Современные системы искусственного интеллекта, применяемые в HR-сфере, оказались не свободны от расовых предубеждений. Исследование, проведённое международной группой специалистов по машинному обучению, выявило систематические ошибки в алгоритмах подбора персонала, которые приводят к дискриминации кандидатов по этническому признаку. Особенно ярко эта проблема проявляется при анализе резюме и видеособеседований, где ИИ-модели демонстрируют заметное смещение в оценках.

Тестирование показало, что некоторые популярные платформы для автоматизированного рекрутинга на 20-30% реже отбирают кандидатов из определённых этнических групп при прочих равных условиях. Наибольшие расхождения наблюдаются при оценке видеоинтервью, где алгоритмы анализируют мимику, интонации и другие невербальные сигналы. Разработчики объясняют это недостаточным разнообразием данных, использованных для обучения моделей, что приводит к неосознанной предвзятости в принятии решений.

Технический анализ выявил, что проблема кроется в архитектуре нейросетей и методах их обучения. Большинство систем используют исторические данные о найме, которые уже содержат скрытые предубеждения. Алгоритмы усиливают эти паттерны, вместо того чтобы их нивелировать. Особенно уязвимыми оказались модели, работающие с обработкой естественного языка и компьютерным зрением, где культурные особенности могут неправильно интерпретироваться как профессиональные недостатки.

Ситуация усугубляется тем, что крупные HR-тех компании долгое время игнорировали проблему, сосредоточившись на точности алгоритмов, а не на их объективности. Конкуренция на рынке автоматизированного рекрутинга привела к гонке за показателями эффективности в ущерб этическим аспектам. При этом регуляторы в разных странах только начинают разрабатывать нормативные рамки для контроля за ИИ в кадровых процессах.

Для российского рынка труда эти выводы особенно актуальны, учитывая растущую популярность автоматизированных систем подбора персонала. Локальные HR-тех стартапы пока не имеют достаточных ресурсов для разработки собственных этичных алгоритмов, полагаясь на адаптацию западных решений. Это создаёт риски переноса уже выявленных проблем предвзятости в местные условия, особенно в многонациональных регионах страны.

Эксперты предлагают несколько путей решения проблемы: от пересмотра подходов к сбору обучающих данных до внедрения специальных алгоритмов обнаружения и коррекции смещений. Некоторые компании уже начали тестировать системы «контрольного ИИ», который проверяет основные алгоритмы на предмет дискриминации. Однако полное устранение предвзятости потребует комплексного пересмотра всей методологии разработки HR-технологий.

Перспективы развития ситуации зависят от скоординированных действий регуляторов, разработчиков и бизнеса. Без прозрачных стандартов и независимого аудита ИИ-системы рекрутинга могут не только воспроизводить существующие социальные неравенства, но и усугублять их. Особое внимание следует уделить образовательным программам для HR-специалистов, которые должны понимать ограничения автоматизированных инструментов и уметь корректировать их решения.