Scovai Scovai
Hiring 2026-11-18 1 min read

الصورة المولَّدة بالذكاء الاصطناعي رفعت درجات ذلك المرشح — وخفضتها لدى المتقدمين الاثني عشر الحقيقيين في الطابور نفسه.

DSL

Dr. Sarah Liu

الصورة المولَّدة بالذكاء الاصطناعي رفعت درجات ذلك المرشح — وخفضتها لدى المتقدمين الاثني عشر الحقيقيين في الطابور نفسه.

اثنا عشر مرشحًا حقيقيًا. ملفات متطابقة، وصور متطابقة، ومؤهلات متطابقة في كل حالة. الشيء الوحيد الذي تغيّر هو ما رآه المقيِّم في الملفات المتناثرة بينهم. حين كانت تلك الملفات الأخرى تحمل صورًا مولَّدة بالذكاء الاصطناعي، تقدّم المرشحون الاثنا عشر الحقيقيون إلى المقابلة بنسبة 72.5% من المرات. وحين كانت الملفات نفسها تحمل صورًا عادية، بنسبة 77.4% (كورنيل وفلوريدا وبنسلفانيا، arXiv 2610.22553، 2026).

لم يتغيّر شيء في هؤلاء الاثني عشر شخصًا. تغيّرت فرصهم.

هذه هي النتيجة التي ينبغي لرئيس العمليات أن يتوقف عندها. تتعامل معظم النقاشات حول الصور المولَّدة بالذكاء الاصطناعي في التوظيف معها كمسألة أمانة لدى المرشح: شخص جمّل صورته، فهل يعنينا ذلك؟ التجربة تشير إلى شيء أقل راحة. التكلفة لا تقع على المرشح الذي استخدم الصورة الاصطناعية. بل تقع على كل من يُقيَّم بعده، ولا يُظهر أي سجل فرز معتاد أن ذلك حدث.

ما الذي اختبرته التجربة فعلًا

الدراسة محاكاة توظيف مسجَّلة مسبقًا شارك فيها 570 بالغًا أمريكيًا يقيّمون مرشحين لوظيفة واحدة هي Customer Success Associate (arXiv 2610.22553، 2026). قيّم كل مشارك أولًا أربعة مرشحين مرجعيين ثابتين. ثم وُزّع عشوائيًا على واحدة من ثلاث حالات اقترنت فيها ثمانية ملفات بـ:

  • وجوه حقيقية غير معدّلة،
  • نسخ مُنقَّحة من الوجوه نفسها، معايَرة على مرشّح تحسين استهلاكي بلمسة واحدة، أو
  • وجوه مولَّدة بالذكاء الاصطناعي.

وبين هذه الثمانية تناثر اثنا عشر مرشحًا حقيقيًا للاختبار، متطابقين في الحالات الثلاث كلها. وثبتت المؤهلات المكتوبة لكل موضع ملف. بلا أسماء، وبلا مواقع.

يفصل التصميم بين سؤالين كثيرًا ما تخلطهما أبحاث التوظيف. الأول: هل يغيّر الوجه الاصطناعي طريقة تقييم ذلك المرشح؟ والثاني: هل تغيّر رؤية وجوه اصطناعية طريقة تقييم المقيِّم للشخص الحقيقي التالي؟ يقول المؤلفون بوضوح أيهما كان يعنيهم: سؤالهم الرئيسي «كان ما إذا كانت الصور تغيّر طريقة تقييم المشاركين للمرشحين الحقيقيين الذين يأتون بعدها».

المرشح صاحب الصورة المولَّدة ربح القليل. المرشحون الحقيقيون دفعوا الثمن.

الأثر المباشر: صغير ومختلط

حصلت الملفات ذات الوجه المولَّد بالذكاء الاصطناعي على درجات أفضل قليلًا. ارتفعت قابلية التوظيف بمقدار b = 0.162 على مقياس من 1 إلى 7 (P = 0.015) والجدارة بالثقة بمقدار b = 0.130 (P = 0.047). لكن النتيجة المهمة تشغيليًا، أي التقدم إلى المقابلة، لم تتحرك بدلالة إحصائية: 84.8% للملفات ذات الوجه المولَّد مقابل 82.5% للوجوه الحقيقية، بنسبة أرجحية 1.218 وقيمة P = 0.265 (arXiv 2610.22553، 2026).

