AI 面试评分的公平性取决于三件事：它测什么、数据怎么训练、结果怎么被使用。算法本身没有立场，但训练数据里的历史偏好、评估维度的设计、对表达方式的区分，都可能让某些群体的得分系统性偏低。所以答案不在公平与不公平之间二选一，而在看具体系统与使用方式，求职者和企业各有可以做的事，这篇把两边都说清。
面试评分系统实际测什么
常见的 AI 面试系统评估几类内容：回答文本的关键点覆盖与逻辑结构、语言流畅度，部分系统还加入表情与语音特征分析。文本类评估相对可解释，视觉与语音类评估争议更大——表情、口音、语速与岗位能力的关联性缺乏可靠依据。判断一个系统测得有没有道理，看它的评分维度是否与岗位胜任要求对应：技术岗位的评估如果包含「微笑频率」，权重设计就有问题。把评分维度表要来看一眼是合理要求，正规供应商不会拒绝提供说明文档，遇到拒绝或语焉不详，本身就是信号。
偏见的三个来源与传导路径
偏见主要来自三处：训练数据，如果用历史录用数据训练，历史上的偏好会被模型继承并放大；维度设计，某些表达风格被默认打高分，方言口音、非母语者、神经多样性人群容易吃亏；使用流程，AI 只做初筛但人完全不复核，或把分数当唯一依据，偏见就从工具传导到决策。三条路径都能截断：数据做偏倚审查、维度做岗位相关性验证、决策保留人工复核，是业内公认的基本做法。偏倚审查可以委托第三方做，也可以用内部不同群体的历史样本回测，结论至少要能回答「不同群体得分差多少」，缺任何一条都要打个问号。
求职者视角的应对与边界
求职者能做的合理应对：答题结构清晰、要点先行，多数评估系统对结构化表达更友好；环境与设备提前调试，避免光线、杂音干扰识别；面试后把题目与自己的答题要点记下来，无论结果如何，这些都是下一次的素材。遇到明显异常的评分结果，可以礼貌询问评估维度与复核渠道。边界也要清楚：不建议使用话术模板背诵或对抗性工具刷评分，一方面不少企业会识别，另一方面真实能力在后续环节仍会暴露，绕得了一轮绕不了全程，反而在背景上留下疑点。
企业侧降低偏差的做法
对企业来说，降低偏差是可操作的：选型时要求供应商提供评估维度的说明与偏倚测试结果；上线前用分组数据验证不同群体得分分布是否异常；流程上把 AI 定位为初筛与辅助，最终决策由面试官结合多轮信息做出，申诉通道的入口写在面试通知里，比藏在招聘页面深处更能减少纠纷；定期复盘通过率与后续绩效的关联，评估系统是否真的在测能力，每半年把误判样本整理成册反馈给供应商，系统的偏差就是在这样的来回里被压下来的。监管层面对自动化决策的要求也在细化，涉及求职者的自动化决策需要可解释与可申诉，企业按此准备更稳妥。
AI 面试评分能申诉吗？
- 被系统判低分，有机会人工重看吗？：取决于企业流程，规范的企业会设复核通道，求职时可以主动询问评估方式与申诉路径。
- 系统会不会因为口音打低分？：存在这种风险，取决于系统的训练数据与维度设计，这也是偏倚审查要覆盖的重点项。
- AI 面试前需要专门练习吗？：把要点讲清、逻辑理顺即可，过度表演式训练容易失真，正常的结构化表达已经足够友好。
