简历初筛是 AI 应用的高敏感场景:效率提升明显,但歧视风险也高。做得好是提效工具,做不好是法律风险。核心原则是「筛能力,不筛人」。

初筛应该看什么、不看什么?

看:岗位相关经验、技能匹配、项目成果、稳定性。不看:性别、年龄、婚育、籍贯、民族、健康状况、政治面貌。

不看项一旦进入模型特征,就会产生系统性歧视。技术上要在数据入口就把这些字段剔除,不能靠模型自己「学会忽略」。

匹配度怎么算才合理?

用「必备项加加分项」的规则:必备项(学历、证书、年限)先做硬筛,加分项(行业经验、项目规模、技能组合)做排序。不要用一个总分决定去留。

硬筛条件要写清「或等同」的例外,比如「本科及以上,或五年以上同岗经验」。只写学历,会漏掉大量实操型人才。

人工复核怎么安排?

三层:机器初筛出前百分之三十,招聘人员复核,用人部门面试确认。机器不直接拒绝候选人,只做排序和建议。

被拒绝的候选人要保留记录和理由。一旦有人质疑筛选公平性,能拿出依据。

合规上要注意什么?

四条:告知候选人使用了自动化筛选;允许候选人申请人工复核;保存筛选记录不少于法定期限;定期审计筛选结果的群体分布。

最后一条最容易被忽略。每季度看一次不同群体的通过率,差距过大就要检查规则是否隐含歧视。

落地时最该避免什么?

避免「用历史录用数据训练模型」。历史数据里可能包含过去的偏见,模型会把它放大。

正确做法是用岗位要求做规则筛选,再用在职员工的表现数据做验证,而不是直接学历史决策。

去论坛讨论

前往 ziyuanagi.com 论坛 参与讨论