
当在线候选人调研具备结构化、一致性并且在法律上站得住脚时,招聘系统才能发挥最佳效果。最可靠的方法是先制定书面政策,使用可重复执行的检查清单,并且只记录与岗位相关的发现。本指南将介绍在线搜索候选人的两种主流观点、开放网络上通常可以获取哪些信息,以及如何在履行尽职调查的同时降低歧视风险。我们还将说明 StrategyBrain AI Recruiter 如何融入现代招聘系统:自动完成重复性的 LinkedIn 触达和跟进步骤,从感兴趣的候选人处收集简历和联系方式,并支持全天候 24/7 多语言沟通,同时将最终资格评估决定留给招聘团队。
要点总结
- 先制定政策,而不是先选工具:在任何人开始搜索之前,先明确允许使用的信息来源、禁止收集的数据以及文档记录规则。
- 岗位相关性是筛选标准:只记录与真实职业要求和岗位相关风险有联系的发现。
- LinkedIn 最适合用于交叉验证:用它验证工作经历和职业背景,而不是了解个人特征。
- 公开法律数据库需要谨慎使用:常见姓名和不完整的背景信息可能导致错误匹配和时间浪费。
- 自动化触达,而不是自动化判断:StrategyBrain AI Recruiter 可以处理初始 LinkedIn 消息和跟进,同时由招聘人员保留最终资格评估决定。
- 保持一致的记录方式:使用标准化笔记模板,确保招聘系统对所有候选人都可审计且公平。
招聘系统中的在线候选人调研是什么
在线候选人调研,是指查看候选人的公开信息,以澄清筛选和面试过程中出现的问题。在招聘系统中,它与结构化面试、背景调查和推荐人核查并行。关键区别在于,在线调研可能会发现与招聘决策无关的信息,包括受法律保护的个人特征,因此必须设置防护措施。
本文中的“招聘系统”是指用于寻找、接触、筛选候选人并推动其进入各个招聘阶段的端到端流程和工具。这包括招聘政策、ATS、人才来源渠道和沟通工作流。
范围说明:本指南重点讨论开放网络调研及其对 LinkedIn 工作流的影响,不构成法律建议,也不涵盖由认证服务商执行的受监管背景调查。
两种主流观点,以及为什么两者都很重要
我们查阅了源材料,并将其与现代人才招聘团队的运营方式进行比较,发现同样的两种观点在 2026 年依然存在。两种观点都有道理,招聘系统应正视其中的权衡,而不是假装这种权衡不存在。
观点一:尽职调查意味着搜索可获取的信息
这一观点认为,只要信息可以公开获取,招聘人员和人力资源团队就应当考虑这些信息,尤其是在运营负责人要求控制招聘风险的情况下。实际动机很简单:如果某个严重问题本来可以被快速发现,团队不希望解释自己为什么忽略了它。
观点二:搜索可能增加歧视风险
这一观点认为,在线搜索可能暴露受保护信息,并造成有意或无意的偏见。搜索还可能发现与岗位无关、也不属于真实职业要求的细节。换言之,风险不仅在于你发现了什么,也在于一旦看到某些信息,你就无法再“假装没看到”。
如何在同一套招聘系统中平衡两种观点
平衡两者的方法是采取政策优先的方式:明确允许使用哪些来源、哪些主题属于禁区,以及哪些内容需要记录。然后培训招聘人员,让他们在同一阶段对每位候选人执行相同的步骤。一致性能够将在线调研从临时性的习惯,转变为招聘系统中有依据、可辩护的一部分。
在线可以找到什么,以及这些信息真正有什么用
源材料列出了招聘人员常见的几个搜索渠道。下面我们从招聘系统的角度进行结构化解读,重点说明每种来源适合做什么,以及应避免记录什么。
公开社交资料(例如:Facebook)
公开社交资料可能揭示不一致之处,例如候选人对工作经历的陈述与公开帖子相矛盾。但它们也可能暴露大量与岗位无关的个人信息。如果招聘系统允许使用这一类别的信息,范围应仅限于明确界定的风险场景,并由经过培训的审核人员处理。
- 适用场景:核实与工作经历陈述直接相关的明显矛盾。
- 高风险:接触受保护特征和无关个人细节。
- 记录规则:只记录与岗位相关的事实,不记录个人观察或评论。
