特拉华州 AI 就业规则收紧：招聘自动化迎来新的隐私权利
特拉华州 AI 就业规则将于 2027 年 1 月 1 日发生变化：当自动化画像影响就业机会时，该州居民将获得新的保护。这些修正案的适用范围不止于完全自动化的拒绝系统，还涵盖用于重大决策的报告、建议、排名及其他数据驱动输出。
这一界定形成了核心矛盾。雇主采用筛选工具，以减少重复性工作并处理规模更大的求职者池。如今，特拉华州要求这些工具在收集外部数据、推断个人特征或影响不利决定时承担更高责任。
该州并未禁止在招聘中使用人工智能。它所挑战的是这样一种观念：只要有人参与，就能自动使就业系统免于隐私监管。这让雇主、招聘供应商和评估服务商共同面临一个任何单一主体都无法独自解决的合规问题。
特拉华州 2027 年修正案实际改变了什么
修正案将部分与就业相关的画像行为，从内部工作流程转变为受监管的数据决策。
州长 Matt Meyer 于 2026 年 9 月 2 日签署了众议院第 380 号和第 381 号法案。修订后的条款将于 2027 年 1 月 1 日生效。特拉华州将这一系列法案描述为扩大居民隐私保护，其数据被用于涉及就业、住房、贷款及其他重大机会的自动化决策时，均可获得保护。
《特拉华州个人数据隐私法案》（Delaware Personal Data Privacy Act，DPDPA）最初于 2025 年 1 月 1 日生效。该法确立了访问、更正、删除、数据可携带性、定向广告、数据销售及特定自动化画像相关权利。
该法律通常将以就业或商业身份行事的人员排除在“消费者”的定义之外。这一排除仍然重要，但不再能终结对每一种职场使用情形的分析。
修正案为受监管的就业数据开辟了一条更窄的适用路径。当通过画像和报告处理的个人数据支持有关特拉华州居民就业机会的决策时，这些数据可能受到规制。
在修订后的法律中，“报告”具有广泛含义。它可以包括书面或口头沟通、建议、摘要，以及基于个人数据或画像作出的自动化决定。因此，即便最终选择由雇主作出，供应商生成的候选人排名也可能具有重要意义。
这些变化还从现有画像退出机制中删除了一个关键用词。现行法律提及具有法律效力或类似重大影响的“完全自动化决定”。2027 年的措辞则覆盖“自动化决定”，使该规则能够适用于仍包含人工参与的系统。
这一修改之所以重要，是因为许多招聘产品都以决策支持的形式销售。招聘人员可能会审查排名列表、查看面试评分，或接受模型的建议。人工审查并不必然消除系统的影响。
就业机会被明确视为具有法律效力或类似重大影响的情形。该类别还涵盖保险、医疗保健、金融服务、住房、教育、刑事司法，以及获取基本商品或服务。
修订后的 Delaware privacy code 赋予居民访问基于其数据推导出的特定推断结果的权利，也允许他们询问画像是否支持了一项重大决策。
该法律更广泛的适用范围首先体现在企业覆盖门槛上。一般门槛从处理 35,000 名特拉华州消费者的数据降至 10,000 名。如果企业至少 20% 的年度收入来自数据销售，替代门槛则从 10,000 名消费者降至 5,000 名。
这一扩展可能使规模较小的组织也受到 DPDPA 约束。它也使数据映射更为紧迫，因为雇主不能仅根据员工人数判断是否适用该法。他们需要了解客户、求职者、员工和承包商系统中处理的特拉华州数据。
根据 employment law analysis 的原始报道，违规行为可能面临每项最高 10,000 美元的民事罚款。根据该法，执法权归特拉华州司法部，而非个别原告。
当下的启示并非每个电子表格或求职者跟踪功能都会成为受监管的 AI。关键在于，雇主必须追踪个人数据如何转化为建议，以及该建议如何影响一个人。
