Исследователи MIT Брайан Хедден и Маниш Рагхаван пришли к выводу, что монокультура алгоритмов в найме не всегда вредна. В статье, опубликованной в Philosophical Perspectives, они проверили возражения, включая систематическое исключение, и сочли их неубедительными или зависящими от деталей, таких как сфера применения и точность. Их модели показывают, что единый объединенный алгоритм может работать не хуже, а иногда лучше, чем множество разных инструментов. Для бизнеса внимание смещается с вопроса, сходятся ли поставщики на одной системе, на то, насколько хорошо эта система построена.
Что исследователи MIT проверили на моделях найма
Авторы смоделировали несколько ситуаций найма, чтобы проверить опасение, что кандидат, отклоненный одним отборочным алгоритмом, будет отклонен везде. Они пришли к выводу, что общее число нанятых не снижается, потому что все открытые вакансии по-прежнему закрываются. Компании начинают конкурировать за один и тот же пул кандидатов с высоким рейтингом, что, по словам Рагхавана, может усилить переговорные позиции соискателей и повысить зарплаты. Они также проверили возражения, связанные с самостоятельностью, например невозможность доработать резюме, разосланное во многие компании. По словам Хеддена, это опасение ослабевает, если кандидатам разрешено исправлять и повторно отправлять материалы.
Главное ограничение, которое авторы доказали математически, связано не с исключением, а с однородностью информации. Опираясь на теорию мудрости толпы, они утверждают, что разные независимые лица, принимающие решения, могут сформировать более сильный состав нанятых, чем один участник. Общий алгоритм может раз за разом отбирать кандидатов с одинаковыми характеристиками и упускать более подходящие альтернативы, создавая информационную камеру, которая мешает поиску. Результат тогда зависит от точности: один точный алгоритм может превзойти несколько слабых. В симуляциях объединенный алгоритм, усредняющий оценки нескольких инструментов найма, иногда превосходил раздельные инструменты, а добавленная случайность могла поддержать поиск.
Монокультура в решениях возникла раньше нынешних инструментов найма на основе AI. Кредитование когда-то зависело от независимых банкиров в отдельных банках, а теперь опирается на стандартизованные кредитные рейтинги, рассчитанные по алгоритму Fair Isaac Corporation (FICO). В найме небольшое число отборочных алгоритмов резюме уже широко используется многими компаниями из Fortune 500. Рагхаван отмечает, что широкое применение AI для получения информации и принятия решений создает больше каналов для такой корреляции. Авторы подчеркивают, что наем и кредитование могут вести себя иначе, чем создание контента с помощью генеративного AI или научные исследования под управлением AI, где монокультура может сдерживать поиск в науке, искусстве и письме и оказаться более проблемной.
Что это значит для компаний, использующих AI в найме
Для работодателей вывод меняет оценку рынка, где конкуренты используют одного и того же поставщика отбора. Сближение само по себе не означает, что людей будут нанимать меньше, но оно концентрирует конкуренцию на кандидатах с высоким рейтингом модели. Крупные работодатели с большим числом вакансий могут ощутить это как ускоренную борьбу за узкий короткий список, а небольшим компаниям без сильного бренда могут понадобиться более понятная оплата или быстрые предложения, чтобы оставаться в игре. Объединенный подход, который сводит несколько сигналов в одну оценку, может стать практичным способом сохранить качество без содержания полностью раздельных систем.
Статья не одобряет каждую общую систему. Результат зависит от того, могут ли кандидаты дорабатывать и повторно отправлять документы, допускает ли процесс поиск вместо повторения одного профиля и измерена ли точность в сравнении с альтернативами. Внимания требует и манипулирование: если определенный формат резюме получает более высокий балл, кандидаты могут подстроиться, хотя, по словам Хеддена, неясно, провоцирует ли единый алгоритм такие действия сильнее, чем targeting нескольких компаний на разнообразном рынке. Авторы добавляют, что применимость объединения алгоритмов в реальном найме пока не изучена и требует эмпирических исследований.
Признаком подтверждения станет то, начнут ли поставщики и работодатели тестировать объединенную оценку и публиковать сравнительные результаты. Если пилоты покажут стабильное или улучшенное качество найма вместе с данными о доработке резюме и динамике зарплат, подход MIT получит поддержку. Если общие системы без случайности и проверки точности сузят поиск, то риски, отмеченные авторами для творческой и научной работы, будут относиться и к найму.
