章 2
新兴技术及其局限
区分自动化、预测与生成，以选择适度的应用。
2.1 机器学习
机器学习依据样本拟合模型。在人力资源领域，它可以支持文档分类、技能搜索或群体模式识别。其实用性取决于目标质量、数据代表性，以及独立于训练的评价。
预测本身不能揭示结果的原因。情境变化时，学习到的关系可能失去稳定性。必须将模型与简单替代方案比较，检验改进是否足以抵偿额外的成本、复杂性和风险。
2.2 语言与生成式助手
语言模型可以协助撰写岗位描述、总结政策或提出培训材料建议。在传达劳动条件或解释规则之前，必须核实其回答。解释流畅，并不证明所引来源真实存在，也不证明结论正确。
内部助手应限定信息来源、表明不确定性，并将敏感问题转交专业人员处理。检索到的文档也可能包含恶意指令。测试应涵盖含糊问题、相互矛盾的政策，以及超出用户权限的请求。
2.3 流程自动化
基于规则的自动化，无需人工智能也能处理重复任务。处理材料齐全的申请、检查必填字段，都是边界相对明确的操作。选择简单方案有助于测试，并减少对难以解释的组件的依赖。
每个自动化工作流都需处理例外，并防止错误大规模重复。必须设有待审队列、责任人和停止执行的方法。改进应按整个流程衡量，包括纠正事件所需的工作。
2.4 情绪、生物识别与监视
不应假定声音、面部或微表情能够有效推断诚实程度、人格或岗位适任性。表面相关性可能反映情境、残障、语言或录制条件。这些用途需要特别严格的科学和法律评价。
在欧洲框架下，《人工智能法》禁止工作场所中的某些情绪推断，仅针对医疗或安全目的设有范围明确的例外。这并非监测身心福祉的一般授权。应查阅现行文本和适用于具体情形的官方指引[R1]。
2.5 按比例选择技术
技术选择始于可验证的需求，继而考察替代方案、所需数据、无障碍性、维护成本及撤除可能性。工具新颖本身不构成优先采用的理由。有些需求更适合通过组织变革或培训解决。
分析必须考虑谁获益、谁承担风险。为部门节约时间的方案，可能给求职者设置障碍。决策必须纳入这些视角，并以易懂方式说明使用边界。
问卷
本章理解 & 人力资源困境
困境题不设道德评分，也不用于评价求职申请。