Miért utasítanak el minden állásnál, ahová jelentkezel (és gyakran ugyanaz az MI utasít el minden alkalommal)

A rejtett szűk keresztmetszet a megválaszolatlan jelentkezéseid mögött

Ha 30, 50 vagy 100 állásra jelentkeztél, és a csend egyenletes, a szokásos feltételezés — «biztos gyenge a CV-m» — gyakran nem helyes. A strukturális ok egyszerűbb és kényelmetlenebb: nem 50 különböző toborzó olvas téged. Egy maroknyi algoritmus pontoz, nagyon valószínűen ugyanaz, újra és újra.

Az amerikai munkáltatók több mint 90%-a ma algoritmikus szűrést használ, mielőtt ember belépne a folyamatba. Az EU-s elterjedés gyorsan nő, és most már hivatalosan szabályozza az EU AI Act, amely a munkahelyi felvételi MI-t «magas kockázatúnak» minősíti (III. melléklet). Amit a legtöbben nem vesznek észre, az a szállítói piac koncentrációja. A Fortune 100 több mint 60%-a és az USA 10 legnagyobb szövetségi ügynökségéből 8 a HireVue algoritmusait használja. A pymetrics — a Stanford 2026-os tanulmányában vizsgált szállító — 156 munkáltatónál közvetít szűrést, 225 milliárd $ éves bevétellel a pénzügy, gyártás, logisztika és további 8 iparágban.

A következmény egyetlen hibapont a munkaerőpiacon. Amikor egy szállító algoritmusa eldönti, hogy nem illesz, az ítélet kiterjed minden munkáltatóra, aki azt a szállítót használja. Több szerepre jelentkezni több cégnél — a klasszikus tanács — csak részben működik, ha azok a cégek különböző szállítókat használnak. Ha nem, ugyanaz a gép mondja neked nem 47 különböző egyenruhában.

Mit jelent valójában az «algoritmikus monokultúra»

A kutatók ezt a mintát algoritmikus monokultúrának nevezik — hivatalosan «az az állapot, amikor sok döntéshozó ugyanazokra vagy hasonló algoritmusokra támaszkodik». A kifejezés a mezőgazdasági tudományból ered, ahol egyetlen fajta ültetése hatalmas területeken felerősíti egyetlen kártevő hatását. A gazdasági logika átültethető: amikor sok munkáltató ugyanazt a szűrőeszközt vásárolja, annak preferenciái és vakfoltjai beégnek az egész munkaerőpiacba.

A Stanford 2026-os tanulmánya Bommasani, Bana, Creel, Jurafsky és Liang szerzőktől (Stanford, Chapman, Northeastern) az első, amely valódi algoritmikus felvételi döntéseket figyel meg több munkáltatónál egyetlen szállítóval. 4 197 168 jelentkezéshez fértek hozzá, amelyeket 3 372 132 jelentkező adott be 1 746 pozícióra, mind pymetrics modellek által értékelve 2018 decembere és 2022 decembere között. Minden jelentkezést pontoznak és binarizálnak «ajánlott» vagy «nem ajánlott» kimenetté. Átlagosan a jelentkezők 58,2%-át ajánlják pozíciónként; a többit valószínű elutasításra jelölik, és a legtöbb munkáltató további emberi felülvizsgálat nélkül utasítja el a nem ajánlottakat.

Ez tükrözi, amit sokan megélnek, de nem látnak: a pymetrics 42 modelljét egyszerre több cég használja. Ha két céghez jelentkezel, amelyek ugyanazt a modellt használják, az A cégnél kapott elutasítás mechanikusan elutasítás B-nél is. Nem kétszer értékelve; egyszer értékelve, és a válasz lemásolva.

A 4%-os szabály: mindenhol elutasított jelentkezők

A tanulmány fő empirikus eredménye az, amit a szerzők rendszerszintű elutasításnak neveznek — az az arány, amellyel egy jelentkezőt minden pozíció elutasít, ahová jelentkezik. A pontosan 10 jelentkezést benyújtók közül 4%-ot mind a 10-ből elutasítottak. Ahogy a jelentkezők több pozícióra jelentkeznek, az arány csökken — de lassabban, mint amit a statisztikai függetlenség jósolna.

Miért számít ez a rés? Ha a döntések valóban függetlenek lennének — minden munkáltató friss ítélettel — az arányok exponenciálisan csökkennének kiszámítható módon. A szerzők ezt egy másik nagy adathalmazzal (83 000 jelentkezésű levelezési tanulmányok 108 Fortune 500-as cégnél) ellenőrizték, és ott az arányok valóban függetlenül csökkennek. Az algoritmikus felvétel nem. A csökkenés korrelált: egyszer elutasítva, a következő elutasítás esélye magasabb a véletlennél.

