来源：HRflag

　　当企业用AI筛选人才，候选人也开始用AI穿过筛选。招聘正在从“人与人之间的信息博弈”，进入“机器筛选机器包装”的新阶段。真正值得管理层警惕的，并不是候选人开始使用AI，而是传统招聘长期把可由AI生成的标准答案误当成了真实能力。

　　过去几年，企业一直在讨论如何用AI提高招聘效率：自动生成职位描述、批量筛选简历、智能安排面试、分析候选人回答，再把更符合岗位画像的人推送给招聘经理。管理者原本期待的是招聘周期缩短、用人成本下降和人才匹配度提高，但AI进入招聘市场后，率先被显著提升的并不只有企业效率，也包括候选人包装、代答和身份伪装的效率。 当企业用AI筛选人才，候选人也开始用AI穿过筛选，招聘由此进入了一场前所未有的“机器对机器”博弈。

　　2026年8月，《HR Executive》刊发沃顿商学院教授彼得·卡佩利的文章《“招聘作弊”：一个混乱而昂贵的AI世界》。文章援引招聘测评安全机构Aiseptor的数据称，过去一年，招聘中的作弊尝试增加了一倍，超过60%的作弊行为没有被识别；在技术能力测评中，疑似作弊比例接近一半，而无人监考测试的成绩可能达到监考测试的4倍。这组数字让招聘行业长期存在、却一直被低估的问题突然变得具体：企业看到的高分、高质量文案和流畅回答，可能已经不再对应同一个人的真实能力。

　　这些数字来自提供招聘测评安全服务的商业机构，不能简单等同于整个劳动力市场的普遍发生率，具体结果也会受到样本、行业、岗位和识别规则影响。但是，它们仍然揭示出一个不能忽视的趋势：过去只是少数候选人才能获得的简历代写、题库辅导、远程代答和面试陪练，如今已经被生成式AI变成一种低成本、实时化、规模化的服务。企业面对的已经不再是偶发的简历注水，而是一条从材料生成、在线测评、视频面试到身份伪装逐步贯通的“能力替代链”。

　　问题也因此变得比“要不要抓作弊”复杂得多。如果候选人使用AI润色简历，这是提升表达效率，还是隐藏真实水平；如果岗位本身允许员工使用AI，企业却要求候选人在招聘中完全禁用AI，这种测评还能否预测入职后的工作表现；如果候选人借助AI组织思路，但能够解释结论、识别错误并承担结果，他展现的究竟是能力不足，还是新型工作能力？ AI正在迫使企业重新回答一个基础问题：招聘究竟是在考察一个人脱离工具时能做什么，还是在验证他使用工具后能够可靠地交付什么。

　　AI没有发明招聘作弊，却让作弊完成了工业化

　　招聘从来不是一个信息完全对称的市场。企业掌握岗位预算、真实工作压力和晋升空间，候选人掌握自己的经验质量、失败记录和实际能力，双方都会选择性呈现更有利的信息。过去，候选人可能夸大项目贡献、优化职位名称或者提前寻找面试题，但这些行为通常受到成本、资源和反应速度限制，很难在每一个招聘环节保持一致。

　　生成式AI改变了这种成本结构。一名候选人可以在几分钟内针对不同职位生成数十个版本的简历，把岗位描述里的关键词自然嵌入经历，补齐项目背景、业务成果和能力标签。简历未必存在明显的语法错误或逻辑断裂，反而可能比真实经历写得更加规范，更容易通过关键词筛选和招聘系统的自动排序。

　　进入笔试和案例分析环节之后，AI能够生成代码、制作商业分析、设计营销方案、撰写研究报告，还可以根据企业常用的面试框架组织答案。过去需要候选人提前准备的知识，如今可以在收到题目后即时生成；过去容易暴露能力差距的书面表达，也可以被模型迅速修补。企业看到的是一份结构完整、术语准确、观点周全的作业，却无法确定这份作业代表候选人的真实判断，还是代表模型对公开资料的重组能力。

　　实时面试进一步缩短了“外部帮助”与“现场回答”之间的距离。部分工具可以监听面试官的问题，在几秒钟内生成回答提纲，候选人只需要按照屏幕提示进行复述；另一些工具可以隐藏在共享屏幕之外，甚至配合耳机、第二台设备或远程协作者提供答案。面试官仍然面对一个真人，却可能已经无法判断这个人的思考速度、知识深度和语言组织能力究竟来自哪里。

