简历被机器打分

数据科学家乔迪·贝格斯在求职时发现，自己的简历因为篇幅达到两页而被扣分；同一份材料上有无中间名首字母，也会影响得分；把「percent（百分之）」改成「%」符号，分数反而上升。她使用的在线系统会将职位描述与申请材料比对，评估匹配程度。这类工具中最知名的是 Jobscan。

这类应用的逻辑建立在一个假设之上：招聘委员会会用人工智能在应聘者追踪系统（ATS）中自动为候选人评级排序，只有排名前 10% 到 20% 的人才会被看到，其余 80% 可能永远石沉大海。为了挤进短名单，应聘者不得不调整简历与求职信的格式，并塞满匹配的关键词。

假设未必成立

问题在于，这个前提并不总是正确。部分机构的招聘从始至终仍由人工完成。应聘者追踪系统本身的功能也千差万别：有的仅负责收集与跟踪申请，有的则提供自动化的人工智能面试。ATS 厂商 Greenhouse 的首席执行官丹尼尔·蔡特表示，求职者对这类工具存在大量误解，且技术迭代极快，今天和明天的表现可能完全不同。

更微妙的是，Jobscan 这类工具每月收费在 30 至 50 美元之间，其商业利益并不在于让用户尽快离开求职市场。有招聘者曾用极差的 Jobscan 分数拿到了十几次面试和一份录用通知，说明机器评分与真实竞争力之间并非等号。

在招聘岗位稀缺、虚假职位频出的「低裁员、低招聘」环境下，求职者与雇主之间的信任正在瓦解。雇主收到成百上千份几乎一模一样的申请，于是把它们丢进人工智能评分系统寻求快速区分；应聘者投出后石沉大海，便更依赖人工智能去「破解」系统。蔡特将这种状态概括为：每一方都在用人工智能解决自己的问题，却让问题变得更糟，人工智能用得越多，恶性循环越深。

人工筛选未必更差

东芝人力资源副总裁金·琼斯表示，该公司每一份申请都由人工审阅。她不排斥应聘者用人工智能润色材料，但认为「这其实帮不了你通过 ATS」；真正决定取舍的是岗位要求、薪资预期以及是否适合返聘等硬性因素。她观察到，人工智能更常被滥用于面试环节—— pauses（停顿）、敲键盘声、冗长堆砌的回答，都暴露了照稿念稿的痕迹。

远程协作公司 Doist 曾做过一次反向实验：把已经招满的岗位说明与当时保存的所有申请材料重新喂给人工智能排名系统，想看看它筛选出的短名单是否与人类一致。两次测试中，最终被录用、且入职约半年表现良好的人，都没能进入人工智能的短名单。

换一种用法

设计师詹姆斯·雅各布森在长达五个月的求职中，把投简历当成一份全职工作。他发现，用 Claude 与 ChatGPT 润色材料并未带来实质突破。于是他转而用 Claude 搭建了一套「反向追踪系统」：自动扫描职位、解析描述、按工作类型与薪资要求打分，并标记已拒绝的重复岗位。他相当于给自己造了一个与 ATS 对抗的工具，最终拿到了几次面试，但尚无录用。

蔡特给出的建议是：不要只做海量海投，而要去研究那些未必是头部、却真正适合的公司；亲手写一封求职信反而能让人记住；人际网络的价值被严重低估。他的结语直白而无奈：「不是你的问题，是这套系统的问题，而它糟透了。」

这场人工智能军备竞赛里，没有赢家。对求职者而言，把精力从「讨好机器」转向「理解公司与岗位本身」，或许才是跳出死循环的唯一出口。