跨越六大监管体系的AI招聘合规

单次审计运行，针对六个管辖区的交付成果，以及两个监管体系无法同时满足的关键症结。

Clarion 是运行于雇主现有 AI 招聘工具之上的合规覆盖层。它读取单份供应商评分导出数据，通过确定性代码计算每一项不利影响统计数据，并将单次审计结果扩展为针对 NYC、Colorado、Illinois、Texas、California 和 EU 量身定制的六份交付成果。当其中两个监管体系对同一特征提出相反要求时，它会如实指出并量化双方的风险敞口，而不是直接出具“完全合规”。以下演示基于植入的合成导出数据，而非已部署的生产管线。

单次审计运行生成的管辖区交付成果

NYC, Colorado, Illinois, Texas, California, EU

9 of 13

路由至指定责任人而非自动放行的合规义务

7 NEEDS PROOF plus 2 CONFLICT, on the demo's seeded export

安全关卡拒绝蒙混过关的规则冲突

Illinois HB 3773 against EU AI Act Article 10(3)

数据集为合成数据：来自“Acme Logistics, Inc.”在职位申请 REQ-2026-0412 上的 1,040 candidates 植入导出数据，由三款模拟工具进行评分。Workday-Spotlight 风格、HireVue 风格和 Eightfold 风格的评分器均为通过桩测试夹具适配器提供的原型，而非实际集成，其中不包含任何真实的雇主或候选人。

六家监管机构审视同一个招聘技术栈，提出了六个结构上截然不同的问题。

在 NYC、Colorado、Illinois、Texas、California 和 EU 中两个或两个以上地区运行自动化招聘工具的首席人力资源官（CHRO）、总法律顾问或首席风险官，必须用同一套技术栈应对六个独立的监管体系。服务于该技术栈的供应商往往只交出一份“我们通过了五分之四规则”的审计报告，仿佛这样就能搞定全部六个体系。事实并非如此。NYC Local Law 144 要求提供交叉不利影响比率。Colorado SB 24-205 要求建立成文的合理审慎计划，且完全未规定任何方法论。Texas TRAIGA 拒绝将差别影响作为独立依据并审查主观意图，这使得支撑 NYC 交付成果的确切统计数据在证据层面上与 Texas 完全无关。EU AI Act 询问您的训练数据是否具有代表性，并且依赖的恰恰是 Illinois 明令禁止作为代理变量的地理特征。

绝大多数审计报告根本不存在

寻找已公开发布的 Local Law 144 偏见审计报告的研究人员发现，391 家纽约市雇主中仅有 4.6% of 391 公开了审计，研究人员将这一发现称为“零合规”（Null Compliance）（Cornell / Data & Society / Consumer Reports, FAccT 2024）。公开发布审计报告只是合规义务中显而易见的一半，而该样本中的绝大多数雇主甚至尚未做到这一点。

监管执法正在全面收紧

NY State Comptroller 在 DCWP 仅发现 1 起违规的同一份 32-company 样本中发现了 17 起潜在的 Local Law 144 违规行为，DCWP 已同意转向主动执法（NY State Comptroller, December 2, 2025）。通过供应商审计与建立具有抗辩力的合规记录之间的鸿沟，正是执法打击的落点所在。

偏见审计并不能涵盖全部法律风险敞口

适用范围的自主归类、视频面试中的 ADA 无障碍合规以及 FCRA 不利行为职责，都是通过偏见审计从未测试过的独立法律理论。Mobley v. Workday、D.K. v. Intuit/HireVue 和 Kistler v. Eightfold 分别提出了其中一项主张，且目前均未有定论。

数据与裁决均由确定性代码设定，负责阐述的团队无法改动其中任何一项。

该流程紧凑且内部职责划分严格。供应商的 AEDT 导出数据被规范化为统一的规范记录模式，确定性引擎计算每项统计指标，六个监管规则包与一个策略关卡裁决每项合规义务，智能体团队撰写阐述文本，并且该次运行会封装一个哈希链接的预审计数据包。智能体提供建议，代码做出裁决，正是这种机制确保了无论底层模型优劣，输出结果均具备可提交归档的法律效力。

