Scovai Scovai
Hiring 2026-11-18 1 min read

एआई से बनी हेडशॉट ने उस उम्मीदवार के अंक बढ़ाए — और उसी कतार के बारह असली आवेदकों के अंक घटा दिए।

DSL

Dr. Sarah Liu

एआई से बनी हेडशॉट ने उस उम्मीदवार के अंक बढ़ाए — और उसी कतार के बारह असली आवेदकों के अंक घटा दिए।

बारह असली उम्मीदवार। हर स्थिति में एक जैसी फ़ाइलें, एक जैसी तस्वीरें, एक जैसी योग्यताएँ। बदला केवल यह कि मूल्यांकनकर्ता ने उनके बीच बिखरे अन्य प्रोफ़ाइलों में क्या देखा था। जब वे अन्य प्रोफ़ाइल एआई से बनी तस्वीरें लिए हुए थे, तब बारह असली उम्मीदवारों को 72.5% बार इंटरव्यू के लिए आगे बढ़ाया गया। जब वही प्रोफ़ाइल सामान्य तस्वीरें लिए थे, तब 77.4% बार (कॉर्नेल, फ़्लोरिडा और पेन, arXiv 2610.22553, 2026)।

उन बारह लोगों में कुछ नहीं बदला था। उनके अवसर बदले।

ऑपरेशंस प्रमुख को इसी नतीजे पर ठहरना चाहिए। भर्ती में एआई से बनी तस्वीरों पर ज़्यादातर बहस इसे उम्मीदवार की ईमानदारी की समस्या मानती है: किसी ने अपनी तस्वीर सँवार ली, क्या हमें फ़र्क पड़ता है? यह प्रयोग कुछ कम सुविधाजनक की ओर इशारा करता है। क़ीमत उस उम्मीदवार पर नहीं पड़ती जिसने कृत्रिम तस्वीर लगाई। वह उन सब पर पड़ती है जिनका मूल्यांकन उसके बाद होता है, और किसी सामान्य छँटनी रिकॉर्ड में ऐसा कुछ दर्ज नहीं होता जो दिखाए कि यह हुआ।

प्रयोग ने वास्तव में क्या परखा

यह अध्ययन एक पूर्व-पंजीकृत भर्ती सिमुलेशन है जिसमें 570 अमेरिकी वयस्कों ने एक ही पद, Customer Success Associate, के लिए उम्मीदवारों का मूल्यांकन किया (arXiv 2610.22553, 2026)। हर मूल्यांकनकर्ता ने पहले वही चार आधार उम्मीदवार आँके। फिर उसे यादृच्छिक रूप से तीन स्थितियों में से एक में रखा गया, जिनमें आठ प्रोफ़ाइल इनके साथ जोड़े गए थे:

  • बिना बदले असली चेहरे,
  • उन्हीं चेहरों के रिटच किए संस्करण, जो उपभोक्ता स्तर के एक-टैप सुधार फ़िल्टर पर कैलिब्रेट थे, या
  • एआई से बने चेहरे।

इन आठ के बीच बारह असली परीक्षण उम्मीदवार बिखेरे गए थे, जो तीनों स्थितियों में एक जैसे थे। हर प्रोफ़ाइल स्थान के लिए लिखित योग्यताएँ स्थिर रखी गईं। न नाम, न स्थान।

यह डिज़ाइन दो प्रश्नों को अलग करता है जिन्हें भर्ती शोध अक्सर मिला देता है। पहला: क्या कृत्रिम चेहरा उस उम्मीदवार के आँके जाने का तरीका बदलता है? दूसरा: क्या कृत्रिम चेहरे देखना मूल्यांकनकर्ता के अगले असली व्यक्ति को आँकने का तरीका बदलता है? लेखक साफ़ कहते हैं कि उन्हें कौन-सा प्रश्न चाहिए था: उनका मुख्य प्रश्न «यह था कि क्या छवियाँ बदलती हैं कि प्रतिभागी आगे आने वाले असली उम्मीदवारों का मूल्यांकन कैसे करते हैं।»

एआई तस्वीर वाले उम्मीदवार को थोड़ा मिला। असली उम्मीदवारों ने क़ीमत चुकाई।

प्रत्यक्ष प्रभाव: छोटा और मिला-जुला

एआई से बने चेहरे वाले प्रोफ़ाइल को ख़ुद थोड़े बेहतर अंक मिले। 1 से 7 के पैमाने पर नियोज्यता b = 0.162 बढ़ी (P = 0.015) और विश्वसनीयता b = 0.130 (P = 0.047)। लेकिन जो नतीजा संचालन के लिए मायने रखता है, यानी इंटरव्यू तक पहुँचना, वह सार्थक रूप से नहीं हिला: एआई चेहरे वाले प्रोफ़ाइल के लिए 84.8% जबकि असली चेहरों के लिए 82.5%, ऑड्स अनुपात 1.218 और P = 0.265 (arXiv 2610.22553, 2026)।

