AI w rekrutacji — jak ludzie kopiują uprzedzenia algorytmów

W listopadzie 2025 r. badacze z Uniwersytetu Washington przeprowadzili eksperyment, który pokazał zjawisko znane jako „mirroring”: ludzie automatycznie odtwarzają uprzedzenia obecne w systemach AI, nawet gdy te uprzedzenia są wyraźnie nieuczciwe.

Projekt badania

Badacze przeprowadzili eksperyment, w którym uczestnicy oceniali kandydatów do pracy na podstawie ich CV. Każdy uczestnik otrzymywał kilka CV — białych mężczyzn, mężczyzn z grup mniejszościowych (Azjatów, Afroamerykanów lub Hiszpanów) oraz jedno CV bez kwalifikacji, wykorzystywane jako „pułapka” do wykrycia subiektywnych ocen.

Kluczowe było to, że uczestnicy nie wiedzieli, kto był oceniany przez AI, a kto przez człowieka — wiedząc jedynie, że „system AI” był użyty w procesie.

Wyniki

Wyniki były zaskakujące: gdy uczestnicy mieli oceniać kandydatów pod kątem sprawiedliwości, nadal wykazywali preferencję wobec kandydatów białych mężczyzn, nawet gdy CV tych kandydatów nie różniło się niczym od CV kandydatów z grup mniejszościowych. To sugeruje, że nawet przy świadomym starań o obiektywność, ludzie kopiują uprzedzenia algorytmów.

Mechanizm mirroring

Mechanizm „mirroring” działa na zasadzie podświadomego kopiowania wzorców zachowań. Gdy algorytm AI regularnie ocenia kandydatów w sposób uprzedzony (np. niższe oceny dla CV z nazwiskami pochodzącymi z grup mniejszościowych), ludzie zaczynają podświadomie stosować te same kryteria, nawet jeśli świadomie starają się być obiektywni.

Implikacje dla polityki i praxis

Wyniki badania pokazują, że walka z dyskryminacją w rekrutacji wymaga nie tylko poprawy algorytmów, ale także edukacji ludzi, którzy decydują o zatrudnieniu. Obecne prawo w USA, jak NYC Local Law 144, wymaga corocznych audytów biasu algorytmów, ale badanie sugeruje, że nawet przy takich audytach system może nie działać, jeśli ludzie nie są świadomi własnych uprzedzeń.

Co możemy zrobić?

1. Edukacja — wprowadzanie szkoleń o biasie algorytmicznym dla menedżerów ds. rekrutacji
2. Transparency — wymaganie od firm, aby pokazywały dokładne metryki algorytmów, nie tylko wyniki
3. Kontrola ludzka — wprowadzenie obowiązku ręcznego sprawdzania decyzji algorytmicznych w kluczowych przypadkach

Źródła

1. University of Washington — „People mirror AI systems’ hiring biases, study finds”, listopad 2025.
2. Brookings Institution — „Gender, race, and intersectional bias in AI resume screening via language model retrieval”, 2024.
3. American Bar Association — „Navigating the AI Employment Bias Maze”, 2024.