01 / THE DETERMINISTIC TRUST CORE

所有统计指标均在智能体框架之外计算

基于 numpy 的引擎计算边际五分之四影响比率、采用 Benjamini-Hochberg FDR 控制的种族与性别交叉比率、通过 Cramér's V 检测受保护类别代理变量、通过透明逻辑回归替代模型进行反事实受保护属性反转、视频子集上的 ASR 词错率差异，以及 FCRA 触发断言。每次运行，相同的输入必然产生相同的输出。

02 / SIX RULE PACKS AND THE POLICY GATE

四种裁决，由纯代码决断

每个监管体系均附带自身的法条引用、生效日期和所需的交付成果形式，每项义务裁决为 PASS, FAIL, NEEDS PROOF or CONFLICT。关卡是语言模型绝无法触碰的界限，因此即使阐述再言之成理，也绝不可能将一项义务从 NEEDS PROOF 转为放行的绿灯。

03 / THE AGENT CREW

六名叙述员、一名调和员与一名质疑者

六个管辖区智能体分别阐述对应体系的裁决，冲突调和员将硬性冲突转化为包含各分支风险敞口的法律策略备忘录，而对抗性质疑者则尝试反驳每一个声称通过的判定，并将无法核实的项目路由至人工核查。智能体团队的模型提供商可灵活替换；在未配置提供商的情况下，它会自动回退到确定性模板，且应用程序的运行完全一致。

04 / THE PRE-AUDIT PACKAGE

专为由第三方签字认证而构建的数据包

该次运行会封装一个包含 17 nodes 的 SHA-256 哈希链数据包，每个节点均包含其输入数据、计算过程和规则引用，以及指向前一节点哈希的链接，因此任何篡改都会破坏哈希链。它可以导出为 JSON 以及可打印的 HTML 审计员数据包，且每次运行均会验证该链条，并针对防篡改特性进行了单元测试。

控制台由两个视图以及点击弹出的对话框组成，而非单一的仪表盘。Manual Testing 包含阶段栏、实时 Audit Execution 追踪和候选人看板。在 Run Audit 完成前一直保持禁用的 Run Benchmark 可切换至 Benchmark Results：显示 Jurisdiction Deliverables 6、Lowest Impact Ratio 0.65 和 Items Requiring Human Action 9 三个卡片，六个 Jurisdiction Deliverables 行，一个 Supporting Evidence 按钮行，以及顶部的 Export Pre-Audit Package。

其下的所有详细内容均以对话框形式打开。Selection-Rate Analysis、Conflict Register 和 Human Proof Queue 是三个 Supporting Evidence 按钮，且每个监管体系的合规义务与审计陈述均可从其自身的交付成果行中打开。没有任何内容会被汇总为单一评分，因为单一评分在面对六个结构迥异的问题时根本无法成立。

供应商的审计通过了。而法律真正要求的审计，在相同数据下却失败了。

该演示对职位申请 REQ-2026-0412 上的 1,040 candidates 植入合成导出数据进行审计，这些候选人由三款模拟供应商工具评分。其中的违规行为是预先植入且可复现的，专门构建以供引擎捕获真实问题。以下是该运行在屏幕上呈现的内容，按其出现的先后顺序排列。

Clarion 控制台的应用栏上方打开了 Dataset Preview 对话框，列出了对话框中所述的确定性 1,040-applicant 审计总体中的 16 条代表性记录，该总体为植入的合成数据。每张卡片显示姓名、职位（如 Operations Analyst 或 Warehouse Associate）、种族和性别群组标签、供应商评分，以及绿色的 Advanced 或红色的 Screened Out 决定。顶部控件显示 About Demo、View Dataset、Run Audit 以及置灰的 Run Benchmark。 — 在进行任何审计运行之前所呈现的内容。 View Dataset 打开 16 条代表性的合成记录，每条记录均为供应商工具已做出的决定：评分以及晋级或淘汰。此处不会显示任何影响比率，因为应用程序在运行前不会展示供应商的自我审计。整个审计全部基于这一份规范化导出数据开展，Clarion 本身绝不会对候选人进行评分或排名。

