硅谷AI人才争夺战持续升温，但多位创业者注意到，市场上流转的往往是同一批来自知名企业与实验室的“熟面孔”。在这一背景下，有CEO尝试以“钱球”式统计方法重构招聘逻辑，主张用可量化的实际产出信号评估候选人，而非依赖公司品牌、学历背景或人脉推荐，以期在招聘人员浏览LinkedIn之前识别潜在的AI人才。

“简历循环”加深人才供给错配

报道指出，硅谷长期形成从少数精英公司和大学集中挖角的惯性做法。随着AI预算上升，这一模式更为突出：不少科技公司在既有社交网络覆盖的狭窄工程师群体中反复竞价，通过高额奖金与竞业限制等安排推动人才在企业间轮换，形成封闭循环。

在AI领域，这种循环更为明显。顶尖研究人员的稀缺预期推高薪酬，也促使招聘经理更倾向于选择“已被验证”的品牌背景候选人。相关报道认为，这种对已知路径的依赖在一定程度上降低了用人不确定性，但也可能在企业需要新思路时放大群体思维风险，并使部分具备能力的二线市场工程师长期难以进入筛选流程。

借鉴“钱球”思路：用数据而非背景打分

该CEO将行业对品牌与推荐的偏好视为“数据问题”。其招聘模型建立在一套量化信号之上，包括开源贡献、在线竞赛排名、个人项目复杂度等，并通过对大量代码库与代码样本的统计比较，评估候选人的交付能力与技术表现，而不是追问其曾任职机构。

报道将这一框架类比为棒球队利用被忽视的统计指标寻找被低估球员的做法。该CEO表示，其团队会超越传统硅谷人脉网络，扫描全球代码托管平台、研究论坛与在线竞赛，从GitHub图谱、Kaggle分数等数据中寻找与长期表现相关的模式，以识别可能在地区咨询公司、甚至不在科技行业工作的“隐藏AI天才”。

指标覆盖开源维护与工程韧性

据报道，该模型使用行为与技术指标的组合，超出传统简历关键词筛选范围。其关注点包括：开源贡献频率、是否维护被他人依赖的库、对错误报告的响应速度等，并与编码挑战、AI模型排行榜基准结合，用于估计候选人在快节奏创业环境中处理复杂且模糊问题的能力。

系统也会纳入传统招聘较少量化的经历，例如候选人是否在缺乏大型基础设施团队支持的情况下构建过生产系统。相关报道认为，这类细致数据有助于区分在资源受限环境中表现突出的工程师，与成果高度依赖特定企业技术栈与资源条件的工程师。

企业端对“适应性人才”的关注上升

重新审视招聘方式的压力并非只来自初创公司。在达沃斯世界经济论坛上，企业高管讨论AI对工作的影响时，有观点认为关键挑战在于员工重新部署而非裁员。ServiceNow CEO比尔·麦德莫特在相关场合表示，其管理的公司规模约3万人，并承诺不裁员，而是在自动化推广过程中推动员工转岗。

与此同时，OpenAI CEO山姆·奥特曼公开表示，尽管社交媒体与招聘网站上自称机器学习专家的人很多，但真正合格的AI岗位候选人仍然稀缺。报道认为，这种“表面供给充足”与“实际准备度不足”的落差，正是上述统计化招聘模型试图通过量化现实表现来解决的问题。

AI工具也在进入招聘与高管搜寻

类似的统计思维也开始影响传统依赖人脉与人工筛选的高管搜索行业。报道提到，Ezekia与HelloSky的合作尝试利用AI提升人才搜寻精准度，两家公司认为，随着高管人才竞争加剧，组织将更依赖具备AI驱动精准度的招聘合作伙伴。

报道同时指出，随着Meta等公司加大对AI基础设施的投入、对稳定专业人才供给的需求上升，招聘准确性的重要性进一步凸显。在招聘流程本身趋于自动化的情况下，能够为系统提供更丰富、更细致的岗位成功标准数据的组织，或将获得更高的筛选效率。