参加招聘行业的任何一场活动，你都会发现空气中弥漫着像“机器学习”、“大数据”和“预测分析”这样的字眼。在招聘中使用这些工具的理由很简单。机器人招聘者可以快速筛选数以千计的应聘者，效率远高于人类。它们还能做到更加公平。因为它们不会像人类那样带着有意或无意的偏见，它们会招聘到一批更多元化和择优录用的员工。
但在实际运用中，虽然微软小冰当起了HR并体现了超高的工作效率，但分析不难发现，小冰提问应聘者的问题几乎是雷同，无非是自我介绍、工作经历、应聘原因、对职位的理解、薪资要求等。相关人士表示，小冰类似于阿法狗，是通过嵌套的算法和逻辑，以计算机分析应聘者的匹配程度，然后将应聘者的匹配程度、专业技能程度提供给人类。
但HR并不仅仅是筛选简历那么简单，关于人的管理与运用，这其实是一项非常复杂的工作。众所周知，人力资源是一个以人为本的行业，它的服务对象是人，服务者也是人，整个人力资源管理过程中，除了程序化的劳动外，还会涉及到情感因素和多方位综合判断，而机器人由于在情感领域、认知领域的缺陷，显然无法替代这一类型工作。再加上HR的工作涉及面十分广泛，不禁包含了人才招聘、管理、培训、还有人才的激励等各个方面，长时间内HR会被机器人取代的可能性微乎其微，最终只能作为HR助手的方式存在。

首先，任何机器学习的算法，并不会比它所学习的训练数据更好。以学术研究者Colin Lee今年向媒体发布的博士论文为例，他分析了44.1769万份成功和不成功的求职申请，建立了一个准确度达70%至80%的模型，可预测哪些应聘者会被邀请参加面试。该新闻稿称，这一算法潜在可用作工具，用于在筛选大量简历的过程中避免“人为错误和无意识偏见”。
但这样的程序模型依然会吸收最初招聘决定中的人为职场偏见。例如：如果历史数据显示，女性雇员在工作岗位上停留的时间大大少于男性雇员（可能因为当她们有了孩子便会离职），算法就有可能利用那些性别指向明确的属性，得出对女性不利的结果。应聘者住址与办公室之间的距离如何？这也可能是预测该雇员出勤率和在公司服务年限的不错的预测因素；但它可能也会在无意间歧视某些群体，因为不同的住宅社区有不同的种族和年龄特征。
这些现象提出了一个棘手问题：在理性和非有意的情况下，歧视是否错误？这是一个模糊的法律领域。在美国，根据“差别影响”(disparate impact)原则，貌似中立的雇佣实践若超出比例地伤害了“受保护阶层”，即为不合法，即便雇主并非有意歧视。但雇主若能证明该做法有很强的商业理由，就能为自己成功辩护。如果使用算法的意图仅仅是为相关职位招募最佳人选，那可能是个足够好的辩护理由。

话虽如此，那些希望拥有更多元化的员工队伍的雇主，显然不能想当然地认为只需把招聘交给电脑去做。假如这正是他们想要的，那他们也得把数据运用得更富想象力一些。比如说，与其将他们自己的公司文化设为既定条件，进而寻找统计学上最有可能在该文化中成功的人选，不如找到相关数据显示，一支更为多元化的员工队伍在哪些情况下会成功。