招聘體系應當更看重實際貢獻，而非學歷光環。
我的職業生涯始于神經科學領域——既非商科背景，也非工程或人力資源專業。
當我成為GitLab產品負責人時，此前從未管理過產品團隊，也不具備傳統意義上的資質。但有人愿意給我機會，看中的是我的潛在貢獻，而非過往履歷。這一刻不僅改變了我的職業軌跡，也重塑了我的招聘理念。
在Remote公司，我們更關注能力而非出身。一個人的實際作為遠比簡歷上的光環重要。這種思維方式始終有價值，而隨著人工智能的崛起，它正變得至關重要。
當前變革不僅關乎生產效率與自動化——更涉及我們如何定義崗位適配度、識別潛力，以及避免重蹈歷史上的排他性覆轍。AI已在改變工作方式，但若想讓它優化招聘，我們必須有意識地引導這種變革。
這種轉變恰逢傳統學歷價值受到質疑。據皮尤研究中心數據，在學費高漲和學生債務壓力下，僅22%美國人認為貸款攻讀四年制大學"物有所值"。如果企業繼續將學歷要求作為能力代名詞，可能會錯失大量通過非傳統路徑證明自己實力的AI時代人才。
AI正在改變貢獻者的定義與方式
我將AI視作必需品。它已深度融入我司文化，其人才賦能效應徹底改變了我們的運作模式。但較少被討論的是：AI也重新定義了"貢獻"的內涵。只要配備合適工具和明確目標，缺乏正規培訓者也能更快完成更多工作。
沒有正式學歷者可用AI完成專家級任務：數據分析、技術文檔撰寫甚至編程。小城鎮的單親父母既能陪伴孩子，也能為遠程團隊創造價值。那些取代某些職能的工具，正讓更廣泛人群得以參與知識經濟。
這并非否定經驗價值，而是意味著"紙上資質"與"實際產出"之間的鴻溝正在縮小，但招聘體系尚未跟上。
這種轉變要求我們改變人才評估方式。當貢獻不再取決于出身，圍繞學歷、名企經歷和線性簡歷建立的招聘體系就會失靈。企業需要從簡歷篩選轉向問題解決測試，從面試答辯轉為真實項目考核。
盡管近年來技能本位招聘呼聲漸高，但哈佛商學院與Burning Glass研究所2024年報告顯示，過去一年中每700個錄用者里，不足1人是主要基于技能而非傳統資質入選。變革意愿雖明確，但若招聘體系不變，企業將繼續錯失他們聲稱需要的人才。
簡歷正在失去信息價值
人們容易誤以為AI會自動挖掘潛在人才，這是危險假設。未經約束的AI招聘系統可能復制甚至放大既有偏見。基于歷史數據訓練的算法，可能偏愛與過往錄用者教育背景、地域或經歷相似的候選人。某些自動化篩選器會懲罰職業空窗期，或直接忽略非傳統申請者。
若不謹慎，我們可能將這些偏見更深地嵌入規模化招聘系統。AI工具獲取渠道和使用熟練度并不均衡，弱勢群體、非母語者或資源匱乏地區人群可能缺乏接觸機會或使用信心。
公平不僅是道德問題，更是運營需求
要發現頂尖人才，我們需要反映現代技能的招聘實踐：適應性、溝通力和快速學習能力。
我司采用與團隊運作模式匹配的異步工作流，注重思維清晰度、響應能力和情境化問題解決。內部文檔與入職培訓設計確保不同背景、時區者都能快速適應。這些實踐讓我們能基于工作方式而非自我包裝來評估候選人。
遠程工作已證明人才無需共處一地也能創造價值，同時也暴露了結構性不平等。基礎設施可靠性、工具熟練度和全球雇傭體系的差異仍然存在。公平不會自動實現，必須通過設計達成。
AI正在重新定義"就緒度"
AI或許能加速任務執行、降低成本，但無法替代人才需求。它提高了人才整合標準，也拓寬了公平競爭的機會。最合適的候選人可能不走傳統路徑、不住大城市、沒有大學文憑——但他們已準備好創造價值。
企業現在需要建立"貢獻優先于證書"的招聘體系，包括：
將AI培訓設為標準入職流程（而非技術崗特權）
確保招聘流程反映真實工作場景
采用試崗項目、異步測試等評估實際工作能力（允許使用AI工具）
定期審計工具數據偏見，檢視系統篩選機制
最佳候選人或許與你過往錄用者截然不同，但人才可能以意想不到的方式嶄露頭角。
精選文章：