一项覆盖340万真实求职者、400万份申请的大规模实证研究发现，美国招聘算法已形成严重的“算法单一文化”——超过90%的雇主使用同一家供应商的算法，导致亚裔和黑人申请者在系统性拒绝和种族差异中遭受不成比例的不利影响。这是迄今为止在真实部署的高风险AI决策中最大规模的不公平结果证明。
背景与机制
招聘算法单一文化指的是大量雇主从同一家供应商采购算法，例如超过60%的财富100强企业使用HireVue的产品。当同一算法系统同时为多个雇主筛选简历时，申请者可能在不同职位上获得重复的拒绝结果，而非各自独立的评估。这种集中化的评估模式放大了系统性拒绝的风险。
研究根据美国《民权法案》第七章（Title VII）的标准，按每个职位单独分析不利影响比率，而非将数据汇总。结果显示：25.87%的黑人申请和14.74%的亚裔申请被投向了对其不利的职位；30%的黑人申请者至少申请了一个对黑人有不利影响的职位；按总影响计算，亚裔申请者面临的推荐缺失最大——若亚裔在每个职位上获得与最受青睐种族相同的推荐率，则会有额外2.9万份亚裔申请被推荐。
此前的研究因数据访问限制而只能分析整体数据，未能发现这些分职位层面的差异。本研究首次通过分解式分析揭示出汇总数据中“被冲洗掉”的不利影响。
影响与政策启示
当申请者投递多个职位时，算法单一文化导致系统性拒绝（即所有申请均被拒绝）的概率显著高于独立决策的基线。研究发现，提交4份申请的求职者中有10%遭到系统性拒绝，实际拒绝率远超独立假设下的预期（χ²=18,481, p<0.001）。如果求职者希望有99.9%的概率获得至少一次推荐，在单一算法环境下需要投递25份申请，而独立决策环境下仅需10份。
研究还指出，数据访问壁垒严重阻碍了对招聘算法的独立研究。尽管招聘算法已普遍应用于高风险决策，本研究是唯一能够大规模实证分析真实部署算法的独立团队。研究者建议：监管应要求按职位评估不利影响；联邦机构应量化系统性拒绝率；政策应监控招聘供应链中的共同依赖；立法者应推动扩大研究者对底层数据的访问权限。目前纽约市Local Law 144等早期法规尚未充分覆盖本研究发现的职位层面效应。
编注：信源为Hacker News上发布的研究论文摘要，材料覆盖研究方法、主要结果（种族差异、系统性拒绝率）及政策建议，未涉及具体雇主名称或供应商细节。读者应注意数据来自单一供应商，结论不代表所有招聘算法。