在你收到的最难处理的那批申请上——即边缘案例,单次调用的筛选说"不"、而人可能会说"是"的那些——当候选人由一个智能体代为出面时,通过率从 4.5% 变成了 26.2%。这是接近六倍的准入变化,而它并非来自模型、简历或职位描述的任何改动。它来自程序的改变。
这个数字出自 Gao 与 Jiang 关于智能体中介招聘的研究(arXiv, 2026),该论文被 EMNLP 2026 的 REALM 工作坊接收。它之所以对一位运营负责人重要,原因与公平性修辞毫无关系,而完全在于:你的 AI 简历筛选能否被辩护两次。同一项研究发现,双智能体程序所挑选出的申请,在案例重跑时复现得更少。闸门移动了,而且移动得并不一致。
这项研究:600 组配对、两个方向、一个边缘池
多数自动化筛选是一次静态判断。一次模型调用读取一份简历对照一个职位,返回一个裁决。Gao 与 Jiang 指出,招聘实际上并非这样构成的——雇主评估匹配度,而候选人提出并为自己的资历举证——于是他们构建了双边版本:雇主侧智能体与候选人侧智能体交换证据、更新各自判断,然后再决定谁能推进。
他们在 600 组构造的简历—职位配对上运行该程序,使用两个前沿模型 GPT-5.5 与 Claude Opus 4.7,并在同一批材料上与单次调用基线作比较。
| 指标 | GPT-5.5 | Claude Opus 4.7 |
|---|---|---|
| 推进率,单次调用 → 双智能体 | 33.3% → 39.3% | 34.0% → 35.5% |
| 边缘池通过率,3 次运行 | 4.5% → 26.2% | 6.5% → 16.1% |
把这两行对照着读。整体推进率最多移动了六个百分点——这种漂移,一位运营负责人会在毫无察觉的情况下吸收掉。而边缘池,即两种程序共有的 191 组配对,移动了数倍。效应恰好集中在你的阈值真正起作用的地方。
如果你的筛选是围绕一条切分线校准的,那么带着智能体到来的候选人并不是略占优势。他是在被另一套程序评估。
这不是放宽,而这正是问题所在
显而易见的解读是:双智能体筛选只是更宽松——候选人获得了一位辩护人,更多人通过,你重新校准阈值然后继续。论文明确堵死了这条退路:"双智能体筛选会拒绝单次调用所推进的申请,使决策在两个方向上都发生改变。"
由此有两个推论,而第二个才是昂贵的那个。
在通过量相近的情况下,两种程序推进的是不同的申请。你无法通过放宽单次调用筛选来复制双智能体的结果,因为没有任何单次调用的阈值能够重新捞回双智能体筛选稳定选中的那些申请。这两种程序不是同一个旋钮上的两个档位,而是两个不同的选择函数,只是恰好让数量相近的人通过。
而在发现阶段被选中、随后在新一轮运行中重新执行的案例里,仅由双智能体程序挑出的那部分选择,比两种程序共同挑出的部分复现得更少——在 GPT-5.5 上很明确,在 Opus 4.7 上则不那么确定——而单次调用的对照追踪并未显示出可比的下降。被智能体中介程序独自发现的那些候选人,恰恰是最不可能被再次发现的。
无法复现的决策,也就无法被解释。 无法向提出质疑的被拒候选人解释,无法向内部申诉解释,也无法向监管机构解释。在欧盟《人工智能法案》(EU AI Act)下,招募与候选人评估属于附件三,高风险义务以及第 26 条的部署者义务现已自 2027 年 12 月 2 日起适用(EU AI Act explorer, 2026)。第 14 条的人类监督要求,前提是存在某种稳定的东西可供监督。一份只写着该候选人在这一次运行中通过了的筛选记录,不是监督日志。它是一张盖了时间戳的彩票。
在 AI 简历筛选中,程序——而非模型——才是你能控制的变量
这一发现并不孤立,而这正是它应当从"有意思"变成"要落地"的原因。另一项针对三个模型(商用与开放权重各有)、超过 30,000 次 LLM 简历评估的审计发现,在所测试的每一种条件下,人口统计学效应都微不可计——但仅仅是提示词的措辞,就让资历偏好重新浮现。在经验被严格控制为相同的情况下,结构化的评估提示词把年龄效应压缩到 d=0.02(p=0.90);而随意的、凭感觉的提示词则保留了 d=0.41(p=0.03)(Pavlopoulos, 2026)。同样的模型、同样的简历、同样的候选人。不同的程序,不同的答案。
