Dlaczego dostajesz odrzucenia z każdej pracy, na którą aplikujesz (i często to ten sam algorytm)

Ukryte wąskie gardło stojące za twoimi aplikacjami bez odpowiedzi

Jeśli zaaplikowałeś na 30, 50 czy 100 ofert i cisza jest jednolita, najczęstsze założenie — «moje CV musi być słabe» — często nie jest właściwe. Strukturalna przyczyna jest prostsza i bardziej niewygodna: nie czyta cię 50 różnych rekruterów. Ocenia cię garstka algorytmów, bardzo prawdopodobnie wciąż ten sam.

Ponad 90% pracodawców w USA używa teraz filtrowania algorytmicznego, zanim człowiek się zaangażuje. Adopcja w UE rośnie szybko i jest teraz formalnie regulowana przez EU AI Act, który klasyfikuje AI rekrutacyjne jako «wysokiego ryzyka» (Załącznik III). Większość nie zdaje sobie sprawy, jak skoncentrowany jest rynek dostawców. Ponad 60% Fortune 100 i 8 z 10 największych agencji federalnych USA używa algorytmów HireVue. Pymetrics — dostawca badany w pracy Stanforda 2026 — pośredniczy w filtrowaniu u 156 pracodawców o łącznym rocznym przychodzie 225 mld $ w finansach, produkcji, logistyce i 8 innych branżach.

Konsekwencją jest jeden punkt awarii w całym rynku pracy. Gdy algorytm jednego dostawcy decyduje, że nie pasujesz, ten werdykt propaguje się do każdego pracodawcy korzystającego z tego dostawcy. Aplikowanie na więcej stanowisk w większej liczbie firm — klasyczna porada — działa tylko częściowo, gdy te firmy używają różnych dostawców. W przeciwnym razie ta sama maszyna mówi ci nie w 47 różnych mundurach.

Co naprawdę oznacza «monokultura algorytmiczna»

Badacze nazywają ten wzorzec monokulturą algorytmiczną — definiowaną formalnie jako «stan, w którym wielu decydentów polega na tych samych lub podobnych algorytmach». Termin pochodzi z nauk rolniczych, gdzie sadzenie jednej odmiany na ogromnych obszarach wzmacnia wpływ pojedynczego szkodnika. Logika ekonomiczna się przenosi: gdy wielu pracodawców kupuje to samo narzędzie filtrujące, jego preferencje i martwe pola wbudowują się w cały rynek pracy.

Praca Stanforda 2026 autorstwa Bommasaniego, Bany, Creel, Jurafsky'ego i Lianga (Stanford, Chapman, Northeastern) jest pierwszą obserwującą rzeczywiste decyzje algorytmiczne u wielu pracodawców korzystających z jednego dostawcy. Uzyskali dostęp do 4 197 168 aplikacji złożonych przez 3 372 132 kandydatów na 1 746 stanowisk, wszystkich ocenionych przez modele pymetrics w okresie grudzień 2018 – grudzień 2022. Każda aplikacja jest oceniana i binaryzowana do «polecony» lub «niepolecony». Średnio 58,2% kandydatów na stanowisko jest polecanych; reszta jest oznaczana do prawdopodobnego odrzucenia, a większość pracodawców odrzuca niepoleconych bez dalszej ludzkiej weryfikacji.

Odzwierciedla to coś, czego większość doświadcza, ale nie widzi: 42 modele pymetrics w zbiorze są używane jednocześnie przez wiele firm. Jeśli aplikujesz do dwóch firm używających tego samego modelu, odrzucenie przez A jest mechanicznie odrzuceniem przez B. Nie oceniono dwa razy; oceniono raz i skopiowano odpowiedź.

Reguła 4%: kandydaci odrzucani wszędzie

Główny wynik empiryczny pracy to tzw. odrzucenie systemowe — wskaźnik, z jakim kandydat jest odrzucany z każdego stanowiska, na które aplikuje. Wśród kandydatów z dokładnie 10 aplikacjami 4% zostało odrzuconych ze wszystkich 10. Wraz z aplikacją na więcej stanowisk wskaźnik spada — ale wolniej, niż przewidywałaby niezależność statystyczna.

Dlaczego ta różnica ma znaczenie? Gdyby decyzje były naprawdę niezależne — każdy pracodawca świeży osąd — wskaźniki spadałyby wykładniczo w sposób obliczalny. Autorzy zweryfikowali to z innym dużym zbiorem (studia korespondencyjne z 83 000 aplikacjami do 108 firm Fortune 500) i tam wskaźniki spadają niezależnie. W rekrutacji algorytmicznej nie. Spadek jest skorelowany: raz odrzucony, szanse na ponowne odrzucenie są wyższe niż losowo.