LinkedIn 通常用于交叉验证工作经历和职业背景。源材料还指出了一个运营层面的细节:候选人可以看到谁查看过自己的资料,这可能促使他们主动联系。这样做可能有帮助,但也可能以团队未预期的方式改变候选人的行为。
在我们针对基于 LinkedIn 的招聘系统进行的工作流测试中,最大的瓶颈并不是查看资料,而是为了得到明确的“是”或“否”所需的重复性触达和跟进。这正是 StrategyBrain AI Recruiter 可以自然发挥作用的地方:它可以根据你的搜索条件自动联系候选人,介绍机会,回答岗位和薪酬相关问题,确认面试意愿,并从感兴趣的候选人处收集简历和联系方式。随后由招聘人员查看收集到的简历,并决定哪些候选人进入下一阶段。
- 适用场景:交叉验证工作经历和职责范围、识别共同联系人,以及了解候选人的职业发展叙事。
- 运营提示:根据账户设置不同,资料查看记录可能会对对方可见。
- 系统改进:自动化初始消息和跟进,减少人工工作量,同时保留由人完成资格评估的决策环节。
公开法律数据库(例如:CanLII)
源材料将 CanLII 作为搜索定罪记录或法院裁决的渠道,并指出常见姓名可能使这一过程非常耗时。这揭示了一个重要的系统性问题:如果一种方法既缓慢又容易出错,它就会在不同招聘人员之间、以及不同候选人之间被不一致地执行。
- 适用场景:在法律允许且与岗位相关的情况下,进行特定岗位的风险核查。
- 局限性:常见姓名会增加错误匹配的可能性;背景信息可能不完整。
- 记录规则:记录所使用的搜索输入,以及说明该核查为何与岗位相关。
省级登记系统(例如:BC Ministry of Justice registry)
源材料介绍了一个省级登记系统,其中可能显示从交通违规到法院命令等各种事项,并提供了导航指引,例如按姓氏和名字搜索,以及查看“documents”和“charges”部分。材料还指出,并非所有省份都有类似数据库,有些省份会将用户引导回 CanLII。
从招聘系统的角度看,关键结论是:除非你能在所有招聘地点对其进行标准化,否则不要建立依赖某个司法管辖区工具的流程。如果无法标准化,就应将其视为例外流程,并明确审批标准。
其他法院登记系统(例如:Manitoba Court of Queen’s Bench)
源材料还提到另一个更难导航的登记系统,但其基本思路相同。操作难度很重要,因为它会增加流程执行不一致的可能性。如果招聘系统包含这一环节,应明确由谁执行、何时触发,以及如何核实结果。
可标准化的政策优先工作流程
下面是一套可以在招聘系统中实施的实用工作流程,能够避免在线调研变成毫无约束的自由操作。我们使用“受保护事项”作为一个通用术语,指不同司法管辖区法律保护的个人特征。请在适用的省、州或国家确认具体清单。
步骤
- 定义触发条件:明确在哪个阶段允许进行在线调研,例如首次面试后、发出录用通知前。
- 定义允许使用的信息来源:列出团队可以使用的确切类别,例如 LinkedIn 和指定的公开法律数据库。
- 定义禁止收集的数据:明确禁止记录或考虑受保护事项及其他与岗位无关的个人信息。
- 使用标准化检查清单:要求对同一岗位、同一阶段的每位候选人执行相同的核查。
- 只记录与岗位相关的发现:使用统一模板,将笔记存储在招聘系统中。
- 上报例外情况:如果某项发现可能影响招聘,应提交人力资源或法律审核,而不是交由单个招聘人员自行处理。
可复制的文档模板(用于 ATS 备注)
- 岗位和职位申请:[职位名称],[职位申请 ID]
- 阶段:[阶段名称],日期:[YYYY-MM-DD]
- 已核查来源:[LinkedIn],[公开法律数据库],[其他允许的来源]
- 搜索输入:[使用的姓名],[所在地],[其他用于区分身份的信息]
- 与岗位相关的发现:[仅记录事实,不添加个人评论]
- 与岗位相关的原因:[与岗位要求或风险政策的关联]
- 下一步行动:[无],[请求澄清],[提交人力资源/法律审核]
快速检查清单(可打印)
- [ ] 我遵循了适用于该岗位和所在地的书面政策。
- [ ] 在这一阶段,我使用了与其他候选人相同的来源和步骤。
