Исследователи Массачусетского технологического института Брайан Хедден и Маниш Рагхаван изучили, что происходит, когда множество работодателей применяют один и тот же алгоритм для отбора кандидатов. Их вывод отличается от распространенного представления о неизбежном вреде такой системы: последствия зависят от устройства рынка, точности модели и возможности соискателя повторно подать измененные материалы.
Работа опубликована в журнале Philosophical Perspectives, а ее основные результаты 29 сентября 2026 года изложило MIT News. Авторы связаны с MIT Sloan, факультетом электротехники и информатики и Лабораторией информационных систем и систем принятия решений MIT.
Исследование носит теоретический характер. Оно не доказывает, что уже используемые платформы автоматического скрининга справедливы или эффективны: Хедден и Рагхаван анализируют несколько формализованных сценариев найма и проверяют, какие претензии к алгоритмической монокультуре следуют из этих моделей.
Одинаковый фильтр не обязательно оставляет больше людей без работы
Под алгоритмической монокультурой авторы понимают ситуацию, в которой разные организации принимают решения с помощью одного алгоритма либо одинакового набора сигналов. В найме это может быть общая система ранжирования резюме, которой пользуются сразу несколько работодателей.
Обычное возражение выглядит так: если один фильтр поставил кандидату низкую оценку, тот же человек получит отказ во всех компаниях, подключивших этот фильтр. Возникает риск систематического исключения людей, чьи навыки или опыт система стабильно недооценивает.
Модели исследователей показывают, что из одинакового ранжирования само по себе не следует уменьшение общего числа трудоустроенных. Если заданное количество вакансий должно быть заполнено, компании продолжат нанимать работников. Изменится распределение спроса: работодатели могут начать конкурировать за одну и ту же группу высоко оцененных кандидатов.
В одном из рассмотренных сценариев такая конкуренция усиливает переговорную позицию соискателей и может подталкивать зарплаты вверх. Однако этот результат справедлив внутри модели и при ее предпосылках. Он не означает, что реальная система скрининга перестает дискриминировать отдельные группы или что последствия ошибок становятся приемлемыми.
Сходная стандартизация давно существует в кредитовании, где организации используют общие кредитные показатели, включая решения на базе FICO Score. Авторы приводят этот пример как иллюстрацию монокультуры сигналов, а не как доказательство безопасности автоматизированных решений.
Главный риск связан с потерей независимых оценок
Более серьезную проблему исследователи обнаружили в том, как единый алгоритм влияет на поиск сильных кандидатов. Если все работодатели доверяют одному рейтингу, они концентрируются на людях с похожими характеристиками и перестают собирать независимую информацию о других претендентах.
В системе с разными фильтрами ошибки могут частично компенсировать друг друга. Один алгоритм придает больший вес опыту в конкретной отрасли, другой — портфолио или профессиональным навыкам, третий — результатам тестового задания. Компании проверяют разные гипотезы и со временем получают сведения о кандидатах, которых конкуренты могли пропустить.
При монокультуре такого исследования рынка становится меньше. Один и тот же выбор многократно подтверждает исходные оценки общего алгоритма, формируя информационную эхо-камеру. Работодатели реже получают данные, способные показать, что кандидат с низким рейтингом в действительности работает лучше фаворита модели.
Это уточняет характер риска. Проблема состоит не обязательно в количестве заполненных вакансий, а в качестве распределения: лучшие для конкретной работы люди могут остаться незамеченными, тогда как компании продолжат конкурировать за одинаковый узкий пул резюме.
Возможность исправить резюме меняет результат
Отдельная часть работы посвящена агентивности кандидата — способности человека влиять на собственное положение в системе. Жесткая монокультура особенно опасна, если результат первого скрининга распространяется на всех работодателей, а соискатель не может обновить резюме, исправить ошибку или повторно пройти оценку.
По мнению авторов, это возражение относится прежде всего к системам без обратной связи. Если кандидат видит требования, может изменить материалы и отправить их повторно, часть проблемы снимается. При этом возникает другой риск: пользователи начинают подстраиваться под известные особенности фильтра, даже если такие изменения ничего не говорят об их профессиональных качествах.
Исследователи не считают манипулирование уникальным следствием монокультуры. При наличии нескольких алгоритмов кандидат также может оптимизировать резюме под фильтры отдельных работодателей. Поэтому при оценке системы важнее проверить конкретные правила: какие признаки влияют на рейтинг, разрешена ли повторная подача и есть ли процедура обжалования машинного решения.
Ансамбль моделей может сохранить единый процесс без единого взгляда
В качестве альтернативы авторы рассматривают ансамбль — систему, объединяющую оценки нескольких алгоритмов. Работодатели при этом могут использовать общий сервис и одинаковый процесс, но итоговое решение будет учитывать разные способы ранжирования.
Согласно моделям Хеддена и Рагхавана, такой ансамбль при определенных условиях преодолевает информационную однородность. Монокультура на уровне инфраструктуры тогда способна работать не хуже, а иногда лучше поликультуры, где каждая компания независимо выбирает собственный алгоритм.
Результат нельзя свести к рекомендации добавить несколько моделей и усреднить их оценки. Если компоненты обучены на одинаковых данных, используют одинаковые признаки и совершают коррелированные ошибки, формальное число алгоритмов не обеспечивает разнообразия. Значение имеют независимость сигналов, способы объединения результатов и то, какие кандидаты получают шанс пройти следующий этап.
Для разработчиков HR-tech это дает конкретный критерий проектирования: измерять следует не количество моделей в системе, а различия между их ошибками и рекомендациями. Если все компоненты постоянно ранжируют людей одинаково, ансамбль остается монокультурой по существу.
Что проверять при внедрении автоматического скрининга
Работа MIT не содержит полевых испытаний на данных крупных работодателей, поэтому ее выводы нельзя переносить на конкретный продукт без дополнительной проверки. Она также сосредоточена на найме и частично на кредитовании. В генеративном ИИ, научном поиске или создании контента единообразие моделей может иметь другие последствия.
Командам, которые покупают или разрабатывают систему автоматического отбора, полезно проверить несколько параметров:
Сравнить результаты алгоритма с решениями независимых специалистов и альтернативных моделей на одной выборке кандидатов.
2. Измерить, насколько совпадают ошибки компонентов ансамбля, вместо оценки только средней точности.
3. Проверить, может ли кандидат исправить данные, повторно подать заявку и запросить пересмотр решения.
4. Отдельно оценить результаты для групп, которые могут быть хуже представлены в обучающих данных.
5. Не считать заполнение всех вакансий достаточным доказательством качества: система может закрывать позиции, систематически пропуская более подходящих людей.
Исследование меняет формулировку вопроса для разработчиков и работодателей. Проверять нужно не сам факт использования общего алгоритма, а то, какие данные и варианты выбора он исключает, сохраняется ли независимая оценка кандидатов и позволяют ли процедуры обнаруживать ошибки. Ответы работы основаны на математических моделях; подтвердить их для действующих систем найма смогут только эмпирические аудиты и сравнения с реальными результатами сотрудников.
