Μεροληψία της AI στη διαλογή βιογραφικών: Γιατί τα LLM προτιμούν βιογραφικά γραμμένα από AI (Μελέτη 2025)

Τι διαπίστωσε πραγματικά η μελέτη

Τον Σεπτέμβριο του 2025, τρεις ερευνητές — ο Jiannan Xu (University of Maryland), ο Gujie Li (Cornell) και η Jane Yi Jiang — δημοσίευσαν μια εργασία με τίτλο «AI Self-preferencing in Algorithmic Hiring: Empirical Evidence and Insights» (arXiv:2509.00462· παρουσιάστηκε στα ACM EAAMO 2025 και AIES 2025). Είναι ο πρώτος εμπειρικός έλεγχος μεγάλης κλίμακας ενός ερωτήματος γύρω από το οποίο η κοινότητα της δικαιοσύνης στην AI περιστρεφόταν επί δύο χρόνια: όταν τα LLM αξιολογούν κείμενο, προτιμούν κρυφά κείμενο που ακούγεται σαν δική τους γραφή;

Η διάταξη ήταν καθαρή. Πήραν 2.245 ανωνυμοποιημένα πραγματικά βιογραφικά από το LiveCareer.com, που κάλυπταν 24 επαγγελματικές κατηγορίες. Για κάθε βιογραφικό, δημιούργησαν αναδιατυπώσεις με AI χρησιμοποιώντας επτά LLM — τρία εμπορικά (GPT-4o, GPT-4-turbo, GPT-4o-mini) και τέσσερα ανοιχτού κώδικα (LLaMA 3.3-70B, Mistral-7B, Qwen-2.5-72B, DeepSeek-V3). Στη συνέχεια ζήτησαν από κάθε μοντέλο να αξιολογήσει ζεύγη βιογραφικών (ένα γραμμένο από το ίδιο, ένα από άνθρωπο ή ανταγωνιστικό μοντέλο) και να επιλέξει τον ισχυρότερο υποψήφιο. Η ποιότητα του περιεχομένου ελεγχόταν — ίδιος ρόλος, ίδια εμπειρία, ίδια επιτεύγματα — διέφερε μόνο η επιφάνεια του λόγου.

Το αποτέλεσμα: κάθε μοντέλο προτίμησε τη δική του γραφή, συχνά δραματικά. Ποσοστά αυτοπροτίμησης ανά μοντέλο έναντι βιογραφικών γραμμένων από άνθρωπο:

• GPT-4o — 82% (επέλεξε το δικό του βιογραφικό 4 στις 5 φορές)
• LLaMA 3.3-70B — 79%
• DeepSeek-V3 — 72%
• GPT-4-turbo και Qwen-2.5-72B — αμφότερα πάνω από 65%
• Mistral-7B — 28% (ένα από τα λίγα σχεδόν ουδέτερα αποτελέσματα)
• LLaMA 3.2-3B (το μικρότερο που δοκιμάστηκε) — 11,6% (τα μικρότερα μοντέλα δεν έδειξαν σχεδόν καμία μεροληψία, γεγονός που υποδηλώνει ότι το φαινόμενο κλιμακώνεται με την ικανότητα του μοντέλου)

Κρίσιμα, η μεροληψία επέζησε των ελέγχων ευρωστίας. Η αντιστοίχιση των ζευγών βιογραφικών ως προς το σημασιολογικό περιεχόμενο μέσω BERTScore και ROUGE-L, ή ως προς το ύφος γραφής μέσω των γλωσσικών χαρακτηριστικών LIWC, δεν την εξαφάνισε. Η προτίμηση δεν παρακολουθούσε την ποιότητα ή το ύφος — παρακολουθούσε αν το κείμενο ακουγόταν σαν τις δικές του εξόδους του μοντέλου που αξιολογούσε.

