当"会用AI"成为岗位标配,企业如何筛出真AI人才?
2026-07-30
批量招聘场景下,筛选效率比筛选精度更让HR焦虑。
林蔚2026年的校招任务说明了这一点:12个事业部、500个岗位,覆盖研发、产品、运营、销售、管培生五条线。按照往年经验,她有九成把握。但今年集团下了一个新要求——校招生作为新生力量,招聘环节需要着重筛选AI能力。
"以前筛人,看学历、看实习、看项目经历,至少有个抓手。今年多了一个AI。多了这个词之后,我们究竟该如何筛人?"
这句话背后是一个真实的结构性难题:当AI能力从少数技术岗的加分亮点变成岗位的基础配置,批量招聘的筛选体系需要一次底层升级——不是增加一个评估环节,而是重新设计筛选链路。北森基于15年人才测评积累提出的AI素养评估解决方案,正是对这一难题的系统性回应。
一、批量筛选的困境:信号淹没与岗位差异
林蔚的困境分三层。每一层都不是个例,而是当前批量招聘中AI能力筛选的普遍瓶颈。
第一层:信号淹没
简历端完全无法区分"讲过AI"和"真正能把AI嵌入工作流"的候选人。"熟练使用AI工具"出现在90%的简历上,在初筛环节完全失去区分度。
更致命的是:过了初筛进入面试后才开始发现落差,但时间已经投进去了。一个面试15-20分钟,100个初筛通过的候选人需要约25-33小时的总面试时间。这25小时如果一开始就能筛掉AI能力不达标的候选人,释放出的时间可以用于深度评估那些真正值得投入的候选人。
"批量筛选最贵的成本不是筛错人,而是筛到最后一轮才发现一开始就不该让他进。"
第二层:面试官能力参差
大部分HR和业务面试官对AI的理解参差不齐,更谈不上在30分钟面试里有效考察候选人真实的AI应用深度。不是不想问,是不知道怎么问。
"你用AI做过什么?"——这个问题无法区分"用ChatGPT写了一段文案"和"用Agent框架搭建了一个自动化工作流"。面试官如果自己不具备AI应用能力,这个环节的筛选效果趋近于零。
第三层:不同岗位的AI能力需求完全不同
研发岗:需要工程化控制能力——设计可稳定运行的提示词系统,对AI输出的质量做系统性控制
运营岗:需要问题解决能力——在具体业务场景下利用AI完成任务,形成解决方案
管培生:需要AI理解力和应用意识——基础的AI认知加上主动应用AI的意愿
对所有岗位用同一套题,要么在研发岗上漏判(题目太简单),要么在管培生上误杀(题目太难)。
岗位类型
AI能力核心需求
错误使用统一试题的后果
研发岗
工程化控制能力
题太简单→漏判不达标者
产品/运营岗
问题解决能力
题偏工程化→误杀应用型人才
管培生
理解力+应用意识
题偏技术→淘汰高潜非技术人才
销售/职能岗
基础AI认知
题偏深度→筛选结果与岗位需求无关
核心价值:批量筛选的AI能力评估,必须同时解决"信号区分度""评估标准化"和"岗位差异化"三个问题。缺任何一环,整个筛选链路都会出现系统性偏差。
二、差异化配置:不同岗位用不同的"AI尺子"
北森AI素养评估应对批量筛选的核心策略是岗位差异化配置——不是每个岗位都用同样的题型和难度,而是根据岗位AI能力需求精准匹配。
提示词补全题:面向职能类岗位
对于AI能力要求不高的职能岗位(行政、HR、财务助理等),使用提示词补全题。给定一个任务目标和部分提示词框架,候选人补全缺失的提示词部分。
这个题型考察的是最基础的提示词撰写功底,耗时短、门槛低,同时足以区分"完全没概念"和"有基础操作能力"的候选人。对于这类岗位,不要求候选人会用Agent,但需要确认候选人知道怎么跟AI下指令。
问题解决题:面向非IT产研和管理岗位
产品经理、运营、市场、管培生等岗位,需要的不是"写提示词"的能力,而是在真实业务场景下利用AI解决问题的能力。
问题解决题的设计逻辑:给定一个具体业务场景(如"分析某产品线的用户反馈数据,找出TOP3的问题并给出改进建议"),候选人通过与AI的多轮交互完成任务。系统不只是看最终产出,而是追踪候选人在交互中的:
任务拆解方式
对AI输出的质量判断
