招聘中的算法单一化

超过 90% 的美国雇主依赖招聘算法来筛选求职者。许多不同的雇主使用的算法来自同样的少数几家供应商。我们开展了规模最大的算法招聘实证研究，数据涵盖 340 万名真实求职者向 11 个市场领域、156 家雇主提交的 400 万份申请。每一份申请都由来自同一家供应商的算法进行评估：我们检验这种算法单一化是否会成为求职机会的瓶颈。我们首次以大规模证据证明，在高风险招聘决策中存在种族差异和同质化结果。

主要发现

对亚裔和黑人产生大规模不利影响。

我们首次证明了已部署的算法招聘中存在不利影响，这是真实高风险 AI 决策中不公平结果的最大规模实证之一。

25.87% 的申请

由黑人求职者提交，以及

14.74%

由亚裔求职者提交的申请，被导向了依据相关

美国雇佣法律（《民权法案》第七章）

标准对其产生不利影响的职位。

不利影响只有通过按职位逐一拆解分析才会显现。

尽管由于数据获取的限制，针对算法招聘的实证研究受到很大制约，但此前的研究

表明

将供应商的全部数据作为一个整体来研究时，不利影响微乎其微。而按照《民权法案》第七章的标准，对每个职位分别进行研究后，我们识别出了那些在汇总数据中被掩盖、却确实存在不利影响的职位。

招聘中的算法单一文化导致系统性拒绝。

我们是首个在实际部署的算法招聘中证明存在系统性拒绝的研究，正如

此前

理论

研究

关于算法单一文化所预测的那样。观察到的系统性拒绝率显著高于统计独立决策的基线水平，尽管该基线在没有集中式算法单一文化的情况下，曾准确预测了其他招聘数据中观察到的系统性拒绝率。

数据访问受限，阻碍了对招聘算法的独立研究。

我们是首个也是唯一一个对大规模部署的招聘算法独立开展实证研究的团队，尽管招聘算法所介导的是高风险决策，且已被广泛采用。鉴于数据壁垒的存在，可能需要政策干预，才能促成科学探究，并提升对这一高影响力 AI 应用的问责力度。

算法招聘流水线

许多雇主从相同的第三方供应商处采购招聘算法。超过 60% 的《财富》100 强企业使用 HireVue 的算法。当来自同一供应商的招聘算法在多家雇主处介导招聘决策时，它们便构成了一种算法单一文化。

Diagram of the AI-mediated hiring pipeline showing how applicants are screened by shared algorithms across multiple employers — **图 1.** 求职申请由招聘 AI 进行评估，以决定推荐或不推荐。如果申请人未被算法推荐，他们很可能在没有经过人工进一步考虑的情况下被拒绝。

揭示不利影响

美国《民权法案》第七章规范招聘中的歧视行为。此前的研究发现，从整体来看，算法招聘数据中的不利影响非常有限。我们通过分别研究各个职位，揭示了此前被忽视的不利影响。黑人申请者最有可能受到不利影响：30% 的黑人申请者至少申请了一个对黑人申请者表现出不利影响的职位。从总体效应来看，亚裔申请者经历的缺口最大：如果亚裔在每个职位上以与最常被选中的种族群体相同的比率被选中，那么将会有额外 29000 份亚裔申请被推荐。

Adverse impact across applicant groups — **图 2。**根据第七章五分之四规则衡量的不利影响，分别在职位层面（左）和申请/申请者层面（中）进行测量。缺口（右）是指如果受到不利影响的种族群体以与最常被选中的群体相同的比率被选中时，本应被选中的申请数量。

识别系统性拒绝

当申请者申请多个职位时，他们可能收到相同的结果。算法单一文化可能使这种情况最有可能发生。如果是这样，申请者在所有地方都被拒绝的系统性拒绝就尤其令人担忧。在提交 4 份申请的申请者中，10% 被系统性拒绝。观察到的系统性拒绝率显著超过了独立决策下预期的基线比率（χ² = 18,481，p < 0.001）。

Chart showing systemic rejection rates exceed baseline predictions — **图 3。**招聘 AI 数据中的系统性拒绝率。观测到的拒绝率始终高于基线：对单一供应商的共同依赖会产生同质化结果。

为了给观测到的系统性拒绝率提供参照背景，我们引入了独立决策基线（Toups 等，2023）。为检验该基线的预测能力，我们使用了此前规模最大的招聘研究数据（Kline 等，2022），该研究向 108 家《财富》500 强企业投递了 83,000 份申请。该基线准确预测了观测到的拒绝率（χ² = 20.05，p = 0.69）。因此，过度同质化是集中式算法评估的独有特征。

Kline et al. systemic rejection rates matching baseline predictions — **图 4。**来自 Kline 等（2022）数据的系统性拒绝率。与算法招聘数据不同，该基线准确预测了观测到的拒绝率。

模拟反事实结果

如果申请者比现实中更广泛地投递申请，会发生什么？这会降低他们被系统性拒绝的概率吗？当申请者向所有地方投递时，我们发现至少有一个模型会推荐他们。但在更现实的行为下，申请者需要提交 25 份申请才能以 99.9% 的概率确保至少获得一个推荐——而独立决策只需 10 份申请。

Simulation showing systemic rejection rates under broader application behavior — **图 5。** 模拟的系统性拒绝率，假设申请人在现实中投递的地方投递，同时也投递到与其共享申请人的邻近模型。

政策建议

招聘 AI 受就业歧视法、通用 AI 监管以及针对算法招聘的专门规则约束。在美国，Title VII 已经在具体职位层面评估不利影响，而非混合汇总层面。更广泛地说，招聘系统正日益被视为高风险 AI，包括在欧盟 AI 法案下。在市政层面，纽约市第 144 号地方法建立了监管自动化就业决策工具的早期框架，但现行指南并未充分解决我们所记录的职位层面效应。

按职位衡量不利影响。 监管机构和审计人员应在单个职位层面评估不利影响比率。仅做汇总分析可能掩盖差别性影响。

加强市场监督。 联邦机构应量化同质化结果的发生率。没有跨雇主关联，现有报告无法捕捉系统性拒绝。

监测算法单一化。 政策制定者应审视招聘供应链中的共享依赖。对同一批系统的集中依赖可能导致相关性故障、系统性拒绝，以及招聘竞争减弱。

扩大研究者的访问权限。 立法者应推动针对主要招聘平台的独立研究，包括对底层数据的访问。如果没有以实证为基础、由外部开展的研究作为根基，相关问题将难以被诊断，更不用说纠正。

引用

@article{bommasani2026algorithmic, title={Algorithmic Monocultures in Hiring}, author={Bommasani, Rishi and Bana, Sarah H. and Creel, Kathleen A. and Jurafsky, Dan and Liang, Percy}, booktitle={Proceedings of the 2026 ACM Conference on Fairness, Accountability, and Transparency}, year={2026} }