Így néz ki «ugyanaz az MI 50-szer» a valódi adatokban. Nem metafora. Mért statisztikai minta, amely eltér a függetlenségtől.

«Jelentkezz többre» részben működik — de 25-re van szükséged

A kutatók okosan kihasználták, hogy az algoritmusok determinisztikusak: ugyanaz a bemenet, ugyanaz a kimenet. Ellenpéldás szimulációt futtattak, amely előállította azt az eredményt, amelyet minden jelentkező kapott volna, ha mind az 1 746 pozícióra jelentkezett volna. Eredmény: minden jelentkezőt legalább egy pymetrics modell ajánlott volna. A rendszer alapvetően senkit sem zár ki — feltéve, ha mindenhová jelentkezik.

A valódi jelentkezők nem jelentkeznek mindenhová. Reálisabb viselkedés mellett — széleskörűen, de nem univerzálisan — egyesek továbbra is rendszerszintű elutasítást szenvednek el. A szerzők számszerűsítik a szükséges mennyiséget: ahhoz, hogy a rendszerszintű elutasítási arány 0,1% alatt maradjon, 25 jelentkezést kell beadni, szemben a 10-zel független döntések alapvonalán. Az algoritmikus monokultúra matematikája kb. 2,5× mennyiségre kényszerít téged, csak hogy elérd ugyanazt a méltányossági alapvonalat, amelyet egy nem-algoritmikus munkaerőpiac ingyen nyújtana.

Két konkrét kár, amit a tanulmány dokumentál

A rendszerszintű elutasításon túl a tanulmány faji vonalak mentén adverse impactet dokumentál, amely eléri az amerikai antidiszkriminációs jog küszöbét. A «4/5 szabály» akkor jelöli meg a pozíciót adverse impactként, amikor egy demográfiai csoport kiválasztási aránya kevesebb, mint a legtöbbet választott csoport arányának 80%-a, és a különbség statisztikailag szignifikáns.

Pozíciónként (a törvény által megkövetelt szinten) a szerzők ezt találták:

• Az 1 746 pozíció 10,62%-a adverse impactet mutat fekete jelentkezőkkel szemben.
• A fekete jelentkezők 30,70%-a legalább egy olyan pozícióra jelentkezett, amely hátrányosan érinti a fekete jelentkezőket.
• A fekete jelentkezők által benyújtott összes jelentkezés 25,87%-a olyan pozíciókra ment, amelyek hátrányosan érintik őket.
• Az ázsiai jelentkezők által benyújtott összes jelentkezés 14,74%-a olyan pozíciókra ment, amelyek hátrányosan érintik őket.

Kritikus: a pymetrics az online értékelőjátékokban nyújtott teljesítmény alapján szűr, nem nevek, fényképek vagy bevallott demográfia szerint. A torzítás úgy jelenik meg, hogy az algoritmus nem látja a hagyományos demográfiai proxykat. A kutatók ezt proxy diszkriminációnak nevezik — a modell korrelációkat talál a fajjal látszólag semleges jellemzőkben, és a torzítást a kifejezett antitorzítási tréning ellenére is terjeszti (amelyet a szerzők szerint a pymetrics alkalmaz).

Az egyéni jelentkezők számára: még ha a te konkrét demográfiai csoportodat nem is érinti hátrányosan egy adott modell, e minták megléte azt jelenti, hogy az algoritmus ítélete nem tiszta mérőeszköze az «illeszkedésnek» — egy zajos, statisztikailag torzított jel, amelyet nem szabad belsővé tenned a képességeidről alkotott ítéletként.

Mi változtatja meg valójában az algoritmus ítéletét

Az, amit ezek az algoritmusok értékelnek, részben determinisztikus és javítható. Részben nem. A különbség ismerete a különbség a produktív erőfeszítés és az elvesztegetett hetek között.

Amit megváltoztathatsz, és az algoritmus észreveszi a következő jelentkezésnél:

• ATS-olvasható formátum. Egyoszlopos elrendezések, valódi szöveg (nem képek belsejében), szabványos szakaszcímkék («Tapasztalat», «Tanulmányok»), nincsenek dekoratív oszlopok vagy táblázatok. A parser-hibák többsége az elrendezésből származik, nem a tartalomból.
• Teljes dátumok minden szerepnél. A datálatlan tapasztalat első osztályú jele a hanyag jelentkezésnek vagy a rejtett résnek; az algoritmusok keményen büntetik.
• Számszerűsített pontok, ahol igazak. «Növeltem a bevételt» láthatatlan. «32%-kal növeltem a bevételt» megüt. Ne találj ki számokat — de ne hagyd ki azokat, amik megvannak.
• Erős igék a pontok elején. «Vezettem / építettem / szállítottam / hajtottam» súllyal bír; «felelős vagyok érte / dolgoztam rajta / segítettem» nem.
• Nincsenek befejezetlen helyőrzők. Az olyan zárójelek, mint [X], [szám] vagy «TBD», automatikus elutasítás minden ATS pipeline-ban. Az algoritmusok hanyag piszkozatnak látják.
• A szerep szótárának megfelelő készség-kulcsszavak. Nem telezsúfolva, de jelen vannak. Ha a hirdetés «Postgres»-t mond, és te «SQL»-t írtál, lehet, hogy nem párosodsz.

