有趣的是在Google公司没有接受过大学教育的员工比例也在逐年上升。我们有14%的团队成员没有上过大学……学术环境是人为的。在此环境中取得成功的人多少经受过相应的训练，他们能适应这种环境并取得成功。在本科及研究生时期，我的一个困惑是你知道教授在寻找一个特定的答案。你能明白这些，但更有意义的是解决一个没有明显答案的问题。你需要乐于解决没有明显答案的问题的员工。

那么在Google里是怎样运用著名的数据分析法来进行招聘的呢？如你所期待的、具有条理性。以下是来自杂志《Atlantic》的一则故事：

在2006年的夏天，Todd Carlisle，一个拥有组织心理学博士学位的Google分析师，设计了一份300题的问卷让每个员工填写……一些问题是封闭性问题：你曾经创造过世界纪录吗？一些则要求员给自己打分：请给自己的工作风格偏好打分，独立工作型（1分）还是团队工作型（5分）。还有一些很琐碎的问题：你养了什么类型的宠物？

Carlisle处理这些数据并将其与员工表现评估比较。他尝试寻找其间的规律联系来解答是什么特质造就了优秀的Google员工。这和另一个让人力运营部高级副总裁Laszlo Bock感兴趣的问题有异曲同工之妙: 什么特性能帮助预测候选人是否会成为优秀雇员？

Google根本上尝试将Google搜索的要求运用到人力资源过程中：它需要一套能在成千上万候选人中过滤筛选的搜索算法——Google的员工录用率约为0.2%，是哈佛大学录取率的1/25——拒绝掉一批顶尖的候选人。但在大量问答题及数据处理后，我们发现最好的表现预测因素不是G.P.A.，或宠物类型，或针对某问题的答案，“钟表的指针一天会重合多少次？”唯一的最佳预测因素是：根本不存在 （Absolutely nothing）。

这个Absolutely nothing的回答让我们看到，至少在Google的案例上，通过采集甄选环节的各变量进行建模，以预测候选人表现的努力是失败的；也就是说仅仅依靠笔试/面试中各种量化指标，还不足以对候选人甄选做出有效的判断。Google前人力运营高级副总裁Laszlo Bock继而说道：

… 我认为大数据在人才甄选上的价值有一个限度，因为它总是需要人类判断的元素。我不认为我们最终会取代人类判断、人类灵感和创意，因为，归根结底，你还是要问这样的问题：OK。系统这样告诉我们，但是这真的是我们想要做的吗？这个系统的结论是正确的吗？【4】

回到我们自动化测评的话题。如果Google经过一个庞大内部研究最后的结论是，大数在人才甄选上的价值仍旧有限，那么目前市场上的这些层出不穷的“AI黑科技”，比方说基于自然语言处理的甄选方式 （比方说，通过判断候选人的写作或是语音回答中的用词和语调是否“正面积极”来判断其个性，直播，继而预测其工作表现）或是基于人脸识别的方式 （比如说，分析面部微表情和眼神反应，继而somehow预测其工作表现）是否真的能够以“一招鲜”的方式，完全取代人类判断呢？真心但愿如此，但我想我们还需要更多的证据。

实际上，一家在HR科技上非常勇于创新的全球性雇主，今年正在采用一种魔术般的基于表情捕捉的视频面试工具进行校招的初筛。但是很有趣的是，在进行这种AI筛选之前，这家雇主实际上决定把第一轮的简历投递全部交由仟寻MoSeeker平台完成，并在仟寻平台上从数万份申请中人工筛选一小部分，再交给这个按件收费的视频面试工具做它的魔术AI工作，以免浪费金钱。看来我们睿智的HR，还是相信人类智慧多一些呀！

在最近“奇点临近” 、“机器取代人类”、“AI带来失业”之类的论调下，或许这倒是一个好消息。也许“AI黑科技”能够逐步辅助HR们的日常工作，但是还是有一些关键的工作，在短期内似乎很难被机器所取代。在新技术的应用上，我们一方面相信技术并为新技术所带来的愿景所欢欣鼓舞，另一方面，我们关注商业应用的实际结果，并基于结果不断进行Reality Check，小步快跑，迅速调整，坚持不懈。

三、被动求职者激活

第三种方向是对被动求职者的激活。

根据LinkedIn和中华英才的数据，在中国，80%的候选人是被动求职者。也就是说，会主动发起一个求职行为的候选人，只占到所有候选人中的20%。同时，这20%也往往是价值相对较低，职场经历相对较少的人群。