当一份好简历不再稀缺：AI正在把招聘变成一场“信号战争”

最近我看到国外媒体讨论一组招聘数据，第一反应不是“大学生找工作又变难了”。

而是另外一件更让我在意的事：

现在连拿到 Offer，都不一定意味着这份工作真的属于你。

ResumeBuilder 在 2026 年 5 月对 1000 名美国近期大学毕业生和 2026 届毕业生做了一次在线调查。受访者年龄在 20—28 岁之间，都在过去一年拿到了四年制本科学位，或者计划在 2026 年毕业。

调查里，68% 的人说自己曾在面试之后被企业“消失”，也就是再也没有得到回复。

但真正让我停下来多看了两眼的是另一组数字：

在主动找过工作的人里，34% 表示自己经历过已经接受 Offer、却在正式入职前被企业撤回的情况；其中 13% 还经历过不止一次。

这和没面上完全是两回事。

简历被拒，你知道自己没有被选中。

面试失败，你至少知道比赛结束了。

可 Offer 已经发了，薪资谈好了，你点头接受了，甚至可能已经拒绝了其他公司、退了租约、买好了机票，结果突然有人告诉你：

这件已经确定的事情，不算数了。

对于刚毕业的人来说，这种体验很糟糕。

但我真正想讨论的并不是企业该不该撤 Offer。

我更关心的是：

为什么招聘这套原本建立在“层层增加确定性”上的系统，突然连最后一步的确定性都开始松动了？

---

先别急着把“34%”理解成美国大学生的 Offer 撤回率

这里必须先把数字说清楚。

ResumeBuilder 这项研究是一份 Pollfish 在线自报调查，不是来自企业 ATS 招聘系统里的真实撤单记录。

样本只有 1000 人，而且不同专业、学校、地区以及求职方向的人，面对的就业市场可能完全不同。

ResumeBuilder 自己也在方法说明里注明，Offer 撤回的数据统计对象是那些报告自己主动求职过的人，调查结果来自受访者自述。

所以，34% 更适合被理解成一个值得警惕的现象信号，而不是一个可以直接外推到全美国毕业生的精确统计。

这点很重要。

因为现在关于 AI 和就业的讨论，特别容易掉进一个陷阱：

找到一个很吓人的百分比，然后立刻给它配上一个更吓人的因果故事。

但另一项调查，让这件事情变得更有意思了。

ZipRecruiter 在 2026 年第二季度调查了 1500 多名美国新员工。这些人有一个共同特点：他们现在已经就业，而且是在过去六个月内开始当前工作的。

结果显示，16% 的新员工表示，自己在最近这次求职过程中曾经遭遇 Offer 被撤回。

这个数字明显比 ResumeBuilder 的 34% 低。

但还有一个很奇怪的分组：

如果这些人最终进入的是一个招聘要求明确写着需要 AI 技能的岗位，遭遇过 Offer 撤回的人达到 39%。

39%。

已经是整体水平的两倍多。

这就值得琢磨了。

---

越需要 AI 的岗位，为什么反而越不稳定？

这里我得非常克制地说一句：

现在没有证据证明，是因为 AI 模型升级了，所以公司才撤回这些 Offer。

调查只能告诉我们两个变量同时出现，不能直接证明因果关系。

ZipRecruiter 自己给出的解释也很谨慎。

它认为，一种可能性是：AI 在企业中的变化速度太快，企业虽然知道“我们需要会 AI 的人”，但在真正设计岗位的时候，可能还没有完全想明白三件事情：

这个岗位到底要解决什么问题？

入职之后具体使用什么工具？

三个月以后，这份工作的内容还会不会和招聘时一样？

ZipRecruiter 因此认为，企业对 AI 人才的需求虽然很强，但对这些岗位的定义还不够稳定。

我觉得这个解释很值得重视。

因为它揭示了今天招聘市场里一个以前不那么明显的问题：

过去企业招聘，最大的风险是“这个人合不合适”；现在又多了一层风险——“这个岗位本身三个月以后还存不存在”。

一个月前，公司可能决定招聘三个人做某件事。

一个月之后，一套新的 Agent 工作流上线了，管理层重新算了一遍账，可能觉得只需要一个人。

还有一些情况下，不是岗位消失，而是岗位定义发生了变化。

原来需要的是“会写 Python 的运营”。

后来发现真正需要的是“懂业务、能指挥 Agent、还能判断结果是否靠谱的人”。

JD 没变几个字，实际上已经不是同一份工作了。

这也是为什么，我越来越不愿意用“AI到底替代了多少工作”这个问题理解今天的就业市场。

真正发生的事情可能要细得多：

AI先让岗位内部的任务发生变化，然后企业重新组合任务，最后才决定这个岗位还要不要存在，以及到底该招什么样的人。

---

更大的变化，是招聘双方都开始用 AI

如果只盯着 Offer 撤回，其实还看不到全貌。

现在招聘市场最有意思的变化，是求职者和企业已经同时把 AI 接了进来。