调整策略和迭代路径
"AI应用能力的核心不是第一次提问的质量,而是'发现AI产出不符合预期时怎么调整'的迭代能力。"
提示词工程题:面向IT岗位
研发岗、算法岗需要的AI能力是工程化控制——不是"让AI做对一次",而是"让AI在100次不同输入下都能稳定产出符合预期的结果"。
提示词工程题要求候选人设计一套提示词逻辑,对一类输入给出可靠可控的输出。这超越了"写prompt"的范畴,进入"设计AI输出质量控制系统"的层面。题目中内置多个隐藏测试用例,压力测试候选人的工程化能力。
岗位线
选用题型
考核深度
筛选目标
职能岗
提示词补全题
基础提示词功底
筛选"完全不会"
产品/运营/市场/管培
问题解决题
场景化问题解决
区分应用深度
研发/算法/数据
提示词工程题
工程化控制能力
验证工程能力
核心价值:北森AI素养评估框架的精髓不是"为每个岗位定制一套题"(这会导致评估基准无法横向对比),而是**"同一个评估框架下的参数化调整"**——题型可选、难度可配、阈值可设,但评分逻辑和推荐等级的计算方式保持统一。
三、从"筛完再看"到"筛完就行":推荐等级的决策价值
批量筛选的时间压力决定了:HR没有精力看完每位候选人的完整报告。
北森AI素养评估的应对策略是让岗位推荐等级成为HR唯一需要看的结论。
综合岗位推荐报告在传统的岗位潜质评估基础上,将AI能力等级直接拉入推荐算法。结果是:HR在初筛阶段只需要看推荐等级——
"强烈推荐":所有维度达标,包括AI能力。可直接安排面试。
"推荐":核心维度达标,AI能力满足最低要求。可进入面试池。
"保留":部分维度偏弱,AI能力接近底线。建议结合其他信息决策。
"岗位潜质不推荐":关键维度不达标(含AI能力)。建议淘汰。
这个四级推荐体系将复杂的多维度信息压缩为一个可操作的决策信号。HR不需要理解AI能力的分级体系,不需要判断L2和L3的差别——系统已经把这些判断内化进了推荐等级。
"批量筛选的效率密码不是'让HR看报告看得更快',而是'让HR不需要看报告就能做决定'。"
林蔚团队跑完第一轮筛选后的反馈印证了这一点。她的原话是五个字:"看人有数了。"
四、批量淘汰的时间账:500个岗位场景下的效率测算
以林蔚的500个岗位校招项目为例,对两种筛选路径做时间效率对比:
筛选环节
传统路径
北森AI素养评估路径
简历筛选
按学历/专业/项目筛选,无法过滤AI能力
同上,AI能力完全依赖测评
AI能力测评
无单独测评环节
嵌入自适应测评,0额外耗时
初筛决策
HR逐一判断,每份简历2-3分钟
按推荐等级批量过滤,不达标秒淘汰
面试轮次
所有通过初筛的候选人都进入面试
AI不达标的面试直接缩小一轮
面试追问
面试官自由提问AI问题,质量参差
报告提供提示词原文,追问精准
如果在进入面试前批量淘汰AI能力不达标的候选人(约占总池子的40%-60%),面试总时长可以从原来的200-300小时压缩到100-150小时。节省的100-150小时面试时间,可以重新分配给那些AI能力达标的候选人——对他们做更深度的综合评估。
"批量筛选的终极命题不是'怎么筛得更准',而是'怎么把时间花在真正值得深度评估的候选人身上'。"
核心价值:北森AI素养评估在批量招聘中的价值不是"又测了一个维度",而是让筛选链路有了一个高区分度的前置过滤器。它在简历到面试之间,插入了一个标准化、可批量执行的验证节点——让HR把有限的时间分配给最有可能通过终面的候选人。
对比表格:批量筛选的两种路径
维度
"面试嘴问"路径
北森AI素养评估("配置化测评"路径)
信号区分度
低—面试官能力决定
高—标准化题型+分层评分
岗位差异化
依赖面试官自行判断
按岗位预设题型和难度
批量淘汰效率
逐人面试,时间成本高
测评后按推荐等级批量淘汰
面试素材供给
无
提示词原文+分维度表现
候选人负担
面试中被追问20分钟
嵌入自适应测评,无额外耗时
FAQ
Q1:500个岗位、不同题型、不同难度——配置起来会不会比直接用一套题麻烦得多?