यानी कृत्रिम तस्वीर जमा करने वाला उम्मीदवार थोड़ा गर्मजोशी भरा मूल्यांकन ख़रीदता है, इंटरव्यू में कोई भरोसेमंद बढ़त नहीं।

आगे का प्रभाव: संगत और तीनों नतीजों पर सार्थक

जो हिले, वे बारह एक जैसे असली उम्मीदवार थे। जिन मूल्यांकनकर्ताओं ने एआई से बने चेहरे देखे थे, उन्होंने इन्हें नियोज्यता (b = −0.146, P = 0.042) और विश्वसनीयता (b = −0.172, P = 0.007) में कम आँका और इंटरव्यू के लिए कम बार आगे बढ़ाया: ऑड्स अनुपात 0.768, P = 0.037, यानी शुरुआती वाक्य का 72.5% बनाम 77.4% का अंतर। पूर्व-निर्धारित, होल्म-समायोजित एकतरफ़ा P मान 0.037, 0.037 और 0.011 थे (arXiv 2610.22553, 2026)।

लगभग पाँच अंकों का अंतर दो रिपोर्ट की गई दरों का मेरा किया घटाव है। जिस प्रभाव-आकार के पीछे लेखक खड़े हैं, वह ऑड्स अनुपात है।

वह नियंत्रण जो इसे कृत्रिम-छवि प्रभाव बनाता है, चमकाने का नहीं

रिटच की गई स्थिति एक दिलचस्प नतीजे को उपयोगी नतीजे में बदल देती है। रिटच की गई तस्वीरों के संपर्क से कोई आगे का प्रभाव नहीं पड़ा: नियोज्यता दोनों स्थितियों में 5.26 थी, आगे बढ़ना 78.2% बनाम 77.4%, विश्वसनीयता 5.23 बनाम 5.22 (arXiv 2610.22553, 2026)।

पारंपरिक तस्वीर-सँवार, जो हर लिंक्डइन प्रोफ़ाइल में पहले से होती है, ने आधार रेखा नहीं हिलाई। एआई से बने सेट ने हिलाई।

भर्ती में एआई से बनी तस्वीरें उम्मीदवार की नहीं, खेप की समस्या क्यों हैं

नतीजे को नीतिशास्त्री की तरह नहीं, संचालन के व्यक्ति की तरह पढ़िए। नुक़सान की इकाई आवेदक नहीं है। वह कतार है।

एक आवेदक के इंटरव्यू तक पहुँचने की संभावना कई अंक हिल गई, इस पर निर्भर करते हुए कि मूल्यांकनकर्ता के ढेर में और कौन था, जबकि उसकी अपनी फ़ाइल स्थिर रही। मध्यम आकार की कंपनियों की अधिकांश छँटनी प्रक्रियाओं में खेप की संरचना कोई नियंत्रित चर नहीं होती। आवेदन उसी क्रम में आते हैं जिसमें जॉब बोर्ड उन्हें पहुँचाता है, रिक्रूटर उन्हें सत्रों में निपटाते हैं, और कोई यह दर्ज नहीं करता कि किसी उम्मीदवार को अंक देने से पहले मूल्यांकनकर्ता ने कौन-सी छवियाँ देखीं। इससे छवियों का मिश्रण उस निर्णय का एक अनियंत्रित इनपुट बन जाता है जिसका आपसे बचाव करने की अपेक्षा की जाती है।

यह पहली बार नहीं है कि मूल्यांकन का संदर्भ आँकी जा रही चीज़ से भारी पड़ा हो। 2,611 उत्पादन रिकॉर्डिंग पर अध्ययन किए गए एक चालू एआई इंटरव्यू कार्यक्रम में एक समीक्षक ने वही खेपें दूसरे से 0.79 मानक विचलन कम आँकीं, और कठोरता का यह अंतर अंतर्निहित प्रणाली के 0.53 मानक विचलन के असली सुधार को सपाट कर देने के लिए काफ़ी था (Zhang, Liu और Esposito, arXiv 2610.07003, 2026)। अलग संदर्भ, वही सबक: एक अंक विषय के साथ-साथ आँकने वाले और आँकने के संदर्भ के बारे में भी जानकारी रखता है, और अधिकांश संगठन केवल विषय का ऑडिट करते हैं।

आपकी प्रतिकूल प्रभाव जाँच इसे क्यों नहीं देखेगी

अमेरिका में छँटनी के पूर्वाग्रह के विरुद्ध सहज नियंत्रण चार-पंचमांश नियम है: किसी समूह की चयन दर यदि सबसे ऊँची दर वाले समूह की दर के चार-पंचमांश से कम हो, तो संघीय प्रवर्तन एजेंसियाँ आम तौर पर उसे प्रतिकूल प्रभाव का प्रमाण मानती हैं (29 CFR 1607.4(D), Uniform Guidelines)।

