MIT科技评论：AI比人类更快形成招聘偏见

用简单的话来说。 2026年7月20日，MIT Technology Review报道了一项研究，称LLM可以发展出自身的招聘偏见——除了从训练数据中继承的偏见。换句话说：清理数据并不足够。

背景

自2023年以来，关于人力资源领域的人工智能偏见的争论分为两派：“历史数据的镜像”（继承偏见，可通过去偏见修正）和“系统性放大器”（偏见也由模型产生，无法仅通过数据修正）。MIT Tech Review转载的研究支持第二种观点，但并未否定第一种观点。监管框架正在加强：2023年以来生效的纽约市地方法144号（AEDT审计），加州关于人工智能辅助人力资源决策的讨论框架，欧盟人工智能法案——从2026年开始，人力资源“高风险”系统的门槛将逐步部署（根据系统的性质，2026-2027年完成过渡）。

数据

• 发表：MIT Technology Review，2026年7月20日（需在控制中验证基础研究：学术 vs 行业，方法论）。
• 报告结果：LLM可以在训练数据中已经存在的偏见之外，发展出自身对人口统计学属性和能力判断的偏见关联。
• 已知先例：亚马逊2018年（因性别偏见放弃招聘工具），Meta 2026年（算法管理过滤）。

分析

两点。一：在结构保持不变的情况下，“训练得更好，就会没事”的论点是不够的——偏见的形成部分是内在于最大化目标，而不仅仅是数据源。二：美国（差异影响）和欧洲（人工智能法案第14条）的法律学说在外部审计义务上趋于一致，但没有一项规定标准化的方法。企业使用专有基准测试，其结果无法比较。

场景

• 中心（55%）：监管机构（加州、纽约市、欧盟）在12-18个月内设定审计标准；人力资源科技供应商（Workday、iCIMS、Eightfold）遵守标准，但偏见未被解决。
• 诉讼（25%）：集体诉讼导致数十亿美元的和解；对人力资源一线采用LLM的威慑效应。
• 人类转变（20%）：大型招聘者在Meta投诉后重新引入人类在最后一道关，采用Meta模式。

影响

对于人力资源总监：记录偏见审计成为合同义务，而不仅仅是一个复选框。对于人力资源科技投资者：2027年，审计能力将取代精度作为采购标准。对于创始人：在人力资源领域推出人工智能评分系统时，必须集成外部审计模块。

关注点

• 基础研究的发表（ArXiv、期刊、行业报告）。
• Meta诉讼（算法管理过滤）的后续进展。
• 欧盟人工智能法案关于人力资源高风险偏见测试的参考框架的发布。