麦肯锡AI面试官登场：求职者要与机器人对话？

招聘流程正在被AI改写。麦肯锡在北美的初级商业分析师面试中引入了一个模拟客户的AI面试官——候选人需要在约十分钟内与一个虚拟客户对话，回应对方的提问和反驳，而真正的评估由现场的人类评估员完成。这不是概念演示，而是一次真实上线的试点。

一场十分钟的"客户对话"

据《华尔街日报》《The Verge》和《纽约邮报》的报道，麦肯锡今年秋季在北美部分初级商业分析师的招聘中试点了AI面试环节。候选人面对的不是传统的行为面试题，而是一个扮演客户的AI——比如一位想要体育场建设建议的"AI市长"。面试时长约十分钟，可能有数百名候选人参与。

关键在于：AI本身不给候选人打分，最终决定权在房间里的人类评估员手中。麦肯锡也没有公布任何关于这套系统效果的量化数据。

这一点值得单独拎出来看。AI是对话的载体，人类是决策的主体，这个"人机分工"的设计在逻辑上留了后路。但候选人能够感知到的，只有对面那个不会累的对话者。

模拟客户面试（Simulated Client Interview） 是一种将情景模拟与生成式AI结合的面试形式。它的原型是咨询行业沿用多年的案例面试（Case Interview）——候选人需要在有限时间内分析一个商业问题并给出建议。传统做法是由人类面试官扮演客户或合伙人，而AI版本用大语言模型驱动的虚拟角色替代了这一角色，使对话可以实时生成、随时追问、不必迁就面试官的时间表。

需要区分的是"AI辅助评估"与"AI扮演角色"：前者指用算法分析候选人的回答并输出评分，后者（麦肯锡此次试点的模式）只让AI承担交互界面，判断权仍归人类。这一区别决定了对公平性的质疑落点不同——争议不在算法打分，而在脚本设定本身。

当面试官不再是人

从候选人体验的角度看，这件事的分裂感很强。

一部分人可能会喜欢这种形式。没有面对合伙人时的紧张感，没有寒暄，不需要揣摩对方的微表情，你只需要展示思考过程。对于内向型或者不擅长社交表演的候选人来说，这甚至可能是一种公平。

另一部分人会不知所措。与机器对话本身就是一件反直觉的事，没有任何过往经验可以参照。更核心的疑问在于：真实的客户对话是有质感的——客户会叹气、会突然转移话题、会因为老板在场而强硬反驳。一段预设好的脚本能模拟出多少这种质感？目前没有公开数据能回答这个问题。

先见机器人，后见老板

一个容易被忽略的细节是流程顺序：候选人先被AI面试，入职后才向人类经理汇报。

这种"先机器后人"的序列会塑造什么样的雇主印象？有人会觉得无所谓，工具就是工具。也有人会把它当作一个信号——这家公司是把我当人看，还是当数据点处理？对雇主的初印象往往很难改变。如果一家公司给你的第一场"真正对话"是和一台机器完成的，你对这段雇佣关系的期待会被怎样定义？这个问题没有标准答案，但它真实存在。

脚本背后的黑箱

一个和曾在公司工作过的人交谈时，你可以判断对方话语的分量，追问细节，读出表情里的犹豫——这些信息的可信度是可以被校准的。

但当AI扮演客户时，它的台词是被谁设定的？候选人看不到提示词，不知道系统被设计为奖励什么行为、在哪些点上会施压、性格参数是怎么调出来的。这和一位真实接触过客户的资深合伙人，在信息透明度上完全不是一回事。

公平地说，现场的人类评估员在这个环节里是一个真实的安全阀。最终决定由人来做出，AI的角色是提供对话场景而非裁决。但候选人的表现终究被一套他们看不见的脚本所塑造。这一点需要的透明度，目前远远不够。

提示词（Prompt） 是用户或开发者输入给大语言模型的指令文本，模型的输出内容、语气和边界基本由它决定。在模拟面试场景中，提示词通常包含角色人设（如"你是一位对预算敏感的市长"）、对话目标、施压点设置以及禁止透露的信息。候选人无法看到这些内容，因此也就无法判断哪些反驳是刻意设计的压力测试，哪些只是模型的随机发挥。

人格参数或系统设定则指通过温度值、角色约束等方式控制模型行为一致性的机制。参数不同，同一个AI可能表现为温和的倾听者，也可能表现为咄咄逼人的质询者，而候选人对此毫无知情权。这正是"黑箱"争议的技术根源：不是AI在评分，而是AI的表演方式本身就在筛选候选人。

如果要用，至少满足三个条件

作者Ashkan Rajaee（TDZ Pro创始人）在原文中给出了三条他认为的底线要求。作为在软件服务和咨询行业带过团队、从六百万美元做到六千万美元规模业务的从业者，他的出发点是招聘流程的成本与公平性。

1. 提前告知：明确告诉候选人模拟面试的运作逻辑，以及最终由谁做决定。
2. 公开数据：这套模拟到底能不能预测入职后的实际表现？目前零公开指标，需要结果来背书。
3. 提供人类替代方案：给不愿与AI对话的候选人另一条路径。

这三条都不反技术，只是把举证责任放得更高——因为坐在屏幕另一侧的人，是在赌自己的职业生涯。作者在原文中也坦承，他推测大公司引入AI面试的动机之一是降低招聘成本，但这只是他的推断，麦肯锡官方并未如此表态，其宣称的目标是观察候选人如何思考和应对。

多源报道下的事实与观点边界

本文综合了《华尔街日报》《The Verge》《纽约邮报》三家媒体的报道，在事实层面可以交叉验证的信息包括：试点时间为今年秋季，地点为北美，对象是部分初级商业分析师候选人，时长约十分钟，AI不评分，人类评估员做最终决定，目前无公开效果数据。

至于"这是否意味着大公司在用AI压缩招聘成本""候选人的第一印象会因此受损""脚本黑箱是否公平"——这些是原文作者的判断和推演，属于观点而非事实。在讨论这类话题时，保持这条分界线是有意义的。

你会愿意让一个机器人来面试你吗？

预测效度（Predictive Validity） 是心理测量学和人事测评中的核心指标，衡量一项选拔工具在多大程度上能预测候选人入职后的实际工作表现。一个面试环节即便体验流畅、设计精巧，如果它与后续绩效之间没有统计上的相关性，作为筛选工具就是无效的，甚至可能因引入无关变量而损害招聘质量。

评估预测效度通常需要长期追踪数据：记录候选人在面试中的表现，再与其入职后一到两年的绩效评价做相关性分析。麦肯锡此次试点刚落地，样本量和时间跨度都不足以支撑这类研究，因此"这套AI面试到底有没有用"在现阶段无法回答——这也正是作者要求"公开数据"的实质含义：不是要即刻给出结论，而是要求把验证机制纳入流程设计。