Γιατί συμβαίνει αυτό — ο μηχανισμός της perplexity

Τα LLM βαθμολογούν εσωτερικά κάθε είσοδο με βάση την perplexity — χονδρικά, πόσο εκπλήσσεται το μοντέλο από κάθε επόμενο token. Κείμενο που το μοντέλο θα είχε εύλογα παραγάγει το ίδιο έχει χαμηλή perplexity (προβλέψιμο, οικείο)· κείμενο γραμμένο σε ασυνήθιστο ύφος ή με σπάνιες διατυπώσεις έχει υψηλή perplexity. Η μελέτη των Xu/Li/Jiang διαπίστωσε ότι, όταν ζητείται από τα LLM να βαθμολογήσουν την ποιότητα κειμένου, αποδίδουν σημαντικά υψηλότερες βαθμολογίες σε αποσπάσματα χαμηλότερης perplexity — ακόμη και όταν η πραγματική ποιότητα του περιεχομένου είναι πανομοιότυπη.

Ο απλούστερος τρόπος να το σκεφτείτε: ένας αξιολογητής LLM δεν κρίνει πραγματικά «είναι καλό αυτό το βιογραφικό;». Εκτελεί έναν ημισυνειδητό υπολογισμό του «μοιάζει αυτό το βιογραφικό με το είδος πράγματος που θα είχα γράψει;» και έπειτα προβάλλει αυτή την αναγνώριση ευφράδειας πάνω στην ποιότητα. Οικειότητα → ευφράδεια → κρίνεται ως υψηλότερη ποιότητα. Η χαμηλότερη perplexity νικά την υψηλότερη, τελεία και παύλα, ακόμη και όταν αμφότεροι οι υποψήφιοι είναι αντικειμενικά εξίσου καλοί.

Αυτός είναι ο ίδιος ψυχολογικός μηχανισμός που έχουν οι άνθρωποι όταν κρίνουμε ως «σαφέστερη» ή «πιο επαγγελματική» τη γραφή που αντικατοπτρίζει το δικό μας ύφος — αλλά στα LLM λειτουργεί πολύ ταχύτερα και χωρίς ενδοσκόπηση. Οι ερευνητές σημειώνουν ότι αυτό δεν είναι σφάλμα κάποιου συγκεκριμένου μοντέλου. Είναι μια συστημική ιδιότητα του τρόπου με τον οποίο τα γλωσσικά μοντέλα βασισμένα σε transformer βαθμολογούν κείμενο. Κάθε μεγάλο LLM εμφανίζει μια εκδοχή του.

Ο αντίκτυπος στον πραγματικό κόσμο — 23–60% περισσότερες βραχείες λίστες

Το να γνωρίζουμε ότι ένα LLM προτιμά τη δική του γραφή κατά 82% σε ελεγχόμενη δοκιμή κατά ζεύγη είναι ακαδημαϊκά ενδιαφέρον. Το πραγματικό ερώτημα είναι: έχει αυτό σημασία όταν ανταγωνίζεστε μια στοίβα άλλων υποψηφίων για μια πραγματική θέση εργασίας;

Για να το διαπιστώσουν, οι συγγραφείς εκτέλεσαν προσομοιωμένες ροές προσλήψεων σε όλες τις 24 επαγγελματικές κατηγορίες. Σε κάθε γύρο: συγκροτούνταν μια δεξαμενή υποψηφίων, ορισμένοι είχαν βελτιώσει τα βιογραφικά τους με το GPT-4o (το μοντέλο διαλογής του υπεύθυνου προσλήψεων), άλλοι χρησιμοποίησαν διαφορετικά LLM, άλλοι κράτησαν τα αρχικά τους βιογραφικά γραμμένα από άνθρωπο. Το LLM διαλογής κατόπιν κατέταξε τη δεξαμενή και παρήγαγε μια βραχεία λίστα.

Οι υποψήφιοι των οποίων τα βιογραφικά είχαν βελτιωθεί από το ίδιο LLM με το σύστημα διαλογής (GPT-4o → GPT-4o) είχαν 23–60% περισσότερες πιθανότητες να μπουν στη βραχεία λίστα από εξίσου καταρτισμένους υποψηφίους με βιογραφικά γραμμένα από άνθρωπο. Τα μεγαλύτερα μειονεκτήματα — πλησιέστερα στο άκρο του 60% — εμφανίστηκαν σε επαγγέλματα επιχειρησιακού προσανατολισμού: πωλήσεις, λογιστική, μάρκετινγκ, εξυπηρέτηση πελατών. Τα μικρότερα χάσματα εμφανίστηκαν σε τεχνικούς ρόλους, όπου το περιεχόμενο του βιογραφικού (συγκεκριμένα εργαλεία, γλώσσες, πιστοποιήσεις) υπερισχύει του ύφους του λόγου.

