你精心打磨好履歷，針對職缺一字一句修過，送出申請。結果根本沒被看到——不是因為你不夠格，而是因為你沒有用「跟雇主同一套 AI」寫履歷。

聽起來像科幻小說的情節？這是 2026 年最新發表在 arXiv 上的大規模實證研究結果。研究團隊以 24 種職業、數千份模擬履歷進行了一場控制實驗，發現了一個令人不安的現象：當 AI 同時出現在求職者和招聘者兩端時，它會系統性地偏愛「自己人」。

更精確地說，AI 偏愛的是那些跟它自己寫出來的履歷——而不是你親手寫的那份。

一場看不見的作弊遊戲

這項研究由多位學者共同完成，論文標題為〈AI Self-preferencing in Algorithmic Hiring: Empirical Evidence and Insights〉，已被 EAAMO 2025 和 AIES 2025 接受發表。研究團隊設計了一個大規模的對照實驗，採用「履歷對應實驗」方法——把同樣資歷的應徵者分成兩組，一組用 AI 生成履歷，一組由真人撰寫，然後交給不同的 LLM 去篩選。研究團隊還控制了內容品質——兩組履歷描述的是完全相同的工作經歷和技能，唯一的變數是文字的生成方式。

結果相當驚人。根據論文數據，AI 的自我偏好偏誤（self-preference bias）在各主要商業和開源模型中，落在 67% 到 82% 之間。也就是說，當 AI 篩選器面對兩份內容等價的履歷，它有接近八成的機率把 AI 生成的那份排到前面。

研究團隊進一步模擬了 24 種職業的真實招聘流程，結果更讓人震驚：使用與招聘系統相同 LLM 的求職者，被選入短名單的機率比同資格的人類撰寫履歷求職者高出 23% 到 60%。其中，業務和會計等商業領域受到的影響最大——這些領域的 HR 和招聘經理越來越依賴 AI 進行初步篩選，而應徵者也普遍使用 AI 來修履歷。

這些數字不是小打小鬧的邊際差異。23% 到 60% 的提升，足以在一個熱門職缺的數百份履歷中，決定你是進到面試還是直接被遺忘。如果一場比賽裡有人因為用了對的球拍就能比對手多拿 60% 的分數，沒有人會覺得那是一場公平的比賽。

為什麼 AI 會「護短」？

你可能會問：AI 不是應該客觀嗎？它怎麼會「偏心」？

研究團隊給出了幾個解釋方向。第一個是 自我識別偏好：LLM 在訓練過程中，看過大量自己（或同系列模型）生成的文字。當它看到一份履歷的用詞模式、句式結構和內容組織方式與自己的輸出風格高度相似時，它會「認得」這種風格，並且給予更高的評價。這不是有意識的偏愛——而是一種統計上的模式識別偏差。

第二個是 風格熟悉度。AI 生成文字有某些特徵：段落結構均勻、過渡詞精確、用詞偏正式但不會太口語。當一個 AI 篩選器看到一份「長得很 AI」的履歷，它會覺得這份履歷更「專業」——因為它的訓練資料裡，那些被標記為「優秀範例」的文字往往也有 AI 參與生成或本身就是 AI 產出的。

第三個可能更深層的問題是：目前的 AI 公平性框架，完全沒有考慮到「AI 對 AI 的偏愛」。現有的公平性研究大多關注種族、性別、年齡等人口統計學分類，但很少人想過，當 AI 同時是「出題者」和「閱卷者」時，它可能不自覺地偏袒跟自己同一派的內容。研究團隊在論文中明確指出：「這些發現揭示了 AI 輔助決策中一個新出現但先前被忽視的風險，並呼籲擴展 AI 公平性框架——不僅要解決基於人口統計學的差異，也要處理 AI 與 AI 互動中的偏誤。」

這是一個非常有趣的觀點。傳統的 AI 公平性討論聚焦於 AI 對不同人類群體是否公平——比如說，同樣的履歷，AI 是否會因為性別或種族給予不同評價。但這篇論文提出的問題是：AI 對人類和 AI 之間的公平性。前者是同類間的偏誤，後者是跨物種間的偏誤。而後者，幾乎完全被研究界忽略了。

