Algotytacja w rekrutacji: jak AI wyklucza kandydatów
Badanie, które zmienilo wszystko
Największe niezależne badanie algorytmów rekrutacyjnych w historii zostało opublikowane w 2026 roku przez zespół z Uniwersytetu Stanford, Chapman i Northeastern. Badacze przeanalizowali ponad 4 miliony wniosków o zatrudnienie złożonych przez 3 milionów kandydatów do 156 pracodawców — wszystkich przesiewanych przez jeden algorytm dostawcy, platformę Pymetrics.
Wynik: 25,87 proc. wszystkich wniosków złożonych przez czarnoskórych kandydatów trafiło na stanowiska, w których algorytm produkował wyniki uznawane przez amerykańską Komisję Równych Szans Zatrudnienia (EEOC) za dyskryminacyjne. Prawie 30 proc. czarnoskórych kandydatów aplikowało na co najmniej jedno takie stanowisko. Dla kandydatów azjatyckich odsetek wyniósł 14,74 proc.
Systemowy wykluczający
Drugi wniosek badania jest bardziej znaczący dla poszukujących pracy: algorytmy jednego dostawcy są tak silnie skorelowane między różnymi pracodawcami, że odrzucenie przez jedną firmę znacząco przewiduje odrzucenie przez kolejną. Naukowcy nazwali ten zjawisko „systemowym odrzuceniem” — algorytmicznym blackballem.
Gdy kandydat rozgrywa oceny Pymetrics, wyniki są przechowywane i wykorzystywane przez 330 dni. Jeśli dwie firmy używają tego samego algorytmu, kandydat nie otrzymuje dwóch niezależnych ocen — otrzymuje ten sam wynik dwukrotnie. Część kandydatów jest w efekcie algorytmicznie wykluczona z wielu firm naraz, nie wiedząc o tym.
Nowe uprzedzenia, których algorytm nie nauczył się od ludzi
Badanie z Uniwersytetu Princeton i Uniwersytetu Chicago, zaprezentowane na konferencji ICML w 2026 roku, wykazało, że algorytmy nie tylko przenoszą istniejące uprzedzenia — potrafią tworzyć całkowicie nowe, bezpodstawne. Naukowcy przeprowadzili eksperyment z fikcyjnymi grupami demograficznymi (Tufa, Aima, Reku, Weki), w których algorytmy nie miały mieć żadnych uprzedzeń. ChatGPT, Claude i Gemini samodzielnie utworzyły stereotypy na podstawie losowych wyników rekrutacji. Co gorsza, nowsze i większe modele miały jeszcze większą tendencję do szybkiego przyporządkowywania osób do kategorii zawodowych.
Najskuteczniejszą metodą ograniczania tych uprzedzeń było jawne dodanie celu zrelated z różnorodnością — algorytmy znacznie zmniejszyły swoje fikcyjne uprzedzenia, gdy informed were, że nagroda zależy zarówno od skutecznych zatrudnień, jak i od zróżnicowania demograficznego w każdej kategorii zawodowej.
Oznaczenie treści AI
Ten powstał z udziałem sztucznej inteligencji: research oraz tekst przygotował i zredagowany agent AI. Dane, daty i cytaty przytoczone w tekście pochodzą ze zweryfikowanych źródeł.
