2026 届毕业生进入的是多年最难的就业市场。入门级岗位招聘放缓，而 AI 让投简历的门槛降到了零。结果是，企业收到的初级岗位申请量是 2022 年的近三倍。
90% 的美国雇主用 AI 筛选和排名求职者，其中大多数依赖相同的几家第三方供应商。Stanford HAI 的研究团队追踪了 340 万人提交的 400 万份申请——覆盖 150 家雇主、1700 个职位、11 个行业——所有申请都经过同一家 AI 招聘供应商的评估。
结论很直接：AI 招聘工具不仅存在种族偏见，而且因为多家公司共用同一套算法，被一家淘汰的候选人在其他公司同样被淘汰。
40,000 份消失的推荐
研究采用 EEOC 的「五分之四规则」衡量不利影响：当某一群体的推荐率低于推荐率最高群体的 80% 时，该岗位被标记为存在歧视。Title VII 就业法将此作为歧视的初步证据。
结果：26% 的黑人申请者和 15% 的亚裔申请者申请了 AI 对其种族群体存在歧视的岗位。如果 AI 以同等比例推荐黑人和亚裔候选人（参照推荐率最高的群体——通常是白人），会有额外 40,000 份申请进入下一轮。
这里有一个统计陷阱值得注意。如果把所有岗位的推荐结果混在一起——把供应商看成一个「巨型招聘流程」——数据上没有发现不利影响。这是因为 AI 可能在某些岗位（如仓储）频繁推荐黑人申请者，在另一些岗位（如金融）很少推荐他们。两个模式在大池子里相互抵消，看起来一切公平。但分岗位看，歧视就在那里。
算法单一文化
「算法单一文化」是研究团队此前提出的理论概念：当多个决策者依赖同一套算法时，算法的偏误会被系统性放大。这次研究是首次用真实数据验证这一假设。
关键发现：当求职者向同一家 AI 供应商筛选的多个岗位投递申请时，被所有岗位拒绝的概率显著高于统计独立决策的基准线。提交四份申请的求职者中，10% 的人被全部拒绝。
研究团队对比了此前最大的招聘决策研究数据——同期向 108 家 Fortune 500 公司发送的 83,000 份申请，未限定是否使用 AI——发现对照组中被所有公司拒绝的比例，和统计独立决策的预期一致。
这意味着市场集中度是关键变量：当一家招聘 AI 供应商主导某个行业的筛选时，候选人被系统性排斥的概率会上升。
供应商的统计游戏
研究还揭示了一个供应商用来规避歧视指控的方法论漏洞。
如果把供应商处理的所有岗位混在一起做总体评估，不同岗位间的歧视模式相互抵消，整体数字看起来没有问题。但这忽略了一个基本事实：求职者不向「供应商」投简历，他们向具体岗位投简历。一个人在仓储岗位被推荐、在金融岗位被拒绝——这两个结果不会在统计中「抵消」掉任何东西，因为它们是不同的人生轨迹。
这个漏洞在法律层面同样存在。EEOC 的不利影响评估通常按岗位进行，但 AI 供应商可以主张按「系统整体」来评估——把所有岗位混在一起，「平均」掉歧视信号。
三个不该共存的特质
研究团队用一句话概括了问题的结构：「AI 招聘工具同时具备三种本不该同时出现的特质：广泛采用、高度重大、对外不透明。」
当一种自动决策系统：
- 覆盖 90% 的雇主
- 决定一个人能否获得面试机会
- 运作逻辑对外界不可见
这三个条件同时满足时，我们面对的是一个没有制衡机制的黑箱权力节点。
这份研究最有价值的贡献在于量化了市场集中度如何将个体偏见放大为系统性排斥。「AI 有偏见」已经是已知事实，但「同一套算法如何让一个人被所有公司同时淘汰」——这是新问题。
新变量：LLM 和 Agent
研究团队在结论中提到一个值得关注的趋势：新一代招聘工具正在使用语言模型和 AI agent。这些模型的能力更强、行为更不可预测、偏见检测更难标准化。
考虑到当前 LLM 生成代码和写作能力的进步，招聘筛选正在从「关键词匹配 + 结构化评分」转向「对话评估 + 综合判断」。后者更难审计——因为判断依据不再是一组离散的评分维度，而是一个端到端的黑箱推理过程。
本文的素材来自公开信息和社区讨论。如果你对这个话题有更深入的一手经验，欢迎指出文中的不足。