Μεταφράστε το σε πραγματικότητα αναζήτησης εργασίας: αν μια θέση πωλήσεων λάβει 200 αιτήσεις και το ATS του υπεύθυνου προσλήψεων προφιλτράρει με GPT-4o, ένας υποψήφιος που γυάλισε το βιογραφικό του με GPT-4o έχει στατιστικά πολύ περισσότερες πιθανότητες να φτάσει στη στοίβα ανθρώπινης αξιολόγησης από έναν υποψήφιο ίδιου διαμετρήματος του οποίου το βιογραφικό γράφτηκε χωρίς AI. Αυτό δεν είναι μικρό πλεονέκτημα.

Γιατί αυτό είναι πιο σημαντικό από «άλλη μία μεροληψία της AI»

Η έρευνα για τη δικαιοσύνη στην AI έχει αφιερώσει μια δεκαετία στην τεκμηρίωση μεροληψίας εις βάρος δημογραφικών ομάδων — φύλο, φυλή, ηλικία, αναπηρία. Αυτές οι μεροληψίες είναι καλά κατανοητές και αντιμετωπίζονται ενεργά νομοθετικά στην ΕΕ (κατάταξη υψηλού κινδύνου της AI προσλήψεων στον AI Act) και σε αρκετές δικαιοδοσίες των ΗΠΑ (NYC Local Law 144, Illinois AI Video Interview Act κ.λπ.).

Η μεροληψία αυτοπροτίμησης είναι διαφορετική. Δεν παρακολουθεί κάποιο προστατευόμενο χαρακτηριστικό· παρακολουθεί αν χρησιμοποιήσατε την ίδια μάρκα AI με τον εργοδότη σας. Αυτό ακούγεται αβλαβές — μέχρι να παρατηρήσετε ότι η αγορά των LLM είναι συγκεντρωμένη. Το GPT-4o (OpenAI) είναι το ευρύτερα διαδεδομένο μοντέλο διαλογής στον εταιρικό κόσμο, και είναι επίσης το ευρύτερα χρησιμοποιούμενο καταναλωτικό LLM. Επομένως, η μεροληψία ευνοεί συστηματικά τους υποψηφίους με επί πληρωμή συνδρομές ChatGPT έναντι υποψηφίων που χρησιμοποιούν δωρεάν Claude, Gemini ή DeepSeek — και έναντι υποψηφίων που γράφουν χωρίς καθόλου AI.

Πρόκειται για μια μεροληψία συνδεδεμένη με τον πλούτο και την πρόσβαση που κρύβεται μέσα σε αυτό που μοιάζει με ουδέτερη αλγοριθμική διαδικασία. Σε αντίθεση με τη δημογραφική μεροληψία, καμία υφιστάμενη ρύθμιση δεν την αντιμετωπίζει. Οι συγγραφείς ζητούν ρητά διευρυμένα πλαίσια δικαιοσύνης που να καλύπτουν τις «αλληλεπιδράσεις AI-AI» — μεροληψίες που προκύπτουν όχι από το πώς ένας αλγόριθμος μεταχειρίζεται ένα άτομο, αλλά από το πώς ένας αλγόριθμος μεταχειρίζεται την έξοδο ενός άλλου αλγορίθμου. Αυτή η κατηγορία βλάβης είναι ολοκαίνουργια στη βιβλιογραφία πολιτικής.

Τι σημαίνει αυτό για εσάς, τον αναζητούντα εργασία

Μην πανικοβάλλεστε. Η μεροληψία είναι υπαρκτή, αλλά η ορθολογική αντίδραση δεν είναι «μη χρησιμοποιείτε ποτέ AI» — είναι «χρησιμοποιήστε την AI με τρόπο που δεν καθιστά το βιογραφικό σας εύκολα αναγνωρίσιμο ως έξοδο ενός μοντέλου». Πέντε πρακτικές συνέπειες:

