Scovai Scovai
Hiring 2026-11-03 1 min read

你真正筛查的简历信号是定制投入的努力,而不是谁写的

DSL

Dr. Sarah Liu

你真正筛查的简历信号是定制投入的努力,而不是谁写的

两份简历,同一个工具,同一个作者,回复率却相差近一倍。在一项为期两个月、向在招岗位投出204份真实申请的实地测试中,一份由AI生成、未经修改直接投出的简历,在10%的申请中获得回复。同样的AI产出,针对每一个具体岗位做了定制之后,回复率升至18%(Kickresume,2026)。在这两组之间,候选人本身没有任何变化。变化的是投进这份申请里的工作量。

这个结果应当重新组织你看待自家漏斗的方式。2026年的多数招聘团队,正在为错误的问题做准备。普遍的担忧是:AI撰写的申请过于精致,难以筛查——机器写的简历之所以通过,是因为它比人写的更好读。数据指向相反方向。原始AI草稿是整轮测试中表现最差的一组。你的简历筛查真正奖励的,既不是作者身份,也不是能力。它奖励的是定制投入的努力——而定制投入恰恰是生成式AI已经变得近乎免费的那一项投入。

204份真实申请究竟测量了什么

研究设计很重要,所以这里直说。大约在2026年4月至6月期间,204份真实申请投向纽约市场的在招岗位,集中于客户服务与销售代表类职位——这是刻意选择的高投递量类别。四个简历版本轮换使用,每个版本51份申请:人工撰写的单栏简历、人工撰写的双栏简历、原始AI草稿,以及按岗位定制的AI简历(Kickresume,2026)。

整轮测试中,36份回复为正面——约18%,大致六份里有一份——其中22份是直接的面试邀约,其余为电话筛查、视频筛查、正面邮件和测评邀请。多数回复在三天内到达。

组间差距才是真正的发现:

  • 人工撰写、干净单栏:31%
  • 按岗位定制的AI简历:18%
  • 人工撰写、双栏:12%
  • 原始AI草稿、按生成结果投出:10%

这些数字里有两件容易被漏掉的事。第一,人工撰写的双栏简历表现不如定制后的AI简历——版面解析仍在让真实候选人失去真实的面试机会,这更像是对解析层的无声指控,而不是对申请人的。第二,36份正面回复中有30份来自真正高度匹配的岗位,仅客户服务与支持一类就贡献了36份中的18份。匹配质量在数据中压倒了其他所有因素。

一条诚实的限制,作者自己也点明了:各版本是分阶段投出的,而非在相同岗位上同台对照,因此人工简历先遇到了匹配度最好的空缺,此时本地合适岗位的存量尚未耗尽——作者指出,在全国投递量最大的职业类别中,这一存量约一周就被用尽。这一混杂因素以未知幅度抬高了人工单栏简历的数字。把31%当作方向性参考。真正经得起这一混杂的比较,是AI这一对内部的比较:工具和作者保持不变,只有定制与否在变——从10%到18%。

你的简历筛查读的是努力,而努力已经变便宜了

机制在这里。当一道筛查——无论人工还是自动——因为一份简历使用了岗位描述的词汇、呼应了其列明的要求、把职业经历中相关的三分之一提到前面而给它加分时,它衡量的并不是这个人能否胜任这份工作。它衡量的是这个人是否在你身上花了二十分钟,而不是对一个通用文件按下提交。

在招聘历史的大部分时间里,这是一个站得住脚的代理指标。努力与动机相关,动机与匹配相关,而定制的成本高到足以承载信息。一个为你的岗位重写简历的候选人,确实透露了某些关于其偏好排序的真实信息。

生成式AI摧毁了这个信号的价格。把一份简历适配到一份职位描述,如今只需一条提示词,几秒完成,边际成本为零,产量不限。信号并没有变得更嘈杂——它反转了。一个奖励定制的漏斗,如今优先推进的是申请工具最好的候选人,而这个变量与谁能在这个岗位上做出成绩毫不相关。

雇主一侧的数据已经显出张力。只有约三分之一的招聘负责人表示非常有信心简历能反映候选人的真实技能,然而仍有大约三分之二把简历筛查作为漏斗的第一步;在以简历为主要决策依据的组织中,报告用人失误的概率要高出35%(Criteria与Lighthouse Research & Advisory,2026,对998位负责人的调查)。另有54%的资深人才负责人表示,AI生成的简历与申请让评估真实能力更难了;与此同时,超过90%的公司在寻源与筛查环节使用AI,却只有不到5%认为结果具有变革性(ManpowerGroup与Everest Group,2026)。另有67%的美国HR负责人报告,审阅AI生成的申请拖慢了他们的招聘,其中20%出现超过两周的延误(Robert Half,2026)。

