如今有百分之五十四的人才负责人表示，AI生成的简历、申请和面试准备让评估应聘者的真实能力变得更难了——而他们说这话的同时，超过90%的人报告在整个寻源与筛选环节使用AI，却只有不到5%的人称结果具有变革性（ManpowerGroup, 2026）。把这三个数字放在一起读，故事就不是"AI在帮我们招人"。故事是这样的：你花了两年把漏斗的一侧自动化，你的应聘者花了同样两年把另一侧自动化，而对真正要紧之事——看清谁能干这份工作——的净影响，反而倒退了。
这就是当下大多数中型市场招聘运营所身处的陷阱。当筛选看似失灵时，本能是买一套更好的求职者跟踪系统，或再加装一个AI过滤器。ManpowerGroup与Everest Group的数据表明，这个本能瞄错了层。这不是工具缺口。这是信号问题，而再多的筛选自动化也修不好一个已被大规模伪造的信号。
漏斗两侧同时被自动化
从对称性说起，因为这是几乎没人计入的那部分。当你部署AI去寻源、排序和筛选时，你假定另一侧的输入保持恒定——假定一份简历所承载的信息与2022年大致相同。并非如此。应聘者如今拥有与你同一类的工具。生成式AI写简历，把求职信调校得贴合你的招聘启事，起草你筛选问题的答案，并演练面试。
ManpowerGroup/Everest Group的研究——一项对美英两国80位C级高管、CHRO及高级人才招聘负责人的调查——为这一后果标上了数字：54%报告称，AI辅助的应聘者行为让准确评估真实能力变得更难（ManpowerGroup, 2026）。这是多数高级招聘负责人在告诉你，输入已经退化。两侧一同自动化，而这场军备竞赛的结局也如军备竞赛通常的结局——双方花费大增，谁都没得到持久优势。
信号没有变得更嘈杂——而是变得可伪造
这里有一个关键区分，它改变了应对之道。问题不在于漏斗里噪声更多。而在于简历与申请这一层如今可被AI充气——一旦信号能被廉价制造，按它给应聘者排序就不再度量你在意的东西了。
想想你的AI筛选究竟在优化什么。它依据应聘者书面申请的强度来打分和排序：关键词、措辞、与岗位描述的表面匹配。当这一书面层是由应聘者的努力产出时，它是勤勉与匹配度的一个微弱但真实的代理。当它由一个模型在九秒内产出时，排序便越来越奖励提示词的娴熟——应聘者（或其工具）把你的招聘启事逆向工程得多好——而非对岗位的匹配。你仍然得到一份清晰、笃定的排序名单。只是它在度量错误的变量。这是甄选中最危险的失效模式：不是一个明显崩坏的系统，而是一个在其所度量之物悄然失去意义之后，仍继续输出笃定结果的系统。
这也是为什么"不到5%具有变革性"并非再过一个季度的采用就能解决的成熟度问题（ManpowerGroup, 2026）。你无法从一个信号已被掏空的层里榨出变革性结果。把更多筛选马力施加于可伪造的输入，只会得到更快、更笃定的噪声排序。
藏在下面的体量问题
信号问题骑在体量问题之上，二者相互叠加。由于投递如今几近免费，申请数量已与真实兴趣脱钩。一位招聘人员报告说，一个业务分析师岗位，历史上会吸引100到150份申请，这一次却收到了2000多份——单个职位暴涨13至20倍（The Irish Times, 2026）。这不是一波合格的兴趣。这是应聘者运行着与你相同的自动化所产出的机械输出。
代价落在你团队的时间上。在同一报道中，Greenhouse的一项调查发现，38%的招聘人员如今把一半的精力花在过滤垃圾、垃圾邮件和完全不合格的申请上（The Irish Times, 2026）。把这叠加到信号问题上，你就得到了完整图景：申请数量空前之多，每一份却都是空前之弱的指标，而招聘团队正燃烧掉一半产能，去把机器生成的体量与人类意图分开。买更多筛选AI来更快处理它，并不能缩小问题。它只是把问题工业化。