　　更极端的场景已经越过能力包装，进入身份欺诈和企业安全领域。微软在2026年发布的威胁研究显示，一些攻击者已经使用AI换脸修改身份证件和简历照片，并在视频面试中使用变声工具掩盖身份特征。美国司法部和FBI此前披露的案件中，虚假远程IT人员通过被盗身份、虚构网站和“笔记本电脑农场”获得企业职位，相关行动曾涉及100多家美国企业。

　　这意味着，招聘作弊已经出现三个不同的风险层级。较轻的一层是表达增强，候选人借助AI改善材料但没有虚构关键事实；中间一层是能力替代，候选人让AI完成本应由本人独立完成的测评；更严重的一层是身份替代，由他人或虚拟身份参加面试并试图获得企业系统权限。三个层级需要不同的管理方法，如果企业只用一条模糊的“禁止使用AI”规则处理，既可能放过真正的欺诈，也可能误伤合理使用新工具的人才。

　　最难识别的不是假答案，而是被AI抹平的能力差异

　　传统招聘流程建立在一个隐含假设之上：简历、笔试、案例和面试能够逐层暴露候选人之间的能力差异。简历反映经验，笔试反映知识，案例反映分析，面试反映表达，多个环节相互印证，最终形成用人判断。生成式AI没有让这些环节消失，却让它们越来越容易呈现相似的“优质外观”。

　　当几乎每份简历都目标清晰、措辞专业、数据完整时，文字质量不再能够有效区分候选人。当每份商业案例都包含市场分析、用户洞察、财务测算和风险建议时，结构完整也不再意味着判断成熟。当候选人的回答都遵循“背景—任务—行动—结果”的格式，面试官听到的可能只是模板的一致性，而不是真实经历的差异。

　　这种变化对大量依靠标准化筛选的企业尤其危险。招聘团队为了提升效率，往往把岗位拆成一组关键词，把能力压缩成若干评分项，再用相同的问题快速比较候选人。这个流程在人才供给充足、AI能力有限时尚能运行，但在生成式AI环境中，越标准化、越公开、越强调固定答案的测评，越容易被模型学习和复制。

　　企业以为自己在筛选人才，实际上可能只是在筛选谁更熟悉招聘规则、谁的AI工具更强、谁能获得更好的辅导资源。 这不仅增加误聘风险，也会改变招聘公平性。真正具备业务能力但不擅长包装的人可能被淘汰，拥有更强工具和信息资源的候选人则更容易占据高分位置，企业最终招到的未必是最能解决问题的人，而是最会模拟理想候选人的人。

　　更值得警惕的是，AI生成的答案通常具有一种“合理但平滑”的特征。它很少出现明显低级错误，却也可能缺少真实工作中才会留下的摩擦、取舍、犹豫和限制。缺乏业务经验的面试官容易被完整框架说服，而真正熟悉业务的人往往会追问：当时还有哪些备选方案，为什么没有采用；数据从哪里来，口径如何确定；项目中谁反对过，最后如何处理；如果预算减少一半，原方案还能否成立。

　　这也是招聘真实性不能完全交给检测工具的原因。检测工具可以发现切屏、异常进程、语音延迟或身份不一致，却很难证明一个观点究竟来自候选人本人还是来自AI。工具检测越普及，规避方式也会同步升级，企业最终很容易陷入一场昂贵的技术军备竞赛，而真正决定招聘质量的岗位理解、专业追问和证据判断反而没有得到改善。

　　“会用AI”与“用AI冒充能力”，必须划出清晰边界

　　AI已经成为许多岗位的正常工作工具，因此企业不能简单地把所有AI辅助都定义为作弊。员工入职后可以使用模型撰写邮件、整理会议纪要、生成代码、分析数据，候选人在招聘中展示这些能力，本身可能具有很高的岗位相关性。真正需要禁止的不是工具本身，而是未经授权地让工具替代企业正在验证的核心能力。

　　判断边界可以回到两个问题：企业在这一环节究竟想测什么，候选人是否按照事先说明的规则完成。如果企业希望测量候选人独立分析问题的能力，并明确要求不得使用外部工具，那么让AI生成答案就属于违反规则；如果企业希望测量候选人与AI协作的能力，那么合理使用模型不仅不应被禁止，还应该成为测评内容的一部分。

　　不少企业目前的问题不是规则太宽松，而是规则根本没有说清楚。候选人不知道简历是否允许使用AI润色，不知道案例作业可以用到什么程度，也不知道在线面试中的实时辅助是否被允许。招聘经理同样缺少统一标准，有人把任何AI痕迹视为不诚信，有人则认为只要结果正确就可以接受，最终导致同一企业不同部门采用完全不同的判断。