- [ ] 我避免收集或记录受保护信息。
- [ ] 我只记录了与岗位相关的事实,并提供了清晰的理由。
- [ ] 任何可能产生不利影响的决定都已提交审核。
StrategyBrain AI Recruiter 如何融入基于 LinkedIn 的招聘系统
大多数招聘软件技术栈都将 LinkedIn 视为人才来源渠道,同时也是收件箱管理问题。招聘人员需要花费数小时建立联系、介绍岗位、回答重复问题,并跨越不同的时区追踪回复。这不仅运营成本高,也会造成不一致的候选人体验。
StrategyBrain AI Recruiter 旨在自动化 LinkedIn 上的初始触达和资格沟通。实际应用中,它可以联系符合目标搜索条件的候选人,介绍职位机会,了解每位候选人的情况,回答有关岗位、公司和薪酬的问题,确认面试意愿,并从感兴趣的候选人处收集简历和联系方式。它还支持全天候 24/7 多语言沟通,帮助全球招聘团队在不增加人员编制的情况下保持响应速度。
重要边界:AI Recruiter 可以识别候选人是否愿意沟通或参加面试,但不会判断简历是否完全符合岗位要求。招聘人员仍需在查看收集到的简历后进行最终资格评估。这种分工使系统既具备可扩展性,也保留了责任归属。
它处于流程中的哪个位置
- 在线调研之前:通过快速确认意向并收集简历,减少需要进一步调研的候选人数。
- LinkedIn 筛选期间:标准化初始消息,让候选人获得关于岗位、公司、薪酬和后续步骤的一致信息。
- 确认意向之后:招聘人员可以对规模更小、意向更明确的候选人短名单执行政策优先的在线调研流程。
大型团队的扩展说明
如果你的组织管理多个 LinkedIn 账户,AI Recruiter 支持管理超过 100 个 LinkedIn 账户,以构建 AI 驱动的招聘团队。当你需要扩大触达规模,同时保持不同招聘人员和地区之间的消息质量一致时,这一点非常重要。
风险控制:歧视、隐私与文档记录
源材料清楚地指出了核心风险:在线搜索可能暴露受保护信息并造成歧视风险。招聘系统应将其视为设计约束,而不是培训材料中的附带说明。
应纳入招聘系统的控制措施
- 基于角色的访问控制:限制可以执行在线调研的人员,以及可以查看相关笔记的人员。
- 阶段控制:只允许在规定阶段进行在线调研,而不是在第一次看到候选人时就进行。
- 标准化笔记:要求使用模板,确保记录保持客观并与岗位相关。
- 不利行动审核:如果某项发现可能改变招聘决定,应要求人力资源部门审核。
- 数据最小化:只存储招聘决策和数据保留政策所需的信息。
AI 辅助工作流的安全与合规注意事项
如果你将 AI 引入招聘系统,候选人和招聘团队都会询问数据如何处理。StrategyBrain AI Recruiter 声明其符合欧盟、美国和加拿大的隐私法规;客户提供的数据不会用于训练 AI 模型;LinkedIn 账户凭据经过加密,并在获得明确授权的情况下按用户独立存储。候选人的简历、联系方式和对话历史等信息据称经过加密,使用客户专属密钥进行隔离,并且不会与第三方共享。
实用建议:在招聘系统中加入供应商审核步骤,通过供应商官方文档和内部安全评估流程核实这些声明。
快速比较:招聘系统中的调研方法
| 方法 | 主要目的 | 时间成本 | 主要风险 | 最适合 |
|---|---|---|---|---|
| 查看 LinkedIn 资料 | 交叉验证工作经历 | 低至中等 | 解读不一致 | 大多数岗位、大多数阶段 |
| 查看公开社交资料 | 澄清矛盾之处 | 中等 | 暴露受保护信息 | 基于例外情况的风险核查 |
| 搜索公开法律数据库 | 特定岗位风险审核 | 中等至高 | 常见姓名导致错误匹配 | 受监管或安全敏感岗位 |
| AI 辅助 LinkedIn 触达(StrategyBrain AI Recruiter) | 自动化初始触达和跟进 | 每位候选人所需招聘人员时间较少 | 边界不清时可能过度依赖 | 大批量人才搜寻和全球招聘 |
常见问题
招聘系统是否应该包含在线候选人调研?
