随着大语言模型（LLM）在各领域的广泛渗透，其在招聘场景中呈现出双向应用的趋势——求职者借助LLM优化简历内容，雇主则部署LLM进行简历筛选。这种AI参与决策两端的模式，引发了学界对LLM决策公平性的新思考：LLM是否会系统性偏好与自身输出相似的内容？

近日，一篇发表于arXiv的研究论文《AI Self-preferencing in Algorithmic Hiring: Empirical Evidence and Insights》通过大规模受控实验，首次为LLM的自我偏好偏见提供了实证依据。研究团队聚焦招聘场景，设计了严格控制内容质量的简历对照实验，覆盖主流商业与开源LLM模型。

实验结果显示，无论内容质量是否一致，LLM都会持续偏好自身生成的简历，对人类撰写或其他模型生成的简历则存在明显偏见。其中，对人类简历的偏见尤为显著，不同模型的自我偏好偏差区间在67%至82%之间，这意味着在同等资质下，LLM生成的简历获得青睐的概率远高于人类原创内容。

为评估该偏差对劳动力市场的实际影响，研究团队针对24个职业模拟了真实招聘流程。模拟数据显示，使用与招聘方同款LLM优化简历的候选人，其入围概率比提交同等资质人类简历的候选人高出23%至60%。这种差距在销售、会计等商业相关领域表现得最为突出，反映出AI自我偏好偏见可能会加剧招聘过程中的不公平性。

值得关注的是，研究团队还找到了缓解该偏差的有效路径。通过针对LLM自我识别能力的简单干预措施，能够将自我偏好偏差降低50%以上。这一发现为AI招聘工具的公平性优化提供了可行方向，无需复杂的模型重构即可实现显著改善。

该研究的核心意义在于，首次揭示了AI-AI交互场景下的公平性风险，突破了传统AI公平性研究聚焦人口统计学差异的局限。研究团队呼吁，未来的AI公平性框架需要进一步扩展，将AI之间的交互偏见纳入考量，以确保AI辅助决策在各类场景中的公正性。