38% 的美国求职者至少有一次放弃过某个招聘流程,原因恰恰是其中包含 AI 面试。另有 12% 表示,如果被要求参加,他们也会退出。按报告自身的解读,你候选人池中的一半,要么已经离开,要么准备离开(Greenhouse 2026 Candidate AI Interview Report)。
显而易见的推论是候选人已经反对自动化筛选。但同一份数据排除了这一解释。当被问到今后希望怎样时,只有 19% 的美国候选人表示想要更少的 AI 参与。仅这一个数字就改变了退出率的含义——也改变了修复它的成本。
退出并不是对 AI 的一次公投
Greenhouse 调查了美国、英国、爱尔兰、德国和澳大利亚的 2,950 名正在积极求职者。接触 AI 如今已是常态而非实验:63% 的美国求职者在过去十二个月中接受过 AI 面试,六个月内上升了 12 个百分点。
如果退出率随 AI 使用程度上升,那么 AI 用得最多的市场应当阻力最大。事实并非如此,至少不是干净的对应关系。德国的国际接触率最高,为 57%,同时其退出率在所有市场中也最高,为 42%。爱尔兰接触率最低,为 36%——而未事先告知是其首要退出诱因,这与只有 9% 的爱尔兰候选人被明确提前告知将使用 AI 相吻合。
还有第二项检验,可以把对机器的反感与对你流程的反感区分开。Greenhouse 询问候选人是否曾因某项个人特征而感到被差别评价,分别就 AI 与人类面试官作答,结果几乎一致:年龄一项,AI 为 36%,人类面试官同为 36%;族裔两种情形均为 27%;性别为 24% 对 26%。在外貌一项上,候选人认为 AI 的偏见小于人——21% 对 28%。候选人并没有把某种独有的偏见归给算法。
再看美国候选人说他们想要什么来替代目前的安排,图景会更清楚:22% 希望更多 AI 但配以更强的人类监督,21% 希望维持现有水平但更透明,19% 希望减少 AI,只有 12% 希望更多 AI、理由是它让招聘更快更公平。在全部五个市场中,最后这一选项从未超过 14%。多数人的立场不是撤退,而是同样多的机器,旁边配一个人。
候选人离开的是无人值守的 AI 面试,而不是自动化
Greenhouse 数据中的退出诱因是具体的,而且不是「公司使用了 AI」。
占比最高的单一诱因是由 AI 评分、无任何人类在场的预录视频面试——33%。其后是:公司未披露将如何使用 AI(27%)、AI 监控(26%)、强制的 AI 主导面试(26%),以及根本无法判断对话方是人还是机器(20%)。
这五项中有三项关乎人的缺席或解释的缺席。只有一项——强制的 AI 主导面试——关乎自动化本身。
候选人提出的补救措施恰好对应。美国的首要诉求是可以改为申请人类面试(46%),其次是事先被告知有 AI 参与(44%)、对 AI 衡量什么给出清晰解释(39%),以及知道在作出决定前有人复核 AI 的评价(38%)。人类面试这一选项在所有受访市场中无一例外都是排名第一的安心措施,从德国的 41% 到爱尔兰的 49%。此外,59% 的美国候选人希望与人类招聘人员的实时对话作为与公司的第一次接触;12% 更偏好由 AI 主导的实时面试(Greenhouse,2026)。
空椅子才是产品缺陷。自动化不是。
反驳意见:陈述性偏好很廉价
一位理性的运营负责人应当在此提出质疑。调查受访者说自己重视人工复核,是因为这样说不花钱。实际行为是另一回事,「我本来会退出」不等于退出。
这一质疑已被直接检验,并且站不住脚。一项预注册的联合分析实验让 1,919 名美国求职者各自在 AI 筛选系统之间作出八次强制选择——总计 30,704 份方案——并对六个属性独立随机化:决策权限、错误率、解释、退出权、申诉权与独立偏见审计(Wang, Sturgis & de Kadt,2026)。
人类参与使陈述性选择的入选概率提升 +0.272。把系统的错误拒绝率从 30% 降到 10%,则提升 +0.285。两者之差在统计上与零无法区分。说白了:在流程中放一个人,所换来的候选人意愿,大致相当于把系统准确率提高三倍。
相比之下,多数供应商着力宣传的程序性特性远低于此:申诉权 +0.156、退出权 +0.129、解释 +0.128、独立偏见审计 +0.068。
作者更锋利的发现值得停下来细想。随着错误拒绝变得更频繁,候选人赋予申诉权、退出权与偏见审计的价值并未上升——三者都停留在预注册的等价区间之内。程序并非被当作错误保险来看重,而是因其自身被看重;这意味着提升你模型的准确率并不能替代它。
