งานวิจัย Stanford พบ AI คัดกรองสมัครงาน ยังมีความเหลื่อมล้ำในการประเมินผู้สมัคร

ทุกวันนี้แทบทุกบริษัทต่างพึ่งพา AI เข้ามาช่วยจัดการกับใบสมัครงานที่ล้นทะลักในทุกฤดูกาลรับสมัคร ข้อมูลชี้ว่านายจ้างในสหรัฐฯ ราว 90% ใช้เครื่องมือ AI คัดกรองผู้สมัครในบางขั้นตอน และส่วนใหญ่พึ่งพาผู้จำหน่ายเทคโนโลยีเพียงไม่กี่ราย

โดยหวังว่า AI จะช่วยลดความคลาดเคลื่อนที่อาจเกิดขึ้นเมื่อมนุษย์เป็นผู้ตัดสินใจ แต่งานวิจัยล่าสุดจากทีมนักวิจัย Stanford University ซึ่งวิเคราะห์ข้อมูลใบสมัครงานจริงกว่า 4 ล้านรายการ ชี้ให้เห็นว่าเรื่องนี้อาจซับซ้อนกว่าที่คิด และยังมีจุดที่ควรพิจารณาเพิ่มเติมก่อนนำเครื่องมือเหล่านี้มาใช้อย่างเต็มรูปแบบ

⚫️ งานวิจัยขนาดใหญ่ที่สุดเท่าที่เคยมีมาในเรื่องนี้

ทีมวิจัยได้วิเคราะห์ข้อมูลจากผู้สมัครงานกว่า 3.4 ล้านคน ที่ยื่นใบสมัครรวมกว่า 4 ล้านรายการ ไปยังตำแหน่งงาน 1,700 ตำแหน่ง ใน 150 บริษัท ครอบคลุม 11 ภาคอุตสาหกรรม โดยทุกใบสมัครถูกประเมินผ่านเครื่องมือคัดกรองของผู้จำหน่าย AI รายเดียวกันคือ Pymetrics ซึ่งใช้แบบประเมินในการวัดทักษะ ก่อนที่ระบบจะสรุปผลออกมาเป็น "แนะนำ" หรือ "ไม่แนะนำ" ให้นายจ้างนำไปประกอบการตัดสินใจ

นี่ถือเป็นหนึ่งในการศึกษาชิ้นแรก ๆ ที่ได้เข้าถึงข้อมูลการทำงานจริงของอัลกอริทึมการจ้างงานในระดับนี้ ซึ่งปกติแล้วข้อมูลลักษณะนี้มักถูกเก็บเป็นความลับทางธุรกิจ ทำให้ยากต่อการตรวจสอบจากภายนอก

⚫️ ความเหลื่อมล้ำที่อาจถูกซ่อนอยู่ในค่าเฉลี่ย

จากค่าเฉลี่ยรวมของคำแนะนำทั้งหมดที่นักวิจัยได้ตรวจสอบ ผลลัพธ์ดูเหมือนไม่มีความผิดปกติมากนัก แต่เมื่อแยกวิเคราะห์เป็นรายตำแหน่งงาน โดยใช้กฎ “four-fifths rule” เป็นเกณฑ์มาตรฐานตามกฎหมายจ้างงานของสหรัฐฯ (Title VII) ที่ระบุว่า หากกลุ่มใดได้รับการแนะนำในอัตราต่ำกว่า 80% ของกลุ่มที่ได้รับการแนะนำมากที่สุด ถือเป็นสัญญาณเตือนที่ควรตรวจสอบเพิ่มเติม แต่ผลลัพธ์ที่ได้กลับแตกต่างไปอย่างชัดเจน

นักวิจัยอธิบายด้วยตัวอย่างสมมติว่า หากระบบ AI มีแนวโน้มแนะนำผู้สมัครบางกลุ่มบ่อยครั้งสำหรับงานประเภทหนึ่ง แต่แทบไม่แนะนำเลยสำหรับงานอีกประเภทหนึ่ง เมื่อนำข้อมูลทั้งหมดมาเฉลี่ยรวมกัน รูปแบบที่แตกต่างกันเหล่านี้ก็จะหักล้างกันเองจนดูเหมือนไม่มีความผิดปกติเกิดขึ้นเลย ทั้งที่ในความเป็นจริง ความแตกต่างดังกล่าวกำลังเกิดขึ้นอยู่ในระดับตำแหน่งงานแต่ละตำแหน่ง