Amit nem változtathatsz meg az algoritmusban — de kerülgetheted:

• Diverzifikáld a szereptípusokat. A különböző foglalkozások gyakran különböző modelleken futnak át. «Adatelemzőre» ÉS «üzleti elemzőre» is jelentkezni, ha mindkettő illik, két algoritmusnak ad alkalmat egy helyett.
• Diverzifikáld a munkáltatók méretét. A nagyvállalatok többnyire a nagy szállítókat használják (HireVue, Workday, pymetrics, Greenhouse). A középvállalatok és a startupok sokkal szélesebb szóródásúak; egyesek nem szűrnek automatikusan.
• Jelentkezz emberi felülvizsgálatot tartalmazó csatornákon. Belső ajánlások, alumni hálózatok, egyetemi karrierszolgálatok és közvetlen megkeresés fejvadászokon keresztül megkerülik az automatikus kezdeti szűrőt. A Stanford tanulmány megjegyzi: függetlenség mellett 10 jelentkezés elég lenne — a networking közvetlen út ennek visszanyerésére.
• Jegyezd fel, melyik hirdetésekre jelentkeztél, és milyen platformot használt a munkáltató. Ha 25 jelentkezésből 18 ugyanazon a portálon ment át, monokultúrát azonosítottál, amelyet a következő körben megtörhetsz.

A szabályozás változik — de lassan és nem mindenhol

A Stanford tanulmány egy forró politikai pillanat metszéspontjában áll. Három szabályozási rezsim érinti az algoritmikus felvételt:

• Az 1964-es amerikai Civil Rights Act VII. címe — a 4/5-szabály alapja. A felvételi algoritmusoknak nem szabad adverse impactet okozniuk védett csoportokon, pozícióként mérve.
• EU AI Act (2024, hatályba lép 2026–2027 között). A III. melléklet hivatalosan «magas kockázatúnak» minősíti a «foglalkoztatáshoz, munkavállalók kezeléséhez és önfoglalkoztatáshoz való hozzáféréshez» kapcsolódó MI-t. 2026. augusztus 2-tól az EU piacán működő szolgáltatók megfelelőségi értékeléssel, átláthatósági és torzítás-auditálási követelményekkel szembesülnek.
• NYC Local Law 144 (2021, 2023-tól érvényesítve). Évente kötelezi torzítás-auditokra a NYC-i munkáltatók által használt automatizált foglalkoztatási döntéshozó eszközöket, plusz tájékoztatja a jelölteket.

Az irány tiszta — több átláthatóság, több audit, több jelölti jog —, de az ütemezés években mérhető. A pymetrics adatbázis négy évig működő rendszereket dokumentál anélkül, hogy pozíciónkénti adverse impact közzétételre került volna a jelöltek vagy a szabályozók számára. A szerzők új utakat sürgetnek a független kutatás számára. Amíg ezek nem léteznek, az egyéni jelöltek kívülről átláthatatlan rendszerben navigálnak.

Mit tegyél ezen a héten

Konkrétan, hatás szerint:

1. Futtass ATS-auditot a jelenlegi CV-den. A determinisztikus ellenőrzések (formátum, dátumok, helyőrzők, gyenge igék) a legolcsóbb győzelmek. Először a magas súlyosságú megállapításokat javítsd.
2. Térképezd fel a szállítókat. Az utolsó 10 jelentkezésednél jegyezd fel a platformot (Workday, Greenhouse, Lever stb.). Ha a többség egyen ment át, a következő 10-nek szándékosan más platformokat kell céloznia.
3. Adj hozzá 2–3 szomszédos foglalkozást a célok listájához. A szomszédos foglalkozásokat általában más modellek szűrik — és a készségeid átvihetők.
4. Érj el 25 jelentkezést szándékos sokszínűséggel. A Stanford szimuláció szerint: mennyiség + változatosság zárja be a rendszerszintű elutasítási rést. Hagyd ki az állásportál-spammelést; válassz 25 pozíciót gondosan a munkáltatók, méretek és szállítók között.
5. Aktiválj legalább 3 emberi felülvizsgálattal rendelkező csatornát. Egy belső ajánlási kérés, egy fejvadász-kapcsolat, egy közvetlen megkeresés. Megkerülik az automatikus szűrőt.
6. Kövesd nyomon az eredményeket 6 hétig. Melyik csatorna ad interjúkat, melyik csendet. Helyezd át a mennyiséget a jelet adó csatornákra.