　　更可行的做法，是把招聘任务明确分成三类。允许使用AI的任务主要考察候选人的工具选择、提示设计、结果校验和业务转化能力；限制使用AI的任务用于验证个人必须独立掌握的基础知识、即时判断和责任意识；禁止外部帮助的高风险环节则用来确认身份、关键资质和核心决策能力。候选人可以提前知道规则，企业也能够根据任务性质设置相称的验证措施。

　　例如，招聘一名品牌内容负责人时，让候选人完全脱离AI写一篇常规文案，未必符合入职后的真实工作方式。企业可以允许他使用AI完成初稿，但要求同时提交提示思路、修改记录、事实核查方法和最终取舍，并在面试中解释为什么删除某些内容。此时，企业测量的已经不只是写作速度，而是候选人能否控制工具、保持品牌判断并对最终结果负责。

　　对于财务审批、数据安全、劳动关系和关键工程岗位，边界则需要更加严格。这些岗位存在不能被外包的判断责任，即使AI能够提供建议，任职者仍然必须理解规则、识别异常并承担后果。招聘测评需要保留一定比例的独立完成任务，否则企业无法判断候选人在系统失效、数据错误或模型幻觉出现时，是否具备接管工作的能力。

　　招聘作弊之所以昂贵，是因为企业一直低估误聘成本

　　卡佩利在文章中提出了一个值得管理层反思的观点：企业不愿意增加现场面试和受控测评，部分原因在于招聘部门长期受到“单次招聘成本”的约束。远程面试、自动测评和异步作业看上去更便宜，也能够覆盖更多候选人，但这些指标通常没有计算一次错误录用带来的完整成本。 当企业只计算把人招进来的费用，而不计算把错误的人招进来的代价，低成本招聘就可能成为最昂贵的管理方式。

　　误聘的直接成本包括招聘服务费、面试工时、薪酬支出、入职培训和设备投入，但这些通常只是较小的一部分。更大的成本来自岗位空转、项目返工、团队协作下降和客户体验受损，尤其当一名员工的实际能力明显低于招聘环节所展示的水平时，其他成员必须不断提供额外支持，管理者也需要投入大量时间重新分配任务。企业可能几个月后才意识到问题，而此时关键窗口已经错过。

　　如果虚假候选人进入技术、财务、研发或数据岗位，风险还会进一步扩大。员工在入职第获得的不只是一个工号，还可能包括代码仓库、客户信息、内部知识库、供应链数据和财务系统权限。身份验证失效因此不再只是HR的流程问题，而可能成为企业网络安全和商业秘密保护链条中最早出现的缺口。

　　过度防范同样存在成本。如果企业为了阻止AI辅助而全面恢复多轮线下面试、安装侵入性监控软件、要求候选人持续开启摄像头并扫描私人空间，优秀人才可能因为流程繁琐或隐私顾虑而退出。行动不便、存在语言障碍或需要合理便利的候选人，也可能在高强度监考机制中受到不成比例的影响。

　　企业真正需要管理的不是单一的作弊概率，而是一组相互牵制的成本：误聘成本、验证成本、人才流失成本、隐私成本和雇主品牌成本。不同岗位的风险并不相同，招聘一名短期内容运营人员和招聘一名拥有核心系统权限的工程师，不应该采用完全相同的身份验证和测评强度。 成熟的招聘治理不是把所有候选人都视为潜在欺诈者，而是根据岗位风险配置适度、透明且可解释的验证措施。

　　岗位设计不清，任何测评都会变成

　　招聘真实性建设必须从岗位开始，而不是从购买检测工具开始。很多企业的职位描述仍然是一组宽泛能力的堆叠：沟通能力强、学习能力强、抗压能力强、熟悉行业、具有创新思维。这样的描述既无法指导候选人准备，也无法帮助面试官判断，最后只能依靠学历、公司背景、表达流畅度和个人感觉完成选择。

　　AI时代的岗位设计，需要把工作拆成具体责任，并明确哪些结果可以由AI辅助，哪些判断必须由任职者本人完成。一个数据分析岗位可以让AI生成查询语句，却不能把数据口径、异常判断和业务解释完全交给模型；一个招聘岗位可以让AI整理简历，却不能把候选人去留和敏感信息处理责任全部交给算法。岗位说明越接近真实工作，测评就越不容易被通用答案穿透。