ทีมวิจัยระบุว่าผลลัพธ์ในลักษณะนี้เป็นสิ่งที่ไม่ได้คาดการณ์ไว้ตั้งแต่แรก โดยเฉพาะเมื่อระบบดังกล่าวใช้การประเมินผ่านเกณฑ์ที่ดูเหมือนจะเป็นกลาง เช่น คะแนนจากแบบทดสอบ นักวิจัยยังตั้งข้อสังเกตว่า หลายองค์กรอาจเข้าใจคลาดเคลื่อนไปว่าการนำ AI มาใช้จะช่วยให้กระบวนการตัดสินใจดีขึ้นโดยอัตโนมัติ แต่ผลการศึกษานี้กลับชี้ให้เห็นว่าอาจไม่ได้เป็นเช่นนั้นเสมอไป

⚫️ จะเกิดอะไรขึ้นเมื่อทุกบริษัทใช้เครื่องมือจากผู้ให้บริการเดียวกัน

อีกหนึ่งประเด็นที่งานวิจัยนี้เจาะลึกเป็นพิเศษคือปรากฏการณ์ที่เรียกว่า “Algorithmic Monoculture” หรือสถานการณ์ที่หลายองค์กรใช้ระบบ AI เดียวกัน หรือใช้เครื่องมือที่พัฒนาจากผู้ให้บริการรายเดียวกัน

ทีมวิจัยพบว่าผู้สมัครที่ยื่นใบสมัครหลายฉบับผ่านระบบของผู้จำหน่ายรายเดียวกัน มีแนวโน้มจะถูกปฏิเสธจากทุกตำแหน่งที่สมัครมากกว่าที่ควรจะเป็น โดยพบว่าผู้สมัคร 4% ที่ยื่นใบสมัคร 10 ตำแหน่ง และผู้สมัคร 10% ที่ยื่นใบสมัคร 4 ตำแหน่ง ถูก AI ให้ผล "ไม่แนะนำ" ในทุกตำแหน่งที่สมัคร ซึ่งเป็นอัตราที่สูงกว่าที่ควรจะเกิดขึ้นหากแต่ละบริษัทประเมินผู้สมัครอย่างเป็นอิสระต่อกัน

นักวิจัยเรียกปรากฏการณ์ดังกล่าวว่า “Systemic Rejection” หรือการถูกปฏิเสธในลักษณะที่เกิดขึ้นซ้ำจากระบบเดียวกัน นั่นหมายความว่า ยิ่งตลาดกระจุกตัวอยู่กับผู้จำหน่าย AI รายใหญ่เพียงไม่กี่ราย ความเสี่ยงที่ผู้สมัครบางกลุ่มจะถูกปิดกั้นจากโอกาสในการทำงานทั้งตลาดก็ยิ่งสูงขึ้นตามไปด้วย

⚫️ โจทย์ใหญ่ขององค์กรที่นำ AI มาใช้ในโลกการทำงาน

ทั้งนี้ยังไม่มีข้อสรุปชัดเจนว่าอะไรคือสาเหตุของรูปแบบที่พบในการศึกษานี้ ซึ่งจำเป็นต้องมีการศึกษาเพิ่มเติมเพื่อทำความเข้าใจกลไกเบื้องหลังให้ชัดเจนขึ้น ก่อนจะสามารถแก้ไขได้อย่างตรงจุด

ผลวิจัยนี้สะท้อนให้เห็นว่า การตัดสินใจผ่านระบบ AI ไม่ได้แปลว่าจะเป็นกลางเสมอไป ดังนั้นก่อนนำ AI มาใช้คัดกรองผู้สมัคร จึงควรตรวจสอบผลลัพธ์อย่างละเอียด ไม่ใช่ดูแค่ภาพรวมเพียงอย่างเดียว

คำถามสำคัญในวันที่ AI เข้ามามีบทบาทในทุกขั้นตอนของการจ้างงานมากขึ้น จึงไม่ใช่แค่ว่า "AI ช่วยให้กระบวนการเร็วขึ้นหรือไม่" แต่คือ "ระบบเหล่านี้กำลังเปิดหรือปิดโอกาสให้ใครบ้าง" ซึ่งคำตอบต้องอาศัยความโปร่งใสและการตรวจสอบจากภายนอกมากกว่าที่เป็นอยู่ในปัจจุบัน การผลักดันนโยบายที่ส่งเสริมความโปร่งใสจึงเป็นก้าวสำคัญที่จะช่วยให้การใช้ AI ในกระบวนการจ้างงานพัฒนาไปในทิศทางที่เหมาะสมยิ่งขึ้น