用好 AI　›　分场景用法　›　招聘：写 JD、筛简历、约面试

招聘：写 JD、筛简历、约面试

Moka、北森都把 AI 做进了筛简历和面试。独立研究发现大模型筛简历会被名字左右；个人信息保护法规定，仅靠自动化决策作出重大决定，候选人有权要求说明并拒绝。

3 / 5步值得交给 AI3条实际情况6条来源2026-09-15数据截至
01

哪一步交给 AI

本站按官方说明与独立测试归纳

  1. 交给 AI 值按岗位要点扩写 JD 初稿顺带检查有没有歧视性表述
  2. 交给 AI 值不同格式简历提取成统一字段便于逐条比对
  3. 交给 AI 值按 JD 与简历生成追问题Moka、北森都有这项功能
  4. 看情况AI 面试评分「人机一致性」衡量像不像人，不等于判断得对
  5. 人来定决定淘汰谁筛选有系统性偏向，法律给了候选人拒绝权
本站归纳，依据见下方各区块与来源清单 · 2026-09-15
02

官方说

厂商官方页面与文档的原话

  • Moka Eva覆盖写 JD、筛简历、面试、数据分析；单份简历筛选 8 分钟压到 40 秒、解析准确率 98% 是厂商自述，来自媒体报道
  • 北森 AI 面试官数字人提问与追问，覆盖 300 多个岗位模型；信达生物人机一致性 89%、长安汽车 80% 是厂商自述的具名案例
  • 个人信息保护法第二十四条自动化决策要保证透明和结果公平；仅通过自动化决策作出对个人权益有重大影响的决定，个人有权要求说明并拒绝
厂商官方页面与文档 · 2026-09-15
03

实际上

独立测试、监管文件与具名案例

名字左右排序华盛顿大学 2024 年用 3 个开源大模型、550 多份真实简历做了 300 多万次比较：白人关联名字被偏好的比例 85%，黑人关联名字 9%；男性关联名字 52%，女性 11%。
彭博社：GPT-3.5 排序不达标同等资历、只换名字的简历排序 1000 次，对不同族裔名字的偏好程度达到美国就业歧视评估判为不合格的水平；数据和代码已公开。
中文简历还没人测以上研究都基于英文简历和美国族裔名字；中文简历上的性别、年龄、学校、籍贯偏向独立测试未采集。
国内因 AI 招聘引发的具名劳动争议或监管处罚案例未采集；中国企业在美国的 iTutorGroup 和解案见岗位页「行政人事」。出处见来源清单 · 2026-09-15
04

怎么用好

本站建议

必须人来把关

  • 淘汰决定必须有人复核并留存理由
  • 让 AI 比对前去掉姓名、照片、性别、年龄、籍贯
  • 每批抽查被判「不匹配」的简历，看是否集中在某类人群
  • 用 AI 面试或评分前事先告知候选人，并提供人工通道

工具怎么选

  • · 已用 Moka、北森的，用它的解析和面试题功能，淘汰环节保留人工
  • · 通用大模型只让它逐条判断必须条件，不让它给总排名
  • · JD 先由用人部门写清主要工作、必须技能、加分项，再让 AI 润色
一组坏写法 vs 好写法示例为本站编写⌄
坏写法从这 200 份简历里挑出最好的 10 个。
好写法岗位必须条件：[3 条]；加分条件：[2 条]。逐份简历判断每个必须条件「满足 / 不满足 / 简历未体现」，并摘出对应原文。不要评价姓名、性别、年龄、学校排名等岗位条件以外的信息，不要给总排名。

依据华盛顿大学研究的偏向发现与个人信息保护法第二十四条，把「挑最好」拆成可核对的逐条判断，取舍留给人

05

没采到的

照三态写清楚

  • · 中文简历场景下的独立偏向测试 —— 未采集
  • · Moka、BOSS 直聘招聘方 AI 功能的官方原文 —— 未采集
  • · 北森具名客户数据的客户方独立披露 —— 未采集
  • · 国内因 AI 招聘引发的具名劳动争议或处罚 —— 未采集
06

来源清单

6 条，官方文档、监管文件、论文与媒体报道

逐条摊开，每条附原文链接⌄

您该怎么办

先把「人来定」那几步圈出来，其余的交给 AI 出初稿。淘汰决定必须有人复核并留存理由，这一条不要省。

其他场景见分场景用法；活量大、自己搭不起来，可以去人工援助留个需求。