Clarion 的 Benchmark Results 视图。三个卡片显示 Jurisdiction Deliverables 6, Lowest Impact Ratio 0.65 和 Items Requiring Human Action 9。在六步 Benchmark Execution 追踪下方，六个 Jurisdiction Deliverables 行分别显示 NYC Local Law 144 Live FAIL with 3 obligations, Colorado AI Act SB 24-205 effective Jun 30 2026 NEEDS PROOF with 2, Illinois HB 3773 Live CONFLICT with 2, Texas TRAIGA Live NEEDS PROOF with 2, California FEHA ADS amendments Live FAIL with 2, and EU AI Act Annex III effective Aug 2 2026 CONFLICT with 2。下方的 Supporting Evidence 行提供 Selection-Rate Analysis, Conflict Register 和 Human Proof Queue。 — 单次审计，六种形态，绝无全盘通关的绿灯。每一行均附带其独立的法条引用、生效日期和交付格式：针对 NYC 的交叉不利影响报告、针对 Colorado 的合理审慎影响评估、针对 Illinois 的告知文件与代理变量整改、针对 Texas 的基于意图评估、针对 California 附带四年留存证明的记录包，以及针对 EU 的 Article 10 和 Article 11 文件包。在全部六份交付成果中共计包含 13 项合规义务：2 PASS, 2 FAIL, 7 NEEDS PROOF and 2 CONFLICT。

Clarion 的 Selection-Rate Analysis 对话框。不利影响比率卡列出 White 的晋级率为 51% 且影响比率为 1.00，Asian 为 49% 和 0.95，Hispanic 为 42% 和 0.82，Black 为 42% 和 0.82，并附有一行说明：边际种族比率 0.8196 与性别比率 0.8744 均高于 0.80 的五分之四红线，供应商的审查便止步于此。旁边红色的 FOUR-FIFTHS FAIL 印章说明，将相同数据按种族和性别交叉细分后，Black / Female 群组相对于 White Male 的比率仅为 0.65。下方的 Race × Sex Selection Grid (LL144) 显示 White Male 1.00, White Female 0.96, Asian Male 0.96, Asian Female 0.91, Hispanic Male 0.84, 琥珀色显示的 Hispanic Female 0.76, Black Male 0.96, 以及入选率为 34% 且标注为红色的 Black Female 0.65。 — 转折点。边际五分之四测试确实通过了，种族比率为 0.8196，性别比率为 0.8744。这就是供应商自我报告中所交付的审计，它确实合格了。但若按 Local Law 144 的硬性要求将相同数据按种族与性别交叉细分，Black / Female 单元格在 44 of 130 中仅晋级 44 人，相对于 White / Male 参考基准单元格的影响比率仅为 0.6471。在 alpha 0.05 的 Benjamini-Hochberg FDR 控制下，只有该单元格在 q = 0.0185 下具有统计稳健性；Hispanic / Female 虽然以 0.7647 被标记，但在 q = 0.1629 下未被判定为显著。该差异是人工植入的合成数据，而引擎将稳健发现与偶然误差区分开来的能力，正是仅做边际审计所根本无法实现的。

Clarion 的 NYC Local Law 144 对话框，标注为 FAIL 与 Live，对应交付成果为 LL144 交叉不利影响报告及公开发布的摘要。其 Obligation Review 将边际五分之四影响比率列为 PASS（种族最低 0.8196，性别最低 0.8744），将种族与性别交叉影响比率列为 FAIL（Black / Female 影响比率为 0.6471，未通过单元格为 Hispanic / Female 和 Black / Female），并将适用范围自主归类列为 NEEDS PROOF 项目，要求法律顾问的人工证明。下方的审计陈述解释了汇总逻辑。 — 每一项裁决均可展开查看其具体义务。 NYC 这一行是一个包含三项不同状态义务的交付成果：边际比率以 0.8196 和 0.8744 获得 PASS，交叉比率以 0.6471 判定为 FAIL，而适用范围问题在指定人员做出解答之前保持为 NEEDS PROOF。该行将这三种状态并列展示而非合并为一，因此边际测试的 PASS 绝不会替代 LL144 实际要求的交叉测试。

