2026年招聘市场有两个平行现实。在一个现实中，创始人们正在通过AI辅助评分来筛选每个角色的200名候选人，每个申请者的书面理由在几分钟内生成。在另一个现实中，AI招聘工具受到纽约市当地法第144号的偏见审计，依据欧盟AI法被分类为高风险，并在EEOC指导下接受法律挑战。这两种情况同时发生，在同一软件堆栈上，往往在同一家公司内。理解双重现实的创始人建立了持久的招聘系统。将AI视为纯粹自动化或纯粹责任的创始人则未能掌握速度和合规性。
今年AI招聘实际上发生了什么变化
2026年的招聘市场由三个变化定义。首先，筛选层已从关键词匹配转变为多信号评估及其理由，这意味着系统的输出不再是频率评分，而是招聘经理可以在几秒钟内审核的书面解释。其次，监管审查已经收紧。纽约市当地法第144号自2023年7月起开始积极实施，要求对任何在纽约市招聘中使用的自动化就业决策工具进行年度偏见审计和候选人通知。欧盟AI法的附件III将用于招聘、申请筛选和候选人评估的AI系统分类为高风险，相关的所有义务将于2026年8月2日起正式生效。第三，买家基础发生了变化。中型市场和初创团队现在以曾被企业主导的规模购买AI启用的ATS平台，受到传统供应商的价格压力以及小团队无法在没有自动分流的情况下进行严格招聘的操作事实的推动。
未变的主要统计数据
简历在ATS层的拒绝仍然是申请者最常见的投诉。2018年的Ladders眼动追踪研究测得7.4秒的平均简历扫描时间，至今仍被引用，因为潜在行为没有改变。改变的是7秒的扫描现在发生在AI辅助的排序层之后，而不是之前。候选人与模型的首次互动是直接的。招聘人员的首次阅读则是模型输出的内容。
筛选层：从关键词匹配到推理
AI筛选候选人的方式转变是2025-2026年最大实质性变化。基于关键词匹配的传统ATS平台通过计数与职位描述相匹配的标记来评分简历。输出结果是一个没有解释的分数，且分数的有效性完全取决于候选人插入关键词的积极程度。这种模型正在被多信号评分和推理所取代，系统在多个维度上评估简历并生成一段书面说明结果的段落。影响评分就是这种方法的一种示例，通过评估量化成就、经验相关性、职业轨迹和技能一致性，得出一个0-100的综合评分，并附带一段书面理由。这一转变有两个重要原因。首先，筛选输出变得可以审核，这在纽约市现在是监管要求，在欧盟也是迫在眉睫的要求。其次，筛选输出变得有用：招聘经理阅读理由可以发现模型错误，针对自己的判断进行校准，从而在更短时间内做出更好的分流决策。关键词评分是不透明的；而推理段落则是面试决定的初步草稿。
为什么可解释性现在是强制性的
纽约市当地法第144号要求进行偏见审计，且需公开结果。欧盟AI法要求高风险AI系统，包括招聘工具，具备技术文档、人为监督和持续监控。这两个监管体系在功能上都无法满足不透明模型的要求。输出没有解释的模型无法进行有意义的审计；审计将变得表现性。每个候选人都有推理的模型产生的输出记录，可以被审核、质疑和更正。可解释性不是可以添加的特性；它是法律使用AI招聘的基础。
监管环境现在的要求
2026年，AI招聘工具面临的义务由三个框架定义。纽约市当地法第144号是最具操作性的具体要求。此法适用于用于纽约市职位招聘或晋升的自动化就业决策工具，要求由独立审计员在过去12个月内进行偏见审计，要求将审计结果公开，并要求候选人通知，并提供申请替代评估的机会。首次违规的罚款为500美元，后续违规为1500美元，单独来看虽然金额较小，但对每个候选人累积起来还是相当可观的。
欧盟AI法范围更广。附件III将招聘AI列为高风险，包括用于招聘、筛选申请、评估候选人、分配任务和监控表现的系统。高风险系统的义务包括风险管理流程、技术文档、训练数据管理、透明度披露、人为监督要求、准确性和稳健性测试，以及市场后监控。所有义务将于2026年8月2日起正式生效，这是任何供应商或有欧盟居民候选人的买方的重要日期。
美国联邦指导仍然不够具体，但日益活跃。EEOC在2023年发布的指导强调，使用AI进行招聘的雇主仍需根据《第七章》对差异影响负责，一系列州级法律（伊利诺伊州AIVID，马里兰州AI招聘透明度，加州待决的AB-2930）正在形成一个与联邦框架并行的拼凑格局。
这对初创公司创始人意味着什么
如果你雇用任何可能在纽约市工作的候选人，你的AI筛选工具需要进行有效的偏见审计。如果你雇用任何在欧盟居住的候选人，AI法的义务将于2026年8月适用于你的供应商。如果你在全美范围内招聘，EEOC对差异影响的责任已经适用。实际影响是，不支持这些合规要求的AI供应商为买方带来了风险；支持这些要求的供应商则越来越成为唯一安全的选择。
我们在亚马逊学到的关于负责任部署AI的经验
在CurriculoATS之前，创始人在亚马逊的推荐系统中工作。最直接的教训是：影响人类的AI系统需要具备可审核性和可争议性。亚马逊的推荐模型不断进行评估、再训练，并在产生对特定用户群体不利的结果时受到挑战。同样的标准适用于招聘AI，因为每个决策的风险更高。现已成为不可谈判的三项原则适用于招聘中的AI。可解释性：每个评分必须附带人类可读的推理。可审核性：系统必须支持附带文档而非仅是性能指标的偏见审计。可争议性：候选人必须能够质疑决策，并由人类进行审核。CurriculoATS旨在满足这三项要求。影响评分层为每位候选人发布书面推理段落。偏见审计的基础设施进行合规性文档记录。人类审核层设计上在任何拒绝邮件发送之前都是必需的。这些在其他领域大规模部署的AI中并不罕见；新鲜的是招聘现在被要求达到同样的标准。
为什么“招聘中的AI”不再是单一类别
现在有三个具有意义上不同风险特征的子类别。用于简历筛选的AI是监管最严、可解释性最高的。用于视频面试分析的AI是争议最大的，并在多个辖区面临挑战。用于招聘的AI受到的监管最少，但在同意和披露方面引发越来越严重的问题。评估AI招聘工具的创始人应该理解每个供应商所处的子类别，因为合规态度差异显著。
2026年初创公司招聘堆栈的实际情况
五个组成部分，按重要性排序。
- 可解释的AI筛选。 每位候选人的多信号评分及书面推理。可审计以检测偏见。影响评分是经典示例。
- 结构化流程和评分卡。相同阶段、相同标准、每个面试附带书面反馈。根据哈佛商业评论的研究，比非结构化流程对岗位表现的预测性高出两倍。
- 日历和报价集成。为调度提供单一事实来源，按级别预先准备的offer模板，在每个阶段过渡时进行自动提示。
- 偏见审计和合规文档。每年进行独立审计，候选人通知，若雇用欧盟候选人则需提供欧盟AI法的技术文档。
- 90天的招聘质量跟踪。将结果数据反馈用于对筛选模型进行校准。为AI是否真正预测成功拉上闭环。