AI招聘工具存在种族偏见和系统性排斥；黑人占比26%，亚裔占比15%

首项针对真实场景中招聘算法的大规模研究发现，这些系统在拒绝候选人时呈现出令人担忧的模式。

正值毕业季，2026 届毕业生正步入多年来最严峻的就业市场之一。初级岗位招聘已经放缓。与此同时，AI 工具让求职者比以往任何时候都更容易海量投递简历。职位更少、申请更多，两者叠加意味着企业如今收到的初级岗位申请数量几乎是 2022 年的三倍。AI 改变的不只是企业是否招人，还有它们如何招人。90% 的美国雇主使用 AI 筛选工具来对求职者进行排序和评级，而其中大多数依赖的是同样的少数几家第三方供应商。当同一个算法影响着众多雇主时，对求职者会产生什么影响？

我们追踪了 340 万人，他们向 150 家雇主、横跨 11 个行业板块的 1700 个职位提交了 400 万份求职申请。每一份申请都由同一家第三方供应商打造的 AI 招聘工具进行评估。我们的新论文难得地揭开了算法招聘“黑箱”的内部，表明这些工具会加剧种族偏见，并在求职者投递的每一个地方都将同一批人拒之门外。

招聘 AI 流程：求职者提交申请，申请被发送至招聘 AI 供应商，供应商的机器学习模型做出预测，随后生成的“推荐”或“不推荐”标签被发送给雇主，以供其决策参考。

大规模揭示种族偏见

我们发现，基于 AI 的候选人筛选存在种族差异的大量证据。为了衡量不利影响，我们采用了 EEOC 的“五分之四规则”，该规则在某一群体的推荐率低于推荐率最高群体的 80% 时，会将相应职位标记出来——这是美国相关就业法律（《民权法案》第七章）。我们发现，26% 的黑人申请者和 15% 的亚裔申请者申请了 AI 系统对其种族群体存在歧视的职位。换个角度来看：如果 AI 推荐黑人和亚裔候选人的比率与它推荐最受青睐群体（通常是白人申请者）的比率相同，那么他们的申请中将多出 40,000 份进入招聘的下一阶段。

如何衡量不利影响至关重要。我们研究的这家供应商为众多雇主的许多不同职位筛选申请者。如果我们把它所有的推荐结果汇总在一起——把这家供应商当作一个庞大的招聘流程——我们并不会发现不利影响。如果我们按每个职位分别来看，正如评估不利影响时通常会做的那样，那么我们就会在许多职位中揭示出不利影响。例如，设想这个 AI 工具经常为仓库岗位推荐黑人申请者，但很少为金融岗位推荐他们。如果我们把所有岗位平均在一起，这两种模式就会相互抵消，看起来就好像不存在歧视。这种大局层面的平均值掩盖了逐岗位真实发生的歧视。

我们的研究发现，黑人及亚裔申请者受到了显著的不利影响。

算法单一文化可能引发系统性拒绝

我们还研究了因共同依赖单一招聘供应商而引发的新问题。在我们 此前的 研究中，我们提出了一种理论：算法单一化——即众多雇主都依赖同一套算法推荐——可能导致某些人被排除在就业之外。利用我们掌握的招聘 AI 真实推荐大规模数据集，我们检验了这一假设。我们发现，向由同一家算法招聘供应商筛选的职位提交多份申请的人，其被所有申请职位全部拒绝的概率，高于各公司彼此独立做出统计决策时的预期水平。在提交四份申请的求职者中，有百分之十的人被其申请的所有职位全部拒绝。

我们的研究还发现，这一模式在其他情况下似乎并不成立。我们分析了此前规模最大的招聘决策研究的数据，该研究在同一时间段内向 108 家《财富》500 强企业投递了 83,000 份申请，且并未关注是否使用 AI 来做决策。我们发现，在这份数据中，求职者被其申请的所有公司全部拒绝的概率，并不高于各公司彼此独立决策时的预期水平。

这表明市场集中度至关重要：当某一家招聘供应商主导了整个行业的筛选流程时，求职者被排除在外的可能性或许会更大。

我们发现，求职者被其申请的所有职位全部拒绝的概率，高于以每个职位做出统计独立决策为基准所预测的水平。

我们分析了此前规模最大的一项关于招聘结果的研究数据，发现求职者被所申请每一个职位都拒绝的概率，实际上可以由统计独立决策的基线来预测。

AI 筛选工具汇集了三种在高风险决策中本不应共存的特征：它们被广泛采用、具有高度重大影响，且对公众不透明。我们的研究在揭示 AI 招聘工具后果方面取得了进展，但这项技术的许多影响仍不明确。随着使用语言模型和智能体构建的新工具不断涌现，这一领域正在快速演变。

这项工作带来的关键教训是，对算法招聘进行独立研究具有价值且十分必要。没有独立研究，就难以推行基于证据的 AI 政策，以治理 AI 对个人就业前景和整体劳动力构成的影响。