MIT: nem mindig árt a közös algoritmus a munkaerő-felvételben

A közös algoritmus nem minden helyzetben káros

Az MIT News 2026. szeptember 29-én számolt be arról a kutatásról, amely a munkaerő-felvételi döntések példáján vizsgálta az algoritmikus monokultúra hatásait. A fogalom azt jelenti, hogy egy adott területen sok szereplő ugyanazt az algoritmust használja döntéshozatalra.

A kutatók abból indultak ki, hogy az AI-eszközök egyre több helyzetben váltanak ki emberi ítéleteket. A cikk példaként az önéletrajzokat szűrő algoritmusokat említi, amelyek a felvételi folyamatban javíthatják a döntések hatékonyságát és következetességét. Egyes kutatók ugyanakkor attól tartanak, hogy ha egy iparágban mindenki ugyanarra az automatizált rendszerre támaszkodik, annak kedvezőtlen következményei lehetnek.

A munkaerő-felvételben ilyen aggályként merült fel a szisztematikus kizárás: ha egy jelöltet az egyik cég algoritmusa elutasít, nagy eséllyel más vállalatoknál is ugyanez történik. Az MIT kutatói azonban arra jutottak, hogy ez az érv önmagában nem döntő minden monokulturális megoldással szemben.

Brian Hedden, az MIT Department of Linguistics and Philosophy professzora, aki az MIT Schwarzman College of Computing megosztott pozícióját is betölti az Electrical Engineering and Computer Science tanszékkel, az MIT Newsnak úgy fogalmazott: „Az algoritmikus monokultúra felé tartó trend reális forgatókönyv, és nagyon fontos kérdés, amelyet az AI használata hoz felszínre, de elvontan nehéz megmondani, hogy a monokultúra rossz dolog lenne-e. Ez a részletektől függ, például attól, milyen területről beszélünk, és mennyire pontos maga az algoritmus.”

Miért nem egyértelmű a kizárásról szóló érv

A tanulmány szerzői, Brian Hedden és Manish Raghavan, több modellt használtak annak vizsgálatára, hogy a közös algoritmus milyen helyzetekben okozhat problémát. Raghavan a Drew Houston (2005) Career Development Professor az MIT Sloan School of Managementben és az Electrical Engineering and Computer Science tanszéken, valamint a Laboratory for Information and Decision Systems kutatója. A kutatás a Philosophical Perspectives folyóiratban jelent meg.

A kutatók szerint az a feltevés, hogy egy közös algoritmus miatt egyes álláskeresők minden cégnél kiesnek, nem feltétlenül elég erős kifogás. Érvelésük szerint a betöltött állások teljes száma nem változik attól, hogy a cégek ugyanazt az algoritmust használják. Raghavan az MIT Newsnak így magyarázta a következményt: „Minden állást betöltenek, és ugyanannyi embernek lesz munkája, de a cégek ugyanazért a jelölti körért versenyeznek, ami valójában felhajtja a béreket.”

A szerzők az álláskeresők mozgásterével kapcsolatos aggályokat is vizsgálták. Ha egy jelölt anyagát a rendszer minden, ugyanazt az algoritmust használó céghez továbbítja, a jelöltnek nincs alkalma módosítani az önéletrajzát, hogy javítsa az esélyeit. Hedden szerint ez erős kifogás lehet a monokultúra rossz formáival szemben, de nem áll meg akkor, ha a rendszer lehetőséget ad az önéletrajz átdolgozására és újraküldésére.

A másik oldalról a közös algoritmus a rendszer kijátszását is segítheti. Ha például egy bizonyos önéletrajz-formátum jobb eredményhez vezet, a jelöltek egyszerűen átformázhatják az anyagukat. Hedden ugyanakkor az MIT Newsnak azt mondta, nem nyilvánvaló, hogy egyetlen algoritmus jobban ösztönözné ezt, mint sok különböző, cégenként eltérő algoritmus.

A fő kockázat az információ beszűkülése lehet

A kutatás egyik fontos következtetése, hogy az algoritmikus monokultúra matematikailag igazolható módon információs visszhangkamrákat hozhat létre, amelyek akadályozhatják a feltárást, vagyis az új lehetőségek kipróbálását. A felvételi döntéseknél ez azt jelentheti, hogy kisebb eséllyel kapnak munkát a legjobb jelöltek.

