2026年的招聘格局呈现出两个并行的现实。在一个现实中，创始人使用AI辅助评分对每个职位进行200名候选人的筛选，仅需几分钟即可生成每位申请者的书面理由。在另一个现实中，AI招聘工具受到NYC地方法144的偏见审计，根据EU AI法被归类为高风险，并在EEOC指导下在法庭上受到挑战。两种现实同时发生，在相同的软件栈上，往往在同一家公司内。了解双重现实的创始人建立了可靠的招聘系统。将AI视为纯自动化或纯责任的创始人，最终既没有速度也没有合规性。
今年AI招聘的实际变化
三个转变定义了2026年的格局。首先，筛选层从关键词匹配转移到多信号评估和推理，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计的书面解释。其次，监管审查已经加紧。NYC地方法144自2023年7月以来一直在积极执行，要求对任何用于NYC招聘的自动化就业决策工具进行年度偏见审计和候选人通知。EU AI法的附录III将用于招聘、申请筛选和候选人评估的AI系统归类为高风险，全部义务将在2026年8月2日起生效。第三，买家基础已经转变。中型市场和初创团队现在大量购买AI启用的ATS平台，这五年前曾被企业主导，驱动因素是既有对传统供应商的价格压力，也有小团队无法在没有自动化初筛的情况下运行严格招聘的运营事实。
尚未改变的头条统计数据
简历在ATS层面被拒绝仍然是申请者最常见的抱怨。2018年Ladders的眼动跟踪研究测量了7.4秒的平均简历扫描时间，十年后仍被引用，因为底层行为没有改变。变化的是，7秒的扫描现在发生在AI辅助排名层之后，而不是之前。候选人的第一次交互是与模型，招聘人员的第一次阅读是模型的输出。
筛选层：从关键词匹配到推理
AI筛选候选人的方式发生了变化，是2025-2026年最大的实质性变化。传统的ATS平台基于关键词匹配，通过计数简历中与职位描述匹配的令牌来评分简历。输出是一个没有解释的分数，分数的有效性完全依赖于候选人插入关键词的激进程度。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，并产生一个解释评估的书面段落。影响评分是这种方法的一个例子，评估量化的成就、经验相关性、职业轨迹和技能匹配，然后产生一个0-100的综合评分和书面推理段落。这种变化之所以重要，有两个原因。首先，筛选输出变得可审计，这现在是NYC的监管要求，也是EU即将到来的要求。其次，筛选输出变得有用：招聘经理阅读推理可以发现模型错误，根据自己的判断进行校准，并在更短的时间内做出更好的决策。关键词评分是不透明的；推理段落是面试决策的工作草稿。
为什么可解释性现在是强制性的
NYC 地方法144要求进行偏见审计并公布结果。EU AI 法案要求高风险 AI 系统（包括招聘工具）提供技术文档、人工监督和持续监控。两个监管制度在实践中都很难用不透明的模型来满足。一个输出评分但没有解释的模型无法进行有意义的审计；审计变成了形式主义。一个发布每个候选人推理记录的模型可以被审查、质疑和纠正。可解释性不是一个可以添加的功能；它是 AI 在招聘中合法使用的基础。
监管环境的新要求
2026年，三个框架定义了面向 AI 招聘工具的义务。NYC 地方法144是最具操作性的。它适用于用于招聘或晋升的 NYC 基础职位的自动化就业决策工具，要求在过去12个月内由独立审计师进行偏见审计，要求公开发布审计结果，并要求候选人通知并有机会请求替代评估。第一次违规的罚款为500美元，后续违规的罚款为1500美元，这个金额单独来说很小，但会根据每个候选人累积。
EU AI 法案更为广泛。附录 III 将就业 AI 列为高风险，包括用于招募、筛选申请、评估候选人、分配任务和监控绩效的系统。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、人工监督要求、准确性和健壮性测试以及上市后监控。全部义务将在2026年8月2日生效，这是任何具有 EU 居住候选人的供应商或购买者的关键日期。
美国联邦指导方针仍然不够具体，但正在变得越来越活跃。EEOC于2023年发布了指导方针，强调使用AI进行招聘的雇主仍须遵守《标题VII》关于歧视性影响的规定，一系列州级法律（伊利诺伊州AIVID，马里兰州AI招聘透明度，加利福尼亚州即将颁布的AB-2930）正在创建一个与联邦框架同时运作的补丁工作。
这对初创公司创始人的意义
如果您雇佣任何可能位于NYC的候选人，您的AI筛选工具需要进行活跃的偏见审计。如果您雇佣任何EU州的候选人，AI法案的义务将于2026年8月适用于您的供应商。如果您在整个美国范围内雇佣，EEOC的歧视性影响责任已经适用。实际含义是，不支持这些合规性要求的AI供应商正在为买方创造风险；支持这些要求的供应商越来越成为唯一安全的选择。
我们在亚马逊学习到的关于部署AI的责任
在CurriculoATS之前，创始人曾在亚马逊的推荐系统上工作。最直接的教训是：影响人类的AI系统需要同时具备可审计性和可争议性。亚马逊的推荐模型不断被评估、重新训练和挑战，当它们产生对特定用户群体不利的结果时。同样的标准也适用于招聘AI，每个决定的风险都远高于此。三个原则现在成为AI招聘的不可商量条件。可解释性：每个评分都必须带有人类可以阅读的理由。可审计性：系统必须支持带有文档的偏见审计，而不仅仅是性能指标。可争议性：候选人必须能够挑战决定并由人类进行审查。CurriculoATS被设计为满足所有三个条件。影响评分层发布每个候选人的书面理由段落。偏见审计基础设施被记录以满足合规要求。人类审查层在设计上需要在发送任何拒绝邮件之前。这些对于在其他领域大规模部署的AI来说都不是新鲜事；新的只是招聘现在也被要求达到同样的标准。
为什么"AI在招聘"不再是一个单一类别
现在有三个子类别具有明显不同的风险特征。AI用于简历筛选是最受监管和最易解释的。AI用于视频面试分析是最受争议的，并在多个司法管辖区受到挑战。AI用于招聘来源是最不受监管的，但提出了越来越严重的关于同意和披露的问题。评估AI招聘工具的创始人应该了解每个供应商运营的子类别，因为合规姿态差异很大。
2026年初创公司招聘栈的实际样子
五个组件，按重要性排序。
- 可解释的AI筛选。 多信号评分，提供每位候选人的书面理由。可审计偏差，影响评分是典型的例子。
- 结构化的评分卡流程。相同的阶段，相同的评分标准，每次面试都有书面反馈。根据HBR的研究，结构化流程的预测性是非结构化流程的两倍。
- 日历和offer集成。 唯一的日程安排来源，按级别预先草拟的offer模板，每个阶段转换时自动发送提醒。
- 偏差审计和合规文档。 每年独立审计，候选人面向的通知，如果招聘EU候选人，提供EU AI法技术文档。
- 90天的招聘质量跟踪。 结果数据反馈到筛选模型中，以校准模型。闭合了AI是否真正预测成功的循环。