• Γράψτε μόνοι σας την ουσία. Συγκεκριμένα επιτεύγματα, αριθμοί, ημερομηνίες, ονόματα έργων, το πραγματικό περιεχόμενο του ρόλου σας — αυτά είναι γεγονότα που η AI δεν μπορεί να επινοήσει χωρίς να παραισθάνεται. Το να τα καταγράψετε οι ίδιοι δεν είναι διαπραγματεύσιμο, τόσο για λόγους εντιμότητας όσο και για την αποφυγή των προφανών ενδείξεων (επινοημένες εταιρείες, ύποπτα στρογγυλά ποσοστά).
• Χρησιμοποιήστε την AI για γυάλισμα, όχι για σύνταξη. Το να ζητήσετε από ένα LLM να «αναδιατυπώσει το σημείο μου ώστε να ακούγεται πιο δυναμικό» σας δίνει μια βελτίωση διατύπωσης πάνω στο πραγματικό σας περιεχόμενο. Το να του ζητήσετε να «γράψει ένα βιογραφικό για διευθυντή μάρκετινγκ» σας δίνει γενικόλογο κείμενο AI που φωνάζει την προέλευσή του σε κάθε σύστημα διαλογής — και σε κάθε ανθρώπινο αξιολογητή με δύο μήνες εμπειρίας.
• Μην επικολλάτε αυτούσια την έξοδο ενός μόνο μοντέλου. Αν το 82% της μεροληψίας προέρχεται από το ότι ένα LLM αναγνωρίζει τις δικές του εξόδους, η χειρότερη δυνατή στρατηγική είναι να στέλνετε το αδιόρθωτο κείμενο του ίδιου LLM σε ένα σύστημα διαλογής που μπορεί να είναι το ίδιο μοντέλο. Αναμείξτε πηγές: συντάξτε μόνοι σας, γυαλίστε με ένα εργαλείο, κάντε ένα τελικό πέρασμα με ένα διαφορετικό εργαλείο, επεξεργαστείτε το αποτέλεσμα με το χέρι.
• Μην ακούγεστε ρομποτικοί. Η μεροληψία ανταμείβει τη διατύπωση που είναι οικεία στο μοντέλο — αλλά ένας έμπειρος ανθρώπινος αξιολογητής μπορεί να εντοπίσει το «Ως επαγγελματίας προσανατολισμένος στα αποτελέσματα με πάθος για την αριστεία» από απόσταση. Ο συμβιβασμός είναι η φωνή: κρατήστε τον δικό σας ρυθμό πρότασης και επιλογή λέξεων, χρησιμοποιήστε την AI μόνο για μικρορυθμίσεις γραμματικής/συντομίας.
• Να είστε ειλικρινείς αν σας ρωτήσουν. Ένας μικρός αλλά αυξανόμενος αριθμός εργοδοτών στην ΕΕ — ιδίως σε ρυθμιζόμενους κλάδους όπως τα χρηματοοικονομικά, η υγειονομική περίθαλψη και η δημόσια διοίκηση — ζητούν ρητά από τους υποψηφίους να δηλώσουν τη χρήση AI κατά την υποβολή αίτησης. Αν οι οδηγίες μιας θέσης το ζητούν, δηλώστε το. Το ψέμα σχετικά με αυτό αποτελεί λόγο ανάκλησης μιας προσφοράς σε οποιοδήποτε μεταγενέστερο σημείο.

Τι σημαίνει αυτό για εργοδότες και υπεύθυνους προσλήψεων

Αν βρίσκεστε στην άλλη πλευρά του τραπεζιού, η εργασία έχει δυσάρεστες συνέπειες. Η διαλογή βιογραφικών με ένα μόνο μοντέλο δεν είναι πλέον υπερασπίσιμη ως «αντικειμενική». Αν το ATS σας χρησιμοποιεί GPT-4o για να κατατάξει τους αιτούντες και προσλαμβάνετε για μια θέση πωλήσεων, ευνοείτε συστηματικά τους υποψηφίους που πλήρωσαν για το ίδιο μοντέλο — και αυτό το πλεονέκτημα δεν έχει καμία σχέση με το αν μπορούν να πουλήσουν.

