向求職者兜售恐懼的人們

前言

各位訂閱者，「AI 正在篩選你的履歷。」這是過去一個月間在 LinkedIn 和職涯社群中被分享最多的句子。出處是史丹佛大學研究團隊發表的一篇論文。論文是真的。它分析了 420 萬筆實際招聘數據，是該領域規模最大的實證研究。然而，當這篇論文在社群媒體上流傳時，一句一句地失去了脈絡。先說結論：論文發現的只是某一款遊戲式招聘工具的缺陷，而網路製造出來的，卻是「AI 招聘系統全面拒絕你」的恐懼敘事。

我在準備這篇論文和這期電子報時，最感到不可思議的是，那些自稱「求職諮詢」或「職涯顧問」的人，竟然在兜售這種恐懼。（當然不是所有人都這樣，但）更荒謬的是，他們大多對相關職類和產業缺乏專業知識，甚至連求職經驗都沒有。他們不過是在向最迫切的求職者進行恐懼行銷而已。

論文真正發現的事

去年五月，史丹佛 HAI 研究團隊在 FAccT¹ 2026 上發表的論文《Algorithmic Monocultures in Hiring》的核心，是「演算法單一化」² 這個概念。假設是：如果多家企業使用同一個招聘 AI 供應商，那麼單一模型的偏差就可能擴散到整個市場。

研究團隊為驗證這個假設所取得的數據令人印象深刻。420 萬筆應徵、340 萬名應徵者、156 家企業、1,746 個職缺。他們取得了一家招聘供應商處理的實際數據，涵蓋四年（2018～2022 年）。

然而，一旦你知道那家供應商是誰，故事的性質就完全變了。

那是 pymetrics 這個工具。它不是分析履歷的系統。應徵者需要遊玩 12～16 個線上遊戲，系統據此測量風險承擔傾向、處理速度、規劃能力等特質，然後給出「推薦」或「不推薦」二選一的結果。絕大多數遊戲與實際職務無關。無論是倉庫管理員還是財務分析師，玩的都是同一套遊戲，約 42% 的應徵者會收到「不推薦」。

這個工具的訓練方式才是真正的问题。各企業從目前該職務在職的員工中至少選 50 人作為「正面案例」，再隨機抽取一些人作為「負面案例」來訓練模型。「正面案例」並非績效優異的員工，只是目前坐在那個位置上的人。「負面案例」也不是做不好那份工作的人，而是完全無關的隨機個人檔案。也就是說，這個工具學會的是「與現有員工有多像」，而不是「能否勝任這個職務」。

pymetrics 過去是將公司整體的應徵者打包在一起進行公平性審計。整體打包後，黑人應徵者錄取率 52.5%，白人 58.3%，符合美國就業法中不利影響³ 的標準。

研究團隊精準地指出了這一點。美國就業法（Title VII）要求的是逐個職務進行評估，而非公司整體。因此他們逐一檢視了 1,746 個職缺，結果約 11% 的職務對黑人應徵者存在不利影響。而黑人應徵者整體應徵次數中約 26% 恰好集中在這些職務上。

這是一個有效的發現。用 420 萬筆實際數據實證了「平均值可能掩蓋歧視」這件事。紐約市的 AI 招聘審計法（Local Law 144）⁴ 甚至建議審計時將數據合併處理，這恰恰是論文所指出的陷阱。對於營運招聘工具的企業而言，必須轉為逐職務審計，這個教訓是明確的。

到此為止都還算合理。問題出在接下來的事。

論文沒有說的事

這篇論文的情感核心是「演算法黑名單」。因為同一個模型被多家企業使用，所以一旦被拒絕，就等於在哪裡都會被拒絕——這就是那個恐懼情境。然而，研究團隊自己的數據並不支持這個情境。

84% 的應徵者只應徵了一個職務。95% 以上應徵了兩個以內。應徵超過 10 個職務的人只有 522 人，佔整體的 0.02%。「在哪裡都被拒絕」的噩夢要成立，必須應徵多家使用同一供應商的企業，但幾乎沒有人這樣做。

更具決定性的是研究團隊直接跑模擬的結果。他們隨機抽取 1,000 名應徵者，放入 pymetrics 的全部 495 個模型中測試。結果呢？沒有一個人被所有模型拒絕。最不利的人也在 52 個職務中獲得了「推薦」。這是論文結果章節中研究團隊自己承認的內容。

