员工在更新职业档案的那段时间里，更换雇主的可能性高出64%（NBER，2026）。这里说的不是他们当前的职位，而是他们的工作履历：多年前就已离开的职位名称，早在任何人想到修改之前就已完成并归档的工作描述。
这是尼古拉斯·布鲁姆（Nicholas Bloom）、吉迪恩·摩尔（Gideon Moore）、丽莎·西蒙（Lisa Simon）和凯兰·威尔基-罗杰斯（Caelan Wilkie-Rogers）在一篇新的NBER工作论文中的核心发现。他们利用Revelio Labs 2020至2026年的月度数据版本，发现19.7%的美国资深LinkedIn用户会追溯修改一份已经离开的工作的职位名称或描述，而且修改时间的中位数是在离职四年多以后（NBER，2026）。
由此产生两个后果，大多数运营团队同时面临这两者。第一，一个在辞职信出现前数月就已显现的留任风险信号。第二，一个隐藏在所有基于档案历史构建的技能基准之下的数据问题。
NBER研究究竟测量了什么
大多数档案研究只取一个快照，并把它当作可靠记录。这项研究做了更有用的事：它将每份档案与其自身的早期版本逐月比较，覆盖约2940万份美国档案（TNW，2026）。这样不仅能看到档案写了什么，还能看到它从什么时候开始这样写。
作者把这种追溯性修改称为"时间旅行"，而且这种现象绝非边缘。
- 五分之一的资深用户自2020年以来至少这样做过一次，作者称这是一个下限，因为他们的更新文件从2020年才开始。
- 四年以上是离开一份工作与改写它之间的中位间隔。这不是有人在离职时顺手改个错别字。
- 到样本期结束时，近三分之一的科技与信息行业从业者进行过"时间旅行"，是所有行业中最高的；媒体报道给出的数字是31.6%（TNW，2026）。建筑业和房地产业处于另一端。
这种集中度很重要。比率最高的行业，恰恰是中型企业知识型工作最集中、替换成本最高的地方。
离职风险在辞职前数月就已显现
正是时间规律让这一发现不只是一则趣闻。
与不跳槽的人相比，更换雇主的员工在跳槽前整整一年进行"时间旅行"的可能性就已高出一倍以上。从大约跳槽前六个月开始，这一比率进一步攀升，最终达到其十二个月前水平的两倍：2.4%对1.1%。在跳槽后约三个月内，它回落到基线水平（NBER，2026）。
请以运营负责人的视角来读这组数据。信号走在离职之前，而不是之后。等到辞职申请送到经理手中时，档案修改往往已经发生了半年。
为什么提前量很重要
盖洛普（Gallup）关于自愿离职的研究说明了错过这一窗口的代价。在自愿离开组织的员工中，42%表示他们的经理或组织本可以做些什么来阻止他们离开。45%表示，在离职前三个月里，无论是他们的经理还是其他任何领导，都没有主动与他们讨论工作满意度、绩效或他们在组织中的未来（Gallup，2026）。
盖洛普估计，领导者和经理的替换成本约为其薪资的200%，技术专业人员为80%，一线员工为40%。在一家150人的公司里，几次本可避免的资深员工离职，就是CFO会注意到的一笔开支。
所以，缺口不在于关于意图的信息。员工们正在公开发布这些信息。缺口在于，在谈话仍能改变结果的那几个月里，没有人去进行这场谈话。
你的工作履历数据正在被朝着AI方向改写
第二个后果不那么显眼，但对任何采购人才智能（talent intelligence）服务的人来说，代价更高。
追溯性修改并非随机。ChatGPT在2022年底发布后，追溯添加AI相关用语（"AI"、"GPT"、"LLM"、"artificial intelligence"）的数量增长了六倍以上，近几个月才有所放缓。远程办公和DEI相关用语则朝相反方向变化。与大语言模型相关的写作特征在ChatGPT之后也大幅上升，在受教育程度较低的群体和排名较低项目的MBA毕业生中最为明显（NBER，2026）。
作者对其机制给出了一种合理解读，并谨慎地将其定位为解释而非发现：员工修改简历，是为了反映他们认为雇主想听到的内容（NBER，2026）。
值得带进下一次供应商会议的是这个量化结论。用今天的档案而不是2022年时档案的原貌来估算2022年AI技能的普及程度，会将其高估约30%，而作者同样称这是一个下限（NBER，2026）。
