黑客松和AI比赛，正在成为发现技术人才、寻找创业项目的渠道。开发者在限定时间内做出产品原型，企业和投资机构则从作品中寻找值得继续投入的人与项目。
如今，这种选人方式开始向更广泛的非AI岗位延伸。企业带到AI赛场上的考题，涉及生产调度、家电售后、供应链管理和内容制作，考察的是候选人能否借助AI解决具体问题。
这一变化背后，是企业面临的新识人难题。
当写方案、做分析、生成代码都可以借助AI完成，一份看起来不错的成果，究竟能说明候选人具备多少能力？企业需要进一步追问，为什么这样设计，数据从哪里来，换一个条件是否仍然成立，以及方案能给业务带来什么。
10月20日举行的飞书豆包工作AI先锋未来人才大赛，提供了一个观察窗口。
华尔街见闻了解到，本次比赛企业担任命题方，把生产调度、家电售后、供应链管理等具体问题交给学生，参赛者使用飞书与豆包工作开发方案，再接受企业负责人和高校学者的现场评审。12支战队进入总决赛，数十家企业带岗参与，多家企业向选手发出招聘邀约。
飞书CEO谢欣表示，企业关注的是能用AI解决真实业务问题、产生结果的人，并希望通过作品判断学生将来会怎样工作。这也意味着，“AI能力”不能简单等同于熟悉多少工具，理解业务、判断结果和推进落地仍需要人来承担。
当工作方式改变，企业也需要重新确定，哪些能力可以通过履历判断，哪些必须放进实际任务中检验。
01 光会工具还不够
企业对AI能力的考察，已经深入到具体业务环节。
以云图控股的生产调度命题为例，四川大学选手张青青开发了数字员工“氨心”，尝试将产供销信息转化为调度建议。这一项目最终获得银奖。
完成这项任务，需要了解工厂有哪些设备、生产受到什么约束，以及采购价格怎样影响经营决策。模型能够给出建议，还需要有人判断建议是否适用于现场。
华熙生物董事长兼CEO赵燕在提问时，重点关注系统如何界定物理、商业和安全边界。化工生产是连续过程，一处调整可能影响多个环节，生成方案只是开始，方案能否执行才是关键。
张青青的回答涉及工艺包中的操作参数、现场师傅的经验和原料采购条件。这个项目呈现出的能力，既包括使用AI，也包括学习业务、收集信息，再把信息整理成系统可以使用的规则。
这类需求正在拓宽“AI人才”的含义。企业需要研发模型和算法的人，也需要有人把现成的技术用到采购、生产、销售和服务中。后者未必从事模型研发，却要懂得判断哪些任务适合交给AI，哪些环节需要人工处理。
元气森林创始人唐彬森则在评价供应链项目时提出，人才要能深入业务，把“水下”的规则变成可执行方案，减少浪费、提升效率，并最终体现在财务报表上。
他的要求落在了企业最熟悉的标准上，即一项技术投入，究竟带来了什么经营效果。对于求职者，这意味着仅仅介绍系统有哪些功能还不够，还需要解释它减少了什么工作、节约了什么成本，以及效果如何验证。
家电售后项目中的一段问答，就体现了这一点。
安克创新CIO龚银发现，团队材料和现场展示中的收益测算存在差异，随即追问数据是否经过实际验证、验证范围有多大，以及收益如何计算。团队解释，测算结合了行业报告与系统模拟。
按团队的解释，这些数字属于基于报告和模拟得出的测算，尚不能据此认定为企业已经实现的收益。企业通过追问，也能判断候选人是否真正理解自己的方案，能否说清依据和适用条件。
因此，AI让部分任务更容易完成，也让企业有条件考察更深入的能力。学生可以借助工具更快制作原型，再接受业务人员的检验。能否理解反馈、查出问题并修改方案，成为作品之外的考察内容。
这也为跨专业求职提供了新的可能。
拥有复旦大学历史学本硕背景的孙梦，为长隆设计了一款AI旅伴产品。她需要考虑游客在什么情况下需要帮助，以及产品怎样提供服务才不会造成打扰。对用户需求的理解，同样影响产品是否有用。
专业背景仍然重要，但项目提供了另一种判断依据，即候选人能否理解陌生业务，借助AI完成任务，并解释结果为什么有效。企业需要看清的，是工具之外由人完成的判断和工作。
02 验证实际表现
当招聘要求从“掌握技能”进一步指向“完成任务”，只看简历和面试回答，就难以获得足够的信息。
简历能够呈现教育和实习经历，却很难完整说明一个人如何处理模糊需求、如何应对失败，以及能否根据反馈调整方案。AI辅助开发之后，一份完成度较高的作品，也需要进一步辨别个人贡献。
一些企业将真实业务问题放进AI竞赛、黑客松，并连接实习、面试或招聘机会，正是在补充这部分信息。企业能够沿着项目观察候选人，而不只听其描述过去的经历。
从过往脱颖而出的项目内容看，企业能够考察的不只是生成效果，还有团队如何拆分任务，使用合适的工具衔接，以及协调组织制作。这些工作更接近实际岗位，也为后续招聘交流提供了基础。
企业随后介绍岗位、发展机会和业务资源，学生再结合兴趣作出选择。双方讨论的内容，由抽象的“能力”进入具体的工作安排。
谢欣表示，飞书此前已在企业内部举办近千场AI效率先锋比赛，接触到企业对AI应用的需求与焦虑。另一方面，学生也不确定企业究竟需要怎样的人才，双方存在错位。
这种错位在招聘中很容易发生。企业说需要“懂AI的人”，实际可能需要的是能够改进售后流程、整理生产知识或提高内容效率的人；学生准备的则可能是工具使用经历。把需求变成具体任务，双方才更容易判断是否匹配。
谢欣特别指出，企业给学生机会，并不是因为他们用了飞书或豆包工作，而是通过作品看到了潜力，能够判断他们未来会如何工作。
但作品需要与过程一起评价。谁提出核心方案，谁完成开发，哪些结果来自实际测试，哪些仍是预期，都影响企业对个人能力的判断。这也需要技术和业务人员共同参与，将一个项目拆解成可以评估的具体工作。
对企业而言，这种招聘方式意味着更多前期投入，需要提出明确的问题，开放必要的数据和场景，并安排人员指导、追问和评估。只有做到这些，比赛才能提供比普通面试更充分的信息。
对飞书而言，这一动作也与企业服务业务相连。客户获得AI工具之后，仍需要人来整理数据、调整流程和维护应用。连接能够承担这些工作的人，有助于工具进入实际岗位，也能让平台获得更具体的业务反馈。
从企业命题到现场追问，再到招聘邀约，选人的依据变得更加具体。学历、专业和经历仍有参考价值，候选人还需要拿出证据，说明自己如何理解问题、完成任务，以及让AI的输出成为实际工作成果。
