核心内容总结
这篇文章通过一个心理学实验揭示：AI在招聘中并非绝对公平，反而会形成比人类更严重的刻板印象。实验中，四个能力完全相同的虚构族群，被AI在40轮招聘后强行分配到不同职业（比如某族群“适合”医生，某族群“适合”清洁工）。这种偏见源于AI对早期偶然成败的过度总结，形成“不给机会→无成功数据→更坚信不适合”的反馈循环，且越强大的AI模型，偏见可能越明显。文章提醒企业：要警惕AI招聘的长期机会分配问题，不能让AI做最终判断，需定期“体检”AI的招聘行为。
一、AI招聘偏见实验：虚构族群也能被“贴职业标签”
研究者设计了一个极端实验：虚构4个族群（Tufa、Aimas等），每个族群的人做任何工作的成功概率都是90%（完全无差异）。然后让GPT、Claude等大模型当“招聘官”，连续招40轮（每轮4个族群各1人，选1个），重复30次实验。
结果很意外：AI很快给族群“分职业格子”——比如某次实验中，Aimas族群被认为“适合清洁工”，Reku被认为“适合医生”。更关键的是，AI的“职业分层指数”（衡量刻板印象的指标）平均值是1.39，比人类被试的0.84高出65%。这说明：在完全无差异的群体中，AI的刻板印象比人类更严重。
二、偏见怎么滚起来？偶然事件→印象→循环强化
AI的偏见不是天生的，而是“学”出来的，过程像滚雪球：
- 第一步：偶然触发。比如第一轮AI选Aimas当老师，结果失败了（概率10%的偶然）；第二轮它换Aimas做清洁工，碰巧成功了（概率90%的偶然）。
- 第二步：总结“规律”。AI立刻认为“Aimas擅长清洁工”，并把这个印象记下来。
- 第三步：循环强化。之后招聘医生时，AI优先选其他族群（比如Reku），如果成功，就更坚信“Reku适合医生”；而Aimas永远没机会当医生，AI也就永远看不到它当医生成功的数据，进一步巩固“不适合”的偏见。
这个循环的可怕之处：AI看似“尊重数据”，但这些数据是它自己之前的选择制造的——你不给机会，就永远没有反驳的数据。
三、反常识：越聪明的AI，偏见可能越明显
实验发现：更新、更强的模型（比如GPT-4比GPT-3.5），职业分层指数更高。这不是因为模型“变坏”，而是因为：
- 强模型更擅长“总结经验”：能从少量偶然事件中快速提炼“规律”，并坚定执行。
- 但强模型缺乏“怀疑精神”：它不会主动质疑自己的第一印象，也不会给“没数据的群体”第二次机会。
比如，人类可能会想“上次Aimas当老师失败是偶然”，但AI会直接把“失败”转化为“不适合”的权重，下次再也不给Aimas当老师的机会。
四、真实招聘的隐忧：AI可能悄悄把某些人拒之门外
现实中，很多企业的AI招聘系统已经从“简历打分器”变成“全流程助手”（筛选简历→安排面试→总结反馈→影响下一轮推荐），这就很容易触发上述循环：
- 比如，某个学校的学生第一次面试失败，AI可能会给这个学校的简历降权重，导致后续同校学生更难进入面试；
- 或者，某个专业的候选人被面试官打低分，AI会总结“这个专业不适合”，让该专业的人永远没有机会证明自己。
更隐蔽的是：AI可能嘴上说“我不歧视任何群体”，但长期来看，它会把机会集中在少数“被验证过”的群体上，把其他人排除在外。
五、怎么破？别让AI做最终判断，定期给AI“体检”
文章给出了几个实用建议：
1. AI做辅助，不做决定：AI适合扩大搜索范围（比如从更多简历中找出符合条件的人）、整理岗位信息，但最终录用权要交给人类，且必须保留人工复核和申诉通道。
2. 定期给AI做“人才扫描”：企业每隔半年，要检查AI的招聘数据——比如有没有长期偏爱某类候选人（某学校、某专业、某地区），有没有群体一直没机会进入面试。
3. 别迷信“AI越用越懂你”：当企业说“我们的AI越用越懂需要什么人”时，要警惕——这可能意味着AI已经形成了固定偏见，让公司的人才结构变得单一。
最后想说
AI招聘的高效是真的，但它的“偏见循环”也是真的。我们不能因为AI的“智能”就放弃对公平的把控——毕竟，招聘的本质是给每个人平等的机会，而不是让机器用偶然的结果给人贴标签。企业要做的，是让AI成为“帮手”，而不是“裁判”。