उस परीक्षण के इस प्रभाव के प्रति अंधे होने के दो कारण हैं। यह अध्ययन से मेरा अनुमान है, अध्ययन का निष्कर्ष नहीं।

अनुपात सीमा को छूने के लिए बहुत छोटा है। 77.4 पर 72.5 लगभग 0.94 है, 0.8 की सीमा से काफ़ी ऊपर। आगे बढ़ने में एक असली और सांख्यिकीय रूप से सार्थक बदलाव मानक छन्नी से आराम से निकल जाता है।

प्रभावित समूह कोई जनसांख्यिकीय समूह नहीं है। नुक़सान उठाने वाले उम्मीदवारों में उस सत्र के सिवा कुछ साझा नहीं जिसमें उन्हें परखा गया। प्रतिकूल प्रभाव विश्लेषण नतीजों को संरक्षित विशेषताओं के आधार पर बाँटता है; उसमें «कृत्रिम तस्वीर के बाद आँका गया» का कोई स्तंभ नहीं होता। यदि किसी खेप का छवि-मिश्रण इससे जुड़ा हो कि कौन किस माध्यम से या किस समय आवेदन करता है, तो प्रभाव बाद में बिना किसी दिखाई देती वजह के एक अस्पष्ट जनसांख्यिकीय अंतर के रूप में उभर सकता है।

यूरोपीय संघ से जुड़ी टीमों के लिए समय-सारणी तात्कालिक नहीं, पर तय है: भर्ती और उम्मीदवार मूल्यांकन प्रणालियाँ अनुलग्नक III में आती हैं, और संशोधित अनुच्छेद 113 उन पर उच्च-जोखिम व्यवस्था 2 दिसंबर 2027 से लागू करता है (EU AI Act, अनुच्छेद 113)। मानवीय स्कोरिंग में अप्रलेखित इनपुट किसी भी ऑडिट व्यवस्था के तहत बचाव के लिए कमज़ोर स्थिति है, चाहे आप पर कोई भी तारीख़ लागू हो।

अध्ययन क्या नहीं दिखाता

शोधपत्र अपनी सीमाओं को लेकर सतर्क है, और विश्वसनीय पाठ को उन्हें साथ रखना होगा।

  • उद्दीपन जानबूझकर चरम था। एआई चेहरों को ऊँची आँकी गई आकर्षकता के लिए चुना गया था, 7 में से औसत 5.75, जबकि उसी सेट के असली चेहरों का 2.99। लेखक लिखते हैं कि आगे के प्रभाव को «हर जनरेटर के सामान्य आउटपुट का वर्णन नहीं मान लेना चाहिए।»
  • तंत्र अज्ञात है। लेखकों के शब्दों में, «प्रयोग हमें बताता है कि संपर्क मायने रखता था, यह नहीं कि क्यों।» एआई और रिटच की गई छवियाँ आकर्षकता में मिलान की हुई नहीं थीं, इसलिए छवि का स्रोत उपचार की तीव्रता से साफ़ अलग नहीं होता। कृत्रिम नियमितता बनाम शुद्ध आकर्षकता की कोई भी कहानी अटकल है।
  • कोई मात्रा–प्रतिक्रिया संबंध नहीं। पूर्व-निर्धारित कैरीओवर विश्लेषण में मूल्यांकनकर्ताओं के अधिक कृत्रिम छवियाँ देखने के साथ कोई संचयी प्रभाव नहीं मिला। «जितनी ज़्यादा एआई तस्वीरें, उतना बुरा» समर्थित नहीं है।
  • एक पद, एक सत्र, केवल अमेरिकी मूल्यांकनकर्ता, ऑनलाइन भर्ती किए गए। क्षेत्र का संदर्भ और परिचित पद रखने वाला असली रिक्रूटर किसी भी दिशा में अलग व्यवहार कर सकता है।
  • उपसमूह संकेत दावे नहीं हैं। आगे का प्रभाव पुरुष मूल्यांकनकर्ताओं में शून्य से अलग पहचाना जा सकता है और नस्ल-बनाम-संपर्क की कुछ विषमता दिखती है, पर लैंगिक अंतःक्रियाएँ औपचारिक रूप से सार्थक नहीं थीं और ये विश्लेषण पूर्व-निर्धारित नहीं थे (arXiv 2610.22553, 2026)।

इनमें से कुछ भी संचालन के बिंदु को पलटता नहीं। वह उसका आकार तय करता है। आपको यह मानने की ज़रूरत नहीं कि प्रभाव आपकी प्रक्रिया में बड़ा है; यह मानना काफ़ी है कि यह ऐसा इनपुट है जो आज आपको दिखता नहीं।

