当 AI 接手了「写代码」,公司还为什么招人?——2027 校招能力模型的三次位移
过去十二年,校招的筛人逻辑基本没动过:学校、成绩、项目、算法题。今年我们把这套逻辑拆了重装。不是因为旧标准错了,而是因为它衡量的那件事,正在被机器快速接管。
第一次位移:从「会不会做」到「能不能定义问题」
当一个需求丢进来,AI 能在几十秒内给出三种实现方案、跑通单元测试、补上注释。于是「把东西做出来」这件事的门槛塌陷了,真正稀缺的能力往前挪了一格——你能不能判断这个需求本身值不值得做,能不能在一堆模糊的抱怨里精准说出「用户到底卡在哪」。我们在今年的技术面里新增了开放命题环节,不给标准答案,只看候选人怎么把一个问题拆成可验证的假设。分数差异极大,而且和学校排名几乎不相关。
第二次位移:从「单点亮」到「能跨一格」
AI 让跨界的成本变得极低:一个懂数据的产品同学可以自己跑模型验证想法,一个会写前端的设计师能把交互稿直接变成可点的原型。所以我们不再执着于「纯技术」或「纯业务」的标签,转而寻找能在两个领域之间搭桥的人。岗位 JD 也因此改写——今年超过四成的岗位描述里出现了「与 AI 协作」的明确要求,但没有任何一条要求你背下某个框架的版本号。工具半年一换,判断力不会。
第三次位移:从「简历厚度」到「成长斜率」
这是变化最大、也最容易被误读的一条。我们依然看重经历,但看的不再是数量,而是曲线:一年前你在做什么,现在你在做什么,中间那次跃迁是被谁推动的。一份只有结果的简历,远不如一份带着失败复盘、带着「我当时判断错了,后来怎么纠正」的简历有说服力。面试管培时我们常问一个问题——讲一件你坚持了很久、最后证明是错的事。答得出来的人,通常走得远。
给正在准备投递的你
别急着把简历塞满关键词。找一件你真的在意的小事,做到能拿出证据的程度;把 AI 当成你的第一个同事去用,而不是当成作弊工具去藏;然后在材料里诚实地写下你的判断,哪怕它不成熟。2027 校招的闸门已经打开,我们要找的从来不是「最像标准答案的人」,而是那个让我们看完会想「想和他一起干点事」的人。