：这个人能否在架构、工具和方法方面做出优于默认选择的决策？这个问题只有在有实际经验的人提出时才会显现出来。到那时，所有人都浪费了时间，而该岗位仍然空缺。
传统的招聘启事加剧了这一问题，它们筛选“拥有5年以上AI经验”的应聘者，这会将优秀的应聘者拒之门外，因为AI这一类别本身才出现几年。在AI层面，重要的不是资历，而是某人在生产环境中构建、部署或扩展的内容的深度和具体性。与此同时，基础岗位层面的资历仍然很重要，就像以往一样：高级工程师具备无法走捷径的架构判断力。错误在于将经验年限筛选应用于AI层面，因为该层面的工作存在时间不够长，资历不足以成为一个有意义的信号。
评估流程存在缺陷的一个最明显信号是：利益相关者同时抱怨评估太难和太容易，这不是校准问题，这意味着评估一开始就没有测量正确的内容，它们测试的是技能，而应该测试的是品味。
大多数企业常犯的三个错误
1. 他们测试的是技能，而应该测试的是品味。大多数评估确认工程师能够编写代码和定义概念，但没有测试工程师能否做出实际决定项目成功的架构和工具决策。知道什么是智能体搜索的工程师和知道在特定问题中何时选择智能体搜索的工程师是两种完全不同的招聘对象。前者通过了你的技能测试，后者能在生产环境中发挥作用。
2. 他们将技能与经验混为一谈。技能评估告诉你某人能否完成工作，经验验证则告诉你某人是否在招聘岗位所需的特定情境下完成过工作，这需要完全不同的评估方法。当公司试图用单一工具同时测试两者时，就会出现“太难和太容易”的悖论：评估同时筛掉了有能力的人，却让无法胜任的应聘者通过了。在岗位层面，资历和经验年限是有意义的，因为10年的后端工程经验能培养真正的架构判断力，并提升技术品味。在AI应用层面，它们的意义则小得多，因为该层面的工作本身才出现几年，实际动手操作的深度比日历时间更重要。
3. 他们将评估视为一次快照。传统模式是一次性关卡：通过或失败，录用或淘汰。在AI领域，技能每月都在演变，这种方法很快就会失效。六个月前，几乎没有人使用像Claude Code这样的智能体工具来编写生产代码，模型上下文协议(Model Context Protocol，该协议让AI系统能够接入企业工具和数据源)几乎无人问津，现在，企业专门招聘具备这些技能的人员，六个月后，列表又将再次改变。
这意味着，1月份制定的评估到6月份就已经部分过时了。将评估视为一个活系统，并根据实际工作中的绩效信号不断更新的公司，将比那些运行一年前制定的相同测试的公司，持续吸引到更优秀的人才。
再培训的必要性
现实是，仅靠招聘无法弥补这一差距。已经具备AI工作所需技术品味的工程师数量，远低于市场需求。例如，自2022年ChatGPT推出以来，需要更多分析性、技术性或创造性工作的岗位需求增加了20%。
这意味着企业必须对现有员工进行再培训和技能提升，如果没有针对实际需求的有针对性方法，AI技能提升工作往往会失败，导致员工得不到支持，计划停滞不前。
这就是多维模型在招聘之外发挥作用的地方，推动人才获取的同一框架也能推动培训策略，评估结果不只是筛选应聘者，它们会生成一张热力图，显示你的员工队伍在各个维度上的优势和劣势：岗位能力、资历深度以及构建、原型设计或扩展AI系统所需的特定技术品味，这张热力图将成为你的培训路线图。
大多数公司完全跳过这一步，直接进入“我们购买一个AI培训项目”的阶段。没有这个基础，即使是最好的培训项目也是在解决错误的问题。
时刻准备着
在AI领域，最重要的技能或许是认识到自己不知道、也不可能知道一切，甚至不知道接下来会发生什么，我们今天需要的岗位在六个月后会有所不同，我们现在构建的技能分类需要不断修订，我们本季度部署的评估到下季度就需要重新校准。
接受这一现实并采用灵活、多维方法进行人才评估的公司，会发现一些有价值的东西：他们所需的技术品味已经存在于员工队伍中，只是隐藏在过时的职位描述和不匹配的测试背后。CIO必须积极审核这些职位描述，消除掩盖团队中已有潜在人才的传统经验筛选条件。其他公司则会继续发布“AI工程师”的招聘信息，并纳闷为何招不到能胜任工作的人。
关于企业网D1net(www.d1net.com)
国内头部to B IT门户，同时在运营国内头部的甲方CIO专家库和智力输出及社交平台-信众智(www.cioall.com)。旗下运营19个IT行业公众号(微信搜索D1net即可关注)
如果您在企业IT、网络、通信行业的某一领域工作，并希望分享观点，欢迎给企业网D1net投稿。
投稿邮箱：
editor@d1net.com
合作电话：
010-58221588（北京公司）
021-51701588（上海公司）
合作邮箱：
Sales@d1net.com
企业网D1net旗下信众智是CIO（首席信息官）的专家库和智力输出及资源分享平台，有六万多CIO专家，也是目前较大的CIO社交平台。
信众智对接CIO为CIO服务，提供数字化升级转型方面的咨询、培训、需求对接等落地实战的服务。也是国内较早的toB共享经济平台。同时提供猎头，选型点评，IT部门业绩宣传等服务。
扫描 “二维码” 可以查看更多详情