論文第一句是「美國 90% 以上的雇主使用招聘演算法」。引言部分還引用了 HireVue 在財富 100 強企業中 60% 以上都有使用的數據。聽起來很嚇人吧？然而 HireVue 在這篇論文中從未受到分析。研究對象只有 pymetrics。HireVue 是基於結構化面試和職務模擬的，與 pymetrics 的遊戲式評估是完全不同的產品類別。論文在引言中放置 HireVue 的市場份額，是為了放大恐懼規模的修辭手法，與實際分析無關。

比較基準也值得推敲。論文為了將 pymetrics 的結果與傳統人工招聘流程做比較，引用了 Kline 等人 2022 年的研究（83,000 份履歷實驗）。該研究指出，人工招聘決策在統計上是獨立的，而 pymetrics 則呈現拒絕集中的模式。然而 Kline 的研究只涵蓋美國初級職務，pymetrics 的數據則包含全球所有職級。應徵量最大的城市不是紐約而是倫敦。國家、職級、測量方法都不同的兩組數據並列在一起就下「是演算法的問題」的結論，未控制的變數實在太多了。

而且幾乎所有報導都忽略了一件事。pymetrics 是否能預測實際工作績效，這項研究中沒有驗證數據。研究團隊也在限制章節中直接承認了這一點。撇開工具是否存在偏差不談，沒有人確認過這個工具是否達成了招聘的基本目的——「選到好員工」。偏差與無效性，兩種失敗同時疊加在一起。

事實上，這篇論文的限制章節出奇的誠實。作者自己寫道：由於只是單一遊戲式工具的結果，難以推廣到其他類型的 AI 招聘工具。也承認無法知道被拒絕的應徵者是否本來就是好員工、與人工招聘流程的比較並非乾淨的對照組、這些結果也不構成違法行為的證明——全部直接承認了。

這篇論文是一項謹慎的研究。問題不在論文本身，而在之後發生的事。

恐懼成為商品的流通結構

從論文到標題，追蹤每個階段脈絡逐步脫落的過程：

第一階段，論文：「遊戲式評估工具 pymetrics 中，逐職務分析後約 11% 存在種族不利影響。但推廣性有限。」

第二階段，大學新聞稿：「AI 招聘工具中發現明確的種族差距。」pymetrics 這個名字還在，但「遊戲式」的脈絡已經模糊了。

第三階段，媒體報導：「史丹佛研究揭露 AI 招聘中的大規模種族偏差。」這裡 pymetrics 消失了，「AI 招聘工具」成了主詞。「90% 的企業在使用」這個論文引言中的修辭，被擺得像正文的核心發現一樣。

第四階段，網紅：「AI 正在篩選你的履歷。史丹佛已經證明了。」限制章節完全消失。謹慎的假設變成了確定的事實。

第五階段，職涯教練：「要在 AI 時代生存，你必須學會這個。」在這裡，恐懼變成了商品。

在韓國，這個結構也已經在運作了。自稱「職涯教練」的人和成人教育平台，以 AI 教育為名號煽動 FOMO。「不懂 AI 就會被淘汰」、「沒有這個技能，三年內就會失去工作」——這些敘事的共同點，是在未經驗證的前提上堆疊焦慮感。

目標是最迫切的人。失業者、求職者、正在考慮職涯轉換的人——他們被推銷價格不菲的課程和輔導。「AI 會拒絕你」的恐懼和「學會 AI 就能生存」的希望，是同一枚硬幣的兩面。兩者都是剝離了驗證、只留下情緒的敘事。

把論文對 pymetrics 提出的問題原封不動地丟回去，結構就看得見了。對 pymetrics 問的是「你依據什麼來訓練？」「能預測績效嗎？」對職涯教育產品也可以同樣地問。「這個課程的依據是什麼？」「有測量過結業後的錄取率或薪資變化嗎？」pymetrics 複製了現有員工的檔案，恐懼行銷也複製了未經驗證的前提。工具不同，機制一樣。

