对AI招聘工具的首项大规模实地研究发现，这些算法存在种族偏见和系统性拒绝候选人的问题。当90%的美国雇主使用相同第三方供应商的AI筛选工具时，算法对求职者产生了广泛影响。研究追踪了340万人提交的400万份申请，发现AI工具加剧了种族歧视。

好的，这是根据您的要求，对原文主要内容进行的中文重述：

AI招聘工具可能导致种族偏见和系统性拒绝

一项针对实际招聘算法的大规模研究发现，这些系统在拒绝候选人时存在令人担忧的模式。

当前正值毕业季，2026届毕业生正面临近年来最严峻的就业市场之一。初级岗位招聘放缓，而AI工具却让求职者投递简历变得前所未有的容易。岗位减少与申请激增的双重作用下，公司收到的初级职位申请数量是2022年的近三倍。AI不仅改变了公司是否招聘，也改变了招聘方式。美国90%的雇主使用AI筛选工具来排序和筛选求职者，其中大多数依赖少数几家第三方供应商。当一个算法影响众多雇主时，对求职者会产生什么影响？

一项研究追踪了340万人提交的400万份工作申请，这些申请针对150家雇主、11个行业领域的1700个职位。每份申请都由同一家第三方供应商开发的AI招聘工具进行评估。该研究罕见地揭示了算法招聘的“黑箱”，表明这些工具加剧了种族偏见，并导致同一批人在所有求职中都被拒之门外。

种族偏见的大规模显现

研究发现，基于AI的候选人筛选存在明显的种族差异。为了衡量不利影响，研究采用了美国平等就业机会委员会（EEOC）的“五分之四规则”，即当一个群体的推荐率低于最高推荐群体推荐率的80%时，即视为存在歧视。结果显示，26%的黑人申请者和15%的亚裔申请者所申请的职位，其AI系统对他们的种族群体存在歧视。如果AI对黑人和亚裔候选人的推荐率与最受青睐的群体（通常是白人）相同，那么将有4万份申请能够进入招聘的下一阶段。

如何衡量不利影响至关重要。如果将所有职位的推荐结果汇总起来看，似乎没有发现不利影响。但如果像通常评估那样，对每个职位分别进行分析，就会发现许多职位都存在不利影响。例如，AI工具可能经常推荐黑人申请仓库工作，但很少推荐他们申请金融工作。如果将所有职位平均计算，这两种模式会相互抵消，看起来就像没有歧视。这种整体平均掩盖了每个职位上实际发生的歧视。

算法单一文化可能导致系统性拒绝

研究还关注了因共同依赖单一招聘供应商而引发的新问题。研究假设，当众多雇主依赖相同的算法推荐时，这种“算法单一文化”可能导致一些人被所有工作拒之门外。通过分析大量真实的AI招聘推荐数据，研究验证了这一假设。研究发现，向由同一家算法招聘供应商筛选的多个职位提交申请的求职者，比在每家公司独立决策的情况下，更有可能被所有申请的职位拒绝。在提交四份申请的求职者中，有10%被所有申请的公司拒绝。

研究还发现，在其他情况下，这种模式似乎并不存在。通过分析同期另一项大规模招聘决策研究的数据（该研究未关注是否使用AI），发现求职者被所有申请公司拒绝的比率，并不高于每家公司独立决策时的预期值。

这表明市场集中度至关重要：当一家招聘供应商主导某个行业的筛选时，候选人被全面拒之门外的情况更可能发生。

AI筛选工具汇集了三种不应在高风险决策中同时存在的特性：广泛采用、影响重大且对公众不透明。这项研究为揭示AI招聘工具的后果取得了进展，但其大部分影响仍不明确。随着使用语言模型和智能体构建新工具，这一领域正在快速发展。

这项工作的关键启示在于，对算法招聘进行独立研究的价值和必要性。没有独立研究，就很难推行基于证据的AI政策，以规范AI对个人就业前景和整体劳动力结构的影响。

根据评论内容，总结如下：

主要观点与论据：

1. AI招聘工具存在种族偏见（支持方）

   • 研究显示，AI推荐黑人和亚裔候选人的比例低于白人，若按同等比例推荐，可多出4万份申请进入下一轮。
   • 评论引用：“If the AI had recommended Black and Asian candidates at the same rate as it recommended the most-favored group (typically white applicants), 40,000 more of their applications would have advanced.”（评论16）
   • 个人实验表明，相同简历但不同名字（如非裔名字）会遭拒绝，而白人名字则获面试：“I would get one resume rejected quickly and few days later the same company would invite another resume for a screening call.”（评论15）

2. 质疑研究方法和结论（反对方）

   • 研究仅针对单一供应商（pymetrics）的评估游戏，未控制教育、经验等变量，无法证明因果关系。
   • 评论指出：“This study only looks at one specific vendor algorithm (a job assessment given by a company called pymetrics)”（评论6），“They find 'disparate impact'... but it doesn't seem like they controlled for anything.”（评论11）
   • 认为“种族差异结果不等于种族偏见”：“A racially disparate outcome is not evidence of racial bias.”（评论27）

3. AI系统本身存在局限性

   • LLM设计初衷是聊天而非招聘，缺乏理解能力：“LLMs are absolutely not designed to do those sorts of jobs, they're designed to be chatbots.”（评论4）
   • 系统可能通过教育、邮编等代理变量间接歧视：“AI works by learning patterns... education history, schools attended, ZIP codes... are an easy proxy for race.”（评论23）

4. 监管与法律视角

   • 欧盟《人工智能法案》将招聘AI列为高风险，需透明度和人工监督：“High-risk... subject to quality, transparency, human oversight and safety obligations.”（评论2）
   • 美国Workday因类似歧视被起诉：“Workday is facing Discrimination Claims in California doing the same thing.”（评论24）

平衡性总结：
评论呈现明显分歧：一方认为AI招聘工具通过代理变量（如名字、教育背景）系统性歧视少数族裔，且缺乏透明度；另一方则批评研究未控制混杂因素，将相关性误认为因果，并指出单一供应商的评估游戏不能代表所有AI招聘系统。双方均承认AI可能放大现有社会偏见，但对研究方法和结论的严谨性存在争议。