想像你在找暑假打工或實習，一口氣投了 10 家連鎖店和公司，結果全部石沉大海。你可能會想：是我哪裡不夠好？但還有另一種可能：這 10 家公司，用的是同一家廠商做的 AI 篩選系統。你以為自己考了 10 場試，其實是同一份考卷考了 10 次。
2026 年 5 月 26 日，美國 Stanford、Chapman 與 Northeastern 大學的研究團隊公開論文〈Algorithmic Monocultures in Hiring〉（收錄於 FAccT ’26 會議）。他們分析一家招募篩選廠商的資料：156 家雇主、約 337 萬人送出的約 420 萬份申請，時間從 2018 年 12 月到 2022 年 12 月。
先說清楚：研究只看一家廠商、以線上小遊戲為主的評量，也沒有判定哪家公司違法。但它點出了兩件每個未來求職者都值得知道的事。
投遞之後，AI 先讓你玩小遊戲，再決定推不推薦。
依論文說明，這家廠商的做法是：求職者先玩 12 或 16 個線上小遊戲，系統從表現中量出冒險傾向、反應速度、信任、利他與規劃等特質。
接著，每個職位都有一個專屬模型，用至少 50 位在職員工的資料訓練，判斷你「像不像」這個職位現有的員工。分數過了 0.5 就推薦，沒過就不推薦。至於招募人員之後怎麼使用這些建議，研究資料看不到。
這有點像社團招新時，只用「跟現在的社員像不像」來挑人：好處是快，風險是和現有成員不一樣的人，可能一開始就被擋在門外。這是本站的比喻，研究並沒有評估這些模型挑人準不準。
整體平均看起來公平，拆到每個職缺才看到差異。
美國檢查甄選有沒有對某個族群不利，常用「五分之四規則」（four-fifths rule）：把某一組的錄取率，除以錄取率最高那一組；如果結果小於 0.8，就是一個要回頭檢查的警訊。它出自美國聯邦《員工甄選程序統一準則》；警訊不等於違法。
研究團隊先把所有職缺加在一起算，四個族群的比值都超過 0.8，看起來沒問題。但把 1,746 個職缺一個一個檢查後，問題就浮現了：約 10.62% 的職缺對非裔申請者不利，5.32% 的職缺對亞裔不利。更關鍵的是，非裔申請者送出的申請裡，有 25.87% 投進了這些職缺；亞裔是 14.74%。
這就像全校平均分數很漂亮，不代表每一班都沒有問題。研究也提醒，只有約四成申請者填了族群，實際比例可能被低估；以性別來看，不利影響則很少見。
很多公司用同一套模型時，同一個人更容易處處碰壁。
第二個發現叫「演算法單一化」（algorithmic monoculture）。這個詞來自農業：整片田都種同一品種，一種病害就能讓作物一起受損。Kleinberg 與 Raghavan 2021 年的研究就指出，即使大家共用的演算法比較準，所有公司都用它，整體結果仍可能變差。
看研究的數據：投 4 個職缺的人，約 10% 一個推薦都沒拿到；投 10 個職缺的人，仍有 4% 全軍覆沒。研究團隊用統計檢定比較，這比「各家公司各自判斷」時應該出現的比例更高。對照另一項用虛構履歷投遞 108 家美國公司的研究，那裡全部被拒的比例，就和各自判斷的預期差不多。
研究團隊還做了模擬：想把「全部被拒」的機率壓到 0.1% 以下，在這套系統裡要投約 25 個職缺；如果各家公司各自判斷，大約 10 個就夠了。
本站補充比喻｜同一份考卷，考了好幾次
想像好幾所學校都用同一份入學考題。如果某位學生剛好不擅長這種題型，換學校報名也很難翻盤；若各校題目不同，就有機會在別處展現長處。這個比喻依研究的「結果同質化」機制延伸；招募不是考試，研究也沒有評估模型能否預測工作表現。
研究者建議逐一職缺檢查，求職者也可以換條路走。
論文建議監管單位與稽核者不要只看整體平均，而要逐一職缺檢查；也建議主管機關多掌握廠商資料、留意同一家廠商被大量採用的風險，並讓獨立研究者能取得招募演算法的資料。
有些地方已經開始管。紐約市地方法第 144 號（Local Law 144）要求雇主使用自動化招募工具前，一年內要完成偏差稽核並公開結果，且至少提前 10 個工作日告知求職者；市府自 2023 年 7 月 5 日開始執法。論文提醒，若稽核只看整體數字，可能看不到這類職缺層級的差異。
歐盟《人工智慧法》（AI Act）則把用來招募與篩選的 AI 列為高風險用途。2026 年 7 月 27 日生效的修正，把這類規定的適用日延到 2027 年 12 月 2 日。
那求職者能做什麼？共同作者 Sarah Bana 在 Stanford 數位經濟實驗室的訪談中提了幾個方向（括號內是本站舉的例子）：
- 累積看得見的經驗（作品集、專題、比賽或實習成果）。
- 善用推薦與人脈，讓人先看到你，而不是只靠自動化初篩（老師、學長姐、實習主管）。
- 換不同職務與產業投遞，而不是同一類職缺投更多份。
- 維持規律，避免求職倦怠。
她也提醒：在同一套流程裡多投幾份，可能只是被同一把尺再量一次；分散，比數量更重要。
研究還沒回答「被拒的人適不適合」，接下來要看規則能否跟上。
研究團隊也說明了限制：資料只來自一家廠商、以小遊戲評量為主，不一定能套用到履歷篩選；沒有後續的工作表現資料，無法判斷被拒的人其實適不適合；也無法判斷是否有更公平的做法，或雇主是否違法。
接下來可以留意三件事：其他廠商或履歷篩選工具是否也有類似現象；紐約市等地的稽核規則會不會改成逐一職缺檢查；以及歐盟規定在 2027 年底適用時，招募 AI 要交出哪些資料。對準備找打工、實習或第一份工作的你來說，至少可以記得：初篩沒過，不代表你的全部，也可能只是同一套模型的判斷。
參考來源
- Bommasani、Bana、Creel、Jurafsky、Liang／arXiv：Algorithmic Monocultures in Hiring（2026-05-26）
https://arxiv.org/abs/2605.27371 - 研究團隊：Algorithmic Monocultures in Hiring 論文全文（FAccT ’26 會議版）
https://algorithmichiring.github.io/paper.pdf - Stanford Digital Economy Lab：Q&A: Researchers Discuss Algorithmic Monoculture and Racial Disparities in Automated Hiring Systems（2026-05-28）
https://digitaleconomy.stanford.edu/news/qa-algorithmic-monoculture/ - Kleinberg、Raghavan／arXiv：Algorithmic Monoculture and Social Welfare（PNAS 2021 論文預印本）
https://arxiv.org/abs/2101.05853 - eCFR：29 CFR 1607.4 Information on impact（現行條文，查閱 2026-10-27）
https://www.ecfr.gov/current/title-29/subtitle-B/chapter-XIV/part-1607/section-1607.4 - NYC Department of Consumer and Worker Protection：Automated Employment Decision Tools (AEDT)（查閱 2026-10-27）
https://www.nyc.gov/site/dca/about/automated-employment-decision-tools.page - Lewis Silkin：The Digital Omnibus on AI enters into force today（2026-07-27）
https://www.lewissilkin.com/en/insights/2026/07/27/the-digital-omnibus-on-ai-enters-into-force-today-102nedo
本文由 AI 協助整理，經編輯審閱。