　　企业可以围绕“输入—判断—行动—结果”重新描述关键任务。候选人会接触什么信息，需要在什么限制条件下做出判断，能够调用哪些工具，最终对哪些结果承担责任，这四个问题比抽象能力标签更有测评价值。它们也能帮助招聘团队设计更贴近实际工作的题目，而不是继续使用已经在互联网上流传多年的标准题库。

　　岗位设计还需要识别“不可代理责任”。有些任务可以交给AI起草，有些任务可以让模型提出建议，但涉及签字、承诺、资源配置、员工权益和客户风险的决定，必须明确由人承担。招聘时如果不验证这些责任能力，入职后就容易出现员工“模型是这样建议的”式的责任转移。

　　AI能够替代的是任务片段，企业招聘的却应该是一个可以对完整结果负责的人。 这句话看似简单，却会改变企业对学历、经验和技能的排序。知识记忆的重要性可能下降，但定义问题、核验事实、解释取舍、识别风险和承担后果的能力会明显上升。

　　从“提交答案”转向“证明答案如何形成”

　　生成式AI最擅长生成最终文本，因此只看最终成品的测评正在迅速失去区分度。企业继续让候选人回家完成一份开放式报告，再根据报告是否专业决定进入下一轮，相当于把最容易外包给AI的环节作为核心筛选依据。更有效的方式，是把结果验证改造成过程验证。

　　候选人可以先完成一份允许使用AI的案例作业，面试时再接受针对作业内容的口头答辩。面试官不需要重复询问报告中的结论，而应要求候选人解释数据来源、关键假设、未采用方案和修改过程。卡佩利在原文中提到类似做法：要求提交书面内容的人随后回答与材料相关、但无法提前准备的随机追问，用口头验证提高完全代写的成本。

　　答辩还可以加入条件变化。面试官可以临时改变预算、时间、客户需求或合规约束，观察候选人如何调整方案；也可以指出材料中的一个潜在错误，要求候选人现场判断是否成立。真正理解问题的人通常能够重新组织思路，而只熟悉最终答案的人容易在条件变化后失去逻辑连接。

　　对于技术岗位，现场编写完整代码未必是选择。企业可以提供一段由AI生成、包含隐蔽错误的代码，让候选人进行审查、调试和解释；也可以允许候选人使用AI，但要求说明模型产生了哪些错误、自己如何验证，以及哪些部分不能直接用于生产环境。这样的测评更接近真实工作，也能区分“会让AI输出代码”和“能对代码质量负责”的差异。

　　对于管理岗位，企业可以减少“请讲一个成功案例”式的开放问题，增加基于真实冲突的连续追问。候选人不仅要说明采取了什么行动，还要解释当时有哪些利益相关方、为什么没有选择其他方案、决策依据是什么，以及结果不理想时如何修正。AI可以生成一个符合管理学框架的答案，却很难长期维持虚构经历中的人物关系、时间线和因果细节。

　　对于销售、客户成功和咨询岗位，可以使用角色扮演和动态情境。面试官在交流过程中改变客户态度、提出新的异议或者暴露信息不完整，候选人需要即时调整，而不是背诵一套标准话术。企业考察的重点由“回答得是否漂亮”转向“能否理解变化并作出恰当反应”。

　　一份更可靠的招聘证据不应来自单次高分，而应来自多种信息之间的一致性。简历中的项目、案例作业中的判断、面试中的解释、推荐人提供的信息和入职后的表现，应当形成可以相互核验的证据链。任何一个环节都可能被包装，但多个不同场景长期保持一致的成本会显著提高。

　　现场测评值得回归，但不应该成为答案

　　卡佩利认为，防止招聘作弊最有效的方式仍然是现场完成面试和测评。对于身份风险高、系统权限大、决策后果严重的岗位，这一建议具有现实价值。企业可以在最终环节进行面对面确认，或者在受控设备和明确规则下完成关键能力验证，从而降低远程代答、身份替代和隐藏工具带来的风险。

　　但全面恢复现场招聘并不适合所有企业。跨地区人才、全球团队和灵活用工已经成为常态，如果所有候选人都必须多次到场，招聘成本和候选人时间成本会显著上升。对行动不便者、照护者以及距离办公地点较远的人才而言，现场要求还可能构成新的进入障碍。

　　因此，现场测评更适合作为分层控制，而不是普遍惩罚。高权限、高敏感数据、高财务风险和高合规责任岗位，可以安排最终现场验证；一般专业岗位可以使用远程答辩、实时任务和身份一致性核验；低风险、短周期岗位则可以通过试岗任务、阶段付和更严格的入职观察降低风险。风险越高，验证越强，逻辑应当透明而稳定。

