70% 招聘经理信 AI，只有 8% 求职者觉得公平：信任差距从哪来

招聘经理说：“AI 能让筛选更快、更好。”候选人追问：“那我为什么被淘汰，谁看过我的回答？”双方讨论的根本不是同一件事。一个人在评价效率，另一个人在寻找可见证据、错误渠道和被公平对待的感觉。

Greenhouse 发布的 70% 与 8% 很容易成为吸睛标题，也最容易被误读。它们是特定美国受访群体的态度数据，不是 AI 系统准确率、全球民意、歧视证明或合规结论。

先分清四国总样本与美国子样本

Greenhouse 2025-11-19 发布的材料报告总样本为 4,136 人，覆盖美国、英国、爱尔兰和德国。这个数字不能写成“4,136 名美国求职者”，也不能直接作为 70% 与 8% 的美国分母。

与标题数字相关的美国子样本是 1,200 名求职者和 665 名招聘人员或招聘经理。70% 对应招聘方群体对 AI 帮助做出更快、更好招聘决定的信任态度；8% 对应美国求职者中认为 AI 招聘公平的比例。

引用时至少保留国家范围、受访群体、样本规模、问题含义和发布日期。只留下“70% 对 8%”，读者很容易把态度差距误听成性能对比。

70% 与 8% 测量的是态度，不是系统表现

信任是一种主观判断，可能受使用经验、组织角色、风险承担方式和信息可见性影响。招聘方看到的是职位填补速度、处理量和流程成本；求职者看到的是一次申请是否获得解释、是否能纠错以及机会是否被未知规则改变。

因此，70% 不能证明 AI 的决定更准确；8% 也不能证明系统一定不公平。更不能写成“92% 求职者认为 AI 不公平”，因为剩余受访者可能选择中立、不确定或其他选项，必须按原问卷解释。

态度调查同样不能证明歧视或法律不合规。要评估特定系统，需要检查用途、数据、群体结果、错误率、监督、申诉和适用法律，而不是拿一组观感数字代替调查。

招聘方看到效率，候选人却看不到证据

招聘团队面对高投递量时，自动化带来的速度和一致性很有吸引力。系统可以帮助安排、解析、摘要、筛选或排序，让人员把时间放到后续环节。对内部用户而言，节省时间本身就是明显价值。

候选人承担的风险却更集中：不知道系统处理了什么材料；无法确认转写是否正确；不清楚输出是建议还是决定；收到拒信后找不到联系人。当流程只强调“更快”，却没有说明错误怎样被发现和处理，效率收益不会自然变成公平感。

这就是信任差距的结构性来源：收益与风险被不同角色看见。它不证明哪一方“更理性”，而是提醒流程设计者不能只用内部效率指标解释候选人体验。

哪些流程信号能减少“黑箱感”

更可信的流程不需要公开全部模型机密，但应让候选人知道最基本的边界。

• 用途清楚：AI 用于安排、转写、摘要、评分还是排序。
• 材料可确认：技术异常、错误简历或缺失回答有报告渠道。
• 责任可定位：谁监督输出，谁处理候选人问题。
• 状态不越界：证据不足与明确较弱表现不被混为一谈。
• 规则可复核：通知、保存、便利安排和适用法域有当前入口。

证据不足时为什么不能直接扣分 解释了评分记录怎样避免把没有材料自动写成低能力。它是治理建议，不代表所有平台都采用同一字段。

候选人可以把不信任改写成四个问题

“我不相信你们的 AI”很难获得具体回答。把担忧改写成可定位问题，通常更有效。

第一问用途：“本轮哪些环节使用自动化，输出用于辅助还是决定？”第二问材料：“录制或转写错误应通过哪里报告？”第三问责任：“是否有适当人员负责检查技术异常或材料差异？”第四问数据：“候选人通知在哪里，保存与联系人如何说明？”

如果岗位涉及欧盟流程，可以结合 EU AI Act 招聘透明度问题清单 继续核对日期与适用范围，但不要把欧盟规则套到所有地区。若只是对流程好奇，也不要先宣称自己拥有某项尚未确认适用的法定权利。

一次好的人类介入，不等于所有决定都由人负责

招聘方可能说“最终有人审核”，但候选人还需要理解人工介入的位置。审核者看到原始回答还是只有摘要；能否修改系统建议；在拒绝前还是拒绝后查看；技术异常是否触发人工检查，这些问题比“有没有人”更具体。

反过来，也不能把一次人工接触当作自动化完全没有影响。聊天机器人收集的信息、排序结果或自动摘要仍可能塑造后续判断。流程透明度需要描述实际分工，而不是在“全自动”和“纯人工”之间二选一。

候选人准备时，可以先辨认自己面对的交互模式。AI 对话面与单向视频面试差异 说明了固定录制与追问流程的准备重点，但不推断它们一定如何评分。

衡量信任，不能只问“你喜不喜欢 AI”

组织若想缩小信任差距，应同时看候选人是否理解通知、技术问题能否被解决、合理便利是否可用、人工联系人是否清楚、不同群体结果是否被监测，以及流程改变后是否降低错误和负担。

调查也应该按时间与流程变化重复观察。一次发布只能描述当时受访者的看法，不能证明信任差距永久固定，更不能据此判断某家公司后来上线的具体系统。若组织调整了通知、错误处理或人工监督，应分别比较理解度、问题解决率和候选人体验，而不是只问一个宽泛的满意度分数。

对外引用时还要区分“我们观察到更多信任”与“系统已经更公平”。前者可以来自问卷，后者需要更具体的过程和结果证据。把两个结论混在一起，正是候选人觉得宣传语言与真实经历脱节的原因。

NIST AI Risk Management Framework 提供了治理、测量和持续管理风险的框架，但它不是某个招聘系统的公平认证。EEOC 的 AI 与算法公平工作提醒组织关注既有就业歧视法律与自动化工具的交叉，也不能被当作对所有系统的违法判定。

Interview AiBox 可以用于面试前练习和面后复盘，帮助候选人检查回答证据与技术异常记录；你可以在 核心功能使用指南 了解工作流。它不能替招聘方解释系统，也不能把调查态度转换成某次申请的结论。

真正可信的收口是：对数字不夸大，对流程能追问，对错误有联系人，对决定保留明确的人类责任。70% 与 8% 的价值，不是判定 AI 招聘有罪或无罪，而是提醒双方正在用不同证据谈论“好流程”。

常见问题

4,136 人都是美国求职者吗？

不是。4,136 是美国、英国、爱尔兰和德国的总样本；相关美国子样本为 1,200 名求职者和 665 名招聘人员或招聘经理。

70% 是否证明 AI 招聘比人工更准确？

不是。该数字反映美国招聘方受访者的信任态度，不是经过验证的准确率或效果对照。

只有 8% 觉得公平，是否等于 92% 都认为不公平？

不能这样反推。8% 只能按来源中的问题、选项和受访群体解释，不能替剩余受访者补写态度。

这项调查是否证明 AI 招聘存在歧视或违法？

没有。态度调查可以揭示信任问题，但不能单独证明特定系统的歧视、准确率或法律不合规。

参考资料

• Greenhouse：An AI trust crisis，发布于 2025-11-19
• Greenhouse：Candidate Experience，访问于 2026-07-28
• NIST：AI Risk Management Framework 1.0，发布于 2023-01-26
• U.S. EEOC：Artificial Intelligence and Algorithmic Fairness Initiative，访问于 2026-07-28

下一步

• 查看 Interview AiBox 功能全景
• 了解 自动初筛后的人工复核请求
• 通过 产品路线图 查看产品演进
• 下载 Interview AiBox