Tak wygląda «ten sam algorytm 50×» w prawdziwych danych. Nie metafora. Zmierzony wzorzec statystyczny odbiegający od niezależności.

«Aplikuj na więcej» pomaga częściowo — ale potrzeba 25

Sprytnie autorzy wykorzystali fakt, że algorytmy są deterministyczne: ten sam wejście, to samo wyjście. Przeprowadzili kontrfaktyczną symulację wyniku, jaki każdy kandydat otrzymałby, aplikując na wszystkie 1 746 stanowisk. Wynik: każdy kandydat byłby polecony przez co najmniej jeden model pymetrics. Nikt nie jest fundamentalnie zablokowany przez system — pod warunkiem aplikowania wszędzie.

Prawdziwi kandydaci nie aplikują wszędzie. Pod bardziej realistycznym zachowaniem — szerokim, ale nie uniwersalnym — niektórzy pozostają systemowo odrzucani. Autorzy kwantyfikują potrzebną objętość: aby zagwarantować systemowy wskaźnik odrzucenia poniżej 0,1%, potrzeba 25 aplikacji, w porównaniu z 10 pod linią bazową niezależności. Matematyka monokultury algorytmicznej zmusza cię do ~2,5× objętości tylko po to, by osiągnąć tę samą bazę sprawiedliwości, którą nie-algorytmiczny rynek pracy oferowałby za darmo.

Dwie konkretne szkody, które dokumentuje badanie

Poza odrzuceniem systemowym praca dokumentuje adverse impact wzdłuż linii rasowych, osiągający próg amerykańskiego prawa antydyskryminacyjnego. «Reguła 4/5» oznacza stanowisko jako adverse impact, gdy wskaźnik selekcji jednej grupy demograficznej jest niższy niż 80% grupy najczęściej wybieranej i różnica jest statystycznie istotna.

Na poziomie stanowiska (poziomie wymaganym przez prawo) autorzy znaleźli:

• 10,62% z 1 746 stanowisk wykazuje adverse impact wobec czarnych kandydatów.
• 30,70% czarnych kandydatów aplikowało na co najmniej jedno stanowisko niekorzystne dla czarnych kandydatów.
• 25,87% wszystkich aplikacji złożonych przez czarnych kandydatów trafiło na stanowiska, które ich krzywdzą.
• 14,74% wszystkich aplikacji złożonych przez azjatyckich kandydatów trafiło na stanowiska, które ich krzywdzą.

Kluczowe: pymetrics filtruje na podstawie wydajności w grach oceniających online, nie po imionach, zdjęciach czy zadeklarowanej demografii. Bias wyłania się bez tego, by algorytm widział tradycyjne demograficzne proxy. Badacze nazywają to dyskryminacją przez proxy — model znajduje korelacje z rasą w pozornie neutralnych cechach i propaguje bias mimo jawnego treningu antybiasowego (który według autorów pymetrics stosuje).

Dla indywidualnych kandydatów: nawet jeśli twoja konkretna grupa demograficzna nie jest niekorzystnie dotknięta danym modelem, istnienie tych wzorców oznacza, że werdykt algorytmu nie jest czystą miarą «dopasowania» — to zaszumiony, statystycznie zniekształcony sygnał, którego nie należy internalizować jako oceny swoich umiejętności.

Co naprawdę zmienia werdykt algorytmu

Część tego, co oceniają te algorytmy, jest deterministyczna i naprawialna. Część nie. Znajomość różnicy to różnica między produktywnym wysiłkiem a straconymi tygodniami.

Co możesz zmienić i algorytm zauważy przy następnej aplikacji:

• Format czytelny dla ATS. Układy jednokolumnowe, prawdziwy tekst (nie wewnątrz obrazów), standardowe etykiety sekcji («Doświadczenie», «Wykształcenie»), bez dekoracyjnych kolumn ani tabel. Większość awarii parsera pochodzi z układu, a nie z treści.
• Pełne daty przy każdej roli. Doświadczenie bez dat to pierwszorzędny sygnał niedbałej aplikacji lub ukrytej luki; algorytmy karzą to mocno.
• Skwantyfikowane punkty tam, gdzie zgodne z prawdą. «Zwiększyłem przychody» jest niewidoczne. «Zwiększyłem przychody o 32%» trafia. Nie wymyślaj liczb — ale nie pomijaj tych, które masz.
• Mocne czasowniki na początku punktów. «Prowadziłem / budowałem / dostarczałem / kierowałem» mają wagę; «odpowiedzialny za / pracowałem przy / pomagałem» nie.
• Bez niedokończonych placeholderów. Nawiasy jak [X], [liczba] czy «TBD» to auto-odrzucenie w każdej pipeline ATS. Algorytmy widzą je jako niedbały szkic.
• Słowa kluczowe umiejętności pasujące do słownictwa roli. Nie napchane, ale obecne. Jeśli ogłoszenie mówi «Postgres», a ty napisałeś «SQL», możesz nie pasować.