　　现场测评的内容也需要重新设计。把候选人叫到办公室，再让他完成一套能够背诵或刷题的标准试卷，只是把低效流程搬回线下，并没有真正提高预测效度。现场的价值在于确认身份、观察思考过程、验证关键基础能力，并创造难以被外部力量完整替代的互动情境。

　　企业还需要给予合理便利。存在听力、视力、语言或神经多样性特征的候选人，可能需要不同的交流方式、更多准备时间或辅助设备，不能因为使用辅助技术就被自动标记为可疑。招聘团队应当区分用于平等参与的合理辅助与未经授权的答案代替，否则反作弊措施本身就可能损害人才公平。

　　绩效管理必须成为招聘质量的“回传系统”

　　招聘团队经常用岗位填补时间、录用接受率和单次招聘成本衡量效率，却很少持续追踪候选人入职后的实际表现。这导致企业即使招错了人，也无法判断问题出在岗位画像、筛选模型、面试判断还是入职管理。AI作弊只是放大了一个长期存在的缺陷：招聘结果与绩效结果之间没有形成数据闭环。

　　企业需要建立更具体的“录用质量”指标，但不能简单使用试用期是否通过。管理者可能因为重新招聘成本高而降低试用期标准，也可能因为岗位目标不清而无法公平评价新人。更可靠的方式，是在招聘前就确定入职30天、60天和90天应当完成的关键任务，并把这些任务与招聘时验证的能力一一对应。

　　广告

　　如果企业在招聘中重点考察数据分析能力，入职后就应该观察员工能否独立确认口径、发现异常并向业务解释，而不是只看报告是否按时提交。如果面试中重点考察跨部门协作，入职后的评价就要包含利益相关方反馈、冲突处理和承诺兑现。招聘测评与真实绩效越一致，企业越容易发现哪些题目真正有效，哪些高分只是表达优势。

　　对疑似过度依赖AI的新员工，管理者也不宜立刻作出道德判断。更重要的是观察他能否解释交付物、修正错误、保护数据并对结果负责。如果员工能够借助AI提高效率，同时保持稳定质量，这可能正是企业希望获得的能力；如果他无法理解自己的输出，只能不断复制模型答案，那么问题才真正触及岗位胜任力。

　　绩效数据回传还可以帮助企业识别招聘中的“假阳性”和“假阴性”。被检测工具标记为异常的候选人，未必一定表现不佳；面试中完全没有触发风险信号的人，也可能在入职后无法胜任。企业需要定期比较检测结果、面试评分和实际绩效，避免把某个供应商的风险分数直接当成事实。

　　招聘反作弊的目标不是提高“抓到多少人”的数字，而是提高录用决策与真实工作表现之间的相关性。 如果部署了更多监控工具，却没有改善新人绩效、留任质量和业务产出，那么企业得到的可能只是更复杂的流程，而不是更准确的人才决策。

　　AI时代的能力标准，不是“脱离AI证明自己”

　　招聘流程不能只验证候选人有没有使用AI，还要验证他是否真正具备驾驭AI的能力。大量员工已经可以让模型生成一份看似专业的结果，但能够识别事实错误、隐含偏见、数据泄露和逻辑漏洞的人仍然稀缺。企业未来需要的不是“完全不用AI的人”，而是知道什么时候可以用、什么时候必须停下来的人。

　　AI能力至少包含四个层面。基础层面是能够选择合适工具并提出清晰要求，进阶层面是能够把业务背景、限制条件和评价标准转化为有效输入，更高层面是能够核查输出并修正错误，而最关键的层面是对最终结果承担责任。许多候选人能够完成前两个层面，却在面对错误和风险时缺乏判断。

　　招聘测评可以故意提供一份存在问题的AI输出，让候选人进行审查。错误不必设置得非常隐蔽，可以包括引用来源不存在、数据口径不一致、忽略关键利益相关方或者提出无法执行的方案。企业观察的不是候选人能否发现所有错误，而是他是否具备核查意识、是否知道应当去哪里验证，以及面对不确定信息时是否愿意降低结论强度。

　　候选人使用AI的过程也可以成为能力证据。企业可以要求其说明哪些部分由AI生成、哪些部分由本人修改、为什么接受某些建议、为什么拒绝另一些建议。主动披露工具使用并不意味着能力较弱，恰恰可能说明候选人具备更成熟的工作透明度。