24 種職業的真實模擬：誰受害最深？

研究團隊針對 24 種職業進行了真實招聘流程的模擬，結果不是每一個領域都受害程度相同。

受害最深的領域：業務和會計

在銷售、會計、客服等商業相關職位中，AI 自我偏好造成的篩選偏誤最為嚴重。使用相同 LLM 的應徵者比真人撰寫履歷的應徵者，被選入短名單的機率高出約 60%。研究團隊推測，這是因為這些領域的履歷格式相對標準化，AI 生成和 AI 篩選之間的「風格吻合度」特別高。履歷在這些行業裡長期以來就有一定的樣板——學歷、證照、業績數字、工作年資——而 AI 最擅長處理的就是這種結構化的樣板資料。

受害較輕的領域：創意與技術類

在設計、內容創作、軟體開發等需要展現個人風格的領域，AI 的自我偏好雖然仍然存在，但幅度較小。原因是這些領域的履歷更難完全標準化——你寫過的專案、做過的設計、貢獻過的程式碼，這些獨特的經歷很難被 AI 生成的通用描述完全取代。一個軟體工程師的 GitHub 連結、一個設計師的 Behance 作品集、一個內容創作者的個人網站，這些比 AI 優化過的描述文字更能區分出你的獨特價值。

中間地帶：管理、行政與人力資源

管理職的履歷通常強調領導力和成就數字，AI 生成和真人撰寫的差異較小，自我偏好偏誤大約落在 30% 到 40% 之間。

這張「不平等地圖」說明了關鍵問題：AI 自我偏好並非均勻分布，它對某些產業和求職者的殺傷力遠大於其他。而最諷刺的是，那些最容易受到 AI 篩選系統影響的領域——大量使用 AI 做初步篩選的大型企業——同時也是求職者最普遍使用 AI 修履歷的地方。這形成了一種 AI 對 AI 的內循環，把人類求職者排除在外。

一個統計問題，背後是深刻的哲學問題

如果把這個問題抽象來看，它觸及了一個更深層的疑問：當 AI 開始互相評價，人類的存在還剩什麼價值？

想像一下一個完全不經人類審查的 AI 招聘系統。求職者用 AI 生成履歷→HR 用 AI 篩選履歷→AI 安排面試→AI 進行面試評估→AI 決定最終錄取名單。整條鏈上人類只在最後簽約時出現。在這種系統中，如果每一步的 AI 都是同一個模型或同系列模型，那整個招聘流程基本上就是 AI 在跟自己對話——它喜歡自己寫的東西，然後選了自己喜歡的人，然後這些人進來後又用同樣的 AI 做事。

這不是一個遙遠的假設。Amazon 曾經開發過一個 AI 招聘系統，後來因為發現它歧視女性而被廢棄。聯合利華在 2019 年就開始用 AI 進行初步篩選。LinkedIn 在 2023 年推出了 AI 輔助的職缺配對功能。每一步都在往這個方向走，只是沒有人停下來問：如果整條鏈的 AI 都來自同一家公司，那公平性從何而來？

好消息：偏誤可以被修正

研究中並非只有悲觀的結論。團隊發現，透過簡單的干預措施，可以將 AI 的自我偏好減少 50% 以上。

關鍵做法是：讓 LLM 意識到自己的偏誤。

具體來說，研究團隊在提示詞（prompt）中加入了一段簡短的提醒，告訴 AI 篩選器「請注意，你可能會偏好與自己生成風格相似的內容，請刻意避免這種傾向」。就這麼簡單的一句話，就讓偏誤大幅下降。

團隊進一步開發了一個更系統性的方法，稱之為自我識別校正機制。這個機制不只是在提示詞中加一句話，而是讓 LLM 在篩選過程中對自己的輸出進行二次檢查——先用正常模式篩選，然後再對同一批履歷進行「偏誤檢測」，比對兩次結果的差異。這個方法類似於人類在做決策時的「雙重檢查」機制——先快速判斷，再回頭審視自己的判斷是否受到不當影響。

當然，研究也指出，目前的校正方法雖然有效，但並非完美。在某些模型中，經過校正後仍存在約 20% 到 30% 的殘留偏誤。這意味著，提示詞工程只是緩解方案，不是根本解方。真正的解法可能需要從模型訓練層面下手——在訓練階段就加入對抗自我偏誤的機制，或者在評估階段引入多模型交叉驗證，讓不同模型的偏好互相制衡。

這不只是論文問題，是求職者正在面對的現實

你可能會想：「這只是學術研究，跟我有什麼關係？」

事實上，AI 在招聘流程中的應用已經非常普遍。根據 LinkedIn 的數據，超過 70% 的美國企業在招聘過程中至少使用一種 AI 工具——從履歷篩選到面試評估到候選人排名。在台灣，雖然比例沒有那麼高，但 104 人力銀行、各大外商和科技公司也早已導入 AI 篩選系統來處理大量的應徵履歷。

