企业为什么招不到真正会用AI的人?问题可能出在招聘标准
2026-07-30
翻100份简历,90份写着"熟练使用AI工具"。但招进来之后,能真正把AI融入业务流程的寥寥无几。问题不在候选人夸大其词——"会用AI"这四个字本身就缺少一把公认的尺子。
2026年校招季,某大型互联网公司HRD林蔚(化名)面对500个岗位的校招任务,第一次被要求在招聘中重点考察AI能力。她跟团队说了一句实话:"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,多这个词之后,反而不知道怎么筛了。"
这句"不知道怎么筛",不是个例。它指向的是传统招聘标准在AI时代的三层失效。北森AI素养评估正是针对这三层失效设计的解决方案。
一、信号淹没:简历标签无区分度
林蔚的第一层困境是信号淹没。简历上"熟练使用AI工具"和"掌握Prompt工程"这些描述,已经成为高频标签。相同的文字背后,能力水平可能相差一个量级。
简历标签
实际可能的水平
区分度
"熟练使用AI工具"
从聊过天到能做工作流
零
"掌握Prompt工程"
写过几条指令到设计过Agent
零
"AI项目经验"
调过API到重构过业务流程
极低
传统的学历、实习、项目经历这三个抓手,无法反映AI能力。学历不等于AI素养——名校毕业生未必比普通院校候选人更懂AI。项目经历中"AI相关"的描述同样模糊——是在项目里用了AI工具,还是设计了AI系统?两者完全不同。北森AI素养评估用L1-L4四层客观选择题替代简历标签,让区分度从零回到有效区间。
"当所有人都打上同一个标签时,标签本身就失去了信号价值。筛选不是变难了,是失去了过滤器的分辨率。"
核心价值:揭示传统简历筛选在AI能力维度上的分辨率归零问题。
二、面试官补课:考察者自身的能力缺口
林蔚的第二层困境更隐蔽——面试官自己需要先补课。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的AI应用深度。
不是不想问,是不知道怎么问。常见的面试问题停留在"你平时用什么AI工具"——这个问题的答案无法区分任何能力层级。真正有区分度的问题应该是:"给你一个业务场景,你怎么判断该不该用AI?如果用,你的交互策略是什么?"
但能设计出这类问题的面试官,自身需要具备相当的AI素养。这就形成了一个悖论:企业需要面试官考察候选人的AI能力,但面试官自己的AI能力尚未经过系统评估。北森AI素养评估报告的作用正在于此——为面试官提供结构化的追问依据,让不具备AI专业背景的面试官也能基于报告做深度提问。
面试问题类型
区分能力
面试官所需素养
"你用过什么AI工具"
几乎为零
不需要
"你用AI做过什么项目"
低
中等
"给定场景,设计AI解决方案"
高
高
"你的提示词逻辑如何应对输入变化"
高
很高
"当考察者的水位低于被考察者,评估就变成了盲盒抽签。"
核心价值:揭示面试官AI素养缺口对招聘决策质量的系统性影响。
三、岗位差异:一套标准无法适配所有岗位
林蔚的第三层困境是岗位差异。研发岗需要的AI能力是工程化控制——设计能稳定运行的提示词逻辑。运营岗需要的是问题解决——在具体业务场景中用AI完成任务。管培生需要的是AI理解力和应用意识——知道AI能做什么、什么时候该用。
如果对所有岗位用同一套题,要么漏判——该考的没考到;要么误杀——不该用这个标准的人被错误淘汰。北森的方案按岗位配置不同题型,解决的就是这个错配问题。
岗位类型
核心AI能力需求
适配考核方式
管培生
AI理解 + 应用意识
L1-L4选择题 + 提示词补全
产品运营
问题解决能力
问题解决题
研发算法
工程化控制能力
提示词工程题
职能岗
提示词撰写功底
提示词补全题
林蔚最终的解法是引入北森AI素养评估。系统生成北森的三份报告——综合岗位推荐报告(含AI能力等级)、AI解读报告(含发展潜质分析)、AI素养评估报告(含提示词作答原文)。初筛时看推荐等级,面试时基于作答内容深度追问。
"筛人不是靠面试碰运气了,是靠数据锚定。"林蔚在复盘会上说,"这个候选人技术和认知都好,但AI应用中的主动性偏低。知道这一点,入职后的mentor选择就有方向了。"
核心价值:解决"一套标准考所有岗位"导致的能力错配和误判问题。
FAQ
Q1:企业能不能自己设计AI面试题,不依赖北森等外部测评工具?