　　这种能力标准还会改变人才培养。新员工不再只是学习如何完成任务，还需要学习如何监督模型、保护数据、记录关键决策并在必要时切换到人工流程。企业如果只在招聘中要求AI能力，却没有提供安全工具、数据规范和管理支持，就会把组织责任转嫁给个人。

　　越想识别作弊，越不能忽视隐私与公平

　　面对作弊风险，一些企业可能迅速增加人脸识别、眼动追踪、声音分析、键盘记录、房间扫描和设备监控。这些技术能够提供部分风险信号，但也会收集大量与岗位能力无直接关系的个人信息。监控范围越大，数据泄露、误判和候选人不信任的风险也越高。

　　我国《个人信息保护法》明确要求，处理个人信息应当具有明确、合理的目的，并采取对个人权益影响最小的方式；对于利用个人信息进行自动化决策的情形，也强调透明、公平和个人权利保护。招聘中涉及人脸、声纹、身份信息和行为数据时，企业不能因为“防作弊”就默认拥有无限采集权，而应当评估是否真正必要、保存多久、谁能访问以及候选人如何提出异议。

　　跨国企业还需要关注不同地区对AI招聘的监管差异。欧盟已将用于招聘和人员选择的部分AI系统列入高风险类别，相关要求强调风险管理、数据质量、记录留痕、文档说明、人工监督和系统准确性；根据欧盟委员会2026年的最新时间表，附件三所列高风险系统的规则将从2027年12月2日起适用。

　　美国平等就业机会委员会也长期强调，雇主使用测试和选择程序时，需要证明相关工具与岗位有关并符合业务必要性。如果某种反作弊工具对特定群体产生明显不利影响，或者因为残障、口音、网络条件和行为差异频繁误报，企业不能简单以“系统评分”为由拒绝候选人。

　　因此，风险信号不应直接等同于淘汰决定。视线偏移可能是阅读辅助材料，回答延迟可能来自网络问题，语言节奏异常可能与紧张、口音或辅助设备有关。系统可以提示需要复核，但最终判断应当由经过培训的人完成，并结合多个证据来源，而不是依赖单一行为特征。

　　企业还应该向候选人解释哪些数据会被收集、为什么收集、如何处理以及是否存在替代方式。透明规则能够提高诚信成本，也能减少候选人因为不确定而产生的抵触。 真正可信的招聘流程，不仅要求候选人证明自己是真实的，也要求企业证明自己的验证方式是必要、适度和公平的。

　　招聘经理不能继续把验证责任全部交给HR

　　招聘作弊经常被视为招聘部门的问题，但真正决定候选人是否胜任的，仍然是业务管理者。HR可以设计流程、采购系统并提供面试工具，却无法替代业务负责人判断一个方案是否符合实际、一个案例是否可能发生，以及候选人是否真正理解工作中的限制条件。业务经理如果只参加最后30分钟的“感觉面试”，再先进的系统也很难弥补专业验证缺口。

　　管理者需要承担岗位定义责任。招聘启动前，应当说清楚新人入职后需要解决什么问题、哪些结果最重要、哪些错误不能发生，而不是把上一任员工的职位描述直接复制给HR。岗位目标不清，招聘团队只能依赖学历、年限和关键词，恰好给AI包装留下更大空间。

　　管理者还需要承担追问责任。高质量面试不是不断提出更多问题，而是围绕少数关键经历追踪事实、决策和结果。面试官必须熟悉业务，才能识别答案中看似合理但无法执行的部分，也才能判断候选人的经验是亲自参与、旁观了解，还是事后整理。

　　录用之后，管理者还要承担验证闭环责任。新人在试用期内是否展现了招聘时承诺的能力，哪些判断准确、哪些能力被高估，都应该反馈给招聘团队。没有这一环，组织只能不断重复同样的面试问题，再用同样的方法招入下一批人。

　　HR的角色也需要从流程运营者升级为人才证据体系的设计者。HR不只是安排面试和推进审批，还要帮助业务判断什么证据能够预测绩效，什么环节容易被AI替代，什么数据不能收集，以及什么决策必须保留人工复核。招聘质量因此不再是HR单部门指标，而是HR、业务、法务、信息安全和采购共同承担的治理结果。

　　企业需要的不是一款反作弊软件，而是一套分层防线

　　任何单一工具都无法解决所有招聘真实性问题。简历查重不能发现合理改写，AI文本检测容易产生误报，锁定浏览器无法阻止第二台设备，人脸识别也不能证明候选人拥有材料中描述的能力。Aiseptor自己的2026年研究也指出，多类检测方法已经存在已知规避方式，这进一步说明技术只能成为控制体系的一层，而不能成为全部答案。