論文的限制章節沒有人引用，原因就在這裡。引用了恐懼就會減少，恐懼減少了商品就賣不出去。

奧茲的視角

我讀這篇論文時，比起招聘工具本身，更關注的是流通結構。

在制定 GTM 策略時，我無數次見過這個模式。市場上出現恐懼時，承諾能消除恐懼的商品就賣得最快。問題是，沒有人驗證過那些商品是否真的能消除恐懼。當購買決策出於恐懼時，效果驗證就被推到一邊了。

pymetrics 跳過了「這個工具能預測績效嗎？」這個問題，韓國的 AI 職涯教育市場也在跳過同樣的問題。「接受這個教育，錄取機率真的會提高嗎？」「這個輔導對職涯轉換真的有實質幫助嗎？」能拿數據回答這些問題的服務有多少家？

在我看來，這篇論文留下的真正教訓有兩點。第一，選擇招聘工具時，問「你依據什麼訓練？」和「能預測績效嗎？」如果答案是「現有員工」和「不知道」，那就不是科學。第二，對兜售恐懼的人也要問同樣的問題。「這個教育的依據是什麼？」和「有測量過效果嗎？」——在這兩個問題面前答不上來的服務，和 pymetrics 站在同一個結構上。

結語

這篇論文值得一讀。尤其是限制章節。平均值審計可能掩蓋逐職務歧視，這個發現可以立即應用到招聘實務中。

但「AI 在哪裡都會拒絕你」這個敘事不是論文製造的。是只讀到摘要的人製造的，是將恐懼轉化為商品的人流通的。不管是招聘工具還是職涯教育，只要記住一件事。跳過「這真的有效嗎？」這個問題的那一刻，你買的不是解決方案，而是焦慮。

💬 你有使用過 AI 招聘工具或職涯輔導服務的經驗嗎？如果有「這個真的幫到我了」或「這不過是 FOMO 生意」的經歷，歡迎在留言區分享。

覺得有幫助嗎？分享給更多人

複製連結XLinkedInThreadsKakaoTalk네이버 밴드

參考資料 & 延伸閱讀

核心來源

• Bommasani, Bana, Creel, Jurafsky & Liang, “Algorithmic Monocultures in Hiring,” FAccT 2026. ：本期電子報的核心論文。特別是限制章節（Section 7: Limitations）務必一併閱讀。作者的誠實自我檢驗令人印象深刻。
• Stanford HAI, “Q&A: Algorithmic Monoculture in Hiring,” 2026. ：三位作者親自說明研究動機、方法論和限制的訪談。比論文更容易閱讀。
• Placementist, “Fear-farming the Stanford AI hiring study,” 2026. ：系統性分析論文六個結構性限制的長文。是本期電子報的主要參考資料。

背景知識

• Kline, Rose & Walters, “Systemic Discrimination Among Large U.S. Employers,” Quarterly Journal of Economics, 2022. ：論文用作「人工招聘也有偏差」比較基準的 83,000 份履歷實驗。
• DLA Piper, “Critical audit of NYC’s AI hiring law signals increased risk for employers,” 2026. ：整理 NYC Local Law 144 審計體系為何被評為「無效」的法律分析。

作者 安光涉（Oswarld） 現任世宗大學兼任教授，INLEVEL9 策略顧問。職涯經歷、研究、著作與近期活動會持續更新在作者介紹。 最新動態 · 2026年7月：HEMA-2: A Consolidation-Aware Tri-Memory Architecture with Multi-Channel Scheduling for Lifelong Conversational AI。

각주

1. FAccT（Fairness, Accountability, and Transparency）：由 ACM 主辦的公平性、責任性與透明性學術會議。是處理 AI 與演算法社會影響領域中最具影響力的學術會議之一。 ↩

2. 演算法單一化（Algorithmic Monoculture）：指多個組織依賴相同或類似的演算法進行決策的狀態。如同農業中只種植單一品種，一旦遭遇某種病蟲害就會全面崩潰，原理相同。 ↩

3. 不利影響（Adverse Impact）：美國就業法中，當特定種族或性別群體的錄取率低於最高錄取群體的 80% 時適用的標準。也稱為 4/5 規則。 ↩

4. Local Law 144：2023 年生效的紐約市 AI 招聘審計法。要求使用 AI 招聘工具的雇主每年進行一次獨立偏差審計，但在紐約市審計長辦公室 2025 年的審計中被評為「無效」。 ↩