Clarion 的 Conflict Register 对话框报告了 il_hb3773 与 eu_ai_act 之间关于 zip_code 及地理数据的 CONFLICT。文本解释称，Illinois HB 3773 禁止将邮政编码作为受保护类别的代理变量，因此适配伊利诺伊州的安全配置必须屏蔽地理信息；而 EU AI Act Article 10(3) 要求训练数据具备相关性、代表性和完整性，这通常需要地理覆盖，因此移除邮编无法满足欧盟的代表性要求，而保留邮编则违反伊利诺伊州法律。建议方案提出了单一模型的两种部署配置，或者在知情前提下接受其中一种风险敞口并记录在案，同时明确系统不会证明其完全合规。 — 绝不蒙混过关的硬性冲突。引擎测量了 zip_region（在 Conflict Register 中标注为 zip_code / geographic data）与种族的相关性，其 Cramér's V 达到 0.3321，超过了 0.2 的阈值，同时在同一轮计算中将 school_tier 在 0.0711 下判定合格，表明它并不会对所有特征盲目报警。Illinois 禁止该代理变量；而 EU 代表性要求却需要相同的地理数据。单一模型配置无法兼顾两者，因此关卡给出 CONFLICT，调和员则据此撰写策略备忘录：采取两种部署配置，或者在知情下接受一项风险敞口并形成文档，同时注明欧盟高风险系统违规处罚的法定最高上限为 15 million euros 或全球年营业额的 3%（以较高者为准）。

Clarion 的 Human Proof Queue 对话框列出了三项质疑者的审查挑战：针对所有评分和筛选工具的 AEDT 适用范围，面对声称该工具不属于 AEDT 的供应商备忘录，系统以“自主归类不构成免责抗辩”予以驳回，并路由至法务顾问的人工适用范围证明；针对 HireVue 风格的视频面试 ASR 流水线，面对声称通过种族和性别偏见审计即可覆盖的主张，系统以“种族与性别偏见审计不等于无障碍抗辩”予以驳回，并路由至人工 ADA 与 ASR 无障碍审查及合理便利工作流；针对 Eightfold 风格的第三方评分数据流，面对声称无进一步法律风险的主张，系统以“评分的公平性与 FCRA 责任无关”予以驳回，并路由至 FCRA 不利行为通知与争议处理基础设施。 — 三次拒绝，均路由至指定责任人。在植入合成导出数据的 432 名视频轮候选人中，标准语音的词错率为 0.0794，而 104 名非标准语音候选人的词错率则高达 0.3016，存在 3.8 倍的巨大差异，这是 Local Law 144 从未测试的。此外，有 510 名候选人是基于第三方抓取数据进行评分并按数值分数筛选的，这触发了 FCRA 的法定前提：若该平台构成消费者报告机构，则无论评分多么公平，平台都必须向每位被评分候选人提供不利行为通知与争议途径。Clarion 检测并路由了这两项问题。这些路由中提及的合理便利工作流与面向候选人的争议门户仍由雇主负责，并非我们在此构建的内容，且这三项挑战与统计为 NEEDS PROOF 或 CONFLICT 的 9 项义务属于不同的对象。

导出的 Acme Logistics, Inc. 的 Clarion 预审计数据包，列出了涉及 1040 名候选人的 NYC、Illinois 和 EU 管辖区。其完整性信息行显示为 SHA-256 hash chain, 17 nodes，带有末端哈希和绿色的 VERIFIED 对勾标记。覆盖率信息行显示 15% of 13 obligations auto-satisfied and 69% routed to human proof，包含 2 fail, 7 needs-proof and 2 conflict，一次审计生成 6 份管辖区交付成果。附注说明 Veriprajna 生成此预审计数据包，而独立的 LL144 签字认证权仍属于 DCI Consulting, ORCAA or Secretariat。下方附有各监管体系的裁决表格。 — 凭证。 Export Pre-Audit Package 将数据包导出为 JSON 以及这份可打印的审计员数据包：包含 17 个哈希链节点，链条在运行中经过验证，每个数字均附带其计算逻辑，每个裁决均包含其法规引用。覆盖率行显示 15% 和 69%，分别对应 13 项义务中自动满足的 2 项，以及 13 项中属于 NEEDS PROOF 或 CONFLICT 的 9 项；2 项 FAIL 义务不计入这两项数据中。数据包在其自身的页眉中声明，独立的签字认证并非由我们做出。

