看到Meta用AI系统裁掉休产假员工的消息，作为在一线搞过推荐系统和异常检测的工程师，我第一反应是：这算法设计得也太糙了。资讯里提到他们用了内部大模型Metamate和员工监控工具，把休假记录直接等同于低产出——这不就是典型的特征工程失误吗？任何做过监督学习的人都知道，标签数据必须剔除异常状态，否则模型学到的就是偏见。实际上，我参与过类似的人力资源数据分析项目，当时我们花了大量时间清洗休假、培训等非工作状态的数据，就是为了避免AI把“不在岗”误判为“绩效差”。这次Meta裁了8000人，营收却是历史最高，说明AI模型根本没考虑业务周期和岗位价值，纯粹是拿员工行为频次当唯一指标。这种搞法，还不如直接随机裁人呢。
我的个人观点是：AI在HR
领域的落地，最大的坑不是技术本身，而是决策者把算法当甩锅工具。Meta这起美国首例AI裁员歧视案，本质上是管理层用技术掩盖裁员标准的随意性。从工程实践看，如果要公平裁员，至少该引入多维度特征（比如项目贡献、历史绩效、可替代性），而不是单靠一个产出率阈值。
抛两个问题给坛友：1. 你们觉得在员工数据中，哪些特征应该被排除出模型以避免偏见？2. 大模型Metamate这种通用AI，真能胜任HR这种高敏感场景吗？我认为当前技术下，AI更适合做辅助筛选，而非最终决策。
从行业趋势看，这案子会让更多公司重新审视AI在HR中的合规性。未来，类似欧盟AI法案的监管可能会加速落地，技术团队必须把“可解释性”和“公平性”写进KPI，否则翻车只是时间问题。