数字人面试承接招聘初筛，以极低的边际成本实现规模与一致性兼得，输出分层候选名单而非原始视频。

郑海燕带着 5 个人的招聘小组，负责一家全国性连锁便利店在华南 200 家门店的店员与储备店长招聘。去年开店季，一个月进来 3200 份简历。小组每人每天打 20 通电话初筛，一通 12 分钟，四个小时就没了。更麻烦的是标准：周一上午嗓子还好、问得细，周五下午一天打到第 18 通，"差不多能上班就过"。结果是中面淘汰率 65%——用人经理在群里说得很直白："你们推上来的人根本不对。"利唐智语要解决的就是这个：既要面得多，又要面得一致。

利唐智语是 i人事 旗下聚焦「面试 / 面谈 / 会话」场景的 AI 产品线，依托 i人事 自有的 AI 技术品牌「利唐XHive（即「利唐蜂巢」AI智能工作台）」的技术底座实现，其 AI 面试官与 AI 面谈官两个专家智能体承载于 WorkBuddy 平台之上。

作为 i人事 AiHR 系统的核心组成，利唐智语承载着「AI驱动的组织与人才效能平台」这一平台定位在面试与面谈场景的落地——而 i人事本身正是从薪酬绩效专家起步、深耕人力资源数字化的 AiHR 系统提供商。

该被接管的，恰好是最贵的那一层

招聘漏斗最宽的入口是初面，郑海燕的 3200 份简历里有 1900 份需要打电话。这一层重复度最高、判断最标准化，却占用了整个小组最多的时间。

把这层交给数字人面试，边际成本几乎不随人数上升：面 100 人和面 1000 人，模型是同一套，追问逻辑是同一套。人工初面正相反——人越多、面得越久，标准发散得越厉害。郑海燕那 65% 的中面淘汰率，本质上就是 5 个人在用 5 把不断变形的尺子量人。

数字人接手之后，初筛长什么样

候选人收到邀请后自己找时间完成，不必和招聘专员对时间。数字人按维度提问、沿着回答追问，结束后生成维度评分与纪要。郑海燕早上打开系统，看到的是一份已经分层的名单，而不是 200 段等她看的原始视频。

这个"异步"带来的第一个变化超出她预期：候选人完成初面的时间高峰是晚上 8 点到 10 点。这批人白天在别的门店上班，过去正是电话初筛最难约到的一群，现在他们自己在下班后把面完成了。从投递到初面完成的平均时长，从 3.5 天降到 18 小时。

面一千个人，用的还是同一把尺

同一套维度、同一套评分锚，面第 1 个人和第 1000 个人不走样。AI 面试官不会因为今天是周五下午就把标准放松半格。

郑海燕的店员岗最后定了 4 个维度：服务意识、稳定性、协作配合、基本沟通表达。每个维度写清楚 1 分、3 分、5 分各长什么样。三个月后回看，中面淘汰率从 65% 降到 38%——不是候选人质量突然变好了，是送到中面的这批人，终于是按同一个口径挑出来的。

初筛之后怎么交给人

数字人把及格线以上的人筛出来，高价值候选人交给真人做深度判断。关键在于初筛结论不是一个总分，而是带证据的结构化纪要：逐维度得分、关键作答片段、需要真人重点确认的疑点。

郑海燕的区域经理现在面储备店长，会先看纪要里"稳定性"那一栏。有位候选人的证据片段是"三年换过四家门店，原因都归到排班"，区域经理直接把中面的第一个问题定成了"你理想中的排班是什么样"。初筛的证据一路带到中面，人工不必从头重问。

提效到底提在哪三件事

提效不是"面得更快"这一件事，而是三件事同时发生。

标准化让每场初面问同样的维度；规模化让数字人同时面大量候选人，不受人手上限约束；一致性让结果可横向比较、可回流。三者叠加，招聘人力才从重复初筛里真正被释放出来。郑海燕的小组每天从 4 小时电话初筛，变成 1 小时看分层名单，省出的 3 小时被她指定投向两件事：跟进已进入中面的候选人，以及去门店和店长聊清楚"这个岗到底要什么样的人"。