　　更稳妥的体系可以围绕“身份、能力、过程、结果”四类证据建立。身份信息用于确认申请者、面试者和入职者是否一致；能力证据用于验证候选人是否掌握岗位关键知识和技能；过程证据用于观察答案如何形成；结果证据则来自试用期和入职后的实际表现。四类证据相互支持，比在某一场面试中进行高强度监控更可靠。

　　在招聘开始前，企业应向候选人发布清晰的AI使用说明。哪些环节允许使用，是否需要披露，哪些内容必须独立完成，违反规则会产生什么后果，都应当提前写明。规则越模糊，后续越难区分创新使用与不诚信行为，也越容易引发候选人争议。

　　进入筛选阶段后，企业可以减少对简历语言质量的过度依赖，增加对时间线、项目角色和可核验成果的关注。对关键经历进行交叉提问，核实候选人在团队中的具体责任，而不是仅仅确认项目名称。必要时可以联系经过候选人授权的推荐人，核验任职信息和项目参与情况。

　　测评阶段则应提高任务与岗位的相关性。通用知识题、公开题库和长周期居家作业最容易被AI替代，动态案例、口头答辩、现场修改和错误诊断更能暴露真实判断。允许使用AI的测评，应当把核查、解释和责任纳入评分，而不是只看最终成品是否漂亮。

　　最终录用前，涉及核心权限和敏感数据的岗位可以进行更严格的身份与资质确认。信息安全团队应参与确定设备发放、远程访问和最小权限策略，避免招聘确认完成后立即给予过度访问权。身份风险不是签署劳动合同后才需要处理的问题，而应与入职安全流程连成一体。

　　入职后的前90天则是招聘真实性的最后验证窗口。企业需要提供清晰任务、合理支持和定期反馈，同时观察员工能否稳定复现面试中的能力。发现差距时，应先判断是能力包装、岗位理解偏差、入职支持不足还是目标设置问题，避免把所有表现差异都简单归结为招聘作弊。

　　用90天重建AI时代的招聘证据链

　　前30天，企业可以完成一次招聘流程风险盘点。HR与业务共同列出正在招聘的岗位，按照系统权限、数据敏感度、财务影响、客户影响和替代成本进行分级。与此同时，检查现有简历筛选、在线测评、视频面试和背景核验环节，找出最容易被AI代答、最缺少规则说明和最依赖单一分数的节点。

　　这一阶段还要梳理供应商。企业需要知道招聘系统使用了哪些模型、采集哪些数据、数据保存在哪里、风险评分如何产生，以及供应商是否允许审计和申诉。采购合同不能只关注功能和价格，还要覆盖准确性、数据安全、版本变化、异常通报和责任边界。

　　接下来的30天可以选择少量关键岗位进行测评重构。每个岗位保留一项允许使用AI的真实工作任务、一项验证个人基础能力的受控任务，再加入一次围绕候选人材料的动态答辩。面试官使用统一评价标准记录事实证据，减少“沟通不错”“感觉聪明”等模糊判断。

　　企业还可以建立一份简洁的候选人AI使用协议。协议不需要充满法律术语，只要明确允许事项、禁止事项、披露要求、数据处理方式和复核渠道。候选人在进入测评前确认规则，面试官也必须按照同一规则判断，避免部门之间标准漂移。

　　最后30天应当把招聘数据与试用期绩效连接起来。企业可以跟踪不同测评环节与新人表现之间的关系，比较哪些题目真正预测了工作结果，哪些工具产生了大量误报。招聘负责人定期与业务经理复盘，把结果用于调整岗位画像、评分权重和验证方式。

　　90天之后，企业不一定需要部署更多工具，但应该拥有更清楚的岗位风险分级、更明确的AI使用边界、更可靠的面试证据和更完整的绩效回传。这个体系的价值不仅在于减少作弊，还能提高招聘效率，因为企业不再把时间浪费在缺乏预测价值的重复面试和形式化测评上。

　　招聘作弊激增，还暴露了企业对外部招聘的过度依赖

　　卡佩利在文章开头提到，随着企业减少内部人才培养，人才获取逐渐成为HR最显眼、最重要的工作。这个变化带来了一个结构性后果：企业越来越希望从市场上直接买到“已经准备好的人”，于是不断增加简历筛选、能力测评和面试轮次，试图在入职前消除所有不确定性。AI恰恰证明，这种期待越来越不现实。