A szerzők ezt a „tömegek bölcsessége” néven ismert társadalompszichológiai elgondolással kapcsolják össze. Hedden magyarázata szerint sok, egymástól független döntéshozó sokféle megközelítése jobb eredményt adhat, mint egyetlen döntéshozóé. A munkaerő-felvételben ez azt jelenti, hogy ha a cégek eltérő felvételi algoritmusokat használnak, a felvett munkavállalók összetétele jobb minőségű lehet.

Az MIT News szerint az algoritmikus monokultúra ahhoz is vezethet, hogy mindig azonos jellemzőkkel és bizonyítványokkal rendelkező jelölteket választanak ki. Ez megakadályozhatja, hogy a cégek jobb alternatívákat fedezzenek fel. Raghavan szerint a monokultúra korlátozhatja a felfedezés mennyiségét, ami különösen olyan alkalmazások tervezésekor lehet aggályos, mint a tudomány, a művészet vagy az írás.

A cikk szerint a probléma egyik lehetséges enyhítése, ha a monokulturális platformba véletlenszerűséget építenek, ami magasabb szintű feltárást idézhet elő. A monokultúra teljesítménye emellett magától az algoritmustól is függ. Ha az egyetlen algoritmus jóval pontosabb, mint a különböző cégek által használt több algoritmus, a monokultúra jobb rendszer lehet.

Az algoritmusok összecsomagolása jobb eredményt is hozhat

A kutatók egy lehetséges megoldásként azt vizsgálták, hogy több cég felvételi algoritmusát egyetlen „ensemble” algoritmusba lehetne csomagolni. Ez a rendszer az állásjelölteknek az átlag alapján adhatna pontszámot. A különböző felvételi helyzeteket modellező szimulációk alapján egy ilyen „ensemble algorithm” bizonyos esetekben felülmúlhatja a több külön algoritmus használatát.

Hedden ugyanakkor az MIT News szerint hangsúlyozta, hogy további vizsgálatot igényel, mennyire lenne megvalósítható ez a fajta algoritmikus összevonás a gyakorlatban. A kutatók azt is kiemelik, hogy bár a tanulmány a munkaerő-felvételre fókuszált, a megközelítés más területekre, például a hitelezésre is alkalmazható lehet.

A cikk példaként megemlíti, hogy a hitelezési döntéseket korábban egyes bankok független bankárai hozták, ma viszont a bankárok ugyanazt az információt használják a hitelfelvevő szabványosított hitelpontszámai alapján, amelyek a Fair Isaac Corporation, vagyis FICO algoritmusából származnak. A forrás azt is írja, hogy néhány önéletrajz-szűrő algoritmust sok Fortune 500 vállalat használ.

A szerzők ugyanakkor óvatosságra intenek az általánosítással. Megjegyzik, hogy más területek, például a generatív AI-tartalomkészítés vagy az AI által támogatott tudományos kutatás eltérően működhetnek, és ezekben a monokultúra problémásabb lehet.

Mit jelent ez a felhasználóknak és a piacnak

Az álláskeresők és a munkaadók számára a kutatás fő üzenete az, hogy a közös algoritmus hatása nem dönthető el pusztán abból, hogy sok cég ugyanazt az eszközt használja. A következményeket befolyásolja az algoritmus pontossága, a jelöltek mozgástere, az, hogy van-e lehetőség az anyagok módosítására, valamint az, hogy a rendszer mennyire engedi meg az új jelölti profilok felfedezését.

A piac szempontjából a tanulmány arra utal, hogy az egységesedő döntéstámogató rendszereket nem elég általánosságban jónak vagy rossznak minősíteni. Raghavan az MIT Newsnak úgy fogalmazott: „Az algoritmikus monokultúra ígéreteire és buktatóira adott válaszok nagy része kontextusfüggő lesz. Még kutatási szempontból is sok munka van hátra annak kiderítésére, hogyan közelíthetjük meg ezeket az aggályokat empirikus nézőpontból.”

A kutatók reményei szerint a munka további vizsgálatokat ösztönöz az algoritmikus monokultúra hosszú távú következményeiről. A mostani eredmények alapján a döntő kérdés az, hogyan tervezik és használják ezeket a rendszereket, és milyen konkrét területen alkalmazzák őket.