Proč tě odmítají na každé pozici, kam se hlásíš (a často je to pokaždé stejná AI)

Skryté úzké hrdlo za tvými nevyřízenými žádostmi

Pokud ses hlásil na 30, 50 nebo 100 míst a ticho je jednotné, obvyklý předpoklad — «moje CV je asi slabé» — často není správný. Strukturální příčina bývá jednodušší a nepříjemnější: nečte tě 50 různých náborářů. Hodnotí tě hrstka algoritmů, velmi pravděpodobně pořád ten samý.

Více než 90 % zaměstnavatelů v USA dnes používá algoritmické filtrování dříve, než je zapojen člověk. Adopce v EU rychle roste a je nyní formálně regulována nařízením EU AI Act, který klasifikuje náborovou AI na pracovišti jako «vysoce rizikovou» (příloha III). Co si většina neuvědomuje, je koncentrace trhu dodavatelů. Více než 60 % Fortune 100 a 8 z 10 největších federálních agentur USA používá algoritmy HireVue. Pymetrics — dodavatel zkoumaný ve studii Stanfordu 2026 — zprostředkovává filtrování u 156 zaměstnavatelů s ročními tržbami 225 miliard $ ve financích, výrobě, logistice a dalších 8 odvětvích.

Důsledkem je jediný bod selhání napříč trhem práce. Když algoritmus jednoho dodavatele rozhodne, že se nehodíš, ten verdikt se šíří ke každému zaměstnavateli, který tohoto dodavatele používá. Hlásit se na víc pozic ve víc firmách — klasická rada — funguje jen částečně, když ty firmy používají různé dodavatele. Jinak ti říká stejný stroj ne v 47 různých uniformách.

Co «algoritmická monokultura» skutečně znamená

Vědci tento vzorec nazývají algoritmickou monokulturou — formálně definovanou jako «stav, kdy se mnoho rozhodovatelů spoléhá na stejné nebo podobné algoritmy». Termín pochází ze zemědělské vědy, kde pěstování jedné odrůdy na rozsáhlých plochách zesiluje dopad jediného škůdce. Ekonomická logika přechází: když mnoho zaměstnavatelů koupí stejný filtrovací nástroj, jeho preference a slepé skvrny se zapečou do celého trhu práce.

Studie Stanfordu 2026 od Bommasaniho, Bany, Creel, Jurafskyho a Lianga (Stanford, Chapman, Northeastern) je první, která pozoruje skutečná algoritmická náborová rozhodnutí u mnoha zaměstnavatelů s jediným dodavatelem. Získali přístup k 4 197 168 žádostem od 3 372 132 uchazečů na 1 746 pozic, všechny hodnocené modely pymetrics mezi prosincem 2018 a prosincem 2022. Každá žádost se hodnotí a binarizuje na «doporučeno» nebo «nedoporučeno». V průměru je 58,2 % uchazečů na pozici doporučeno; zbytek je označen pro pravděpodobné odmítnutí a většina zaměstnavatelů odmítne nedoporučené bez další lidské kontroly.

Odráží to něco, co mnozí zažívají, ale nevidí: 42 modelů pymetrics v datasetu používá současně několik firem. Hlásíš-li se ke dvěma firmám používajícím stejný model, odmítnutí firmou A je mechanicky odmítnutím firmou B. Nehodnoceno dvakrát; hodnoceno jednou a odpověď zkopírována.

Pravidlo 4 %: uchazeči odmítnutí všude

Hlavním empirickým zjištěním je to, co autoři nazývají systémovým odmítnutím — míra, s jakou je uchazeč odmítnut každou pozicí, na kterou se hlásí. Mezi těmi, kdo podali přesně 10 žádostí, byla 4 % odmítnuta ze všech 10. S rostoucím počtem žádostí míra klesá — ale pomaleji, než by předpověděla statistická nezávislost.

Proč na tom rozdílu záleží? Kdyby byla rozhodnutí skutečně nezávislá — každý zaměstnavatel posuzuje znovu — míry by klesaly exponenciálně způsobem, který lze spočítat. Autoři to ověřili s jiným velkým datasetem (korespondenční studie 83 000 žádostí u 108 firem Fortune 500) a tam míry klesají nezávisle. Algoritmický nábor ne. Pokles je korelovaný: jednou odmítnut, šance na další odmítnutí je vyšší než náhodná.