这对技能差距基线意味着什么
如果你的人力规划把员工与基于当前档案数据得出的"市场"AI技能普及率进行比较，那么市场的历史已经被向上修改了。数据中的趋势线比现实中更陡。你的团队看起来比实际更落后，培训预算则是按照一个从未存在过的过去来确定的。
这对你的招聘筛选意味着什么
同样的逻辑也适用于候选人。正如Human Resources Director在报道中所说，雇主再也不能对一个旧的职位名称信以为真（Human Resources Director，2026）。一份2021年的职位如今写着"主导了AI驱动的流程自动化"，它可能是在2025年写的。任何把工作履历当作同期记录的筛选方式，无论是人工还是模型，奖励的都是最近一次改写，而不是真实的经验。
反对意见：这不过是换了个步骤的监控
这是值得认真对待的反驳，它有三个方面。
这个信号是相关性的。 作者明确指出，这种关联可能是选择效应（人们因为已经在找工作而润色档案），也可能是处理效应（润色后的档案提高了找到工作的几率）。对于留任决策来说，这个区别几乎无关紧要：无论哪种情况，修改都意味着某人比以前更接近离开。但它排除了把一次修改当作任何事情的证据。
绝对比率很低。 在一个低基础率上相对提升64%，仍然是一个低基础率。2.4%的月度比率意味着绝大多数档案修改之后并没有离职。如果据此建立针对个人的观察名单，你制造的误报会远多于真正的离职，并把经理的注意力浪费在错误的人身上。
监控会侵蚀它所测量的东西。 发现有人在追踪自己公开档案的员工，会合理地得出结论：自己不被信任。这恰恰会加速你想要阻止的离职。视司法辖区而定，这还可能引发数据保护问题，你的法律顾问应在你构建任何东西之前给出答案。
认真对待这一反对意见，结论反而更加清晰。档案修改不是干预手段。它是一个证据，说明真正的干预，也就是关于一个人未来的定期、实质性谈话，来得太晚或根本没有发生。这里真正重要的数字是盖洛普的45%，而不是64%。
信号与观察名单的区别
实际的界线很简单：用这一发现来改变谈话的节奏，而不是去构建监控系统。
这项研究告诉你三件事，你无需查看任何一名员工的档案就可以据此行动：
- 离职意向大约提前六个月就会显现。 如果留任谈话只在年度考核时进行，你在大多数离职面前都在结构上迟到了。
- 你的最高风险人群是可以预测的。 技术和知识型岗位"时间旅行"最多，替换成本也最高。那里的谈话节奏应该最紧密。
- 历史档案数据不是可靠的记录。 任何建立在其上的人员分析模型或技能基准，都会继承一种向当前市场所奖励方向偏移的上行偏差。
本季度如何处理工作履历数据
这一步比听起来要小，也不需要新软件。
为每个技术岗位和资深岗位安排每季度一次的留任谈话。 不是绩效考核。只用一组问题：什么会让你离开，什么会让你留下，十八个月后你想做什么。目标是在六个月窗口打开之前，填补盖洛普发现的45%缺口。
向每一家人才智能供应商只问一个问题。 你们的历史技能基准是基于按时间点保存的档案版本构建的，还是从今天的快照重建的？如果是后者，就对历史趋势打折扣，并索要校正系数。对于AI技能，把约30%视为下限。
重新建立任何将你的团队与"市场"比较的技能差距分析的基线。 如果市场数据序列来自当前档案，你团队的差距很可能被高估了。在承诺培训预算之前重新调整其规模。
不要再把工作履历当作筛选中的证据。 通过工作样本、结构化面试和推荐人来核实真正重要的经验，而不是依赖那些可能在事后四年才被改写的职位名称。
记录正在众目睽睽之下被改写
这篇论文最有用的地方不是64%这个数字。而是让人意识到，工作履历，这项每一份人力规划、每一个技能基准和每一套筛选流程都默认不变的数据，其实是一份活的文档，会根据市场今年奖励什么而被修改。
你的员工已经在提前数月告诉你，他们何时在重新考虑自己在哪里工作。大多数组织没有任何机制去听到这些，因为唯一排定的谈话是一年一次的那一场。
在本季度结束之前，决定哪些岗位每九十天进行一次留任谈话，并在本月就把第一轮排进日程。