فالمرشح الذي يقدّم الصورة الاصطناعية يشتري تقييمًا أدفأ قليلًا، ولا ميزة موثوقة في الوصول إلى المقابلة.

الأثر اللاحق: متسق وذو دلالة في النتائج الثلاث

الذين تحركوا هم المرشحون الحقيقيون الاثنا عشر المتطابقون. فقد قيّمهم من رأوا وجوهًا مولَّدة بالذكاء الاصطناعي أدنى في قابلية التوظيف (b = −0.146، P = 0.042) وفي الجدارة بالثقة (b = −0.172، P = 0.007)، وقدّموهم إلى المقابلة بنسبة أقل: نسبة أرجحية 0.768، P = 0.037، أي فجوة 72.5% مقابل 77.4% في الجملة الافتتاحية. وكانت قيم P أحادية الطرف المحدَّدة مسبقًا والمعدَّلة بطريقة هولم 0.037 و0.037 و0.011 (arXiv 2610.22553، 2026).

الفجوة البالغة نحو خمس نقاط هي طرح أجريته أنا بين نسبتين منشورتين. أما حجم الأثر الذي يقف المؤلفون خلفه فهو نسبة الأرجحية.

الضابط الذي يجعله أثر صورة اصطناعية لا أثر تنقيح

الحالة المنقَّحة هي ما يحوّل نتيجة مثيرة للاهتمام إلى نتيجة مفيدة. فالتعرض لصور منقَّحة لم ينتج أي أثر لاحق: كانت قابلية التوظيف 5.26 في الحالتين، والتقدم 78.2% مقابل 77.4%، والجدارة بالثقة 5.23 مقابل 5.22 (arXiv 2610.22553، 2026).

التنقيح التقليدي، الذي تحمله أصلًا كل صفحة على لينكدإن، لم يزحزح خط الأساس. أما المجموعة المولَّدة بالذكاء الاصطناعي فزحزحته.

لماذا الصور المولَّدة بالذكاء الاصطناعي في التوظيف مشكلة دفعة لا مشكلة مرشح

اقرأ النتيجة بعين مسؤول العمليات لا بعين الأخلاقيات. وحدة الضرر ليست المتقدم. إنها الطابور.

تحركت فرصة المتقدم في بلوغ المقابلة عدة نقاط تبعًا لمن كان معه في كومة المقيِّم، بينما بقي ملفه ثابتًا. وفي معظم عمليات الفرز بالشركات المتوسطة، لا تُعدّ تركيبة الدفعة متغيّرًا مضبوطًا. تصل الطلبات بالترتيب الذي يسلّمه بها موقع الوظائف، ويعالجها المسؤولون على جلسات، ولا يسجّل أحد أي الصور رآها المقيِّم قبل تقييم مرشح بعينه. وهذا يجعل مزيج الصور مُدخلًا غير مضبوط في قرار يُنتظر منك أن تدافع عنه.

وليست هذه المرة الأولى التي يفوق فيها سياق المقيِّم وزنُه وزنَ المُقيَّم. ففي برنامج مقابلات بالذكاء الاصطناعي قيد التشغيل، درسته أبحاث على 2,611 تسجيلًا، قيّم مراجع الدفعات نفسها بأقل من مراجع آخر بمقدار 0.79 انحرافًا معياريًا، وكانت فجوة الصرامة هذه كافية لتسطيح تحسّن حقيقي مقداره 0.53 انحراف معياري في النظام الأساسي (Zhang وLiu وEsposito، arXiv 2610.07003، 2026). سياق مختلف والدرس نفسه: الدرجة تحمل معلومات عن المقيِّم وسياق التقييم، لا عن الموضوع وحده، ومعظم المؤسسات لا تدقق إلا في الموضوع.