Takhle vypadá «stejná AI 50×» v reálných datech. Žádná metafora. Měřený statistický vzorec odchylující se od nezávislosti.

«Hlas se na víc» funguje zčásti — ale potřebuješ 25

Chytře autoři využili, že algoritmy jsou deterministické: stejný vstup, stejný výstup. Spustili kontrafaktuální simulaci, jaký výsledek by každý uchazeč obdržel, kdyby se hlásil na všech 1 746 pozic. Výsledek: každý uchazeč by byl doporučen alespoň jedním modelem pymetrics. Nikdo není systémem fundamentálně zablokován — pokud se hlásí všude.

Skuteční uchazeči se nehlásí všude. Při realističtějším chování — široce, ale ne univerzálně — někteří zůstávají systémově odmítnuti. Autoři kvantifikují potřebný objem: aby byla míra systémového odmítnutí pod 0,1 %, je třeba 25 žádostí, oproti 10 za bazální nezávislosti. Matematika algoritmické monokultury tě nutí k cca 2,5× objemu, jen abys dosáhl stejné férové základny, kterou by ti nealgoritmický trh nabídl zadarmo.

Dvě konkrétní škody, které studie dokumentuje

Nad rámec systémového odmítnutí studie dokumentuje adverse impact podél rasových linií, který dosahuje prahu amerického antidiskriminačního práva. «Pravidlo 4/5» označí pozici za adverse impact, když je míra výběru jedné demografické skupiny nižší než 80 % nejvíce vybírané skupiny a rozdíl je statisticky významný.

Na úrovni pozice (úrovni vyžadované zákonem) autoři zjistili:

• 10,62 % z 1 746 pozic vykazuje adverse impact proti černým uchazečům.
• 30,70 % černých uchazečů se hlásilo aspoň na jednu pozici, která je znevýhodňuje.
• 25,87 % všech žádostí podaných černými uchazeči šlo na pozice, které je znevýhodňují.
• 14,74 % všech žádostí podaných asijskými uchazeči šlo na pozice, které je znevýhodňují.

Klíčové: pymetrics filtruje podle výkonu v online hodnoticích hrách, ne podle jmen, fotografií či deklarované demografie. Předpojatost vzniká, aniž by algoritmus viděl tradiční demografické proxy. Vědci to nazývají diskriminací přes proxy — model najde korelace s rasou v zdánlivě neutrálních rysech a šíří předpojatost navzdory explicitnímu antibiasovému tréninku (který podle autorů pymetrics aplikuje).

Pro jednotlivé uchazeče: i když tvoji konkrétní demografickou skupinu daný model nepoškozuje, existence těchto vzorců znamená, že verdikt algoritmu není čistou mírou «hodí se / nehodí se» — je to zašuměný, statisticky zkreslený signál, který by ses neměl internalizovat jako úsudek o svých dovednostech.

Co skutečně mění verdikt algoritmu

Část toho, co tyto algoritmy hodnotí, je deterministická a opravitelná. Část není. Znát rozdíl je rozdíl mezi produktivním úsilím a promarněnými týdny.

Co můžeš změnit, a algoritmus si toho při příští žádosti všimne:

• Formát čitelný pro ATS. Jednosloupcové layouty, skutečný text (ne uvnitř obrázků), standardní popisy sekcí («Zkušenosti», «Vzdělání»), žádné dekorativní sloupce ani tabulky. Většina selhání parseru pochází z layoutu, ne z obsahu.
• Úplná data u každé role. Nedatovaná zkušenost je prvotřídní signál nedbalé žádosti nebo skryté mezery; algoritmy to silně trestají.
• Kvantifikované odrážky tam, kde to odpovídá pravdě. «Zvýšil jsem tržby» je neviditelné. «Zvýšil jsem tržby o 32 %» zaboduje. Nevymýšlej čísla — ale neopomíjej ta, která máš.
• Silná slovesa na začátku odrážek. «Vedl / postavil / dodal / hnal» mají váhu; «odpovědný za / pracoval na / pomáhal s» ne.
• Žádné nedokončené zástupné texty. Závorky jako [X], [číslo] nebo «TBD» znamenají auto-odmítnutí v každé ATS pipeline. Algoritmy je vidí jako nedbalý koncept.
• Klíčová slova dovedností odpovídající slovníku role. Nenacpaná, ale přítomná. Pokud inzerát říká «Postgres» a tys napsal «SQL», nemusíš sednout.

