MIT 研究發現，將單一招聘演算法作為集合使用時，可提升候選人議價能力

麻省理工學院的研究員 Brian Hedden 與 Manish Raghavan 於 2026 年 9 月發表了一項量化分析，挑戰了長期以來在業界與學術界流傳的觀點，指出廣泛採用單一招聘演算法未必必然對求職者造成傷害，甚至在特定條件下能提升其薪資談判的籌碼。

他們的研究以 pre‑print 形式於 arXiv（第 3 版，2026 年 9 月 26 日）上公開，首次系統化地構建了「演算法單一文化」的正式模型，該模型描述了多家企業同時依賴相同決策引擎對應徵者進行排序與篩選的情境。

單一文化如何塑造資訊流

作者利用數學推導證明，單一文化會導致資訊回音室效應：當每一家企業看到的都是相同的篩選結果時，求職者的履歷探索多樣性被壓縮，從而降低在特定職缺中出現最佳人才的機會。

然而，同一模型亦揭示了一個出乎意料的正向效應：若將各公司演算法產出的分數匯聚為「集合演算法」並取其平均值，整體招聘績效不僅能與多元文化下各自開發的模型持平，甚至在某些情況下超越後者的表現。

系統性排除不會降低總聘用數

單一文化最常受到批評的風險是系統性排除——即一家公司拒絕的候選人會同時被所有使用相同演算法的公司排除。Hedden 與 Raghavan 證明，這種現象不會減少總聘用人數，反而可能提升候選人的議價能力，因為相同的拒絕訊號同時傳達給多家雇主，迫使他們提高報價以爭取人才。

研究者進一步指出，這種競爭性提升薪資的動態源於企業為了保留少數通過共同篩選的優秀候選人而相互爭奪，從而在市場上形成薪資上升的壓力。

自主性與規避策略仍大致相同

另一項常見擔憂是求職者在提交履歷後失去自主調整的機會。MIT 模型假設系統允許履歷的修訂與重新提交，這一前提有效緩解了自主性喪失的批評，使得單一文化下的求職者仍能保持一定的控制權。

同時，對於應徵者可能透過優化簡歷格式「玩弄」演算法的疑慮，在單一文化環境中並不比多元文化更為嚴重，因為所有公司遵循相同的評分邏輯，調整簡歷的動機與效果在不同企業間大致相同。

• 回音室效應降低履歷多樣性
• 集合平均可匹配或超過多元文化表現
• 系統性排除可能提升候選人議價能力
• 允許履歷修訂恢復候選人自主性

作者特別強調，他們的結論僅適用於所建模的特定集合設計，實務上尚未出現完整市場範圍內的集合演算法部署案例，且在信用評分、生成式內容平台或學術出版等其他領域的結果可能呈現不同的趨勢。

arXiv pre‑print 再次列舉了四項經典的反對意見——系統性排除、失去自主性、規避策略與資訊聚合——並指出雖然每項問題仍具相關性，卻不足以完全否定演算法單一文化的可行性與潛在效益。

對於在中文市場運營的企業而言，實務含意相當明確：若能採用共享且透明的分數框架，同時允許候選人持續更新申請資料，整體招聘效能將有望提升，且求職者在薪資談判時將獲得更大的籌碼。

企業在實施此類集合演算法時，需要協調分數聚合協議，確保系統支援履歷的迭代提交，並建立相應的資料治理與隱私保護機制，以避免資訊壟斷與偏見的累積。

最後，研究提醒政策制定者在考量演算法治理時，應兼顧技術細節與市場結構的差異，避免以一刀切的方式限制共享模型的潛在正向影響。

在台灣，本地的招聘平台若能參考 MIT 的模型設計，結合本土產業需求與法規要求，將有機會在提升人才匹配效率的同時，促進薪酬公平與勞動市場的健康競爭。