对于一个大学生来说，今天用 AI 找工作太正常了。

职位描述扔进去，让模型提取关键词；

简历扔进去，让模型针对 JD 重写；

再让 AI 写 Cover Letter；

甚至可以一次生成几十个不同版本，然后批量投递。

这并不奇怪。

站在一个求职者的角度，我甚至认为这是非常理性的选择。

当一家公司收到几百份简历，而你不知道招聘经理到底会看到哪一份时，提高投递量，本身就是在提高概率。

Handshake 在针对 2026 届毕业生的研究中也发现，AI 使用几乎已经成为这一届大学生的基础能力：85% 的大四学生已经使用 AI，超过三分之一每天都会使用。

与此同时，58% 的学生认为自己需要更强的 AI 技能才能在职场成功，但只有 28% 认为自己的专业课程真正把 AI 融入了教学。

也就是说，这一届毕业生面临的是一个非常奇怪的过渡期：

学校还没有完全想清楚怎么教，

企业已经开始要求你会，

于是大量年轻人只能自己学。

问题是，当所有求职者都学会用 AI 以后，企业这一头也发生了变化。

---

一边是申请量暴涨，一边是招聘团队缩水

招聘软件公司 Greenhouse 在 2026 年发布了一份非常值得看的基准报告。

他们分析了 6000 多家公司、超过 6.4 亿份求职申请，时间跨度从 2022 年到 2025 年。

结果非常直观。

在 Greenhouse 的统计口径中，每名招聘人员对应的年度申请量指标从：

2022 年的 146，

增长到了 2025 年的 746。

增幅达到 412%。

同一时期，每个岗位平均收到的申请量从 116 份增长到了 244 份。

但另一边，企业平均招聘团队人数，却从 10.43 人下降到了 4.62 人，减少了 56%。

量越来越大。

人越来越少。

中间那个洞靠什么填？

当然是软件和 AI。

于是今天的招聘市场出现了一个以前没有的结构：

求职者用 AI 扩张自己的投递能力，招聘方再用 AI 扩张自己的筛选能力。

你用模型分析 JD。

我用模型分析你的简历。

你让 AI 自动把自己的经历改写成符合岗位关键词的版本。

我让 AI 给一万份简历排序。

你研究 ATS 怎么筛关键词。

我研究怎么判断你的简历是不是 AI 批量生成的。

然后双方继续升级。

Greenhouse 在 2025 年针对美国、英国、爱尔兰和德国 4100 多名求职者、招聘人员和招聘经理做的另一项调查里，甚至给这种现象起了一个非常形象的名字：

“AI doom loop”——AI恶性循环。

Greenhouse 的调查显示，在美国受访求职者中，74% 已经使用 AI；与此同时，34% 的招聘人员表示，他们最多要花掉一半工作时间过滤垃圾申请和低质量申请。

而 39% 的招聘经理已经开始增加线下面试，希望重新确认候选人到底是不是真实的。

这就产生了一个特别反直觉的结果：

AI大幅提高了招聘流程的处理效率，却未必提高了招聘系统获取真实信息的效率。

---

招聘正在发生一场“信号通胀”

这才是我觉得最值得关注的地方。

以前，一份非常认真制作的简历，本身就是一个信号。

因为做它有成本。

你需要研究公司，需要理解岗位，需要重新组织自己的经历，需要改很多遍。

所以当招聘经理看到一份高度匹配的简历时，他至少可以合理地猜测：

这个人对我们公司花过时间。

现在这个判断越来越不成立了。

AI 可以在几十秒内完成同样的工作。

以前写一封针对公司的求职信需要半个小时。

现在可以生成 100 封。

以前一个人很难针对 50 个岗位分别修改项目经历。

现在 Agent 可以帮你做。

当一个信号的生产成本突然接近于零，它的区分能力自然就会下降。

我把这个现象叫作：

招聘市场里的“信号通胀”。

不是简历没有用了。

而是“简历很好看”这件事越来越不能说明问题。

就像图片美颜软件刚出现的时候，一张漂亮照片还能让人惊艳。

当所有人的照片都自动磨皮、瘦脸、调光之后，“照片很好看”本身就不再是什么稀缺信息。

现在简历正在经历同样的事情。

AI给所有人的简历都加上了一层职业美颜。

措辞都专业。

结构都漂亮。

关键词都精准。

人人都有“跨部门协同能力”“数据驱动思维”和“从0到1项目经验”。

最后招聘者真正想知道的那个问题反而越来越难回答：

这个人到底真实做过什么？

---

简历之后，面试也开始失去一部分信号

而且这件事情并没有停在简历。

实时语音识别和大模型结合以后，面试官问一个问题，系统可以自动转成文字，再实时生成答案提示。

2025 年 Greenhouse 的调查中，65% 的美国招聘经理表示曾发现候选人在招聘过程中以具有欺骗性的方式使用 AI，其中就包括阅读 AI 实时生成的回答脚本。