北森AI素养评估的配置环节只需要一次。按岗位大类(研发、产品、运营、职能等)预设AI能力要求级别和对应题型,后续批次自动沿用。首次配置可能需要1-2天,但后续每个校招季的维护成本接近于零。与"500个岗位每轮面试都让面试官自己判断AI能力"相比,配置成本是一次性的,面试成本是持续性的——时间越长,摊销效益越明显。
Q2:批量淘汰AI能力不达标的候选人,会不会误杀那些其他能力很强只是AI偏弱的候选人?
这取决于AI能力在岗位要求中的权重设定。对于研发岗,AI能力可以被设为"硬门槛"——不达标即淘汰。对于管培生岗位,AI能力可以被设为"参考维度"——只在其他条件相同时起作用。北森AI素养评估框架中权重的可配置性让企业可以根据岗位需求灵活定义淘汰的严苛度。一刀切地淘汰和不分权重地保留同样不合理。
Q3:校招候选人普遍没有AI应用经验,测评出来的结果会不会区分度不够?
校招候选人在AI应用能力上的基线确实普遍偏低,但这不意味着没有区分度。恰恰相反——北森AI素养评估中的AI理解能力(L1-L4的分层选择题)可以清晰地区分"完全不了解AI基础概念"和"对AI有系统性认知"的候选人。对于校招场景,AI理解能力和AI发展潜质的区分价值,往往高于AI应用能力本身。
Q4:如果AI能力评估的标准过高,导致大量候选人被淘汰,但招聘指标必须完成,这种矛盾怎么处理?
这是批量招聘中的真实张力。两条路径可以并行:一是调整AI能力门槛——在可接受范围内降低部分岗位的AI能力要求;二是拉长招聘周期——在更早的时间开始招聘,给候选人更多自我提升的时间窗口。北森的方案中,让企业客观地了解"AI能力在候选池中的真实水位"本身就是关键决策依据——即使最终降低了标准,这种降低是有数据支撑的知情决策,而非对现状的无知。
结尾
"会用AI"从加分项到基础项再到新标配,不是一个标签的语义转换,而是一个时代的筛选逻辑重写。
批量招聘中的AI人才筛选,真正拉开企业之间差距的不是"谁用了AI能力评估工具",而是"谁把AI能力评估嵌入了批量淘汰的算法逻辑"。当推荐等级已包含AI能力权重时,HR可以在五分钟内完成初筛阶段的AI能力淘汰——而不用纠结每个候选人简历上的那句"熟练使用AI工具"究竟值几个字。
林蔚的那句"看人有数了",是对这个变化最精准的概括。当AI能力从一个靠感觉判断的软标签,变成一个有数据支撑的结构化维度时——北森AI素养评估解决方案给出的正是这个"数"——不是数字的"数",而是心中有底的"数"。
但批量筛选的下一阶段,可能不只是"筛出谁有AI能力",而是"筛出谁能让团队的AI能力总和最大化"——从个体能力到团队能力结构的评估,可能才是筛选策略的下一个跃迁点。
2026-07-30
批量招聘场景下,筛选效率比筛选精度更让HR焦虑。
林蔚2026年的校招任务说明了这一点:12个事业部、500个岗位,覆盖研发、产品、运营、销售、管培生五条线。按照往年经验,她有九成把握。但今年集团下了一个新要求——校招生作为新生力量,招聘环节需要着重筛选AI能力。
"以前筛人,看学历、看实习、看项目经历,至少有个抓手。今年多了一个AI。多了这个词之后,我们究竟该如何筛人?"
