用 AI 做招聘：JD 撰写与简历初筛

招聘里两件最费时间的事——写 JD、筛简历——AI 都能提速，但能接手的程度完全不同：JD 可以让它起草到八九成，初筛它只适合做"按硬性条件排除明显不符合"这一步。把这条边界想清楚，AI 是提效工具；想不清楚，它会替你做出你承担不起的偏向，尤其是在招聘公平这个容易踩线的地方。

先划清人机分工

招聘链路可以拆成四段：定义岗位、吸引候选人、筛简历、面试与录用决定。AI 在中间两段发挥稳定：起草 JD、批量处理简历、提取关键信息；定义岗位它给结构，判断归你；录用决定它只做信息整理。一句话版本：AI 负责整理与提纯，人负责判断与担责。

这个分工有两层理由。一是公平层面：录用决定直接影响他人权益，必须由人做出、可以追溯、可以申诉；二是能力层面：模型擅长按明确规则处理大批量文本，不擅长对具体的人做综合评价。凡是"这个候选人行不行"的问题，最终都要落回人这里。

写 JD：把要求分层

JD 常见的三种毛病：要求堆十几条没有重点、把加分项混成必备项、用了带倾向的表述。让 AI 起草时，把分层要求直接写进指令：请分成岗位职责、必备要求、加分项、我们能提供什么四块，必备要求控制在三条以内，语气专业但不生硬。必备项越短，投递质量通常越高——要求列到十条，等于劝退本来合适的人。

措辞上有两条硬线。一条是歧视性表述：性别、年龄、婚育、地域等与岗位无关的限制一律不写，草稿写完再让 AI 检查一遍有没有变相表达，"精力充沛""年轻有活力"这类词就暗含年龄倾向。另一条是夸大：把普通岗位写成改变行业，入职落差会变成试用期流失。JD 的开头两行决定候选人读不读下去，写法上可以参考把卖点压缩成一句文案的方法。

初筛：把条件写成可判定的规则

把几百份简历交给 AI 之前，先把筛选条件写成它可判定的形式："三年以上 B 端产品经验""工作地符合要求"，这类条件边界清晰，模型能稳定执行；"沟通能力强""有潜力"这类条件交给机器，只会得到噪声。

实操上让它做三件事：按硬性条件逐份标记符合与不符合并列出依据；把关键信息提取成统一表格，方便横向比较；单独标出存疑之处，比如时间线断档、职责描述含糊。要记住它给的是线索：每一份进入面试的简历都必须有人通读原文。关键词匹配会误杀经历复杂但合适的人——简历里没写全的技能、空窗期里做的项目，机器看不见。

公平线：偏见、复核与申诉

模型最大的风险是放大历史偏见。如果按"像不像现有优秀员工"来筛，等于把存量偏差制度化。对策有三条，一条都不能省。

其一，筛选规则先写下来再执行：只放与岗位直接相关的能力和经验，过程中不允许边筛边改标准。其二，对结果做抽查复核：把 AI 判为不符合的样本抽出 10% 到 20% 人工重看，确认没有系统性误杀某一类背景。其三，保留申诉与复核通道：候选人对处理结果有疑问时，有人负责回应，并能调出当时的筛选依据复查。这三条共同构成人机分工的兜底——机器执行，人监督机器。

数据保密同样要紧：简历包含大量个人信息，只用于本次招聘，不投喂给没有数据处理承诺的公开工具，超期简历定期清理。想建立定期回查的习惯，可以参考售后数据的归因思路：定期复盘"被淘汰的人里有没有某类背景被集体误伤"，事前发现比事后补救代价小得多。

不同岗位的初筛规则对照

AI 招聘速查

• JD 分四块写，必备要求不超过三条
• 歧视性表述零容忍，草稿让 AI 复查变相表达
• 初筛规则先写后用，只放可判定的硬条件
• AI 判不符合的样本，抽 10%–20% 人工复核
• 录用决定与申诉回应，责任永远在人

它做不到的部分

AI 读不到简历之外的信息：推荐信背后的信任关系、项目失败的真实原因、候选人在面试中的临场表现，这些都不在纸面上。它也不会为筛选错误付出代价——模型误杀一份简历没有任何成本，而团队错过一个合适的人代价实在。所以它适合排在流程前段做减法，不适合出现在决定环节做选择。

三个常被问到的问题

• 让 AI 按现有优秀员工的画像去筛，命中率会不会更高？：短期内看似提高，实质是在复制存量偏差。团队需要新的能力结构时，这种筛法会系统性漏掉能带来变化的人，而且难以自查。
• 候选人问"我是不是被机器筛掉的"，怎么回应？：如实说明初筛有自动化辅助、录用决定由面试官做出，并保留人工复核记录。含糊其辞引发的投诉，处理成本比坦白高。
• 小团队每次只收几十份简历，还值得用吗？：量小时人工逐份看更划算。AI 初筛的价值出现在大批量、硬条件清晰的场景；简历少时，建规则和维护规则的时间会超过省下的阅读时间。

这套"规则先行、机器执行、人来兜底"的思路在其他场景同样成立：用 AI 做年度复盘的方法讲的是怎么让 AI 整理数据而不替你下结论；如果团队里还有内容岗位要管，关键词布局与平台规则是另一个先把标准写清楚再交给工具的例子。