招聘算法的死结：不是技术，是心理学

为什么你的求职App总在“胡说八道”？

打开任何一个主流招聘平台，无论是BOSS直聘还是猎聘，算法推送的职位总让人怀疑它是否真的“理解”你。一个资深总监可能会收到入门级专员的面试邀请，一个想转行的产品经理则会被困在旧领域的职位推荐里。

人们习惯性地将此归咎于技术落后或数据不足。但一个更反直觉的真相是：招聘匹配之所以困难，并非技术问题，而是一个伪装成技术问题的心理学问题。我们从一开始就可能用错了力。

垃圾山上的“炼金术”：当数据源头已然混乱

算法匹配的第一步，是理解职位描述（JD）和个人简历。然而，这第一步就踏入了泥潭。

职位描述本身就是一片混沌。同样一个“运营经理”的岗位，在一家互联网大厂可能意味着要负责上亿用户的增长策略，而在一家初创公司，则可能需要身兼社群、内容、活动甚至客服数职。它们的JD在措辞、格式、术语上几乎没有共同点。

这种非标准化的语言，让算法的“理解”工作举步维艰。自然语言处理（NLP）技术可以提取关键词，大语言模型（LLM）可以尝试结构化文本，但这都只是在混乱的表层信息上做文章。更深层的问题在于，职位名称本身就是一种几乎失效的标签。

一个五人团队的“技术VP”和一个五万人公司的“技术VP”，除了名片上的头衔，其职责、能力模型、影响力范围几乎是两个物种。算法如果只基于文本相似度进行匹配，必然会得出荒谬的结论。它无法理解这些标签背后，关于组织架构、权责范围和行业惯例的深层知识。这需要的是组织心理学和人力资源领域的专业知识，而非更强的算力。

“匹配度95%”的陷阱：算法不懂“合不合适”

假设我们解决了数据理解的问题，进入了匹配阶段。传统的思路是计算候选人与职位的相似度，得分越高，匹配度越高。这听起来很合理，却隐藏着一个致命的错误：“匹配”并非线性关系。

一个经典的例子是“过度匹配”（Overqualification）。一位拥有十年销售管理经验的总监，去应聘一个初级销售岗位，从技能上看，他的匹配度可能是99%。但现实中，这是一个糟糕的匹配。他可能会因为工作缺乏挑战而迅速感到厌倦，最终导致高流失率。工业与组织心理学的大量研究早已证实，过度胜任与工作满意度、组织承诺呈负相关。

在中国独特的职场环境下，这个问题更为复杂。当一位38岁的“大厂”高级工程师去应聘一个创业公司的普通开发岗，算法可能会因为技能重叠而给出高分。但它无法判断，这究竟是候选人因“35岁危机”而做出的妥协，还是寻求工作生活平衡的主动选择。它更无法理解，这种背景的候选人对创业公司的文化、节奏和薪酬体系是否真的“合适”。

一个好的匹配系统，不应该只问“这人会不会干这个活”，而应该问“这个岗位是不是这个人职业生涯的合理下一步”。后者是一个关于动机、发展轨迹和人-环境匹配度的心理学问题，远远超出了关键词匹配的范畴。

AI的局限：能贴标签，不能理解职业叙事

大语言模型的出现，让人们对智能匹配燃起了新的希望。理论上，LLM能更好地理解非结构化文本。但在规模化的招聘场景中，它暴露了新的局限性——分类漂移。

当需要处理成千上万个职位和候选人时，即使是先进的模型，其分类标准也会出现微妙的、不一致的摇摆。同一个“数据分析师”岗位，可能这次被归为“商业智能”，下次又因为JD里提到了Python而被归为“数据科学”。这种不一致性在海量匹配中会被不断放大。

更核心的问题在于，目前的AI本质上是一个高效的“贴标签机器”，而不是一个“职业顾问”。它可以识别出你简历里的技能标签，却无法理解你的职业叙事：你为何在上一份工作中选择离开？你对下一份工作的核心诉求是成长、稳定还是薪酬？你过去五年的职业路径，揭示了你怎样的底层动机？

这些深层的、人性化的问题，恰恰是决定一次职业转换是否成功的关键。而这，正是当前所有招聘算法的盲区。

结语：回归“人”本身

我们花了太多精力去优化算法、提升算力，却忽略了招聘匹配的核心是“人”。这个领域的下一个突破，或许不会来自更强大的模型，而是来自一种新的融合——将工程技术与组织心理学、职业发展理论等“软科学”深度结合的团队。

未来的招聘平台，不应再是一个冰冷的关键词搜索引擎。它需要从“文本匹配”进化到“轨迹匹配”和“动机匹配”。只有当技术开始真正理解人的职业发展规律和内在动机时，我们才有可能摆脱那些“胡说八道”的职位推荐。