本演示所声明的内容，以及刻意排除的内容。

本页面上的每一个数据均描述了一份包含 1,040 candidates 且带有预植入、可复现违规行为的合成导出数据。它们旨在证明引擎能够捕获仅做边际审计所遗漏的问题。它们不是准确率指标，不是针对其他产品的基准测试，更不是对任何真实雇主招聘数据的断言。

问题	Clarion 在本演示中所做的工作	本演示范围之外的内容
覆盖范围	单次审计运行生成针对六个管辖区的交付成果，涵盖 13 项义务，结果为 2 PASS, 2 FAIL, 7 NEEDS PROOF and 2 CONFLICT。	出具合格合规证书或公平性评分。关卡的设计初衷正是拒绝出具此类证明。
不利影响	具备 Benjamini-Hochberg FDR 控制的边际与交叉五分之四比率、通过 Cramér's V 的代理变量检测，以及平均使晋级概率改变 0.0574、最大改变 0.1228 的反事实属性反转。	对实际招聘结果的任何断言。这 1,040 candidates、职位申请和差异均属于合成且预先植入的数据。
供应商数据	读取由 Workday-Spotlight 风格、HireVue 风格和 Eightfold 风格评分器生成的单份规范化 AEDT 导出数据，通过桩测试夹具适配器提供。	接入任何 ATS、测评平台或匹配引擎的实时连接器。所提及的供应商均非客户、合作伙伴或代言人。
下游处置行动	检测并向指定人员路由 ADA 与 ASR 无障碍合规发现以及 FCRA 不利行为触发事件，并附带相关证据。	CART 辅助工作流以及面向候选人的争议门户。两者在演示中均为模拟，并非我们在此构建的内容。
签字认证	封装包含 17 个节点的哈希链预审计数据包，运行中经过验证并针对防篡改进行了单元测试，支持 JSON 和可打印 HTML 格式。	独立的偏见审计本身。像 DCI Consulting, ORCAA and Secretariat 这样的机构承担该角色，而我们并不承担。

本演示不涉及的内容

Clarion 不出具任何合规认证，且拒绝认证正是其设计核心。它不是招聘模型，绝不对候选人进行评分或排序。数据集为合成且预植入的，其中的 Black / Female 差异是预设的，目的是使引擎有真实违规可捕获，而非针对任何实际雇主的发现；其背后的供应商连接器是桩测试夹具适配器而非实时生产集成。该工具为法律顾问提供证据：它不提供法律咨询，也不对法律责任发表意见，Mobley v. Workday, D.K. v. Intuit/HireVue and Kistler v. Eightfold 均属于审理中的法律理论而非已定判决。法定最高罚金仅作为上限引用，此处不包含任何建模得出的风险敞口数值。本页面是包含演示解说视频、真实截图、运行机制和答疑的说明文档，而非供您在此直接操作的应用程序。

总法律顾问在向招聘技术栈引入合规层前必问的问题。

我们的供应商已经进行过偏见审计并且通过了。为什么我们还需要第二次审计？

因为通过的测试与法律所要求的测试根本不是同一回事。在演示植入的 1,040-candidate 合成导出数据中，边际五分之四检查通过了，相对于 0.80 红线，种族影响比率最低为 0.8196，性别最低为 0.8744，这就是供应商自我报告所交付的审计。而 NYC Local Law 144 要求的却是种族与性别的交叉比率，在该维度下 Black / Female 单元格在 44 of 130 中仅晋级 44 人，影响比率低至 0.6471。仅做边际审计并没有在这个单元格上算错，而是对其存在结构性的盲视。

你们是审计机构吗？你们能签署我们的 Local Law 144 审计报告吗？

不。Veriprajna 不是独立审计机构，该角色属于 DCI Consulting, ORCAA or Secretariat 等专业机构。Clarion 生成的是预审计数据包，这是一个哈希链数据包，其中每个数字都附带其计算过程，每个裁决都包含其法条引用，专为让独立审计机构无需重写即可签字确认而设计。其目标是让系统达到审计机构找不出任何值得记录的合规缺陷的状态。

这能接入 Workday 或 HireVue 吗？我们不打算替换现有的招聘技术栈。

它与两者均未直接连接，且 Clarion 本身绝不会对候选人进行评分或排序。您技术栈中的任何部分都不会被替换。它读取供应商的 AEDT 导出数据并将其规范化为统一的规范记录模式。在本演示中，供应商连接器是基于合成数据的桩测试夹具适配器，而 Workday-Spotlight 风格评分器、HireVue 风格视频面试轮次和 Eightfold 风格匹配引擎均为原型而非实际集成。

