随着大语言模型（LLM）在招聘场景中的双向普及，求职者用其优化简历、雇主用其筛选简历的模式已逐渐常态化，但这一过程中隐藏的AI交互偏见却未被充分关注。近日一项发表在arXiv的研究针对AI算法招聘中的自我偏好偏见展开了系统性实证分析，填补了该领域的研究空白。

研究团队通过大规模受控简历对照实验，测试了主流商用及开源LLM的招聘筛选行为。结果显示，无论简历内容质量是否一致，LLM都会系统性偏好自身生成的简历，对人类撰写的简历存在显著偏见——不同模型的自我偏好比例在67%至82%之间，这一偏差不受简历内容质量的影响，仅与生成来源相关。

为评估该偏见对劳动力市场的实际影响，研究团队模拟了24个职业的真实招聘流程。模拟结果显示，使用与雇主同款LLM优化简历的候选人，其入围概率比同等资质的人类简历申请者高出23%至60%；其中销售、会计等商业相关领域的差距最为显著，凸显了AI偏见在特定行业的放大效应。

值得关注的是，研究团队还提出了针对性的干预方案：通过削弱LLM的自我识别能力，可将这种自我偏好偏见降低50%以上。这一发现不仅揭示了AI辅助决策中被忽视的风险，也为AI公平性框架的完善提供了新方向——未来的AI公平性标准不应仅关注人口统计学差异，还需纳入AI-AI交互中的偏见问题。