特拉华州 AI 就业规则让雇主和供应商承压
最棘手的合规问题不再是工具是否使用 AI，而是谁控制数据，以及谁能解释结果。
雇主可能会向筛选、人才寻源或评估供应商订购候选人报告。供应商可能从外部来源收集信息、分析这些信息，并返回评分或建议。
这种安排分割了实际控制权。供应商可能了解模型、输入数据和性能限制；雇主则了解管理人员如何使用输出，以及该输出是否促成拒绝、晋升、纪律处分或解雇。
特拉华州的控制者和处理者框架并不允许各方用产品标签来划定责任。其角色取决于谁在具体情境中决定处理的目的和方式。
处理者必须遵循控制者的指示。如果该处理者开始决定信息为何或如何被处理，它就可能成为该活动的控制者。
修正案还强化了合同要求。涉及个人数据披露的协议必须明确有限目的，并处理重大决策用途。协议还必须要求提供同等的隐私保护，并支持制止未经授权处理的工作。
因此，对雇主而言，采购成为 AI 治理的一部分。一份标准软件订阅协议可能无法提供足够的信息，说明数据来源、推断属性、模型限制、保留期限、分包商或争议处理方式。
对供应商而言，声称雇主拥有最终决定权可能带来不了多少安慰。作为控制者行事的供应商，可能需要履行与居民请求、画像记录、报告和人工审查相关的义务。
报告相关条款使这种关系尤为重要。当雇主收到一份受覆盖的报告并采取不利行动时，合同义务可能要求其通知受影响的居民。
该通知必须说明决策中使用的个人数据，还必须解释居民有权从控制者处获取信息，并要求对不利行动进行人工审查。
居民可以请求获取所维护的关于他们的个人数据，以及用于画像的数据来源。他们还可以要求获知在过去 24 个月内收到过其相关报告的第三方身份。
控制者通常有 30 天时间提供这些与报告相关的信息。居民还必须获得更正不准确个人数据的机会。
这些义务形成了一条要求严苛的运营链条。雇主必须识别不利行动何时依赖于受覆盖的报告。供应商必须保留足够的来源链路，以识别输入、来源、接收方和相关输出。
如果招聘团队只能看到一个没有支撑信息的评分，就无法满足这一要求。如果供应商无法将经核实的事实与推断出的特征区分开来，也就无法支持更正权。
一些常见例子说明了这一界定为何重要。简历工具可能根据任职日期推断资历。人才寻源平台可能预测求职者换工作的意愿。面试系统可能为语音模式或行为信号打分。
每个系统都会将数据转化为评价性输出。如果该输出促成某项机会被拒绝，组织必须准备好解释的不只是产品的营销用途。
官方 business privacy guidance 已强调数据清单、记录在案的处理目的、安全性和处理者协议。修正案使这些基础对招聘技术而言更加重要。
雇主还应将受覆盖的报告与受联邦《公平信用报告法》管辖的消费者报告区分开来。特拉华州的变化似乎部分针对传统背景审查开始之前的领域。
这一领域包括候选人寻源、排名、匹配和早期评估。这里往往是求职者可见性最低、供应商最依赖外部数据的地方。
压力是迫切的，因为系统需要在生效日期前完成重新设计。合同、通知、访问工作流程和人工审查程序，都需要法务、隐私、人力资源、采购和工程团队协调推进。
AI 画像规则取代“人工参与”捷径
特拉华州否定了一种常见的合规捷径：加入人工审查者，并不会自动让自动化影响变得无害。
许多组织将其招聘工具描述为辅助性质。模型对候选人进行排名，但由招聘人员选择联系对象。平台给出评估分数，但由管理者批准最终决定。
这种区别对于确定实际责任仍然相关，但已不再保证底层画像行为不受特拉华州隐私规则约束。
从画像相关措辞中删除“完全”一词，扩大了监管视角。即使由人点击最终按钮，自动化建议仍可能产生重大影响。
这一变化针对的是自动化偏见，即人们对系统建议赋予过高权重。名义上的审查者可能在不了解其数据、假设或错误模式的情况下批准排名。