Co na algoritmu změnit nemůžeš — ale můžeš obejít:

• Diverzifikuj typy rolí. Různé profese často procházejí různými modely. Hlásit se i na «datového analytika» I na «business analytika», když oba sedí, znamená, že se dívají dva algoritmy místo jednoho.
• Diverzifikuj velikost zaměstnavatelů. Velké firmy převážně využívají velké dodavatele (HireVue, Workday, pymetrics, Greenhouse). Mid-market a startupy mají mnohem širší rozptyl; někteří automaticky nefiltrují vůbec.
• Hlas se přes kanály s lidskou kontrolou. Interní doporučení, alumni sítě, kariérní centra univerzit a přímé oslovení recruiterů obcházejí automatický počáteční filtr. Studie Stanfordu poznamenává: za nezávislosti by stačilo 10 žádostí — networking je přímá cesta, jak tu nezávislost získat zpět.
• Veď si poznámky, na jaké inzeráty ses hlásil a jakou platformu zaměstnavatel použil. Pokud 18 z 25 žádostí prošlo stejným portálem, identifikoval jsi monokulturu, kterou můžeš v další vlně rozbít.

Politika se mění — ale pomalu a ne všude

Studie Stanfordu se nachází na křižovatce horkého politického okamžiku. Tři regulační režimy se týkají algoritmického náboru:

• Hlava VII Civil Rights Act USA z roku 1964 — základ pravidla 4/5. Náborové algoritmy nesmí vyvolávat adverse impact na chráněné skupiny, měřeno na pozici.
• EU AI Act (2024, účinnost 2026–2027). Příloha III formálně klasifikuje AI pro «zaměstnání, řízení pracovníků a přístup k samostatné výdělečné činnosti» jako vysoce rizikovou. Od 2. srpna 2026 čelí poskytovatelé na trhu EU posouzení shody, transparenci a požadavkům na audit zkreslení.
• NYC Local Law 144 (2021, vymáhán od 2023). Požaduje roční audity zkreslení automatizovaných nástrojů rozhodování o zaměstnání u zaměstnavatelů v NYC plus oznámení kandidátům.

Směr je jasný — větší transparentnost, více auditů, více práv kandidátů — ale časový horizont se počítá v letech. Dataset pymetrics dokumentuje systémy fungující čtyři roky bez zveřejnění adverse impact po pozici kandidátům či regulátorům. Autoři volají po nových cestách pro nezávislý výzkum. Než budou existovat, jednotliví kandidáti se musí orientovat v systému, který je zvenčí neprůhledný.

Co dělat tento týden

Konkrétně, podle dopadu:

1. Spusť ATS audit na svém CV. Deterministické kontroly (formát, data, zástupné texty, slabá slovesa) jsou ty nejlevnější výhry. Oprav nejprve nálezy s vysokou závažností.
2. Zmapuj dodavatele. Pro posledních 10 žádostí si poznamenej platformu (Workday, Greenhouse, Lever atd.). Pokud většina prošla jednou, dalších 10 by mělo cílit záměrně na jiné.
3. Přidej do seznamu cílů 2–3 sousední profese. Sousední profese obvykle filtrují jiné modely — a tvé dovednosti se přenášejí.
4. Dosáhni 25 žádostí se záměrnou rozmanitostí. Stanfordská simulace říká: objem + rozmanitost uzavřou mezeru systémového odmítnutí. Vynech sprej na pracovních portálech; vyber 25 pozic pečlivě napříč zaměstnavateli, velikostmi a dodavateli.
5. Aktivuj alespoň 3 kanály s lidskou kontrolou. Žádost o interní doporučení, vztah s recruiterem, přímé oslovení. Obcházejí automatický filtr.
6. Sleduj výsledky 6 týdnů. Který kanál produkuje pohovory, který produkuje ticho. Přesuň objem ke kanálům se signálem.