ऑपरेशंस प्रमुख को इस तिमाही क्या करना चाहिए

अच्छी ख़बर यह है कि यह पूर्वाग्रह के उन दुर्लभ निष्कर्षों में से है जिनका उपाय सस्ता और यांत्रिक है।

चेहरों को स्कोरिंग की सतह से हटाइए

यदि तस्वीर नौकरी की आवश्यकता नहीं है, तो उसे उस स्क्रीन पर नहीं होना चाहिए जहाँ समीक्षक उम्मीदवार को अंक देता है। अपने ATS में शॉर्टलिस्ट चरण पर छवियाँ छिपाइए, या इनटेक पर हटा दीजिए। इससे प्रत्यक्ष प्रभाव और आगे का विरोधाभास एक ही बार में हट जाते हैं, और इन प्रमाणों के अनुसार संकेत की कोई क़ीमत नहीं चुकानी पड़ती: अध्ययन ने योग्यताएँ स्थिर रखीं, और फिर भी दूसरे उम्मीदवारों के चेहरों ने नतीजा हिलाया।

हर समीक्षक ने क्या देखा, यह दर्ज कीजिए, सिर्फ़ यह नहीं कि क्या तय किया

यदि कुछ भूमिकाओं के लिए तस्वीरें दिखनी ही हैं, तो छँटनी सत्र दर्ज कीजिए: किसी समीक्षक ने कौन-से उम्मीदवार, किस क्रम में, एक बैठक में आँके। इस रिकॉर्ड के बिना आप बाद में संदर्भ प्रभावों की जाँच नहीं कर सकते, और ऑडिटर के इस सवाल का जवाब नहीं दे सकते कि दो समान उम्मीदवारों के नतीजे अलग क्यों रहे।

सिर्फ़ जनसांख्यिकी नहीं, सत्र और कतार के आधार पर ऑडिट कीजिए

अपनी तिमाही छँटनी समीक्षा में खेप, समीक्षक और सत्र को आयाम के रूप में जोड़िए। मूल्यांकनकर्ता कठोरता के प्रमाण सुझाते हैं कि आपको छवि प्रभावों से पहले समीक्षक प्रभाव मिलेंगे; दोनों को डैशबोर्ड में पकड़ना विवाद में पकड़ने से सस्ता है।

स्पष्ट रहिए कि एआई स्क्रीनर छवियों के साथ क्या करता है

शोधपत्र का एक ब्योरा आसानी से छूट जाता है। लेखकों ने प्रयोग का एआई-मूल्यांकनकर्ता संस्करण आज़माया और पायलट में छोड़ दिया: अग्रणी बहु-मोडल मॉडल सीधे पूछे जाने पर छवि की सामग्री पहचान सकते थे, पर उस दृश्य जानकारी को भर्ती निर्णयों में «लगातार शामिल नहीं करते थे» (arXiv 2610.22553, 2026)। इसलिए एक स्वचालित पहला चरण छवि पर बिल्कुल प्रतिक्रिया न दे, जबकि आगे का मानवीय समीक्षक दे। बचाव-योग्य डिज़ाइन यह निर्दिष्ट करता है कि चेहरा किसी भी चरण में, न मॉडल के लिए, न लोगों के लिए, स्कोरिंग इनपुट नहीं है। यही मानक Scovai अपने इंटरव्यूअर के लिए तय करता है, जो केवल सार को आँकता है, कभी लहजा, उच्चारण या चेहरा नहीं; आप जो भी स्टैक चलाएँ, समतुल्य नियम लिखिए और जाँचिए कि वह टिकता है।

इस तिमाही का निर्णय

कृत्रिम तस्वीर वाले उम्मीदवार को थोड़ा मिला। उसके बाद परखे गए बारह लोगों ने ऐसी चीज़ के कारण इंटरव्यू की लगभग पाँच अंक संभावना खो दी जो उनकी फ़ाइल में कभी थी ही नहीं। भर्ती में एआई से बनी तस्वीरें उम्मीदवार की ईमानदारी का प्रश्न नहीं हैं; वे इस प्रश्न की बात हैं कि आपकी छँटनी प्रक्रिया अपने इनपुट पर नियंत्रण रखती है या नहीं।

चुनिए: अगला भर्ती चक्र खुलने से पहले शॉर्टलिस्ट स्क्रीन से चेहरे हटाइए, या छँटनी सत्र दर्ज करना शुरू कीजिए ताकि आप साबित कर सकें कि कतार ने फ़ैसला नहीं किया। दोनों में से कुछ न करने का अर्थ है कि उम्मीदवार के अवसर इस पर निर्भर हैं कि उससे ठीक पहले किसने आवेदन किया, और आप इसके विपरीत नहीं दिखा पाएँगे।

Ready to go beyond the CV?

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