AI 如何让团队变得更脆弱

随着 AI 工具渗透招聘各环节——候选人用它批量投递简历，企业用它做初筛，面试官暗中以「AI 熟练度」评判候选人——一场无人刻意为之的均衡正在形成：所有人都在为获得优势而采用 AI，结果是所有人都不再有优势。本文认为，真正被侵蚀的不是流程效率，而是团队应对未知问题的「多样性」。

一个三段式反馈环

招聘双方同时优化并不新鲜，但当 AI 把单点行为都放大到极致时，原本分散的信号迅速同质化：

• 候选人侧：AI 改写简历、定制求职信、自动批量投递，申请量远超人工极限。
• 企业侧：面对无法人工处理的申请量，AI 预筛成为标配。
• 面试官侧：在没有明确政策的情况下，开始以 AI 使用流畅度作为隐性评判维度。

三个环节各有合理动机，单独看都无可指摘。但它们构成一个反馈环：面试官的偏好回灌到候选人下一轮的备战策略，信号在循环中只会被反复打磨得越来越平滑，也越来越难以区分。Gergely Orosz 把这种现象称为一种「Catch-22」——招不到人的招聘经理和得不到回复的资深候选人，就像在嘈杂夜店里玩「Marco Polo」：都在喊，却谁都听不见对方。

预测的天然上限

人力资源领域一个反复被验证的结论是：即便是最严谨的结构化面试与工作样本测验，对实际工作绩效的解释力也仅约 26%（R²≈0.26，Schmidt & Hunter 1998；Sackett 等 2021 年进一步下调）。换言之，约四分之三的绩效差异在招聘决策的那一刻是不可见的。

把这种「看不见的三分之二」当作可以靠更好的过滤器清除的噪声，是一个根本性误判。它不是误差，而是真实存在的离散度，只是提前无从得知。预测与实际表现的相关性约为 0.51，对应四个象限里有两类错误永远不会被察觉：误拒的优质候选人与误录的不合格者。

局部最优与系统脆弱

招聘不是给孤立单位产出「装上新零件」，而是「向既有网络加入一个节点」。这个节点会带来新的连接：它与谁沟通、为谁解堵、又会如何改变团队现有成员的工作方式。局部最优完全可能让全局变差——加进来的个体本身很强，却因为与既有连接方式不兼容，让整张图能触及的状态变少。

控制论学者 W. Ross Ashby 在 1956 年提出「requisite variety」原理：一个系统能应对的复杂性，取决于其内部的复杂性。由此推出一个反直觉的结论：团队内部的方差不是要最小化的噪声，而是适应性的原材料。专门挑某一种画像反复招人，会让团队极其擅长做「已经是自己的那种事」，直到环境变化——这正是 March 所说的「能力陷阱」。招聘的真正任务，是在增加能力的同时保留系统多样性。

五个互锁的环节

文中给出一个解释当前脆弱性的五环节链条，每个环节单独看都站得住脚，而脆弱性恰恰来自它们叠加出的涌现效应：

• 评分截断方差：把所有候选人压成单一排序，真实差异被抹平。
• 古德哈特定律：指标一旦成为目标便迅速失效。
• 热情筛选：偏好附和者，剔除异议。
• 共享工具：思维同质化加剧。
• 失败罕见却具系统性：一旦发生便牵动全局。

没有任何一环是元凶，也没有单一修复能见效。能力陷阱、信号失效、评判偏窄——它们彼此咬合，让一支在常态下看起来高效运转的团队，在遭遇未预设过的状况时变得异常脆弱。当下 AI 全面进入招聘流程，正是这种叠加效应被急剧放大的时期。