لماذا لن يراه فحص الأثر السلبي لديك

الضابط الغريزي ضد التحيز في الفرز في الولايات المتحدة هو قاعدة أربعة أخماس: معدل اختيار لمجموعة يقل عن أربعة أخماس معدل المجموعة الأعلى تعدّه الوكالات الاتحادية عادةً دليلًا على أثر سلبي (29 CFR 1607.4(D)، Uniform Guidelines).

سببان يجعلان ذلك الاختبار أعمى عن هذا الأثر. وهذا استنتاجي من الدراسة، لا نتيجة فيها.

النسبة أصغر من أن تفعّل العتبة. 72.5% إلى 77.4% تساوي نحو 0.94، أعلى بكثير من عتبة 0.8. فتحوّل حقيقي وذو دلالة إحصائية في التقدم يجتاز المرشّح المعياري بسهولة.

الفئة المتأثرة ليست فئة ديموغرافية. المرشحون الذين خسروا لا يجمعهم سوى الجلسة التي روجعوا فيها. وتحلل دراسات الأثر السلبي النتائج بحسب الخصائص المحمية؛ وليس فيها عمود لـ«قُيِّم بعد صورة اصطناعية». وإذا ارتبط مزيج الصور في دفعة ما بمن يتقدم عبر أي قناة، أو في أي ساعة، فقد يظهر الأثر لاحقًا كفجوة ديموغرافية غير مفسَّرة دون سبب ظاهر.

بالنسبة للفرق العاملة في الاتحاد الأوروبي، الجدول الزمني ليس عاجلًا لكنه محدَّد: تدخل أنظمة التوظيف وتقييم المرشحين ضمن الملحق الثالث، وتطبّق المادة 113 المعدَّلة نظام المخاطر العالية عليها اعتبارًا من 2 ديسمبر 2027 (EU AI Act، المادة 113). ومُدخل غير موثَّق في تقييم بشري موقف ضعيف للدفاع في أي نظام تدقيق، أيًّا كان التاريخ المنطبق عليك.

ما لا تُظهره الدراسة

الورقة حذرة في حدودها، والقراءة الموثوقة يجب أن تحملها.

  • كان المحفّز متطرفًا عن قصد. اختيرت الوجوه المولَّدة لارتفاع جاذبيتها المقدَّرة، بمتوسط 5.75 من 7، مقابل 2.99 للوجوه الحقيقية في المجموعة نفسها. يكتب المؤلفون إن الأثر اللاحق «لا ينبغي افتراض أنه يصف المخرجات العادية لكل مولِّد».
  • الآلية مجهولة. بكلمات المؤلفين: «التجربة تخبرنا أن التعرض كان مهمًا، لا لماذا». لم تكن الصور المولَّدة والمنقَّحة متكافئة في الجاذبية، ولذلك لا يُفصل مصدر الصورة عن شدة المعالجة. وأي رواية عن الانتظام الاصطناعي مقابل الجاذبية المحضة مجرد تخمين.
  • لا علاقة جرعة–استجابة. لم يجد تحليل الترحيل المحدَّد مسبقًا أثرًا تراكميًا مع ازدياد ما يراه المقيِّمون من صور اصطناعية. وعبارة «كلما زادت صور الذكاء الاصطناعي ساء الأمر» غير مدعومة.
  • وظيفة واحدة، وجلسة واحدة، ومقيِّمون أمريكيون فقط، جُنّدوا عبر الإنترنت. وقد يتصرف مسؤول توظيف حقيقي، يملك سياق المجال ووظيفة مألوفة، بشكل مختلف في أي من الاتجاهين.
  • إشارات المجموعات الفرعية ليست ادعاءات. يتميّز الأثر اللاحق عن الصفر لدى المقيِّمين الذكور، وتظهر بعض الفروق بين العرق والتعرض، لكن التفاعلات الرسمية مع الجنس لم تكن ذات دلالة، ولم تكن هذه التحليلات محدَّدة مسبقًا (arXiv 2610.22553، 2026).

