HR 的 AI 简历筛选：如何处理大量简历而不失去人的判断

AI 可以帮助 HR 团队把大量简历与一个岗位进行比较，并按合理顺序排列以便审阅，但不应单独作出录用决定。用得好，它能节省第一轮筛选的时间，并对所有人采用相同的书面标准。用得不好，它可能重复偏见，偏爱措辞华丽的文字，并错过背景特殊的优秀人才。最安全的做法很简单：先确定标准，让工具生成候选名单，由人检查结果，并遵守当地规定。本指南通过示例和检查清单说明如何做到这一点。

AI 在简历筛选中的作用

• 把每份简历与同一份岗位说明比较。
• 对长名单排序，让审阅者从看起来最匹配的候选人开始。
• 总结每位候选人的优势和不足。
• 显示看起来缺少哪些要求的技能或资质。
• 为审阅者提供共同的起点，让讨论更容易。

价值不只是速度。疲惫的审阅者可能会区别对待最先和最后看到的文件。书面流程有帮助，因为每份简历都从相同的问题开始。

AI 无法替你做的事

分数是基于文件文字的估算。它无法确认说法是否属实，也无法可靠地衡量动机或团队契合度。它还取决于文件读取得如何：正如双栏简历指南所说，特殊版式可能隐藏内容。

不要以为 AI 自动公平。模型可能反映语言和训练数据中的模式，岗位说明本身也可能带有偏见。转行者、重返职场者以及使用第二语言写作的人，在纸面上可能显得比实际弱。对所有人采用相同标准能减少一些不一致，但不能消除偏见，你仍然需要检查结果。

安全流程的七个步骤

1. 在打开任何简历之前写下标准，区分必备条件和加分条件。
2. 删除无法说明理由的要求，例如工作并不需要的学位。
3. 在法律或公司政策要求时，告知候选人流程中使用了 AI。
4. 用清晰的岗位说明进行批量分析，不要只用模糊的职位名称。
5. 让人阅读排名靠前的一组，并抽查中间和靠后的候选人，这样能发现读取错误和被忽略的人选。
6. 记录每个人进入或未进入下一轮的原因，并使用与工作相关的理由。
7. 定期复查结果，检查是否有某个群体被淘汰的频率异常。

有用的审阅记录示例

下面是薪酬岗位的虚构示例，数字和名称仅作说明。

不够好：候选人 B，62 分。被系统拒绝。

有用：候选人 B，62 分。有 4 年薪酬工作经验和 SAP 经验。标记的不足：未提及证书。审阅者备注：证书只是加分项，因此安排电话面试。

第二条记录让人掌握决定权，并给出了与工作相关的理由。它也说明了为什么分数不应成为唯一的记录。

法律和隐私检查

规则因国家而异，也会变化，请与法务团队确认。以下三个例子可以说明趋势：

• 欧盟《人工智能法》把用于招聘和候选人评估的 AI 列为高风险，并规定了人工监督和透明度等义务。时间表可能变化，请查证适用日期。
• 纽约市第 144 号地方法律要求某些自动化雇佣决策工具进行偏见审计，并通知候选人。
• GDPR 等数据保护法适用于简历，其第 22 条限制某些对个人有重大影响的完全自动化决定。在中国，还应注意《个人信息保护法》。

上传简历前，请确认数据去向、保存时长以及谁能访问。无论使用什么工具，反歧视法律都同样适用。

如何选择筛选工具

• 能解释结果，而不是只显示一个数字。可参考 AI 简历分析的工作方式。
• 像 CV Analyz 一样，不把年龄和照片等因素计入分数。
• 允许用你使用的语言测试真实文件。
• 清楚说明如何处理和删除数据。
• 把最终决定权留给你的团队。

常见错误

• 设置自动分数线，却从不查看低于分数线的人。
• 为不同岗位使用同一份笼统的岗位说明。
• 把一个工具的分数当作通用的简历分数。
• 过于看重完全相同的词语。要把内容与岗位需要比较，而不只是看 ATS 关键词。
• 在有义务告知时没有告知候选人。

CV Analyz 的批量分析

CV Analyz 可以针对一份岗位说明，一次分析最多 100 份简历。你会收到一份排序后的群组报告，以及每位候选人的详细报告。这为团队提供了起点，而面试、判断和最终决定仍由人来完成。

总结

用 AI 整理长名单，而不是决定谁配得上这份工作。清晰的标准、人工审阅和定期检查，比任何单一分数都重要。想了解相关系统，请阅读 ATS 的工作原理。

来源：EU AI Act、GDPR、NYC Local Law 144。