诚实的局限
联合分析测量的是强制选择任务中的陈述性选择,而非实际投递的申请。作者本人指出,申请意愿(五点量表上 3.24)远高于感知正当性(2.85),且 7.8% 的受访者把低于中点的正当性与高于中点的申请意愿结合在一起——人们会向自己认为不正当的流程投递。因此申请量是衡量此事的拙劣工具。Greenhouse 是对答案有商业利益的供应商研究,其美国子样本未单独列出。两个来源指向同一方向;但二者都不是对漏斗损失的干净因果估计。
透明度修复候选人一侧,修复不了决策
多数对这些数据的回应正是在此处出错。直觉上的修正——披露 AI 评估什么——确实有效,但它恰好只在交易的一侧有效。
发表于 Information Systems Research 的八项研究,包括两项主实验与一次准实地复现,发现与人类评估相比,对单向视频面试的算法评估提高了候选人的压力与欺骗性印象管理;而告知候选人算法如何评价他们,可把两者都拉回到由人主持的面试水平(Lakhiwal, Liu, Bala & Suen,2026)。
雇主一侧的结果才是难受的那个。在 AI 增强的配置中——向人类决策者展示 AI 评分——评估者锚定于该评分并低估自己的判断,尽管该评分无法区分诚实回答与欺骗性回答。透明度在评估者一侧的纠正作用相当有限。
所以披露买回了候选人的行为,却没有买回决策质量。这是两项分开的修复,需要两项分开的改动;宣布第一项对第二项毫无作用。(全文需付费,已发表摘要给出的是方向而非量级——请当作效应方向,而非数量。)
损失在下游的真实样貌
退出率是可见成本。更安静的那部分,是留下来的候选人身上发生了什么。
在完成了 AI 面试的人当中,51% 根本没有得到任何结果:38% 被彻底无视,13% 仍在等待。只有 28% 进入下一轮(Greenhouse,2026)。这不是 AI 的问题——这是一个从未配备资源来闭环的流程,如今却以机器的吞吐量在运转。独立研究把同一趋势放在更长的基线上:将自身经历评为优秀的求职者比例从 2023 年的 18% 降至 2026 年的 11%,而这段时期招聘技术投入持续上升,且从未被无视过的候选人不足十分之一(PeopleScout,2026)。
信任也被相应定价。只有 21% 的美国候选人认为大多数雇主负责且透明地使用 AI,而在全部五个市场中,有 63% 至 70% 的人并不相信这一点。57% 认为企业应当被法律强制要求披露在候选人评价中使用 AI——这类诉求群体往往最终会得到他们要求的东西(Greenhouse,2026)。
品牌效应比标题所暗示的更接近,而这正是战略上有意思的部分:在美国,AI 面试后有 38% 的候选人对雇主观感更正面,34% 更负面,净值 +4。在英国净值为 −20。同样的技术,不同的配置,相反的结果。差异在实施,不在工具。
本季度该改什么
如果你的 AI 面试环节是以节省筛选工时来立项的,那么这份商业论证需要针对一个在最上端就自我筛除的漏斗重新计算。四个动作,按成本排序:
- 在环节之前披露,而不是在环节之中。 在邀约中明确说明有 AI 参与以及它看什么。这是那 44% 的诉求,是一次模板改动,同时也是 ISR 研究所显示能减少欺骗性回答的杠杆——因此它同时提升你的信号质量。
- 按请求提供人类面试通道。 那 46% 的诉求,也是五个市场中排名第一的补救措施。你不是向所有人提供,而是向那部分否则就会离开的人提供。把它与在管道中替换这些候选人的成本放在一起权衡。
- 让复核者在看到 AI 评分之前先给录像评分。 锚定效应只有在数字先到时才起作用。这是工作流中的顺序改动,不是采购决定,而且它是四项中唯一保护决策质量而非候选人体验的一项。
- 把披露与人类决策留在记录中。 如果你要声称有人复核过评价,这一声称应当可被检视,而不是仅凭断言——系统披露了什么、哪家供应商处理了数据、每次录用所记录的人类决策,这些要么平台公布,要么不公布。那 57% 要求法定披露的人,描述的是风向。
注意这份清单里没有什么:更换供应商、减少自动化,或退回人工筛选。只有 19% 的候选人在要求这些。
让你失去那些申请者的不是 AI 面试,而是那个缺席的人。在本季度批准下一笔筛选自动化支出之前,先弄清你自己在那个环节的退出率是多少——因为眼下它几乎肯定被记作了「缺乏兴趣」。