一名正在攻读医学学位的学生，在连续投出数十份简历却从未获得一次面试机会后，没有像大多数人那样默默接受，而是做了一件不太寻常的事——他打开Python，开始了一场长达六个月的调查。他的目标很明确：找出究竟是他的履历不够好，还是一个看不见的算法在暗中将他筛掉。
“我不相信是我能力不够”
这位不愿透露全名的学生（我们姑且称他为阿力）正在美国某医学院就读，成绩优异，实习经历丰富。但当他在2025年秋季开始投递临床研究岗位的求职申请时，收到的全部是拒信，甚至连一次电话面试都没有。“一开始我以为是竞争激烈，但当我看到一些背景明显不如我的同学却拿到了面试机会，我意识到事情可能没那么简单。”阿力对记者说。
他回想起在职业发展讲座上听到的“很多大公司使用AI筛选简历”的信息，一个念头逐渐清晰：也许他的简历根本没有被人类看过一眼，而是被算法直接扔进了回收站。带着这种怀疑，他决定亲自验证。
“我花了三个周末学习如何调用那些求职平台的后台接口，然后写了一个脚本重复提交不同版本的简历——只改动几个关键词和格式。”阿力解释道，“结果令我震惊：仅仅因为我将‘Python’这个词从技能栏移到项目描述中，面试邀请率就提升了40%。”
算法筛选：效率背后的隐形歧视
阿力的测试并非孤例。近年来，AI招聘工具在欧美企业中的使用率已超过70%，从简历解析、关键词匹配到面试视频分析，算法参与到招聘的每一个环节。然而，这些系统常常存在严重的偏见问题。2023年亚马逊就曾被曝出其内部简历筛选AI对女性候选人存在系统性歧视，原因在于历史数据中男性工程师占优，算法便学会了“偏好男性”。
更令人担忧的是，大多数商业AI招聘系统是不透明的“黑箱”。供应商通常只提供“评分”或“排名”，却拒绝解释评分依据。求职者不仅不知道自己的简历为何被拒，也无从申诉。阿力表示：“如果你被人类面试官刷掉，至少可以请求反馈。但面对算法，你连对手是谁都不知道。”
六个月的逆向工程
为了更全面地了解问题，阿力针对五家主流招聘平台使用的AI引擎进行了反向测试。他创建了200多个虚拟候选人档案，系统性地调整教育背景、工作经验、技能关键词、排版格式甚至字体颜色。结果发现，几乎所有系统都对某些特定表述方式（如“实现” vs “负责”）赋予显著更高的权重，而这类规律通常与岗位实际需求无关，反而更接近某种“简历美学”模板。
更讽刺的是，当他将一份真实的高管简历改用另一种简洁模板重排后，AI评分从92分跌至74分。这说明算法看重的不只是内容，更是格式的“标准化”。而求职者为了通过筛选，不得不猜测并迎合这些不可见的偏好。
编者按：谁该为“算法误判”负责？
阿力的故事并非孤例，它折射出AI招聘产业化进程中一个被长期忽视的问题：技术效率与公平之间的鸿沟。企业追求低成本、高速度的招聘，却把求职者置于一个无法申诉的境地。更值得深思的是，当前缺乏针对招聘算法的强制审计法规——供应商可以用“商业机密”为由拒绝披露算法逻辑，而求职者几乎没有任何维权渠道。
一些民间组织呼吁，应像欧盟《人工智能法案》那样，将招聘AI列为高风险系统，要求其进行公平性评估和透明度报告。但立法进程显然跟不上技术扩散的速度。对求职者而言，可能最实用建议就是像阿力那样——主动学习一点儿Python，至少知道自己输在哪里。但在一个由算法筛选人的世界里，这种自救难道不也是一种悲哀吗？
本文编译自WIRED
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接