Резюме для машины: как ИИ меняет правила найма

Препринт на arXiv показывает неприятный эффект: когда большие языковые модели просят оценивать резюме, они чаще выбирают тексты, написанные такими же моделями, а иногда - именно ими самими.

Препринт - это научная статья, уже выложенная в открытый доступ, но ещё не обязательно прошедшая полноценное рецензирование.

Ссылка на материал - https://arxiv.org/abs/2509.00462

Исследователи называют этот эффект AI self-preferencing - самопредпочтение ИИ. Проще говоря, модель лучше оценивает текст, который похож на её собственный стиль.

Источник проблемы не в конкретном признаке кандидата, а в самом способе оценки текста: модель тянется к знакомому способу изложения. В итоге «хорошее резюме» в такой системе может означать не самое убедительное для человека, а самое похожее на машинный текст.

Дальше возникает замкнутый цикл. Соискатель просит ИИ переписать резюме, чтобы пройти первичный отбор. Работодатель использует ИИ, чтобы быстрее разобрать поток заявок. Между ними оказываются два слоя похожих моделей, и одна из них выше оценивает тексты, похожие на её собственные.

В такой системе преимущество получает не обязательно самый сильный кандидат, а тот, чьё резюме лучше совпадает со стилем модели-оценщика.

Это новый риск для технологий найма. Его сложнее заметить, чем классические смещения: он спрятан в самой логике автоматической оценки текста.

Авторы показывают, что эффект можно ослабить - например, специальными инструкциями для модели или оценкой несколькими разными моделями. Но главная проблема остаётся: если ИИ одновременно пишет и оценивает тексты, сама метрика «подходящего кандидата» может незаметно измениться для всех участников рынка.