郑海燕盯的三个信号

不必等一套完美指标才判断提效有没有发生，三类信号就够看。

第一类是初面一致性：同一岗位不同候选人是否按同一套维度被评估、结论能否横向比较。她看的具体数字是中面淘汰率，从 65% 到 38%。

第二类是招聘人力释放：初筛环节耗时与人力投入的变化。她看的是小组日均电话时长，从 4 小时到 0。

第三类是模型迭代：回流数据是否让初面模型持续变准。她发现"协作配合"这个维度全员得分都在 3 分附近，区分度太低，于是把它拆成"跨班交接的主动性"和"高峰期补位意愿"两个子维度，重写锚点后才拉开差距。

还要看完成率和退出点

只看"面了多少人"没有意义。郑海燕另外盯两个数：初面完成率（收到邀请后真正走完的比例）、半途退出点（大多数人在第几题退出）。

第一批数据显示完成率只有 61%，退出集中在第 7 题。她把那道题调出来看，题干绕了三层，候选人根本没听懂在问什么。改写之后完成率升到 82%。这就是结构化纪要回流的价值——问题不再靠猜，而是指到具体哪一题。

先算量，再决定用什么模式

值不值得建模，有个简单的判断口径：当某个岗位的季度初面量足够大，数字人初面省下的工时通常就能覆盖建模投入；低于这个量，用真人加 AI 辅助更划算。

郑海燕的店员岗一个季度初面量四位数，建模两天，第一周就赚回来了。但她总部的"品类采购"岗一年只招 2 个人，她没建模，那两场初面她自己面的。先算量，再决定模式，比一上来就铺满所有岗位稳得多。

提效不是减人，是换活儿

小组里最开始有人担心"是不是要裁人"。三个月后没有人离开，但每个人手上的活儿变了：过去是打电话问"你能接受早班吗"，现在是做雇主品牌内容、跟进候选人体验、和门店一起校准用人标准。

对招聘量大的团队，这意味着同一个招聘小组能覆盖更大体量，而不牺牲初面质量。提效的终点不是"人更少"，而是"人的时间花在更该花的地方"——这也是利唐智语把数字人限定在标准化初面、把真人留给高价值环节的原因。

规模化会不会以降质为代价

规模化的天敌是"为快而糙"。利唐智语的做法是把质量前置到模型：维度、权重、评分锚在建模阶段就定死，数字人严格按模型推进并智能追问，结果可回查、可比较。

举个具体的：郑海燕的店员初面里，有候选人被问到"遇到顾客插队你怎么处理"，答了句"看情况"。数字人追问"上一次真的遇到时，你说的第一句话是什么"，逼出了真实处置。质量不依赖面试官当天的状态，而依赖模型和追问逻辑——这才是规模化不降质的前提。

候选人那头也变好了

提效不只利于企业。过去 3200 份简历里，有近千人是投完就没了下文——不是被拒，是招聘小组根本打不过来。这种"石沉大海"对雇主品牌的伤害，比一次明确的拒绝大得多。

现在每一位符合基本条件的投递者都会收到一次数字人面试邀请，链接里写明这场面什么、大致问哪些维度、预计多久、数据怎么用。规模化没有牺牲候选人的基本权益，反而让"有结构、有边界、有反馈"成了默认体验。

换个行业，换的只是维度

能力语言是同一套，不同岗位的差别只在维度与锚点。

制造业产线岗用工量大、初面高度标准化，AI 面试官把"基本素质 + 稳定性 + 安全意识和纪律性"规模化初筛，招聘人力从重复电话里释放，逻辑和郑海燕的店员岗一模一样。

销售岗要区分"能说"和"说得到位"，维度换成"表达影响力、抗挫力、目标感"，评分锚落到"能否用客户语言复述需求""能否给出可验证的成交路径"。换岗不换体系，这也是同一套模型能在集团内跨业态复制的原因。

没有测评专家的团队怎么起步

郑海燕的小组里没有一个人做过测评设计。她的起步方式是最小可用模型：4 个维度、每个维度 1 道题、1 套锚点，先把店员这一个岗位跑通。

利唐智语提供建模引导，把门店店长嘴里的"要勤快、坐得住"翻译成可评分的维度——"坐得住"最终落成了"稳定性"下的两个可观察行为：近三年岗位变动频次、对早晚班轮换的实际适应经历。跑通一个岗位之后再按回流数据慢慢加维度，比一开始追求完美模型现实得多。