所以现在一些企业又开始把远程面试拉回线下。

这其实特别有意思。

我们本来以为 AI 会让招聘越来越数字化。

结果 AI 把数字信息制造得太容易以后，企业反而开始重新寻找那些制造成本更高、难以伪造的信号。

现场交流。

真实作品。

连续追问。

过去做过的事情。

临场发现问题的能力。

甚至一个人到底对什么事情真正好奇。

这些东西突然又开始值钱了。

---

上周末，我自己刚好经历了一次这样的招聘

前几天，我去上海参加 TRAE AI 创造力大赛的总决赛。

这场比赛由字节跳动举办，官方披露的数据是：共有约 3.7 万人报名，提交了 1.4 万件 AI 编程作品，最终 21 件作品进入总决赛。

你可以把它粗略理解成一场全民 Vibe Coding 比赛。

现场的人很杂。

有大学生，有父母带着孩子来的，也有很多过去根本不是程序员的人。

其中有一个大三学生，我们姑且叫他彭同学。

比赛结束以后，我把他招进来了。

很多朋友后来问我：

你到底看中了他什么？

他的参赛产品，是一个给大学生改简历的 AI 工具。

这件事情其实一点都不酷。

甚至可以说，这个赛道已经很拥挤了。

他做这个产品的原因也特别简单：

他和女朋友正在找工作。

秋招需要广撒网，可每家公司、每个岗位的 JD 都不一样，一份简历到处投，匹配度非常差；一份一份手工改，又特别痛苦。

所以他做了一个工具解决自己的问题。

就这么简单。

但这反而是我真正感兴趣的地方。

---

AI时代，“做出来一个产品”正在迅速贬值

过去参加 Hackathon，一个大学生两天做出一个完整产品，我们可能会觉得很厉害。

现在我的判断越来越明确：

单纯“把东西做出来”，已经没有以前那么值钱了。

模型能力太丰富了。

代码生成、UI设计、数据库、部署、测试，很多以前需要一个团队才能完成的事情，现在一个人配合 AI 就可以快速拼起来。

所以真正的问题正在从：

“你能不能做？”

转向：

“你为什么做这个？”

你发现了什么问题？

为什么这个问题值得解决？

第一版做完以后，你发现哪里不对？

用户真正卡在哪？

模型在哪些地方帮不上忙？

哪些功能是你试了十遍以后删掉的？

这些东西，才开始重新成为区分人的信号。

彭同学在台上演示的时候，我能明显感觉到，他真的用过这个产品。

因为他讲的不是：

“我们的产品采用大模型技术，可以智能优化简历。”

这种话没有任何信息量。

他讲的是具体到一条 JD 里的某个措辞，应该对应学生简历里的哪段项目经历，为什么需要重新表达。

这种细节很难靠临时背稿获得。

它意味着这个人和问题真正待过一段时间。

---

但真正让我决定给他机会的，是比赛结束以后

比赛结束以后，人已经开始散场。

我背着包准备离开，他把我拦住了。

他没有问我：

“老师能不能加个微信？”

也没有问：

“你们公司还招不招实习生？”