有意义的人工审查不只是签个字。审查者需要有权改变结果，能够获取相关信息，并接受足够培训以识别可疑的推理。
审查者还需要时间。被要求审查数百份机器排名申请的招聘人员，可能没有现实机会独立重新考虑每一项建议。
特拉华州的做法聚焦于决策流程，而非 AI 标签。画像是指自动化处理，即对个人特征、偏好、可靠性、行为、位置或活动进行评估、分析或预测。
这一定义可以涵盖统计系统和基于规则的系统，而不仅是生成式 AI。供应商不能以为避开大语言模型就能让其产品免于审查。
同样的原则也适用于推断数据。修订后的法律扩大了访问权，将基于个人信息得出的推断纳入其中。当某些推断被用于揭示受保护特征时，该法律也将其视为敏感数据。
敏感类别包括种族或族裔来源、宗教、性取向、移民身份、遗传信息、生物特征数据和精确地理位置。修正案新增了神经数据，以及更多健康和金融类别。
雇主不得向求职者询问受保护属性。然而，模型仍可能从姓名、地址、工作经历、语言模式或线上活动中推断出相关信息。
这种可能性使特征选择同时成为法律和技术问题。团队必须判断某项输入是否必要、是否适度，以及是否与已披露的用途相关。
法律还使反偏见测试与歧视主张及抗辩相关。它关注测试的质量、有效性、时效性、范围、结果，以及组织针对测试结果采取的应对措施。
仅在采购期间进行一次测试，无法解决所有问题。模型更新、求职者群体变化、新的岗位类别以及不同的决策阈值，都可能改变系统表现。
影响评估必须审查预期用途、部署场景、预期收益、可预见的损害、输入类别、输出、性能指标和已知局限性，还必须涉及透明度及部署后的保障措施。
当某项活动构成较高风险时，该评估要求适用于处理至少 50,000 名消费者数据的控制者。法律还单独规定了与具有重大影响的自动化决策相关的画像分析。
这一结构并不要求雇主放弃有用的自动化技术。但它要求雇主记录为何某个系统应纳入工作流程，以及其周围设置了哪些控制措施。
该州阐明的立法理由十分明确。其隐私立法公告特别提到用于招聘、晋升、纪律处分和解雇的简历筛选器、面试评分工具及报告。
因此，雇主应避免仅盘点以 AI 为卖点的产品。他们需要对能够对人员进行排序、推荐、预测、筛选、评分或总结的系统进行功能性盘点。
该清单还应包括大型人力资源平台内嵌的功能。一个常见的申请人跟踪系统，可能会通过常规产品更新增加自动匹配或总结功能。
合规触发点取决于数据处理和决策行为，而非界面的新颖程度。这正是特拉华州 AI 招聘法背后的核心转变。
问责权衡延伸至特拉华州之外
特拉华州加入了不断发展的州和地方监管框架，但其基于隐私的模式与专门的 AI 法律形成了不同的合规路径。
纽约市对用于招聘和晋升的自动化就业决策工具进行监管。受规制的雇主必须安排近期的独立偏见审计、公布相关信息，并提供法定通知。
该市的自动化招聘规则聚焦于实质性协助或替代酌情就业决策的工具，也要求在受规制使用前发出通知。
伊利诺伊州则对一种突出形式采取了更狭窄的做法。其《人工智能视频面试法》适用于雇主要求求职者参加录制面试，并使用 AI 分析这些视频的情形。
伊利诺伊州面试法要求在面试前提供通知、说明 AI 的运作方式并取得同意。该法还限制视频共享，并规定了删除请求。
科罗拉多州针对参与重大决策的自动化系统推进了更广泛的规则。其框架也经历了重大立法修订，显示出州级 AI 义务变化之快。
特拉华州的不同之处在于，它将与就业相关的自动化纳入综合性隐私法。这种做法将招聘决策与现有的数据最小化、同意、安全、访问、更正及供应商治理义务联系起来。
对于跨州雇主而言，这些法律无法合并为一份清单。纽约市强调偏见审计和公开披露；伊利诺伊州针对经 AI 分析的视频面试；特拉华州则强调数据权利、报告、画像分析和问责。