为什么更好的ATS救不了这个
那个诱人的答案——更聪明的ATS、更锋利的简历解析模型、一个"检测AI"的AI——从设计上就注定输掉军备竞赛。你部署的每一个检测器，都是生成工具据以自我优化的靶子，而这些生成工具迭代更快，且被数以百万计的应聘者使用。你会把预算投入到防守恰恰已被攻破的那一层。
失败更深层的原因在于，它接受了一个破碎的前提：以为能力栖居于简历。它从来就不完全如此——如今更是可证明地并非如此。解药不是更机巧地去读那个可伪造的层。解药是不再如此看重那个可伪造的层，把决策权重转移到应聘者无法大规模廉价制造的输入上。这是你筛选方式上的设计变更，而非一次采购。
留在军备竞赛里还有一项更安静的代价：错误拒绝。当你的排序奖励提示词娴熟时，那位真正强、却拙于自我营销的应聘者——或那位拒绝把申请过一遍优化器的人——就会沉到那位这么做了的人之下。你不只是没抓住注水的申请；你在主动给那些懒得玩弄该层的真实能力降级。在一个单个职位如今吸引数千份申请的市场里，这些假阴性既看不见也无法挽回。你永远不会知道，你那可伪造的信号埋葬了哪位合格的人。
把权重重新分配到应聘者无法大规模伪造的输入上
在这里，研究出奇地成熟，且比AI恐慌早了数十年。参照点是Schmidt与Hunter的元分析，它综合了约85年的甄选研究，发现工作样本测验、结构化面试和认知能力测量是工作绩效最强的预测因子之一——而与简历相近的信号，即学历与工作年限，则相对薄弱（Schmidt & Hunter, 1998）。一项结构化的、代表实际工作的评估，其预测效度远高于申请文件——即便在申请文件如实撰写的年代，它也是更好的工具。
AI把这从一个最佳实践论点，变成一个紧迫论点。经得起考验的方法，恰恰是那些难以被大规模伪造的方法。一个模型能在几秒内生成一份无瑕的简历；它无法让你真实的应聘者坐下来做一份代表实际工作的样本，并在结构化条件下产出他真正的推理。一项经验证的心理测量评估，度量的是被打磨过的申请根本不会揭示的特质与倾向。你在简历层丢失的信号是可以找回的——但只有把度量转移到自动化够不着的地方才行。
具体而言，"应聘者无法大规模伪造的输入"意味着中型市场运营团队真正能落地的两样东西。其一，结构化工作样本：一个简短的、代表岗位的任务，依据一致的评分量表打分，让你观察此人做一片实际工作，而非读他关于此事的自述。其二，经验证的心理测量评估：对预测岗位绩效的倾向与特质的一次可度量读取，在应聘者无法外包的条件下施测。两者都把决定性的信号从文件移到行为上——而且两者都值得注意地比简历筛选在法律上更站得住脚，因为它们直接对工作取样。
本季度唯一要做的一步
你不必拆掉你的ATS，也不必重构招聘去应对这件事。你需要改变的，是决策权重在某一个岗位上落在何处。
因此，具体的一步既狭窄又可检验：挑出你体量最大的在招岗位——那个正被AI注水的申请淹没的岗位——在流程早期插入一份代表实际工作的样本外加一项经验证的评估，然后重新分配你的排序权重，让这些结果压过简历分数。只用简历层去筛掉明显不合格者；让不可伪造的输入决定谁能晋级。随后把它与一个留在"简历优先"筛选下的可比岗位做对照度量，用一个季度观察两个数字：入职质量信号，如上手速度与早期绩效；以及从过滤垃圾中夺回的招聘人员时间占比。
如果这个被重新加权的岗位以更少的白费筛选精力产出了更好的雇佣，你就在你自己的漏斗内部，证明了ManpowerGroup数据所指向的东西：对一个被掏空的信号，答案从来不是给那个可伪造的层配一个更好的筛选器。答案是不再信任你的应聘者已学会自动化的那一层——而去度量他们仍然无法伪造的那唯一一样东西。那54%说自己再也读不懂能力的人，对问题的判断是对的。他们只是在唯一一个AI已确保它不再存在的地方，寻找它。