他问的是他的产品。

他说自己已经想好了下一版怎么改，然后问我这个方向有没有问题。

我给了他一个建议。

我说，你现在做的是一个面向所有大学生的通用简历产品，太泛了。

今天很多企业不是不招大学生，而是越来越希望找到一批真正理解 AI、愿意使用 AI、甚至已经用 AI 做过东西的年轻人。

如果你能够换一个方向：

不是帮所有大学生“把简历变漂亮”，

而是帮助企业找到那些真正对 AI 有兴趣、真实用过 AI、能够把 AI 用进具体问题里的学生，

这个产品可能会更有价值。

然后我们站在那里继续讨论了很久。

我真正感兴趣的不是他听了我的建议。

而是我说完以后，他马上开始追问产品细节。

如果这样做，数据从哪里来？

什么行为可以作为判断依据？

怎么避免把“会写几个 AI 关键词”的人误判成真正会用 AI 的人？

那种对话状态很难伪装。

所以最后，我决定让他来公司试试。

---

这件事让我重新想了一遍：AI时代，什么才是真正值钱的求职信号？

如果你现在正在秋招，我反而不建议你把大部分时间花在把简历从第 46 版改到第 47 版。

简历当然要认真。

但不要幻想靠一份极度精致的简历建立决定性的优势。

因为别人用 AI 一天可以生产几百份同样精致的东西。

真正产生溢价的，是那些不能被批量生产的东西。

一个你真的解决过的问题。

一个已经运行几个月的项目。

一段可以被连续追问二十分钟的实践经历。

一个失败之后重新修改了五次的产品。

一次主动找到行业里的人，并且能提出具体问题的交流。

甚至是一件你下班以后仍然愿意研究几个小时的事情。

这些东西的共同特点只有一个：

它们需要时间。

而时间，目前还不能被模型批量生成。

---

“你会不会用AI”，很快也会成为一个失效的问题

我最近面试还有一个很喜欢问的问题：

除了工作和学习，你还拿 AI 干过什么？

我越来越不喜欢问：

“你熟悉哪些 AI 工具？”

因为这个问题太容易准备了。

ChatGPT、Claude、Gemini、Cursor、TRAE、各种 Agent，说出十几个名字没有什么难度。

真正有区分度的是：

你昨天用它干了什么？

最近一次被模型气到是什么时候？

你曾经为了哪个问题，和 AI 来回折腾了两个小时？

你有没有因为 AI 给出了一个很奇怪的答案，顺着这个答案发现一个新问题？

一追问细节，很快就能看出来。

有些人在讲自己的业余项目时，整个人突然就兴奋起来了。

再往下追问，你会发现他记得每一个坑。

而另外一些人虽然简历上写着“熟练掌握大模型和 Prompt Engineering”，问三个具体问题以后，基本就没有东西了。

这两个候选人的简历，经过 AI 优化之后可能一样漂亮。

但他们不是同一种人。

---

AI正在降低“表达能力”的价格，提高“真实经历”的价格

所以回头再看 Offer 被撤回这件事情，我觉得它只是整个变化里最表层的一幕。

更深层的变化是：

招聘系统正在失去过去赖以工作的那些信号。

学历曾经是信号。

简历是信号。

求职信是信号。

笔试是信号。

远程面试也是信号。

现在 AI 正在逐层降低这些信号的生产成本。

生产成本下降当然是一件好事。

它让一个普通学生也可以写出规范的简历，让英语不好的人也可以写一封专业邮件，让没有程序员背景的人也能做出软件。

但另一方面，当所有人都可以轻易制造一个“优秀候选人”的外观以后，企业一定会继续寻找新的区分方式。

这也是为什么我认为，未来几年招聘里真正值钱的东西会发生一次迁移：

从“我说我会什么”，迁移到“我到底做过什么”。

从技能名词迁移到具体成果。

从漂亮表达迁移到连续追问。

从简历关键词迁移到公开作品。

从“我会用 AI”迁移到“我曾经用 AI 解决过什么具体问题”。

Handshake 的数据其实已经出现了这种变化的苗头：截至 2026 年 3 月，超过 10% 的实习岗位已经提到 AI 关键词，全职岗位中提到 AI 的比例也同比接近翻倍，达到 4.2%。

AI能力正在从一种加分项，逐渐变成某些岗位的基础要求。

而一项能力一旦成为基础要求，它本身就不再构成竞争优势。

真正的竞争优势，只能继续往前走。

---

寄语

这两年我们一直在讨论一个问题：

AI会不会把年轻人的工作抢走？

我现在觉得，这个问题可能问得太粗了。

AI首先改变的，很可能并不是“有没有工作”。

而是企业到底用什么证据判断你值得被雇佣。

当一份漂亮简历可以在一分钟内生成，

当一封诚恳的求职信可以批量生产，

当面试回答可以实时出现在屏幕上，

招聘最终一定会重新回到一个很朴素的问题：

你到底真实地做过什么？

所以，如果你正在找工作，与其每天研究怎么让 AI 再帮你润色一句话，我更建议你把 AI 打开，然后真正做一件事情。

做一个工具。

研究一个问题。

服务一个用户。

跑一次真实的数据。

把一个困扰自己的流程自动化。

或者把一个你一直想验证的想法做出来。

产品最后失败了都没关系。

因为在一个“生成能力”越来越廉价的时代，真正昂贵的东西已经不是答案。

而是：

你为什么会提出这个问题，以及你愿意为了它走多远。

---

关注本站，每天分享跨境电商前沿资讯（ Ctrl + D 收藏本站/收藏为书签 ）