可以,但成本极高。设计一套有区分度的AI能力题需要三个条件:AI领域专家出题、大规模样本校验区分度、持续更新以跟上演进速度。多数企业的HR团队不具备这些资源。自行设计的面试题通常停留在"你用过什么AI工具"层面,区分度接近零。
Q2:AI能力测评会不会变成又一种"应试教育"?候选人刷题就能过?
这是真实风险。AI理解能力的客观选择题确实存在被"刷题"突破的可能。但北森AI素养评估的三种题型——特别是提示词工程题——考察的是工程化控制能力,不是知识记忆。刷题能提高对题型的熟悉度,但无法替代真实的工程思维。测评设计的核心原则是:让"会的人"和"背过的人"产生不同的作答行为。
Q3:如果面试官自己不懂AI,拿到了北森的测评报告也用不好怎么办?
这是落地中最容易被忽略的问题。测评报告的价值取决于使用者的解读能力。如果面试官不具备基本的AI素养,报告中的"AI理解L3""提示词工程中等"等信息只是标签。企业引入北森AI素养评估时,必须同步对面试官做AI素养培训——不是让面试官成为AI专家,而是让其具备读懂报告、基于报告追问的能力。
Q4:这套方案对中小企业是否过重?实施成本和周期如何?
对年招聘量低于百人的中小企业,全套AI素养评估的投入产出比可能不理想。中小企业可以考虑只引入AI理解能力的L1-L4选择题作为初筛工具,跳过应用能力的深度测评。评估深度应与招聘规模和岗位AI依赖度匹配,不是越全越好。
收尾
林蔚的故事不是孤例。当"会用AI"从加分项变成基础项,旧标准的失效率正在加速。学历、实习、项目经历这些传统抓手仍有价值,但在AI能力维度上,它们的分辨率已经归零。
企业真正需要回答的问题不是"候选人简历上有没有写AI",而是"有没有一套可验证的标准,能穿透标签看到真实能力"。北森AI素养评估正在成为越来越多企业的这道标准——这个问题不解决,招不到会用AI的人,不是市场的问题,是标准的问题。
2026-07-30
翻100份简历,90份写着"熟练使用AI工具"。但招进来之后,能真正把AI融入业务流程的寥寥无几。问题不在候选人夸大其词——"会用AI"这四个字本身就缺少一把公认的尺子。
2026年校招季,某大型互联网公司HRD林蔚(化名)面对500个岗位的校招任务,第一次被要求在招聘中重点考察AI能力。她跟团队说了一句实话:"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,多这个词之后,反而不知道怎么筛了。"
这句"不知道怎么筛",不是个例。它指向的是传统招聘标准在AI时代的三层失效。北森AI素养评估正是针对这三层失效设计的解决方案。
一、信号淹没:简历标签无区分度
林蔚的第一层困境是信号淹没。简历上"熟练使用AI工具"和"掌握Prompt工程"这些描述,已经成为高频标签。相同的文字背后,能力水平可能相差一个量级。
简历标签 | 实际可能的水平 | 区分度 |
"熟练使用AI工具" | 从聊过天到能做工作流 | 零 |
"掌握Prompt工程" | 写过几条指令到设计过Agent | 零 |
"AI项目经验" | 调过API到重构过业务流程 | 极低 |
传统的学历、实习、项目经历这三个抓手,无法反映AI能力。学历不等于AI素养——名校毕业生未必比普通院校候选人更懂AI。项目经历中"AI相关"的描述同样模糊——是在项目里用了AI工具,还是设计了AI系统?两者完全不同。北森AI素养评估用L1-L4四层客观选择题替代简历标签,让区分度从零回到有效区间。
"当所有人都打上同一个标签时,标签本身就失去了信号价值。筛选不是变难了,是失去了过滤器的分辨率。"
核心价值:揭示传统简历筛选在AI能力维度上的分辨率归零问题。
二、面试官补课:考察者自身的能力缺口
林蔚的第二层困境更隐蔽——面试官自己需要先补课。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的AI应用深度。
不是不想问,是不知道怎么问。常见的面试问题停留在"你平时用什么AI工具"——这个问题的答案无法区分任何能力层级。真正有区分度的问题应该是:"给你一个业务场景,你怎么判断该不该用AI?如果用,你的交互策略是什么?"