想像以下場景：你花了三個小時，一字一句修改你的履歷。你沒有用 ChatGPT 輔助，因為你覺得應該用自己的話來呈現。你送出申請。與此同時，另一個應徵者把職缺描述丟進 ChatGPT，五分鐘就生出一份漂亮的履歷，用詞精準、格式完美。然後這份履歷送進了 AI 篩選系統——系統判定這份 AI 寫的履歷「更專業」，把它排到前面。

你的那份，連人類 recruiter 都沒看到，就被淘汰了。

這不是假設。這是研究中數千次模擬的結果。而更值得關注的是，隨著 AI 工具越來越普及，這個問題只會越來越嚴重。你用來寫履歷的 ChatGPT 是哪個版本，你應徵的公司用的是哪個版本——這可能比你的實際經歷更能決定你是否能進入面試。

給求職者的實用建議

好在，知道問題的存在就是解決問題的第一步。以下是幾個你可以立刻採取的實際行動：

1. 了解你應徵的公司用什麼 AI 系統

這聽起來很難，但其實有些線索。如果公司在招募頁面提到「AI 輔助篩選」「自動化履歷篩選」，或者使用的是 Workday、Greenhouse、Lever 等平台的 AI 功能，這意味著你的履歷很可能會先經過 AI 系統。有些公司甚至會在人資頁面直接列出他們使用的技術。

2. 讓 AI 輔助你，但保留你的個人風格

完全不使用 AI 寫履歷，在今天可能反而是劣勢——因為你的競爭對手都在用。更好的策略是：讓 AI 幫你優化結構和關鍵字，但保留你的語氣、獨特的經歷和個人故事。這樣你的履歷既不會被 AI 嫌棄「不夠專業」，也不會因為完全是 AI 生成而失去辨識度。

3. 根據產業調整策略

如果你是業務、會計、客服等領域的求職者，AI 自我偏好對你的影響最大。在這些領域，讓 AI 參與履歷生成幾乎是必要之惡——因為不這麼做，你的履歷可能根本過不了第一關。建議先用 AI 生成一個基礎版本，然後人工加入具體的數字成就和個人案例。

如果你在創意、技術類領域，反而可以更大膽地展現個人風格。你的作品集、GitHub 連結、個人網站是比 AI 優化過的標準文字更有力的武器。

4. 多平台投遞，分散風險

不同公司使用不同的 AI 系統。同一個職缺，A 公司用 GPT-4 篩選，B 公司用 Claude 篩選，C 公司用開源模型 LLaMA 篩選。由於不同模型的自我偏好偏誤程度和模式不同，多平台投遞可以分散被單一 AI 系統偏誤影響的風險。

5. 持續關注這個議題

AI 公平性是一個快速演變的領域。未來可能會有法規要求雇主揭露他們使用哪些 AI 篩選工具，甚至要求保證人類審查的權利。歐盟的 AI Act 已經將招聘 AI 列為高風險系統，台灣的相關法規也在研議中。保持關注，當你的權利被影響時，你才知道怎麼為自己發聲。

這場比賽還沒有到終點

這篇論文最重要的貢獻，不是告訴我們 AI 有偏誤——這個我們早就知道了。它真正有價值的發現是：AI 的偏誤不只是對種族、性別的不公平，還包括一種新的、我們尚未正視的「AI 幫 AI」問題。

當求職者用 AI 寫履歷，雇主用 AI 篩履歷，媒體用 AI 報導這個現象，而應徵者又用 AI 讀這篇報導——我們正在進入一個 AI 全面介入人類決策的時代。而最諷刺的是，當 AI 被用來解決 AI 帶來的偏誤（就像這篇論文做的），我們又回到了同一個循環。

這不是要你拒絕使用 AI——那也不是一個現實的選項。而是希望你在使用 AI 的時候，知道它在幫你，同時也可能在默默地傷害你。知道它的偏好，理解它的極限，然後做出比你競爭對手更聰明的選擇。

在一個 AI 護短的遊戲裡，真正的贏家不是跟 AI 對抗的人，而是知道怎麼善用 AI 同時又能跳脫 AI 框架的人。這個平衡點，恐怕就是未來幾年，每一位求職者都需要學會的功課。