AI 把简历变漂亮以后,怎样判断候选人真实能力与岗位匹配?

AI 让简历更完整以后，面试不能再顺着简历里的项目故事问一遍。面试官需要把项目拆开，了解候选人的个人贡献、判断依据、数据口径和实际工作过程，再把这些信息放回岗位里判断。判断真实能力和判断岗位匹配，缺一不可。

最近帮兄弟团队做了几次交叉面试，收到的简历都写得很好：项目背景完整，方法论逻辑清楚，结果数字也很亮眼。有人做 AI 会员运营，有人做精细化补贴，还有人负责过听起来很成熟的增长项目。

现在用 AI 梳理简历很方便。原本零散的工作，可以被整理成一套完整的项目表达，很快补上目标、方法和结果。这本身没有问题，会借助工具把事情说清楚，也是一种能力。但它确实给面试官带来了新的挑战。

以前看到一份写得很成熟的简历，我们多少会把表达质量当成能力的一部分。现在表达变得更容易了，同样一句“主导增长策略”，背后可能是完全不同的工作。有人真的参与了策略设计，有人主要负责活动落地，还有人只是参与了其中一个环节。只看简历，很难分清。

面试当然要判断候选人的真实能力。否则，我们没法知道他能不能胜任工作。但只有这一步也不够。同一个人可能很有能力，却不适合当前岗位；也可能没有简历看起来那么偏策略，但他的执行能力正是团队需要的。

所以这几轮面试里，我一直在练习同时回答两个问题：这个人实际做过什么，能力到了哪一步？这些能力和他的工作期待，适不适合眼前这个岗位？

第一步不是看简历，而是先看清岗位

有一次，对方招的是活动大促增长运营。听起来像增长策略岗，但真正的日常工作包括活动配置、预算核对、数据监控、上线验收和跨团队跟进。策略很重要，可这个阶段更需要的是一个能把事情接住、盯住、少出错的人。

如果面试前没有想清楚这一点，我就很容易被“AI 补贴模型”“精细化用户分层”吸引，把大部分时间用来讨论策略。最后可能判断出候选人很懂策略，却没有问清楚他能不能做、愿不愿意做大量一线执行。

所以我现在会先问用人团队几个问题：这份工作平时做得最多的是什么？哪些是要独立承担的？哪些能力必须现在就有，哪些可以进来再学？

岗位标准越具体，后面的面试才越有方向。否则，面试很容易变成笼统地判断一个人“厉不厉害”，而不是判断他能不能做好这份工作。

把项目名称拆成个人动作

有位候选人的简历里写了 AI 会员运营。如果一直围绕“AI”问，很容易变成一场概念交流。后来我换了一种问法：

如果不用 AI，原来是怎么做的？你怎样教AI去理解你的目的？系统最后给你返回什么结果？拿到结果以后，你具体做了哪些事？AI有没有出错的时候，你是怎么发现它犯错的？

这些问题首先是在确认个人贡献。同一个项目里，定义策略、分析数据、配置活动和协调上线需要的能力并不一样。只有知道候选人亲手做了哪一段，才能判断这段经历说明了什么。

这里不是说策略一定比执行高级。对于一线运营岗位，如果候选人负责过人群包、优惠券配置、活动上线和数据监控，这些经验可能非常有用。如果他主要参与模型设计和实验，也很好，但还要继续了解他有没有执行经验，以及是否愿意做这类工作。

我现在会特别留意候选人能不能说清三件事：哪些决定是他做的，哪些工作是他亲自完成的，项目里哪些结果不能全部算在他身上。能把自己的贡献和团队成果分开，本身也是一种成熟。

结果数字要继续问口径

简历上的结果通常很亮眼：GMV 增长、转化率提升、补贴成本下降、ROI 达到多少。这些数字当然重要，但不同公司、不同团队可能使用完全不同的口径。

有一次候选人说活动 ROI 能达到 100。我继续问分子和分母，才知道他的算法是核销用户产生的 GMV 除以优惠券补贴金额。这个指标可以用来观察活动，但它不能直接说明补贴创造了多少新增交易。用户即使原本就准备购买，只要用了券，也会进入这部分 GMV。