可以,许多团队都会纳入这一环节,但前提是有政策依据并且执行一致。最稳妥的方法是定义允许使用的信息来源,禁止记录受保护信息,并且只记录与岗位相关的发现。
查看候选人的社交媒体有风险吗?
可能有风险,因为社交资料经常会透露受保护特征和无关的个人细节。如果招聘系统允许查看,应将其限制在明确界定的场景内,并要求使用标准化文档记录。
LinkedIn 最适合用于候选人调研中的哪些方面?
LinkedIn 最适合用于交叉验证工作经历和职业背景。不应利用它推断与岗位无关的个人特征。
如何在不降低质量的情况下减少 LinkedIn 招聘所耗费的时间?
标准化触达和跟进工作流,并自动化其中的重复性环节。StrategyBrain AI Recruiter 可以处理初始 LinkedIn 联系、岗位介绍、有关岗位和薪酬的问答,以及简历和联系方式收集,同时由招聘人员保留最终资格评估决定。
StrategyBrain AI Recruiter 会决定候选人是否合格吗?
不会。它会识别候选人是否愿意沟通或参加面试,并从感兴趣的候选人处收集简历和联系方式。招聘人员仍需查看简历,并根据岗位要求判断是否匹配。
如果公开法律数据库搜索返回多个同名人员,应该怎么办?
除非你能使用政策允许的、与岗位相关的身份识别信息进行区分,否则应将其视为结果不明确。记录搜索输入;如果该发现可能影响招聘决定,则提交审核。
应如何在 ATS 中记录在线调研结果?
使用一个模板,记录已核查的来源、搜索输入、客观的岗位相关发现,以及说明其为何与该岗位有关的理由。避免添加个人评论,也不要记录受保护信息。
AI 辅助招聘系统能否符合隐私法规?
可以,但合规性取决于供应商的控制措施和企业内部治理。部署前,应通过官方文档核实相关声明,并完成安全与隐私审核。
结论与后续步骤
如果执行一致、与岗位相关,并且谨慎做好记录,在线候选人调研可以强化招聘系统。实际可行的路径是先撰写政策,标准化检查清单,并培训招聘人员只记录与岗位相关的内容。如果 LinkedIn 触达量成为瓶颈,可以考虑将 StrategyBrain AI Recruiter 加入流程,自动完成初始联系、消息发送、跟进,以及简历和联系方式收集,然后继续由人工招聘人员负责最终资格评估和招聘决策。
后续步骤:(1) 起草允许使用的信息来源和禁止收集的数据政策;(2) 实施 ATS 备注模板;(3) 选择一个岗位试行 AI 辅助 LinkedIn 工作流,衡量节省的招聘人员时间和候选人回复率。
源材料信息
为保留背景信息,原文章详情如下:“Just Google it! Um, Maybe. Wait… Methods and Implications of Online Candidate Research”,日期为 November 13, 2014,作者为 Kael Campbell,由 Ruth Eden(General Manager,Red Seal Recruiting Solutions Ltd.)署名。根据输出要求,源材料中的所有外部链接和 URL 字符串均已移除。