这里面包含大语言模型（LLM）。我如何将其呈递给监管机构？

每项统计数据、每个阈值比对、每条冲突边以及数据包哈希计算，均位于智能体框架之外的确定性代码中。六个管辖区智能体、冲突调和员和对抗性质疑者仅负责撰写阐述文本；它们绝不计算任何数字，也无法越权覆盖策略关卡。在未配置模型提供商的情况下，智能体团队会自动回退到确定性模板，且应用程序生成完全相同的裁决——因为裁决权从不属于模型。

当两个监管体系提出相反要求时会发生什么？我们需要的是决策，而不是耸肩摊手。

您将获得经过量化并形成书面文档的权衡取舍分析。在演示中，zip_region 特征与种族的相关性达到 Cramér's V 0.3321，超过了 0.2 的阈值，因此 Illinois HB 3773 将其视为明令禁止的代理变量，而 EU AI Act Article 10(3) 的代表性要求却依赖相同的地理覆盖。关卡给出 CONFLICT 而非放行，调和员则撰写一份策略备忘录：运行两种部署配置，或者在知情下接受一项风险敞口并记录在案，同时注明欧盟高风险系统违规处罚的法定最高上限为 15 million euros 或全球年营业额的 3%（以较高者为准）。

十三项合规义务中有九项需要人工介入。这真的能为我们节省成本吗？

它自动化了理应自动化的部分。在演示的合成导出数据中，13 项义务中有 2 项（2 of 13）自动满足，2 项直接判定失败，9 项作为 NEEDS PROOF 或 CONFLICT 连同已整理完毕的证据和法条引用一并路由至指定责任人。没有任何秉持严谨的系统能够基于这组数据将全部十三项直接放行。显示十三项全绿的仪表盘无异于在毫无证据的情况下擅自放行，而这样的仪表盘正是原告在法庭上拿来质证您的铁证。引擎同样判定 school_tier 在 Cramér's V 0.0711 下不构成代理变量，因此它绝不会不分青红皂白地对所见的一切报错。

最后我们实际要向审计机构提交什么？

一次导出即可生成 JSON 格式及可打印 HTML 审计员数据包形式的预审计数据包，采用 veriprajna-pre-audit-package 格式的第 1 版，包含 17 nodes 并在运行中通过链条验证。每个节点均包含其输入、计算逻辑与规则引用，以及指向前一节点的 SHA-256 链接，因此对任何节点的篡改都会破坏哈希链。与其并列的还有六份管辖区交付成果，分别契合对应监管体系的法条引用、生效日期与要求格式。

技术研究

本演示背后的研究——技术架构、验证设计与企业蓝图。

完整解决方案

探索 AI 招聘合规与偏见审计解决方案 →

首先审视您的招聘技术栈可能无法同时满足的两个监管体系。

我们是一支 AI 工程团队，而非合规认证机构。我们构建确定性计算层，用于计算统计数据，生成各监管机构所要求的交付成果，并公开指出其中的矛盾之处，以便法律顾问能够基于摆在面前的风险敞口做出明智决策。

富有成效的初步沟通应当具体明确：您的招聘漏斗中包含哪些 AEDT 供应商、您实际面临六大体系中的哪些监管约束，以及这些模型中的哪些特征在某一体系下可能被视为受保护类别的代理变量。我们可以与您的人力资源、法务及数据团队紧密协作，共同梳理计算引擎、规则包以及预审计数据包格式。

AEDT 风险敞口评估

✓ 对候选人进行评分或筛选的供应商工具
✓ 触及您招聘漏斗的六大监管体系范围
✓ 表现为受保护类别代理变量的特征
✓ 偏见审计所遗漏的适用范围、ADA 及 FCRA 法律理论

构建合规覆盖层

✓ 确定性不利影响计算引擎
✓ 针对各体系的独立规则包与策略关卡
✓ 冲突调和与人工核查路由机制
✓ 哈希链预审计数据包格式

通过 WhatsApp 联系我们向我们的团队发送邮件