继续往下问，我更想了解的是：他知不知道自然成交和增量成交的区别？有没有用过对照组？如果没有实验条件，会用什么基线做判断？增长里是否还包含流量、供给或者季节变化？

对工作一两年的候选人，我不会要求他一定做过完整的增量实验。但他是只会报出结果，还是知道这个数字能说明什么、不能说明什么，反映的是不同的数据能力。

问数字不是为了挑公式里的错，而是为了确认候选人是否真正理解自己使用的指标。一个数字如果能说清分子、分母、比较周期和局限，它才比较能支持我们对能力的判断。

按时间顺序问，容易看见实际工作

简历会把几个月的项目压缩成几句话，候选人在面试里也习惯按照“背景、策略、结果”来介绍。听起来很完整，但很多实际工作会被省略掉。

我后来会请候选人选一个项目，从接到任务开始讲：当时拿到了什么信息，第一步做了什么，上线前怎么检查，活动中每天看什么数据，出了问题先找谁，最后一次调整发生在什么时候。

按时间顺序问，比较容易听到活动排期、系统限制、配置检查、数据延迟和异常处理。这些细节能帮助我判断候选人是不是真的做过，以及他平时怎样推进工作。

不过，细节多也不等于能力一定强。有人记忆好、表达快，有人做事扎实但不擅长临场讲述。所以我不会把某一个细节当成结论，而是看同一个项目里的目标、个人动作、数据和结果能不能互相对上。

用岗位里的真实场景，看他怎么判断

通用问题很容易得到通用答案。比如问“你怎么做用户分层”，大多数人都能说出等级、身份、消费金额和活跃度；问“遇到困难怎么办”，也很容易回答“积极沟通、协调资源”。

后来我开始把问题放进岗位的真实限制里：

预算有限，为什么优先把补贴给这群人，而不是另一群人？

同一周有十几个活动上线，你怎么避免人群、券面额和活动时间配错？

这些题不一定有唯一答案。我主要看候选人会先关注什么，能不能发现题目里缺少的信息，是否会考虑成本、用户、供给和风险，以及他的判断方式是否符合岗位需要。

对基础执行岗位，讨论发券、领券、核销和补贴率计算，有时比讨论完整的增长模型更有效。它不是在考数学，而是在看候选人是否熟悉日常工作里的基本口径。

离职原因主要帮助判断匹配

真实能力更多要从项目、数据和场景题里判断；离职原因则更适合用来了解岗位匹配。

候选人常说离职是“为了职业发展”。这个答案没有错，只是还不够具体。我会继续问：现在哪类工作已经不能满足你？是什么事情让你开始看机会？下一份工作最不希望再次遇到什么？

如果一个人离职是因为长期做重复配置，希望转向策略，而新岗位恰好仍有大量配置工作，那就需要把情况说清楚。不是候选人能力不好，而是同一个问题很可能再次发生。

面试官也有责任坦白岗位的日常。只问候选人能不能接受执行工作，却不说明执行占多少、具体繁琐在哪里，很容易得到一句礼貌的“可以”，但双方并没有真正了解彼此。

最后要形成两个判断

这几轮面试之后，我觉得一场面试最后应该形成两个相对独立的判断。

第一个是能力判断：简历里的主要经历是否可信，候选人在项目中具体承担了什么，他的数据、执行、判断和协作能力到了哪一步。

第二个是匹配判断：这些能力是不是岗位当前最需要的，他愿不愿意做真实的日常工作，团队能不能提供他想要的发展。

能力判断需要具体，匹配判断需要坦诚。两者都不能因为 AI 把简历写得更漂亮就省略。

AI 改变的也许不是面试的目的，而是提高了面试的难度。过去我们多少可以从简历写得是否成熟来判断一个人的思考和表达，现在这层信号变弱了。面试官需要多走一步，从流畅的项目表达里回到个人动作、数字口径和真实场景。

这并不意味着要带着怀疑审视每一个候选人。更合适的状态是：尊重简历里的表达，同时用具体问题寻找足够的证据；承认自己的判断可能有限，同时认真完成面试官本来就该做的判断。