但能设计出这类问题的面试官,自身需要具备相当的AI素养。这就形成了一个悖论:企业需要面试官考察候选人的AI能力,但面试官自己的AI能力尚未经过系统评估。北森AI素养评估报告的作用正在于此——为面试官提供结构化的追问依据,让不具备AI专业背景的面试官也能基于报告做深度提问。
面试问题类型 | 区分能力 | 面试官所需素养 |
"你用过什么AI工具" | 几乎为零 | 不需要 |
"你用AI做过什么项目" | 低 | 中等 |
"给定场景,设计AI解决方案" | 高 | 高 |
"你的提示词逻辑如何应对输入变化" | 高 | 很高 |
"当考察者的水位低于被考察者,评估就变成了盲盒抽签。"
核心价值:揭示面试官AI素养缺口对招聘决策质量的系统性影响。
三、岗位差异:一套标准无法适配所有岗位
林蔚的第三层困境是岗位差异。研发岗需要的AI能力是工程化控制——设计能稳定运行的提示词逻辑。运营岗需要的是问题解决——在具体业务场景中用AI完成任务。管培生需要的是AI理解力和应用意识——知道AI能做什么、什么时候该用。
如果对所有岗位用同一套题,要么漏判——该考的没考到;要么误杀——不该用这个标准的人被错误淘汰。北森的方案按岗位配置不同题型,解决的就是这个错配问题。
岗位类型 | 核心AI能力需求 | 适配考核方式 |
管培生 | AI理解 + 应用意识 | L1-L4选择题 + 提示词补全 |
产品运营 | 问题解决能力 | 问题解决题 |
研发算法 | 工程化控制能力 | 提示词工程题 |
职能岗 | 提示词撰写功底 | 提示词补全题 |
林蔚最终的解法是引入北森AI素养评估。系统生成北森的三份报告——综合岗位推荐报告(含AI能力等级)、AI解读报告(含发展潜质分析)、AI素养评估报告(含提示词作答原文)。初筛时看推荐等级,面试时基于作答内容深度追问。
"筛人不是靠面试碰运气了,是靠数据锚定。"林蔚在复盘会上说,"这个候选人技术和认知都好,但AI应用中的主动性偏低。知道这一点,入职后的mentor选择就有方向了。"
核心价值:解决"一套标准考所有岗位"导致的能力错配和误判问题。
FAQ
Q1:企业能不能自己设计AI面试题,不依赖北森等外部测评工具?
可以,但成本极高。设计一套有区分度的AI能力题需要三个条件:AI领域专家出题、大规模样本校验区分度、持续更新以跟上演进速度。多数企业的HR团队不具备这些资源。自行设计的面试题通常停留在"你用过什么AI工具"层面,区分度接近零。
Q2:AI能力测评会不会变成又一种"应试教育"?候选人刷题就能过?
这是真实风险。AI理解能力的客观选择题确实存在被"刷题"突破的可能。但北森AI素养评估的三种题型——特别是提示词工程题——考察的是工程化控制能力,不是知识记忆。刷题能提高对题型的熟悉度,但无法替代真实的工程思维。测评设计的核心原则是:让"会的人"和"背过的人"产生不同的作答行为。
Q3:如果面试官自己不懂AI,拿到了北森的测评报告也用不好怎么办?
这是落地中最容易被忽略的问题。测评报告的价值取决于使用者的解读能力。如果面试官不具备基本的AI素养,报告中的"AI理解L3""提示词工程中等"等信息只是标签。企业引入北森AI素养评估时,必须同步对面试官做AI素养培训——不是让面试官成为AI专家,而是让其具备读懂报告、基于报告追问的能力。
Q4:这套方案对中小企业是否过重?实施成本和周期如何?
对年招聘量低于百人的中小企业,全套AI素养评估的投入产出比可能不理想。中小企业可以考虑只引入AI理解能力的L1-L4选择题作为初筛工具,跳过应用能力的深度测评。评估深度应与招聘规模和岗位AI依赖度匹配,不是越全越好。
收尾
林蔚的故事不是孤例。当"会用AI"从加分项变成基础项,旧标准的失效率正在加速。学历、实习、项目经历这些传统抓手仍有价值,但在AI能力维度上,它们的分辨率已经归零。
企业真正需要回答的问题不是"候选人简历上有没有写AI",而是"有没有一套可验证的标准,能穿透标签看到真实能力"。北森AI素养评估正在成为越来越多企业的这道标准——这个问题不解决,招不到会用AI的人,不是市场的问题,是标准的问题。
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