企业仍可建立统一的治理基础。它可以盘点自动化工具、记录数据流、识别受规制地点、记录用途、测试性能，并维护可重复的通知流程。
随后，剩余义务必须按辖区进行映射。统一的全国性通知或许具有可行性，但必须包含每一项适用的州或地方要素。
这种权衡不仅涉及合规成本。透明度能够提升求职者质疑错误的能力，但详细披露也可能暴露知识产权或使系统更容易被操纵。
特拉华州通过商业秘密保护承认了这种张力。访问权并不要求控制者披露商业秘密，但该保护并不会消除基础性的访问义务。
控制者可能需要描述相关数据和流程，而无需披露源代码或专有模型权重。这需要审慎说明，而不是笼统拒绝。
人工复核也带来另一种权衡。它可以发现错误并为居民提供救济途径，但设计不佳的复核可能流于形式。
如果复核人员只能看到原始评分，就无法独立评估该决定。有效复核可能需要源数据、置信度信息、书面理由，以及更正记录的能力。
供应商集中度也带来实际问题。规模较小的雇主通常依赖大型平台获取合规信息，而较小的供应商可能难以支持多个针对特定辖区的工作流程。
但法律较低的覆盖门槛意味着，合规并非只属于最大的雇主。此前认为自己不受综合性隐私法约束的组织，需要重新评估。
修订后的门槛指向特拉华州消费者数据，而不是员工人数。非营利组织、在线服务或区域性雇主，可能通过其他业务运营达到该门槛。
因此，覆盖范围和就业义务需要分别分析。组织应先确定 DPDPA 是否适用，再审查特定招聘活动是否涉及受规制的画像分析或报告。
这种分层结构不如一部专门冠以 AI 招聘之名的法律显眼。但其影响可能更为深远，因为它将自动化决策与既有的隐私运营和执法联系起来。
雇主仍不可作出的假设
这些修正案提供了方向，但若干边界仍将取决于事实、合同以及未来的执法指引。
首先，并非所有就业场景中对个人数据的使用都会受到规制。与就业相关的数据通常仍被排除在外，但画像分析和报告条款构成了重要例外。
组织应避免声称该法律规制每一项绩效评估、简历数据库或工作场所分析仪表板。关键问题是个人数据如何被处理，以及它是否支持一项重大决策。
其次，产品描述并不决定覆盖范围。供应商可能将某项功能称为搜索、匹配、辅助、分析或工作流程自动化，但其实际功能仍可能涉及画像分析。
雇主应测试系统实际生成什么。中立的总结不同于推荐，但如果总结选择或突出评估性信息，它仍可能引导决策。
第三，是否有人参与并不能解决问题。关键在于自动化是否影响了决策，以及复核是否独立且具有实质意义。
第四，遵守 DPDPA 并不能保证符合就业歧视法。一个透明且有据可查的系统，仍可能产生非法的差别待遇或差别影响。
同样，反偏见测试并不能证明系统对每种岗位或群体都公平。结果取决于数据、比较群体、样本规模、指标和部署条件。
特拉华州明确将主动测试的质量和时效性视为相关因素。这种表述鼓励严肃测试，同时也保留了审查薄弱或过时措施的空间。
第五，雇主不能假定供应商会自动处理居民请求。合同应明确责任、期限、升级程序和证据要求。
居民在收到不利行动通知后可能联系雇主。雇主需要一条可靠路径，联系持有相关数据和源信息的控制者。
第六，当第三方为就业目的提供消费者报告时，联邦《公平信用报告法》仍然适用。特拉华州法律并未取代联邦层面的通知、授权和不利行动义务。
在供应商产品不属于传统消费者报告结构的情形下，新条款似乎尤为重要。由于产品设计和数据来源各不相同，这一边界值得进行法律审查。
第七，法律规定的民事罚款需要结合背景理解。每项违规最高可处 10,000 美元，并不意味着每个错误都会自动产生最高金额。
执法决定可能取决于行为、范围、受影响人员、补救措施和法定权限。组织应将这一数字视为风险暴露，而非保证性的罚款计算。