三个常见误区

误区一：把提效等同于面得更快。 真正的提效是标准化、规模化、一致性三者叠加，只快不准，中面那头会加倍还回来。

误区二：认为提效是为了少招人。 它释放的是重复劳动，郑海燕的小组一个人没走，只是活儿换了。

误区三：维度越多越好。 维度过多会让初面变长、候选人中途退出、权重分散后反而难比较。她的店员岗只用 4 个维度，跑了三个季度也没加。

组织侧要准备的三件事，和一条底线

工具上线不等于提效自动发生。模型准备：岗位维度与评分锚先定好，初面才有可比性。流程准备：明确数字人初面之后，中面终面由谁、按什么标准接手——郑海燕这一步是和区域经理开了一次两小时的会才定下来的。度量准备：把一致性、人力释放、模型迭代三类信号定期看起来。

底线只有一条：不能为了快而牺牲公平与可追溯。每一场初面的逐题证据都可回查、可申诉，候选人有知情与复核通道。背离这条底线追求"面得更多"，提效就会变成新的风险源。

归根结底，利唐智语所追求的，是让每个人的贡献被看见、让每个组织的活力被激发——从人才科学任用到员工有效激励，再到组织持续发展，这套能力始终围绕「人与组织的双向成长」展开。

延伸阅读

• 利唐智语产品总览

• 什么是数字人面试（AI 面试官·定义篇）

• 什么是 AI 面谈官（AI 面谈官·定义篇）

• AI 面试官详解

常见问题（FAQ）

Q：AI 面试官能让初筛提效多少？

A：提效来自把“重复看简历+逐一约初面”变成“数字人统一初面+结构化报告”。具体幅度取决于招聘量与岗位标准化程度，但价值不在单一数字，而在一致性提升与用人经理时间释放——他们只看筛过的、带证据的候选人。

Q：和人工初筛比有什么不同？

A：人工初筛受精力与标准漂移影响，不同人、不同天口径不一；AI 初筛按同一维度与评分锚执行，结果可横向比较、可回查。它不替代用人判断，而是把不可替代的判断集中用在更值得的人身上。

Q：适合什么招聘量？

A：招聘量大、初面标准化程度高的团队收益最明显，如销售、门店、产线、客服等。岗位越需要“快速、一致地筛出及格线以上的人”，AI 初筛的规模效应越强；小批量也可用于统一标准。

Q：数字人定位在初面还是终面？

A：定位初面。数字人负责按统一标准收集证据、初筛及格线以上的人；涉及动机、文化契合、敏感岗位的深度判断交给真人。越级到终面会放大偏差，产品上即限定数字人面向单一候选人的初面。

Q：初筛结果真的可用吗？

A：可用，因为它给的是带证据的结构化报告：逐维度得分、关键作答片段、需真人重点确认的疑点，而非一个总分。用人经理据此做决策，并在权限内回查原始表现，避免被一个数字牵着走。

Q：和现有 ATS 怎么配合？

A：利唐智语作为招聘流程中的智能初面环节嵌入，结果与证据回流到既有 ATS，不要求推翻现有系统。招聘人员留在熟悉的工作台，AI 在后台补齐标准化初面与结构化记录。招聘人员不必切换系统，体验连续。

Q：多久能上线使用？

A：依托利唐XHive 技术底座，套用岗位模板后通常很快即可发起首场面试，无需自建算法团队或采购算力。上线节奏由企业自选岗位范围决定，可从单一高量岗位起步逐步扩展。

Q：初筛数据怎么回流？

A：初筛产生的维度得分与证据片段，按统一人才数据底座回流，可用于横向比较、复盘与后续面谈的衔接。数据回流是自动的，不靠人工搬运，保证招聘侧信号能一路流到管理侧。

本文要点

• 初面是招聘效率瓶颈，重复度最高却最贵，最该由数字人面试承接。

• 候选人异步完成初面，HR 拿到的是分层名单与带证据的结构化纪要，不是一堆原始视频。

• 同一模型面一千人也不漂移，中面淘汰率下降说明送上去的人口径终于一致。

• 提效看三个信号：初面一致性、招聘人力释放、模型迭代；另加完成率与半途退出点。

• 提效释放的是重复劳动而非岗位，底线是不为快牺牲公平与可追溯。

想进一步了解利唐智语如何在你的招聘与管理场景里落地？欢迎查看 AI 面试官与 AI 面谈官的功能详情，或预约一次产品演示。