1999 年，亚马逊才成立三四年。用比尔·卡尔（Bill Carr）的话说，公司正在「疯长」。技术部门新招来一位工程负责人，他去招高级经理，高级经理再去招经理。2023 年卡尔在 Lenny’s Podcast 上说：「这些人来公司才一个星期。」他们招人，凭的是自己的判断和上一家公司的标准。一位高管的总结是：「新人招新人，新人再招新人。」
贝佐斯对股东说过，在招聘上把标准定高，是「亚马逊成功最重要的一个因素」。可定标准的人，自己才刚进门。
亚马逊的办法，是往屋里放一个外人。每一轮面试都有一位面试官来自招聘团队之外：不是招聘经理，不向招聘经理汇报，也不是招聘专员。面试后的复盘会由他主持。据布拉德·斯通（Brad Stone）写的早年经过，这个人还能否决录用，而且「就连招聘经理也推翻不了」。
每次招人，都让一个不用为空缺发愁的人说上话。
空着的工位，压在谁身上
最想把人招进来的，通常是招聘经理。活儿今天就堆在他团队头上；招错人的代价，就算来，也在以后。卡尔管这叫「每个招聘经理都有的紧迫偏差」：急着拿「下一个能喘气的人」把位子填上。参与创办这个项目的里克·达尔泽尔（Rick Dalzell）对斯通说：「很多公司一长大，就开始为了填满人手而降低标准。」
抬杆人身上没有这份压力。亚马逊的软件开发经理格勒宁格（Annie Groeninger）在公司的文章里说，抬杆人「不会和这位候选人天天打交道，所以我们一心为亚马逊做招聘决定，而不是为某个团队、某个岗位」。项目定下的目标是，每招一个人，都要比现有同类岗位上一半的人更强。
房产中介是房子卖掉才拿钱，验房师卖不卖都拿钱。签字之前，你想看的是验房师的报告。
卡尔还说了一个反转。否决权是真的，可「好的抬杆人从来不用」；他在亚马逊 15 年，自己没用过，也没见人用过。拍板的仍是招聘经理。抬杆人做的，是主持复盘会，盯着大家守住事先定好的标准。亚马逊写出领导力准则以后，准则就成了标准，行为面试成了方法，和结构化面试是近亲。少了这个外人，复盘会很容易滑回凭感觉拍板，那正是非结构化面试的老路。它管住的是判断；活儿本身干得怎样，还得靠工作样本测试。
代价
卡尔说这份差事「极其耗时」，一周最多能占掉他 10 个小时。抬杆人是在本职之外志愿干的，据《财富》报道，没有额外报酬；亚马逊说，培训要三个月到一年。
招聘经理也要付代价。卡尔说，他们可能觉得整套面试「是一道官僚流程，是一群我得去说服的人」，挡在自己和想要的人中间。一位招聘公司负责人对《财富》说，外人「可能不了解他们要招人进去的那个团队的文化」。
亚马逊说自己「重在招对人，而不是招得快」。可疫情期间招人最猛的时候，它还是把抬杆人从初级软件工程师的面试里撤了。据《商业内幕》报道的一份内部备忘录，2024 年又把他们请了回来，为的是「提高」这批录用者的质量。撤掉期间招来的人是不是变差了，亚马逊没有回答《财富》。
借一个外人
设想你开一家二十人的公司，这个季度要招三个工程师。工程负责人忙得脚不沾地，第一个能干活的候选人他就想要。
你可以请销售或运营的一位经理坐进每一轮面试，记下书面笔记，主持复盘会，再问一句格勒宁格爱问的话：「要是不招这个人，亚马逊会错过什么？」把亚马逊换成你公司的名字。代价可能是晚几周，外加一个不太高兴的工程负责人；换来的，可能是一个真正过了杆的人，而不只是一个被填上的位子。
不是自己写的答案
AI 模型给自己的输出打分时，也有类似的问题。动机不一样，模型没有位子要填，可自己批自己卷子的风险还在。
2024 年，Panickssery、Bowman 和 Feng 做了一项研究：让 GPT-4、GPT-3.5 和 Llama 2 写新闻摘要，再给自己、别的模型和人写的摘要打分。模型往往偏爱自己那份。不经任何训练，GPT-4 就能以 73.5% 的准确率认出哪份是自己写的；研究者再微调 GPT-3.5 和 Llama 2，让它们更会认出自己，偏爱自己的程度也跟着同步上升。作者特意说明了一个缺口：他们没有核对模型自己写的摘要是不是真的更好，如果更好，一部分偏爱就说得过去。
Anthropic 讲怎么搭建评测的文档，也想到了外人。它在模型评分示例代码里加了一行注释：「通常的最佳做法，是用另一个模型来评，而不是生成这份输出的那个模型。」
换一个模型来评分，就是一个和答案没有利害关系的抬杆人。但它不是中立的裁判。同一项研究里，三个模型在两份摘要调换先后顺序后，都有改判的时候，GPT-4 大约四次里有一次（裁判的其他偏向，见晕轮效应）。外来的评分者避开的是一种风险，也就是模型给自己打分；它自己仍可能有偏好，也可能偏向排在某个位置的答案。