最后，1 月的截止日期并不意味着解释上的完全确定性。随着实施临近，监管机构可能发布指引、更新面向企业的资源，或明确执法重点。
审慎的做法是记录当前解释并持续重新审视。一个可辩护的项目应展示组织如何作出决定，以及如何响应新的指引。
该流程应包括针对模糊工具的升级路径。法律、隐私、人力资源和技术负责人应审查数据来源或决策影响不确定的系统。
雇主还应保留补救证据。当测试发现问题时，团队需要记录修改了什么、何时修改，以及修订后的系统是否经过重新测试。
这种审慎观点具有双向意义。法律并非全面禁止，但也不能仅靠存放在共享驱动器中的 AI 政策来满足。
运营证据将至关重要。通知、评估记录、合同、测试结果、请求日志、复核人员培训和已更正的数据，都能提供这种证据。
2027 年 1 月前应关注的三个信号
下一阶段将由实施细节、供应商准备情况以及首批可见的执法信号决定。
第一个信号是特拉华州司法部发布的更新指引。雇主应关注有关报告覆盖范围、画像分析退出机制、人工复核、不利行动通知和请求认证的说明。
详细指引将强化这样一种观点：特拉华州期望自生效日起实现运营层面的合规。有限的指引则会使雇主更多依赖法条文本和有据可查的风险判断。
第二个信号是招聘和评估供应商是否推出特拉华州专属控制措施。有价值的改进包括数据来源记录、可下载的决策历史、更正工作流程和可配置的不利行动通知。
供应商还应说明每项相关用途的性能指标和已知局限性。通用模型卡无法回答有关特定岗位、求职者群体或部署配置的问题。
如果主要平台推出这些控制措施，合规可以成为标准产品管理的一部分。如果没有，雇主可能需要采用手动流程或更换供应商。
第三个信号是特拉华州在执法期间如何看待人工参与。监管机构可能会重点关注那些尽管名义上经过复核、但实际上决定结果的系统。
证据将包括推翻率、审查人员权限、决策时机、培训情况，以及对底层信息的访问权。接近零的推翻率并不能证明存在自动化偏见，但可能引发进一步质疑。
这些信号应在剩余的准备期内指导相关工作。雇主可以先对用于招聘、录用、晋升、绩效评估、纪律处分和解雇的系统进行范围明确的盘点。
对于每个系统，盘点应记录其负责人、供应商、用途、适用人群、输入、输出、数据来源、留存期限及其对决策的影响程度，同时还应识别相关司法辖区。
团队随后可以优先处理高影响力工作流程。与基础排程工具相比，简历排序、候选人寻源、面试评分、员工风险评分和解雇建议更应尽早接受审查。
合同审查应重点关注访问权与合作义务。雇主需要获得及时支持，以处理通知、居民请求、更正、评估、审计和调查。
测试计划应与部署方式相匹配。在合法且适当的情况下，应识别受保护群体，评估相关错误模式，并考虑数据变化。
人工审查流程应明确由谁执行审查，以及该人员可以访问哪些信息。流程还应说明审查人员是否能够推翻该决定。
培训不应仅涵盖法律术语。招聘人员和管理者需要能够识别：自动化输出何时影响了不利决定，并触发了后续流程。
组织还应为候选人和员工准备清晰的说明。通俗易懂的语言可以说明该工具的功能、使用哪些数据类别，以及个人可在何处提出疑虑。
该说明不应承诺超出组织实际能力的透明度。它应与实际系统行为、合同条款和请求处理程序保持一致。
特拉华州的 AI 就业规则最终检验的是：自动化在采购之后是否仍然可追责。购买合规产品，并不能保证决策流程合规。
雇主只有很短的窗口期，来将隐私运营与雇佣工作流程衔接起来。一个实用的下一步是：选择一个高影响力的招聘系统，追踪一名特拉华州居民的数据从收集到决策的全过程。
组织能否识别数据来源、解释推荐结果、更正错误信息、通知相关人员，并进行真正的人工审查？如果其中任何一项答案不明确，这一缺口就应纳入 2027 年前的路线图。
