多家公司如果共用同一套招聘算法，求职者并不必然被系统性挡在门外。MIT 新闻 9 月 29 日介绍了 Brian Hedden 与 Manish Raghavan 的论文。他们把这种共用称为算法单一文化，并在招聘场景里逐项检查反对意见。论文发表在 Philosophical Perspectives。本篇没有打开期刊原文。
[1]
最常见的担心是系统性排斥：一家公司的算法筛掉一份简历，其他用同一算法的公司也会筛掉。他们用一组模型检查之后认为，这个论证没有说服力，因为被雇用的总人数并不因各家使用同一算法而改变。Raghavan 说，岗位仍会被填满，有工作的人总数一样，只是公司在争同一批候选人，工资因此被抬高。
候选人没有机会改简历再投，这被 Hedden 视为对坏的单一文化的有效反对。如果单一文化仍允许修改材料并重新提交，这条反对就不成立。另一面是钻空子：简历做成某种格式就会更有利。Hedden 说，并不显然一套算法会比许多套算法更鼓励这种做法。后者里，求职者也可以只针对几家公司的算法。
[1]他们用数学证明的是另一件事：单一文化倾向于形成信息回声室，从而妨碍探索。在招聘里，这会使最合适的候选人更不容易得到工作。多家公司各用各的算法时，多样化的判断有可能选出质量更高的新人。单一文化还可能让特征相同的人每次都被每家雇走，公司更少发现其他候选人。
把不同公司的招聘算法捆成一个集成，按平均给候选人打分，可以越过这个限制。一系列招聘情形的模拟确认，这种集成有时优于各家使用不同算法，因此单一文化有时可以做得和多元文化一样好，甚至更好。Hedden 说，这种集成在实践中是否可行，仍有待研究。若单一算法比各家现用的算法准确得多，单一文化也可能更好。在单一平台里加入随机，也可以增加探索。
[1]结论取决于细节。Hedden 说，算法单一文化是 AI 带来的现实情形，也很重要，但不能抽象地说它一定是坏事，要看领域，也要看算法本身准不准。研究把重点放在招聘，并写明生成式 AI 的内容生产，或由 AI 引导的科学研究，可能不是同一套机制，其中一些领域的单一文化可能问题更大。借贷被当作可以类推的例子，因为银行已经共用由 FICO 算法得出的信用分。财富 500 强里，少数简历筛选算法也已被许多公司使用。
Raghavan 说，从研究角度看，怎样用经验数据处理这些问题，仍有大量工作。他们希望这项工作引出关于长期后果的后续研究，以及更接近真实就业市场的研究。模拟结果不是已经观察到的工资或录用统计。
[1]要点
- 共用同一套招聘算法，在他们的模型里不减少被雇总人数，公司争同一批人时工资会被抬高。
- 被证明的代价是信息回声和更少的探索，最合适的人更不容易出现。
- 把多套算法合成集成，模拟中有时优于各家各用各的。实践里是否做得到，作者说仍待研究。
- 范围主要是招聘。生成式内容和 AI 引导的科研被单独标明，可能不是同一结论。