当面试官也是AI新手,招聘变成两个新手互相点头
Tyler Cowen在a16z访谈里说,AI让招聘短期更难:旧信号失效,新认证没来,过渡期所有人都是新手。回复区给出的办法更直接:给任务,看过程。
a16z放出一段Tyler Cowen的访谈片段。他说AI在短期让招聘更难。原话意思很直接:现在很难判断招来的人是否擅长AI。过去需要的能力有不够准的信号,比如读过康奈尔、全A、面试表现好。现在要判断的是心理灵活度,能不能学会AI,招聘方常常不知道。好匹配更难,搜索更久。长期看,AI自己会解决,会出现评估一个人在AI上有多强的认证。过渡期里,所有人都是新手。
Cowen是George Mason大学经济学家,长期写Marginal Revolution。这段clip的重点落在招聘评估:旧代理指标对“能不能适应AI”没预测力。他说的是短期。长期认证会出现,但短期没人有标准答案。
同一场a16z对谈里,Erik Torenberg和Alex Imas、Tyler Cowen讨论了一个更大的问题:AI能力快速提升,会不会转化成失控式经济增长。两位经济学家都偏怀疑。对谈列出的原因包括:更聪明的模型不能自动越过经济瓶颈;慢机构会限制AI对经济的影响;AI实验室竞争让强模型更便宜;消费者从AI得到的好处可能远大于GDP能捕捉的部分;科学进步和更长寿命可能是AI最大的收益之一。完整视频在YouTube。
完整视频:https://www.youtube.com/watch?v=g_67TmQ8lGY
回复区把话题拆成两类:怎么面人,怎么量经济。
招聘这边,有网友说10分钟屏幕共享就够,看候选人第一个答案错了之后做什么。有网友建议给候选人一个真实任务、一个生成式AI工具、30分钟,然后读他问了什么。提问比成绩单更能说明问题。还有网友说简历信号正在变得没用。Electra的讽刺很准:如果人人都是新手,面试就是两个新手互相点头。另一个问题更怪:如果被面的是agent,怎么面试一个昨天才学会工作的东西。
Jonathan Sandhu的长回复把“等AI发认证”批了一顿。他的意思是,认证把测量问题搬进另一个AI系统,然后宣布问题解决。他给的办法是让候选人做工作:给不熟悉的任务、合适工具、明确约束和可测验收标准,记录完成输出、正确性、延迟、成本、错误检测、恢复、独立验证,以及能不能识别模型自信地犯错。然后改需求,看适应。这个办法不新,工程组织一直这么评估系统。只是现在要评估人操作系统的能力。
Jonathan Sandhu回复所附视频:
经济这边,Hassan Nasser的提醒很具体:更聪明的模型不能一夜给你造出新机床,资本设备不会编译。Anthony Sun说,模型质量可以跳一大截,还是碰不到监管、实体工厂、人们达成一致这些慢部分。更聪明的模型不会自动修好协调。Tobias Sherman则直接说GDP不是好指标,增长本身没有目的。消费者剩余派认为AI带来的好处会大于GDP数字。Jonathan Sandhu另一条长回复把矛头对准a16z:一边因为前沿用户喊算力不够去投数据中心,一边用弱宏观生产力证据质疑AI经济起飞,这用的是两套识别标准。他的建议是测量完整工作流:协作的agent能不能可靠执行状态、授权、验证、恢复和问责,总成本、延迟、吞吐、失败率是多少,周围机构能不能部署结果。
这些讨论放在一起,招聘难和经济影响慢指向同一个变化:评估单位变了。简历、成绩、面试表现是个人信号;模型benchmark是能力信号;真实工作流要的是在约束下产出可靠结果。短期更实际的做法,是把工作样本搬回面试,观察过程、错误和适应。等一张AI证书可以往后放。证书会来,但模型变化可能比证书快。过渡期大家都是新手,承认这一点,比假装有标准答案有用。面试官和候选人都在同一张考卷上,区别是面试官还得假装自己在出题。
发布时间: 2026-11-17 11:32