先给结论

学生可用 AI 辅助学习时，高 GPA 简历的面试评分与对照组相近；强提示说 AI 能代替学生完成课业后，几类高 GPA 简历的面试平均评分走低，薪酬议价意愿变化更清楚。白人男性简历的高低 GPA 面试评分差从对照组的 1.04 分缩到强提示组的 0.62 分，约缩小 40%。这是对研究者构造简历的假设性评分。HR 可把 GPA 作为学业记录之一，再用岗位相关任务和结构化提问核验应届生的独立判断。

以下是详细正文的解读

阅读提示： 详细正文约 2,577 字，预计阅读约 7 分钟。

研究者随机改变的，是招聘者看到的那段 AI 说明

Casey Boyd-Swan 和 C. Lockwood Reynolds 于 2026 年 5 月 21 日至 6 月 8 日通过 Prolific 招募美国受访者。入选者住在美国、在营利机构全职工作、在当前雇主处至少满一年，并承担包含招聘的决策职责。作者报告 1,750 份完整答卷；描述统计表还纳入 24 名完成前置问题的受访者，共 1,774 人。简历评价表记录 3,548 次评分，即 1,774 人各评两份简历。受访者来自有招聘决策职责的在职人群，样本没有限定为 HR 专业人士。

受访者被随机分到三个组。对照组只看到简历评估说明；温和提示介绍学生把 AI 用作学习工具，同时提到有人让 AI 完成原本应由自己完成的课程任务；强提示则强调，新一代 AI Agent 已能在较少指导下完成许多大学课程任务。实验随机改变的是招聘者看到的 AI 使用描述；学生本人实际怎样使用 AI 没有被记录。

之后，每位受访者评价两份其他条件相近的应届生简历：一份 GPA 为 3.8/4.0，另一份为 2.7/4.0。简历顺序随机，名字用来表示白人男性、白人女性、黑人男性或黑人女性；学校和专业信息被隐去。两项主要结果是 1—7 分的面试邀请意愿，以及受访者愿意在初始薪酬报价上增加多少比例。薪酬指标以初始报价为基数，记录受访者愿意增加的比例，量程为 0—5%；研究未跟踪真实 offer 和最终工资。

每位受访者都评一份高 GPA 和一份低 GPA 简历，分析比较同一个人对两份成绩的打分差异，并控制其稳定的打分特点。模型把同一人的两次评分作为一组处理，并对多项比较做了校正。结果反映美国营利机构全职人员对假设性招聘材料的评价。

强提示下，高 GPA 的优势在面试和议价中都变弱

实验前，受访者对“AI 是否让识别高质量候选人更困难”的回答最常落在 5 分（7 分制）；作者据此判断，多数人的担忧处于中间水平。92.2% 的受访者表示自己在工作中使用 AI。实验比较招聘者把学生 AI 使用理解为学习辅助或代替学生能力与努力时，简历评价怎样变化。

提示后的复问显示，温和和强提示都提高了受访者对学生 AI 使用的关注，强提示提高得更多。温和提示下，高 GPA 简历的面试评分与对照组接近。强提示下，白人男性、黑人男性和黑人女性高 GPA 简历的平均评分低于对照组，单组差异未达到 95% 统计显著。对白人男性简历，高低 GPA 面试评分差由对照组的 1.04 分缩至强提示组的 0.62 分，缩小约 40%；高 GPA 简历的评分为 5.22 分和 4.80 分，组间差异也未达到 95% 统计显著。

薪酬议价意愿的变化更清楚。以白人男性高 GPA 简历为例，温和提示组愿在初始报价上增加 2.28%，强提示组为 1.76%，相差 0.52 个百分点。黑人男性简历从 2.27% 降到 1.72%，黑人女性从 2.51% 降到 1.78%；这些差异达到显著。白人女性从 2.15% 降到 1.87%，组间变化未达显著。强提示下，高 GPA 简历的议价意愿整体走低；白人男性、黑人男性和黑人女性组的变化达到统计显著，白人女性组的变化未达显著。温和提示没有呈现稳定的负向变化。

AI 提示对不同种族和性别简历的影响没有呈现稳定差异。白人女性高 GPA 简历在面试意愿上没有下降，结果受零售和 IT／软件行业受访者影响；排除这两个行业后，其他受访者的评价走向与其余高 GPA 简历相近。行业 AI 暴露度与远程办公比例的相关系数为 0.83，因此这份样本中的行业差异同时对应这两种条件。

招聘者更信当面验证和经历证据

论文还询问哪些信息能减轻招聘者对毕业生学业能力的担忧。现场考试是两种 AI 提示组都更认可的证明方式。温和提示组也认可实习、独立研究、毕业论文和线下课程；强提示组在开放回答中更常提到志愿活动、课外活动、工作经历和当面面试。在线微证书、班级规模和学校选择性在各组都靠后。

HR 可把“当面验证能力”的发现转成招聘动作：给应届生一道与岗位相连的短任务，让候选人现场解释思路、检查工具输出并说明取舍。论文询问的是高校现场考试等学业证据。企业岗位任务是将当面核验思路迁移到招聘流程的建议，HR 可结合真实录用和绩效表现复盘其效果。已有实习、作品或项目的候选人，也可说明本人负责的任务和实际产出。

让“成绩之外的能力证据”进入招聘流程

第一，招聘团队先写清岗位关键任务，再决定用什么题目或工作样例核验。比如招聘数据分析新人，可安排一份结构简短的数据清理与解释题；候选人说明使用了哪些工具、如何检查结果、哪些判断由本人完成。题目应贴近入职后的工作，评分标准提前统一。

第二，结构化面试把“产出”和“判断”分开评分。候选人交出答案后，经理追问关键选择、数据依据、错误检查和异常处理。工具使用能力和独立判断能力分别记录，招聘者可依据岗位证据作评价。

第三，保留多种能力证明入口。应届生的实习、兼职、课程项目、志愿活动和团队作品可以补充工作年限短带来的信息不足；面试官追问本人贡献、遇到的难题和复盘过程，再按同一标准评价。论文记录受访者对实践经历的评价；企业可用真实招聘数据检查实习、项目和作品与后续面试、录用结果的关系。

第四，招聘运营按岗位和流程阶段看数据。每一轮记录投递、简历筛选、面试邀请、面试评价、薪酬区间和录用结果，观察不同证据怎样影响候选人进入下一步。若某岗位的高 GPA 候选人或有 AI 项目经历的候选人评分突然改变，招聘负责人可回看评分项、经理说明和面试记录，判断变化来自岗位标准还是对 AI 的总体印象。

这项实验的适用范围

实验发生在 2026 年 5—6 月，参与者是在美国营利机构全职工作且有招聘职责的人。研究者构造简历，隐去学校和专业，受访者对材料给出假设性评分；论文未记录真实面试邀请或薪酬谈判。研究记录受访者所在行业，未记录职业；行业 AI 暴露度与远程办公比例的相关系数为 0.83，因此行业观察同时对应这两项条件。对中国企业，值得验证的是招聘者会不会把对学生使用 AI 的看法带入能力判断。HR 可按岗位记录筛选、面试和薪酬结果，检查不同能力证据是否改变应届生的录用评价。

英文原文见文末「阅读原文」。