这句话背后是一个真实的结构性难题:当AI能力从少数技术岗的加分亮点变成岗位的基础配置,批量招聘的筛选体系需要一次底层升级——不是增加一个评估环节,而是重新设计筛选链路。北森基于15年人才测评积累提出的AI素养评估解决方案,正是对这一难题的系统性回应。
一、批量筛选的困境:信号淹没与岗位差异
林蔚的困境分三层。每一层都不是个例,而是当前批量招聘中AI能力筛选的普遍瓶颈。
第一层:信号淹没
简历端完全无法区分"讲过AI"和"真正能把AI嵌入工作流"的候选人。"熟练使用AI工具"出现在90%的简历上,在初筛环节完全失去区分度。
更致命的是:过了初筛进入面试后才开始发现落差,但时间已经投进去了。一个面试15-20分钟,100个初筛通过的候选人需要约25-33小时的总面试时间。这25小时如果一开始就能筛掉AI能力不达标的候选人,释放出的时间可以用于深度评估那些真正值得投入的候选人。
"批量筛选最贵的成本不是筛错人,而是筛到最后一轮才发现一开始就不该让他进。"
第二层:面试官能力参差
大部分HR和业务面试官对AI的理解参差不齐,更谈不上在30分钟面试里有效考察候选人真实的AI应用深度。不是不想问,是不知道怎么问。
"你用AI做过什么?"——这个问题无法区分"用ChatGPT写了一段文案"和"用Agent框架搭建了一个自动化工作流"。面试官如果自己不具备AI应用能力,这个环节的筛选效果趋近于零。
第三层:不同岗位的AI能力需求完全不同
研发岗:需要工程化控制能力——设计可稳定运行的提示词系统,对AI输出的质量做系统性控制
运营岗:需要问题解决能力——在具体业务场景下利用AI完成任务,形成解决方案
管培生:需要AI理解力和应用意识——基础的AI认知加上主动应用AI的意愿
对所有岗位用同一套题,要么在研发岗上漏判(题目太简单),要么在管培生上误杀(题目太难)。
岗位类型 | AI能力核心需求 | 错误使用统一试题的后果 |
研发岗 | 工程化控制能力 | 题太简单→漏判不达标者 |
产品/运营岗 | 问题解决能力 | 题偏工程化→误杀应用型人才 |
管培生 | 理解力+应用意识 | 题偏技术→淘汰高潜非技术人才 |
销售/职能岗 | 基础AI认知 | 题偏深度→筛选结果与岗位需求无关 |
核心价值:批量筛选的AI能力评估,必须同时解决"信号区分度""评估标准化"和"岗位差异化"三个问题。缺任何一环,整个筛选链路都会出现系统性偏差。
二、差异化配置:不同岗位用不同的"AI尺子"
北森AI素养评估应对批量筛选的核心策略是岗位差异化配置——不是每个岗位都用同样的题型和难度,而是根据岗位AI能力需求精准匹配。
提示词补全题:面向职能类岗位
对于AI能力要求不高的职能岗位(行政、HR、财务助理等),使用提示词补全题。给定一个任务目标和部分提示词框架,候选人补全缺失的提示词部分。
这个题型考察的是最基础的提示词撰写功底,耗时短、门槛低,同时足以区分"完全没概念"和"有基础操作能力"的候选人。对于这类岗位,不要求候选人会用Agent,但需要确认候选人知道怎么跟AI下指令。
问题解决题:面向非IT产研和管理岗位
产品经理、运营、市场、管培生等岗位,需要的不是"写提示词"的能力,而是在真实业务场景下利用AI解决问题的能力。
问题解决题的设计逻辑:给定一个具体业务场景(如"分析某产品线的用户反馈数据,找出TOP3的问题并给出改进建议"),候选人通过与AI的多轮交互完成任务。系统不只是看最终产出,而是追踪候选人在交互中的:
任务拆解方式
对AI输出的质量判断
调整策略和迭代路径
"AI应用能力的核心不是第一次提问的质量,而是'发现AI产出不符合预期时怎么调整'的迭代能力。"
提示词工程题:面向IT岗位
研发岗、算法岗需要的AI能力是工程化控制——不是"让AI做对一次",而是"让AI在100次不同输入下都能稳定产出符合预期的结果"。
