从辅助工具到智能决策，大模型如何改变人才选拔方式？

随着大模型应用不断拓展，企业人力资源管理成为新的落地热点场景之一。从招聘流程的自动化筛选，到培训内容的个性化生成，再到能力评估的标准化量化，越来越多的 HR 系统正在从“辅助工具”向“决策辅助”演进。

不过，技术路线虽然看上去成熟，并不意味着落地就容易。面对复杂的组织流程、多元的岗位需求以及公平性等敏感问题，AI 在人才管理领域的落地仍处于摸索阶段。

近日，我们与阿里巴巴技术专家程鹏 围绕大模型在人才选拔与培养中的应用进行了简单交流。他长期负责阿里巴巴集团和蚂蚁集团考试培训系统，主导并设计了基于数字人的实时 AI 面试产品，支撑了达摩院世界数学竞赛、各类浙江省社会化认证、各类淘天 & 支付宝 & 饿了么全体商家的考核培训等。在传统产品 AI 化、AI Agent 应用设计、分布式系统设计、高吞吐量系统架构设计、计算机安全、逆向开发等领域有较多经验。

6 月 27～28 日，在即将于北京举办的 AICon 全球人工智能开发与应用大会上，程鹏将发表演讲《大模型在企业人才选拔和培训中的深度实践》，分享大模型在人才管理流程中如何落地，包括技术方案、挑战与应对策略，以及可量化的业务成效。相关方案已在多家大型企事业单位落地实施，覆盖招聘、培训和测评等多个环节。

敬请期待：https://aicon.infoq.cn/2025/beijing/presentation/6490

InfoQ：当前大模型在企业人力资源领域的应用逐渐增多，您认为 AI 在人才选拔与培养中最具颠覆性的价值体现在哪些方面？

程鹏：AI 在人才选拔与培养中的颠覆性价值主要体现在三个方面：

效率颠覆：通过简历分析、简历自动筛选、简历智能评估、AI 面试和智能评估报告，极大的缩短了招聘的周期，降低了整个流程的人工成本。例如，原先的传统招聘流程，成功入职 1 个人，可能需要招聘助理、各个环节的面试官、HR 等大量的人力投入，现在仅需在少量必要环节投入少量人力即可。

个性化：基于员工能力图谱和职业发展路径预测，AI 可为个体定制学习、培训方案。例如，通过分析历史表现数据，推荐最适合的技能提升课程。

客观决策：通过标准化的评估模型（如语言情感分析、行为模式识别），减少人为主观判断中的偏见，提升招聘与晋升的公平性。

InfoQ：面试、培训和能力测评应该算是 AI 落地的热门场景。您如何看待这三者在技术实现和业务价值上的不同挑战？

程鹏：面试场景：技术挑战在于实时音视频分析的准确性（如微表情识别、语义理解、情感识别），需结合多模态模型；业务价值体现在降低人力投入，提升面试流程的人效，但需要适当的补充人工审核，以降低 AI 误判的风险。

培训场景：技术挑战在于动态生成个性化内容（如 AI 模拟真实业务案例），并实时评估培训效果；业务价值在于降低统一培训的同质化问题，但需平衡 AI 推荐与员工自主性。

能力测评：技术挑战是构建多维度能力模型（如逻辑推理、团队协作），需结合行业知识图谱；业务价值在于为人才梯队建设提供数据支撑，但需解决传统评估体系与 AI 指标的兼容性问题。

InfoQ：企业在使用大模型辅助决策时，需要平衡这里面的“效率”与“公正性”，您觉得如何实现这种平衡，尤其是在人才评估中？

程鹏：算法透明化：明确评估指标的维度和权重（如学历占比、项目经验占比），并向用户展示决策逻辑。

数据多样性：模型训练、微调、蒸馏的数据均需要涵盖不同背景的样本数据，避免单一倾向。

人机协同机制：设置“AI 初筛 + 人工复核”的协同机制，确保人具有最终决策权，降低 AI 出错的风险。

InfoQ：大模型虽然通用能力强，但在面对具体行业语境和岗位需求时仍存在理解偏差。您认为提升“业务语义适配能力”的关键路径是什么？

程鹏：领域数据微调：在通用模型基础上，通过微调的方式，注入行业专有术语和业务流程数据，提升大模型在特定垂直领域的能力。

知识库蒸馏：将各类专家经验编码为规则库，与模型输出进行对齐。

自迭代：通过良好的产品设计，把用户标注作为产品流程的一个环节，通过 AI 结果 + 人工结果的标注数据的沉淀，持续迭代模型，从而持续提升大模型的效果。

InfoQ：在构建 AI 驱动的人才管理系统时，除了模型本身，您觉得哪些“非模型因素”最值得重视？

程鹏：

数据治理：确保训练数据的质量和隐私合规性。

伦理治理：建立 AI 决策的申诉机制，确保即使出现 AI 误判，也有途径可以进行更正。

InfoQ：从您的观察来看，目前哪些行业或企业类型最具备大模型在人力资源领域落地的土壤？为什么？

程鹏：

科技与互联网企业：数据积累丰富（如用户行为日志），且对效率提升需求强烈。

制造业与传统行业巨头：面临技能转型压力，需快速培养数字化人才。

InfoQ：对于想从 0 到 1 尝试 AI 面试或 AI 培训系统的团队，您有哪些“避坑建议”或实践经验可以分享？

程鹏：

小范围验证优先：从单一岗位（如客服岗）或低风险场景（如入职培训）切入，避免全盘推翻现有流程。

设计兜底机制：保留人工干预的入口，例如当 AI 推荐结果异常时可快速切换回传统方法。

注重用户体验设计：例如 AI 面试中需优化语音交互的自然度，避免“机器人感”导致候选人抵触。

建立伦理审查小组：在项目初期即邀请法务、HR 参与，规避潜在法律风险（如歧视性评估）。