Η μελέτη των Xu/Li/Jiang δοκίμασε δύο μέτρα μετριασμού που λειτούργησαν:

1. Δήλωση σε επίπεδο prompt. Η προσθήκη μιας πρότασης στο prompt διαλογής — «Δεν πρέπει να λαμβάνετε υπόψη ή να συμπεραίνετε αν τα βιογραφικά γράφτηκαν από άνθρωπο ή από AI. Εστιάστε μόνο στην ποιότητα του περιεχομένου.» — μείωσε μετρήσιμα τη μεροληψία. Φθηνό, δωρεάν, μερικό.
2. Σύνολο πλειοψηφικής ψήφου. Ο συνδυασμός του κύριου αξιολογητή με δύο μικρότερα μοντέλα (π.χ. GPT-4o συν LLaMA 3.2-1B και LLaMA 3.2-3B) και η χρήση πλειοψηφικής ψήφου για την τελική απόφαση της βραχείας λίστας μείωσε τη μεροληψία κατά περισσότερο από 50%. Τα μικρότερα μοντέλα έδειξαν σχεδόν μηδενική αυτοπροτίμηση, οπότε λειτούργησαν ως αντίβαρο στη μεροληψία του κύριου μοντέλου. Περισσότερη υπολογιστική ισχύς, πολύ περισσότερη δικαιοσύνη.

Ειδικά για τους εργοδότες της ΕΕ: ο AI Act κατατάσσει την AI προσλήψεων ως υψηλού κινδύνου. Η γνώση ότι η διαλογή με ένα μόνο μοντέλο εισάγει μια μετρήσιμη, μη δημογραφική μεροληψία που θέτει σε μειονεκτική θέση τους υποψηφίους με λιγότερη πρόσβαση στην ίδια επί πληρωμή υπηρεσία AI πιθανότατα τέμνεται με τις υποχρεώσεις διαφάνειας και δικαιοσύνης του Act. Τεκμηριώστε τη στρατηγική μετριασμού σας πριν τη χρειαστείτε.

Η ειλικρινής εκδοχή: πρέπει τελικά να χρησιμοποιήσετε AI στο βιογραφικό σας;

Τρία ειλικρινή σενάρια. Επιλέξτε αυτό που ταιριάζει στην πραγματικότητά σας.

Σενάριο Α: κάνετε αίτηση σε μια μεγάλη εταιρεία που πιθανώς κάνει διαλογή ATS με GPT-4o. Το πλεονέκτημα βραχείας λίστας 23–60% είναι υπαρκτό εδώ. Η χρήση ενός μεγάλου LLM για το γυάλισμα του βιογραφικού σας (ΟΧΙ για τη σύνταξή του) σας δίνει το πλεονέκτημα χωρίς τις προφανείς ενδείξεις. Συμπέρασμα: χρησιμοποιήστε την AI με προσοχή.

Σενάριο Β: κάνετε αίτηση σε μια μικρή/μεσαία εταιρεία όπου ένας ανθρώπινος υπεύθυνος προσλήψεων διαβάζει πρώτος το βιογραφικό. Το LLM διαλογής δεν υπάρχει σε αυτή τη ροή. Το ρομποτικό κείμενο AI σας βλάπτει ενεργά εδώ — οι άνθρωποι μπορούν να το εντοπίσουν, και πολλοί το τιμωρούν ενεργά ως αντιληπτή έλλειψη προσπάθειας. Συμπέρασμα: γράψτε το μόνοι σας, χρησιμοποιήστε την AI με φειδώ για τη γραμματική.

Σενάριο Γ: κάνετε αίτηση στον ακαδημαϊκό χώρο, στην υγειονομική περίθαλψη ή στη δημόσια διοίκηση στην ΕΕ. Η δήλωση χρήσης AI απαιτείται όλο και περισσότερο. Το κείμενο με ευφράδεια AI μπορεί να εκληφθεί ως κόκκινη παρά ως πράσινη σημαία. Συμπέρασμα: ελάχιστη AI, κατά προτίμηση καθόλου, δηλώστε αν χρησιμοποιήθηκε βοήθεια.

Και στα τρία σενάρια, ένας κανόνας είναι καθολικός: μην αφήνετε την AI να γράψει το πραγματολογικό σας περιεχόμενο. Τα επιτεύγματα, οι αριθμοί και οι λεπτομέρειες των έργων πρέπει να προέρχονται από εσάς. Η AI είναι ένα γυάλισμα διατύπωσης, όχι μια γεννήτρια ουσίας.