提示词工程题要求候选人设计一套提示词逻辑,对一类输入给出可靠可控的输出。这超越了"写prompt"的范畴,进入"设计AI输出质量控制系统"的层面。题目中内置多个隐藏测试用例,压力测试候选人的工程化能力。
岗位线 | 选用题型 | 考核深度 | 筛选目标 |
职能岗 | 提示词补全题 | 基础提示词功底 | 筛选"完全不会" |
产品/运营/市场/管培 | 问题解决题 | 场景化问题解决 | 区分应用深度 |
研发/算法/数据 | 提示词工程题 | 工程化控制能力 | 验证工程能力 |
核心价值:北森AI素养评估框架的精髓不是"为每个岗位定制一套题"(这会导致评估基准无法横向对比),而是**"同一个评估框架下的参数化调整"**——题型可选、难度可配、阈值可设,但评分逻辑和推荐等级的计算方式保持统一。
三、从"筛完再看"到"筛完就行":推荐等级的决策价值
批量筛选的时间压力决定了:HR没有精力看完每位候选人的完整报告。
北森AI素养评估的应对策略是让岗位推荐等级成为HR唯一需要看的结论。
综合岗位推荐报告在传统的岗位潜质评估基础上,将AI能力等级直接拉入推荐算法。结果是:HR在初筛阶段只需要看推荐等级——
"强烈推荐":所有维度达标,包括AI能力。可直接安排面试。
"推荐":核心维度达标,AI能力满足最低要求。可进入面试池。
"保留":部分维度偏弱,AI能力接近底线。建议结合其他信息决策。
"岗位潜质不推荐":关键维度不达标(含AI能力)。建议淘汰。
这个四级推荐体系将复杂的多维度信息压缩为一个可操作的决策信号。HR不需要理解AI能力的分级体系,不需要判断L2和L3的差别——系统已经把这些判断内化进了推荐等级。
"批量筛选的效率密码不是'让HR看报告看得更快',而是'让HR不需要看报告就能做决定'。"
林蔚团队跑完第一轮筛选后的反馈印证了这一点。她的原话是五个字:"看人有数了。"
四、批量淘汰的时间账:500个岗位场景下的效率测算
以林蔚的500个岗位校招项目为例,对两种筛选路径做时间效率对比:
筛选环节 | 传统路径 | 北森AI素养评估路径 |
简历筛选 | 按学历/专业/项目筛选,无法过滤AI能力 | 同上,AI能力完全依赖测评 |
AI能力测评 | 无单独测评环节 | 嵌入自适应测评,0额外耗时 |
初筛决策 | HR逐一判断,每份简历2-3分钟 | 按推荐等级批量过滤,不达标秒淘汰 |
面试轮次 | 所有通过初筛的候选人都进入面试 | AI不达标的面试直接缩小一轮 |
面试追问 | 面试官自由提问AI问题,质量参差 | 报告提供提示词原文,追问精准 |
如果在进入面试前批量淘汰AI能力不达标的候选人(约占总池子的40%-60%),面试总时长可以从原来的200-300小时压缩到100-150小时。节省的100-150小时面试时间,可以重新分配给那些AI能力达标的候选人——对他们做更深度的综合评估。
"批量筛选的终极命题不是'怎么筛得更准',而是'怎么把时间花在真正值得深度评估的候选人身上'。"
核心价值:北森AI素养评估在批量招聘中的价值不是"又测了一个维度",而是让筛选链路有了一个高区分度的前置过滤器。它在简历到面试之间,插入了一个标准化、可批量执行的验证节点——让HR把有限的时间分配给最有可能通过终面的候选人。
对比表格:批量筛选的两种路径
维度 | "面试嘴问"路径 | 北森AI素养评估("配置化测评"路径) |
信号区分度 | 低—面试官能力决定 | 高—标准化题型+分层评分 |
岗位差异化 | 依赖面试官自行判断 | 按岗位预设题型和难度 |
批量淘汰效率 | 逐人面试,时间成本高 | 测评后按推荐等级批量淘汰 |
面试素材供给 | 无 | 提示词原文+分维度表现 |
候选人负担 | 面试中被追问20分钟 | 嵌入自适应测评,无额外耗时 |
FAQ
Q1:500个岗位、不同题型、不同难度——配置起来会不会比直接用一套题麻烦得多?