在更丰富的条件下方向会反转,而这让问题变得更棘手而非更温和。当 Karvonen 与 Marks 加入真实的部署语境——真实公司名称、取自公开招聘页面的文化描述、以及"只接受前 10%"这类选择性约束——他们在六个模型上诱发了面试率上最高达 12 个百分点的人口统计学效应,而那些在干净基准上有效的反偏见提示词指令,这时失效了(arXiv, 2025)。
三项研究、三种方法、一个结论:你的方差不住在打分模型里。它住在模型周围的程序里。
为什么这件事现在就要紧,而不是 2028 年
因为候选人侧的那一半已经上线了。ManpowerGroup 与 Everest Group 发现,54% 的雇主表示,AI 生成的简历、申请与面试准备让评估候选人的真实能力变得更难,而同时超过 90% 的雇主在人才寻源与筛选中使用 AI,却不到 5% 的人认为结果具有变革性(ManpowerGroup, 2026)。
这道落差——近乎普遍的采用、几乎为零的已实现价值——通常被读成工具问题。Gao 与 Jiang 的研究提示,它是程序问题。两侧都已自动化,两侧的程序却都未被明确规定,于是闸门的行为已成为两个系统相互协商后的涌现属性。
诚实的边界
把这项发现放在它真实的分量上。这是 600 组构造的简历—职位配对,不是带有真实结果的真实招聘——没有任何指标衡量双智能体筛选推进的那些候选人后来是否真的胜任。两个模型,均为前沿模型,取自某一个时间点。而且这是一篇工作坊论文,不是经同行评审的期刊文章,因此尤其是关于复现性的结果,应当被当作一个强信号,而不是一个已经稳定的估计。
在这些保留条件之后仍然站得住的,是那个结构性论断,也正是会让你花钱的那一个:不同的筛选程序,其决策复现的可靠程度各不相同,而目前没有人在测量这件事。即便该效应只有所报告规模的一半是真的,你的边缘决策也已是漏斗中最不稳定、也最可能被挑战的那一部分。
这个季度该做什么
有用的回应不是禁止候选人使用智能体——你无法可靠地检测它,而这种尝试只会让你失去那些遵守规则的候选人。有用的回应是:让程序而不是模型,成为你治理的对象。四个动作,按成本排序:
- 对上个月的边缘决策做一次复现性测试。抽出五十份落在你切分线几分之内的申请,用完全相同的筛选重跑一遍,数一数有多少裁决保持不变。那个数字就是你的可复现率,你几乎肯定还没有它,而拿到它只需要一个下午。
- 把提示词固定为配置,而不是每位招聘人员各自的习惯。Pavlopoulos 的结果说明,结构化评估提示词与随意提示词是两种不同的仪器。如果你的招聘人员可以自由编辑筛选所提出的问题,那你实际上正在运行数量不明的多套程序,却把它们的输出都归因于一个模型。
- 把分数中的确定性部分与判断部分分开,并分别记录日志。由职位已声明要求按算术方式计算出的组成部分,在构造上就是可复现的;模型判断则不是。Scovai 的打分运行在一个固定的权重预算上,在两者之间按 50/50 切分,其中判断那一半以四个独立的子分数在低温度下返回,每个子分数都带有自己的书面理由——若想看这种分离在实践中是什么样子,可参考其打分架构。
- 把人工复核放在方差所在之处,而不是放在数量所在之处。你的复核人员目前摊在整条漏斗上。研究表明,不稳定性集中在边缘区间——这意味着一笔小而精准地对准该区间的人工复核预算,比一笔更大却均匀摊开的预算买到更多可辩护性。
这四件事都不需要新的采购。它们全都是配置决策,这既是好消息,也正是它们始终没被做出的原因。
摆在你面前的决定
智能体中介的招聘不会自我宣告。没有厂商演示、没有预算条目、没有需要审批的集成。它在足够多的候选人带着自己的工具到来、而你的闸门开始不再按你仪表盘所说的那样运作时抵达——而依据此处的证据,最先坏掉的不是准确性,而是可重复性。
所以值得写进这个季度议程的问题,不是你的 AI 简历筛选是否准确。它更窄,也远更可答:如果明天把上个月的拒绝重跑一遍,有多少会得出相同结果? 如果你不知道,那就是第一件该测量的事。你可能想对自己的筛选作出的一切主张——它公平、它可解释、有人在实质性地监督它——都取决于一个你现在还没有的答案。