Πώς το προσεγγίζουμε αυτό στο TakeMeUp.cv

Πλήρης διαφάνεια: φτιάχνουμε ένα εργαλείο βιογραφικών και προσφέρουμε λειτουργίες AI. Οπότε αυτή είναι η αμήχανη ενότητα όπου πρέπει να είμαστε διαφανείς για το δικό μας προϊόν σε ένα άρθρο που τεκμηριώνει μεροληψία στα εργαλεία AI.

Η πρόσθετη λειτουργία AI Rewrite είναι σκόπιμα περιορισμένη στο γυάλισμα σε επίπεδο διατύπωσης, όχι στη δημιουργία σημείων. Αναδιατυπώνει ένα σημείο που γράψατε σε μια ισχυρότερη εκδοχή του εαυτού του — διατηρώντας τους αριθμούς σας, τις ημερομηνίες σας, τα ονόματα των έργων σας και την ουσία αυτού που πραγματικά κάνατε. Αρνείται να επινοήσει μετρήσεις. Αυτό δεν είναι επίδειξη αρετής· είναι η μόνη θέση προϊόντος που μπορούμε να υπερασπιστούμε σε έναν κόσμο όπου η κατασκευή βιογραφικών από AI είναι ανεξέλεγκτη. Η πρόσθετη λειτουργία Authenticity Score υπάρχει ακριβώς επειδή γνωρίζουμε ότι οι υπεύθυνοι προσλήψεων αρχίζουν να εντοπίζουν το κείμενο ενός μόνο LLM.

Επιφυλάξεις και τι δεν γνωρίζουμε ακόμη

Η μελέτη των Xu/Li/Jiang είναι η ισχυρότερη ένδειξη που έχουμε, αλλά μερικές ειλικρινείς επιφυλάξεις προτού αναθεωρήσετε υπερβολικά με βάση αυτήν:

• Τα βιογραφικά ήταν σε πλαίσιο ΗΠΑ (LiveCareer.com). Τα βιογραφικά σε πλαίσιο ΕΕ περιλαμβάνουν φωτογραφίες, ημερομηνίες γέννησης, πεδία σχετικά με τον GDPR και σειρές ενοτήτων ανάλογα με τη γλώσσα/χώρα. Ο μηχανισμός της μεροληψίας (perplexity ως οικειότητα) αναμένεται να γενικεύεται, αλλά το μέγεθος του φαινομένου για τις ευρωπαϊκές προσλήψεις δεν έχει ακόμη μετρηθεί.
• Οι εργασίες διαλογής που δοκιμάστηκαν ήταν συγκρίσεις κατά ζεύγη και κατάταξη βραχείας λίστας. Τα συστήματα ATS παραγωγής συχνά συνδυάζουν τη βαθμολόγηση LLM με φίλτρα λέξεων-κλειδιών, αποκλειστικές ερωτήσεις και σταθμισμένα κριτήρια — η μεροληψία του LLM είναι ένα σήμα μέσα σε μια στοίβα σημάτων.
• Η μελέτη δεν δοκίμασε το Claude (Anthropic) ούτε το Gemini (Google) — αμφότερα χρησιμοποιούνται πλέον σε διαλογή παραγωγής σε μεγάλη κλίμακα. Η κατεύθυνση της μεροληψίας αναμένεται να είναι η ίδια (τα μοντέλα προτιμούν τις δικές τους εξόδους), αλλά τα μεγέθη για αυτά τα συγκεκριμένα συστήματα δεν περιλαμβάνονται σε αυτό το σύνολο δεδομένων.
• Η μεροληψία αυτοπροτίμησης είναι μία μεροληψία ανάμεσα σε πολλές που εμφανίζουν τα LLM κατά τη διαλογή βιογραφικών. Η δημογραφική μεροληψία εις βάρος γυναικών, μειονοτήτων και μεγαλύτερων σε ηλικία υποψηφίων επιμένει σε πολλά μοντέλα — αυτό το ζήτημα είναι παλαιότερο και καλύτερα τεκμηριωμένο, και δεν εξαφανίζεται επειδή έχουμε τώρα ένα νέο πρόβλημα AI εναντίον AI.
• Το μέτρο μετριασμού (πλειοψηφική ψήφος με μικρά μοντέλα) μειώνει τη μεροληψία κατά >50%, αλλά δεν την εξαλείφει. Δεν υπάρχει επί του παρόντος τεχνική που να αφαιρεί πλήρως τη μεροληψία αυτοπροτίμησης.