لا شيء من هذا يقلب النقطة التشغيلية. إنه يحدّد حجمها. لست بحاجة إلى الاعتقاد بأن الأثر كبير في منظومتك لتقبل أنه مُدخل لا تستطيع رؤيته اليوم.

ما الذي ينبغي لرئيس العمليات فعله هذا الربع

الخبر الجيد أن هذه من النتائج النادرة عن التحيز التي لها علاج رخيص وآلي.

أزل الوجوه من سطح التقييم

إن لم تكن الصورة شرطًا للوظيفة، فلا مكان لها على الشاشة التي يقيّم فيها المراجع مرشحًا. أخفِ الصور في مرحلة القائمة المختصرة في نظام تتبع المتقدمين لديك، أو احذفها عند الإدخال. هذا يزيل الأثر المباشر والتباين اللاحق معًا، وبحسب هذه الأدلة لا يكلّف شيئًا من الإشارة: فقد ثبّتت الدراسة المؤهلات، ومع ذلك حرّكت وجوه مرشحين آخرين النتيجة.

سجّل ما رآه كل مراجع، لا ما قرّره فقط

إن كان لا بد من بقاء الصور ظاهرة لبعض الوظائف، فسجّل جلسات الفرز: أي المرشحين قيّمهم المراجع، وبأي ترتيب، في جلسة واحدة. بلا هذا السجل لن تستطيع لاحقًا اختبار تأثيرات السياق، ولا الرد على مدقق يسأل لماذا حصل مرشحان متشابهان على نتيجتين مختلفتين.

دقّق بحسب الجلسة والطابور، لا بحسب التركيبة الديموغرافية فقط

أضف الدفعة والمراجع والجلسة كأبعاد في مراجعتك الربع سنوية للفرز. وتوحي أدلة صرامة المقيِّمين بأنك ستجد أثر المراجع قبل أثر الصور؛ وكلاهما أرخص اكتشافًا في لوحة متابعة منه في نزاع.

كن دقيقًا في ما يفعله مرشِّح الذكاء الاصطناعي بالصور

ثمة تفصيل في الورقة يسهل أن يفوت. حاول المؤلفون إجراء نسخة من التجربة بمقيِّمين من الذكاء الاصطناعي وتخلّوا عنها في المرحلة التجريبية: كانت النماذج متعددة الوسائط المتقدمة قادرة على تحديد محتوى الصورة حين تُسأل مباشرة، لكنها «لم تُدرج تلك المعلومة البصرية بشكل متسق في أحكام التوظيف» (arXiv 2610.22553، 2026). فقد لا تتفاعل المرحلة الآلية الأولى مع الصورة إطلاقًا، بينما يتفاعل معها المراجع البشري اللاحق. والتصميم القابل للدفاع ينص على أن الوجه ليس مُدخل تقييم في أي مرحلة، لا للنموذج ولا للبشر. وهذا هو المعيار الذي تضعه Scovai لمحاورها، الذي يقيّم المضمون فقط، لا النبرة ولا اللهجة ولا الوجه؛ وأيًّا كانت منظومتك، فاكتب القاعدة المكافئة وتحقق من صمودها.

قرار هذا الربع

المرشح صاحب الصورة الاصطناعية ربح القليل. والاثنا عشر شخصًا الذين روجعوا بعده خسروا نحو خمس نقاط من احتمال المقابلة بسبب شيء لم يكن في ملفاتهم أصلًا. الصور المولَّدة بالذكاء الاصطناعي في التوظيف ليست مسألة أمانة مرشح؛ إنها مسألة ما إذا كانت عملية الفرز لديك تضبط مُدخلاتها.

اختر: إما إزالة الوجوه من شاشة القائمة المختصرة قبل أن تفتح دورة التوظيف القادمة، أو البدء بتسجيل جلسات الفرز كي تستطيع إثبات أن الطابور لم يقرّر. وعدم فعل أيٍّ منهما يعني أن فرص المرشح تعتمد على من تقدّم قبله مباشرة، ولن تتمكن من إثبات العكس.

Ready to go beyond the CV?

Scovai's AI-powered Talent Passport reveals what resumes can't: personality, potential, and true job fit.