把这四项发现放在一起读,图景就很具体了:所有人最先打开的那道门,恰恰是几乎没人信任的那道;它的运行成本变高了;而它现在衡量的东西,是可以买到的。

双栏那个结果是另一个独立警报

先把AI的问题放在一边,看那两组人工简历。同一个候选人、同一段经历、同样的陈述——排成单栏,31%;排成双栏,12%。这个差距与能力、动机或匹配无关。它是一个排版产物。

双栏版式正是简历解析器经常失灵的地方:文本栏被交错成乱码,技能侧栏被整段丢弃,日期与其所属的职位脱钩。如果你的申请人跟踪系统是基于解析出的字段来打分或排序的,那么一个出于美观考虑做出的排版选择,会悄悄把一位候选人压到名单下方。在这项实地测试自己的数字里,一份版式错误的人工简历,表现还不如一份只是被指向该岗位的AI草稿(Kickresume,2026)。

无论你对定制问题得出什么结论,这都值得花一个下午做诊断。取出你上个季度在筛查环节淘汰的十份简历,让它们过一遍你的解析器,然后读一读你的系统实际吞进去的内容,与候选人实际提交的内容做对照。失效模式不是解析器报错——而是解析器运行成功,产出了劣化的字段,而下游的排序把它们当成真的。

反驳:定制难道不仍是一个真实信号吗

最有力的反驳值得被公平对待。如果一位候选人愿意花工夫做定制——哪怕是借助AI——他毕竟还是在标签页里另外四十个岗位之中选择了你的职位。这难道不揭示了偏好吗?

部分如此,实地测试也支持这一点:36个正面结果中有30个来自匹配良好的岗位,这说明匹配度承担了大部分作用。但偏好与匹配不是同一个变量,而定制只代理了前者。一个候选人可以为一个他五个月后就会离开的岗位做出完美定制;而一位匹配度很高、只有一份朴素单栏简历、没有定制习惯的候选人,可能在任何人类读到一个字之前就被筛掉。更糟的是,这个代理指标的退化是不对称的:最可能借助AI批量投递的候选人,恰恰是定制对其毫无成本的那一群,因此定制与真实兴趣之间的相关性,恰恰在投递量最高的地方衰减得最快。

这个反驳站得住脚的版本,比它听上去要窄得多。定制是偏好的弱证据,而几乎不构成能力的证据。作为并列时的决胜标准,它没问题。作为排序输入,它无法辩护。

衡量能力,而不是文档工艺

约八十年的甄选研究指向同一个方向:工作样本、结构化面试和认知能力测量是工作绩效最强的预测指标之一,而与简历相邻的输入——如工作年限和学历证书——相对薄弱(Schmidt与Hunter元分析,1998)。这一发现比生成式AI早了四分之一个世纪。AI并没有让简历失效——它只是取消了把简历作为第一道门的最后一个实务借口。

运营上的区别在于:是从一份文档如何被组装起来推断能力,还是对照岗位的实际要求去测量能力。

这个季度该改什么

挑一个高投递量的招聘需求——就是那种申请数量翻倍、招聘人员正淹没在近乎雷同且定制良好的文件堆里的岗位。然后做四件事:

  1. 把简历降级为淘汰式过滤器。它回答资格问题(工作许可、硬性证书、不可妥协的经验门槛),仅此而已。它不产生排名。
  2. 在排序步骤之前,放入一个结构化的、能代表实际工作的信号——一份简短的工作样本、一项经过验证的测评,或一场结构化面试,并对照岗位列明的要求打分,而不是与其他申请人互相比较。
  3. 在看到任何一位候选人之前,先给要求定权重。一项会直接否决录用的要求,不应与一项锦上添花的要求同权;而在申请到达之后才决定这个排序,正是事后合理化进入漏斗的路径。显式的关键性加权,是多数团队跳过的那部分评分机制,也正是让排名可审计的那一部分。
  4. 用它与一个以简历优先方式运行的同类岗位做A/B对照,盯住两个数字:90天时的用人质量,以及从筛选工作中夺回的招聘人员工时。

如果那项实地测试里的定制AI组在运营上说明了什么,那就是:你的漏斗很乐意为二十分钟的提示词工作支付溢价。这个季度的问题是,你是否会明知如此仍据此为候选人排序。在能力信号走到文档前面之前,你的简历筛查买的就是二十分钟的提示词工作,并把它称作证据——而每一次你打开这条管道,这笔买卖就重新成交一次。

Ready to go beyond the CV?

Scovai's AI-powered Talent Passport reveals what resumes can't: personality, potential, and true job fit.