　　候选人能力无法通过一次招聘被完全看清。即使没有任何AI作弊，面试表现也会受到准备程度、表达风格、情境压力和面试官判断影响。企业越缺少内部培养能力，就越希望招聘工具提供确定答案，也越容易被看似精准的分数和排名吸引。

　　当招聘证据变得更容易伪装，内部人才市场的重要性会重新上升。企业已经合作过的员工、实习生、项目成员和内部候选人，拥有持续可观察的工作记录，这些真实行为数据通常比一次高分测评更可靠。内部流动、导师制、学徒制和项目轮岗不只是人才发展方式，也是一种降低信息不对称的用人机制。

　　这并不意味着企业应该停止外部招聘，而是需要重新平衡“买人才”和“育人才”。对于市场上高度稀缺、业务急需的能力，外部招聘仍然必要；对于可以通过半年到一年培养形成的能力，内部转岗和早期人才培养可能更稳定。企业如果把所有能力缺口都交给招聘市场解决，就会不断扩大验证成本，也会让现有员工看不到成长空间。

　　校园招聘尤其需要改变。年轻候选人通常缺少长期工作证据，更容易依赖AI改善材料，也更容易在标准化题库中获得高分。企业与其通过更多测试寻找一个看似“完成度很高”的毕业生，不如验证学习速度、反馈反应、基础能力和诚信边界，再通过训练营、轮岗和导师机制完成岗位适配。

　　AI正在削弱一次性招聘考试的可信度，却提升了持续观察、真实任务和内部培养的价值。 这可能是招聘作弊话题背后更重要的组织信号：企业不能再幻想通过一次完美招聘获得一个无需培养、无需管理、立即产出的人。

　　真正需要升级的，不是监控强度，而是组织的判断能力

　　招聘作弊激增很容易制造技术焦虑。企业可能希望尽快购买检测系统、增加摄像头、恢复现场考试，仿佛只要看得更紧，就能重新获得确定性。但AI生成和伪装能力会继续变化，任何基于表面特征的检测都可能被新的工具绕过，单纯依赖监控很难建立长期优势。

　　更稳定的优势来自组织自身的判断能力。岗位定义是否清楚，面试官是否懂业务，测评是否接近真实工作，评分是否基于证据，身份核验是否与岗位风险匹配，入职绩效能否回传到招聘系统，这些基础能力不会因为某款AI工具更新而立即失效。它们决定企业能否在答案越来越漂亮的世界里，看见答案背后的人。

　　企业也需要接受一个现实：未来几乎不可能完全区分“人完成的工作”和“AI辅助完成的工作”。真正有价值的区分将变成，候选人是否理解输出、能否解释过程、是否知道边界、能否发现错误，以及是否愿意承担结果。招聘标准如果完成这次迁移，AI就不只是作弊工具，也会成为识别新型人才的重要场景。

　　对候选人而言，诚信也不再等同于完全不用AI。更成熟的职业行为是按照规则使用工具，主动披露关键辅助，避免虚构经历，并确保自己能够解释和交付所提交的内容。企业如果能够清楚表达这一标准，就能把一场隐蔽的工具博弈转化为一次对判断力、透明度和责任感的真实考察。

　　AI时代的招聘，不应追求一个“完全没有AI参与”的候选人，而应找到那个不会把判断、诚信和责任一并外包给AI的人。

　　招聘作弊激增只是表面现象，背后真正被击穿的，是企业沿用多年的简历、标准题和印象面试体系。谁能率先重建人才证据链，谁才可能在机器生成一切的时代，继续识别真实能力。

　　参考资料

　　HR Executive：《“招聘作弊”：一个混乱而昂贵的AI世界》

　　Aiseptor：2026年AI辅助作弊统计与研究

　　微软：威胁行为者如何利用AI进行身份伪装

　　微软：远程招聘与云端身份渗透的识别策略

　　FBI：远程IT人员身份欺诈风险及企业防范建议

　　美国司法部与FBI：打击虚假远程IT人员计划的联合行动

　　欧盟委员会：人工智能法案监管框架

　　欧盟委员会：人工智能法案执行时间表

　　美国平等就业机会委员会：就业测试与人员选择程序

　　NIST：人工智能风险管理框架

　　中国网相关转载：《个人信息保护法》施行与个人信息保护要求

　　— END —

　　原文链接：https://mp.weixin.qq.com/s/l62mX-hi0JQB9O8_v3MxNw