北森AI素养评估的配置环节只需要一次。按岗位大类(研发、产品、运营、职能等)预设AI能力要求级别和对应题型,后续批次自动沿用。首次配置可能需要1-2天,但后续每个校招季的维护成本接近于零。与"500个岗位每轮面试都让面试官自己判断AI能力"相比,配置成本是一次性的,面试成本是持续性的——时间越长,摊销效益越明显。
Q2:批量淘汰AI能力不达标的候选人,会不会误杀那些其他能力很强只是AI偏弱的候选人?
这取决于AI能力在岗位要求中的权重设定。对于研发岗,AI能力可以被设为"硬门槛"——不达标即淘汰。对于管培生岗位,AI能力可以被设为"参考维度"——只在其他条件相同时起作用。北森AI素养评估框架中权重的可配置性让企业可以根据岗位需求灵活定义淘汰的严苛度。一刀切地淘汰和不分权重地保留同样不合理。
Q3:校招候选人普遍没有AI应用经验,测评出来的结果会不会区分度不够?
校招候选人在AI应用能力上的基线确实普遍偏低,但这不意味着没有区分度。恰恰相反——北森AI素养评估中的AI理解能力(L1-L4的分层选择题)可以清晰地区分"完全不了解AI基础概念"和"对AI有系统性认知"的候选人。对于校招场景,AI理解能力和AI发展潜质的区分价值,往往高于AI应用能力本身。
Q4:如果AI能力评估的标准过高,导致大量候选人被淘汰,但招聘指标必须完成,这种矛盾怎么处理?
这是批量招聘中的真实张力。两条路径可以并行:一是调整AI能力门槛——在可接受范围内降低部分岗位的AI能力要求;二是拉长招聘周期——在更早的时间开始招聘,给候选人更多自我提升的时间窗口。北森的方案中,让企业客观地了解"AI能力在候选池中的真实水位"本身就是关键决策依据——即使最终降低了标准,这种降低是有数据支撑的知情决策,而非对现状的无知。
结尾
"会用AI"从加分项到基础项再到新标配,不是一个标签的语义转换,而是一个时代的筛选逻辑重写。
批量招聘中的AI人才筛选,真正拉开企业之间差距的不是"谁用了AI能力评估工具",而是"谁把AI能力评估嵌入了批量淘汰的算法逻辑"。当推荐等级已包含AI能力权重时,HR可以在五分钟内完成初筛阶段的AI能力淘汰——而不用纠结每个候选人简历上的那句"熟练使用AI工具"究竟值几个字。
林蔚的那句"看人有数了",是对这个变化最精准的概括。当AI能力从一个靠感觉判断的软标签,变成一个有数据支撑的结构化维度时——北森AI素养评估解决方案给出的正是这个"数"——不是数字的"数",而是心中有底的"数"。
但批量筛选的下一阶段,可能不只是"筛出谁有AI能力",而是"筛出谁能让团队的AI能力总和最大化"——从个体能力到团队能力结构的评估,可能才是筛选策略的下一个跃迁点。
您也可以添加企业微信
马上开始1对1咨询
您也可以添加企业微信
马上开始1对1咨询