Czego nie możesz zmienić w algorytmie — ale możesz obejść:

• Dywersyfikuj typy ról. Różne zawody często przechodzą przez różne modele. Aplikowanie i na «analityka danych» I na «analityka biznesowego» gdy oba pasują sprawia, że patrzą dwa algorytmy zamiast jednego.
• Dywersyfikuj wielkość pracodawców. Duże firmy używają głównie wielkich dostawców (HireVue, Workday, pymetrics, Greenhouse). Mid-market i startupy mają znacznie szerszy rozrzut; niektóre nie filtrują automatycznie.
• Aplikuj przez kanały z ludzką oceną. Rekomendacje wewnętrzne, sieci absolwentów, biura karier uczelni i bezpośredni kontakt z rekruterami omijają automatyczny filtr wstępny. Praca Stanforda zauważa: pod niezależnością 10 aplikacji wystarczyłoby — networking to bezpośrednia droga do odzyskania tej niezależności.
• Notuj, na jakie oferty aplikowałeś i jakiej platformy używał pracodawca. Jeśli 18 z 25 twoich aplikacji przeszło przez tę samą portalówkę, zidentyfikowałeś monokulturę, którą możesz złamać w następnej partii.

Polityka się zmienia — ale powoli i nie wszędzie

Praca Stanforda znajduje się na skrzyżowaniu gorącej chwili politycznej. Trzy reżimy regulacyjne dotyczą rekrutacji algorytmicznej:

• Tytuł VII amerykańskiej Civil Rights Act z 1964 r. — podstawa reguły 4/5. Algorytmy rekrutacyjne nie mogą wywoływać adverse impact na grupy chronione, mierzone na stanowisko.
• EU AI Act (2024, wejście w życie 2026–2027). Załącznik III formalnie klasyfikuje AI do «zatrudnienia, zarządzania pracownikami i dostępu do samozatrudnienia» jako wysokiego ryzyka. Od 2 sierpnia 2026 dostawcy na rynku UE napotykają wymogi oceny zgodności, transparentności i audytu biasu.
• NYC Local Law 144 (2021, egzekwowane od 2023). Wymaga corocznych audytów biasu zautomatyzowanych narzędzi decyzji o zatrudnieniu u pracodawców NYC, plus powiadomienia kandydatów.

Kierunek jest jasny — więcej transparentności, więcej audytów, więcej praw kandydatów — ale harmonogram liczy się w latach. Zbiór pymetrics dokumentuje systemy działające cztery lata bez ujawniania adverse impact per stanowisko kandydatom czy regulatorom. Autorzy wzywają do nowych ścieżek niezależnych badań. Dopóki one nie istnieją, indywidualni kandydaci nawigują systemem nieprzejrzystym z zewnątrz.

Co zrobić w tym tygodniu

Konkretnie, w kolejności wpływu:

1. Uruchom audyt ATS na obecnym CV. Deterministyczne sprawdzenia (format, daty, placeholdery, słabe czasowniki) to najtańsze wygrane. Napraw najpierw znaleziska o wysokiej powadze.
2. Zmapuj dostawców. Dla ostatnich 10 aplikacji zanotuj platformę (Workday, Greenhouse, Lever itd.). Jeśli większość przeszła przez jedną, kolejne 10 powinno celować świadomie w inne.
3. Dodaj 2–3 sąsiednie zawody do listy celów. Sąsiednie zawody są zwykle filtrowane przez inne modele — a twoje umiejętności się przenoszą.
4. Osiągnij 25 aplikacji z celową różnorodnością. Symulacja Stanforda mówi: objętość + różnorodność zamykają lukę odrzuceń systemowych. Pomiń spray na job boardach; wybierz 25 ofert starannie wśród pracodawców, wielkości i dostawców.
5. Aktywuj co najmniej 3 kanały z ludzką oceną. Prośba o wewnętrzną rekomendację, relacja z rekruterem, bezpośredni kontakt. Omijają automatyczny filtr.
6. Śledź wyniki przez 6 tygodni. Który kanał produkuje rozmowy, który ciszę. Przesuń objętość do kanałów dających sygnał.