सक्रिय रूप से नौकरी तलाश रहे 63 प्रतिशत लोग अब तक एक AI इंटरव्यू से गुज़र चुके हैं — छह महीने में 13 प्रतिशत अंक की बढ़त। 70 प्रतिशत को साफ़ तौर पर यह नहीं बताया गया कि उनका मूल्यांकन AI करेगा, और 21 प्रतिशत को यह इंटरव्यू शुरू होने के बाद ही पता चला (Greenhouse, 2026)।
ये दो आंकड़े मध्यम आकार की कंपनियों की ज़्यादातर हायरिंग फ़नल का सही वर्णन करते हैं। Information Systems Research में प्रकाशित एक नया अध्ययन बताता है कि दूसरा आंकड़ा आपको क्या कीमत चुका रहा है।
जो उम्मीदवार यह नहीं देख पाते कि उन्हें कैसे आँका जा रहा है, वे बढ़ा-चढ़ाकर बोलते हैं। AI का स्कोर इसे भाँप नहीं सकता। और जिस मानव समीक्षक को आपने सुरक्षा-उपाय के तौर पर जोड़ा था, वह स्कोर देखता है और अपना स्वतंत्र निर्णय इस्तेमाल करना बंद कर देता है।
ये तीन समस्याएँ नहीं हैं। यह तीन चरणों वाली एक ही विफलता है, और बीच का चरण आपके डैशबोर्ड से दिखाई ही नहीं देता।
पारदर्शिता का विरोधाभास, आठ अध्ययनों में परखा गया
अक्षत लखीवाल (University of Georgia), चे-वेई लियू (Arizona State), हिल्लोल बाला (Indiana) और हुंग-यू सुएन (National Taiwan Normal University) ने "From Opacity to Transparency: User Behavior and Downstream Effects in Algorithmic Evaluation" शीर्षक से यह शोध 30 जुलाई 2026 को Information Systems Research में प्रकाशित किया। आठ अध्ययन, जिनमें दो मुख्य प्रयोग और एक अर्ध-क्षेत्रीय पुनरावृत्ति शामिल है, सभी एकतरफ़ा एसिंक्रोनस वीडियो इंटरव्यू के संदर्भ में (Lakhiwal आदि, Information Systems Research, 2026)।
शुरुआती तनाव वास्तविक है, और यही वजह है कि ज़्यादातर नियोक्ता अपने टूल्स के बारे में चुप रहे हैं। आप बताएँ कि एल्गोरिदम क्या मापता है, तो उम्मीदवार की घबराहट घट सकती है — या आप उसे परीक्षा के उत्तर ही थमा रहे हो सकते हैं। लेखक इसे पारदर्शिता का विरोधाभास कहते हैं, और फिर यह मापने निकलते हैं कि कौन-सा पक्ष भारी पड़ता है।
प्रयोग I: मानव मूल्यांकन की तुलना में एल्गोरिदमिक मूल्यांकन ने इंटरव्यू देने वालों के तनाव और भ्रामक इम्प्रेशन मैनेजमेंट (impression management) को बढ़ाया। पारदर्शिता ने दोनों प्रभावों को निष्प्रभावी किया और उन्हें "मानव मूल्यांकन के बहुत निकट ले आई"।
जिस जानकारी ने यह नतीजा दिया, वह कोई तकनीकी ब्रीफ़िंग नहीं थी। उम्मीदवारों को बताया गया कि सिस्टम चेहरे के भाव, बोलने के भाव और विशिष्ट कीवर्ड देखेगा, और उन्हें टीमवर्क, काम से जुड़ी योग्यताओं, कार्यशैली और व्यक्तित्व पर आँकेगा। उस समूह ने इसके बाद उतना ही प्रामाणिक व्यवहार दिखाया जितना उन उम्मीदवारों ने, जो मानते थे कि कोई इंसान उनकी समीक्षा कर रहा है (UGA Today, 2026)।
अपारदर्शिता उल्टी क्यों पड़ती है, इस पर लखीवाल की व्याख्या याद रखने लायक है:
"अगर आप अपनी सपनों की कंपनी में आवेदन कर रहे हैं और वह कंपनी आपका इंटरव्यू AI से लेना चाहती है, तो आपके पास सचमुच ज़्यादा विकल्प नहीं हैं। आप ना नहीं कहना चाहते, लेकिन आपको यह भी नहीं पता कि यह कैसे काम करता है।"
उम्मीदवार इस खाली जगह को अनुमान से भरते हैं। "बहुत ज़्यादा बढ़ा-चढ़ाकर बताया जा रहा था," लखीवाल ने कहा। "ऐसा लगता था कि वे 'मूल्यांकनकर्ता' को वह देने के लिए सब कुछ झोंक रहे थे जो उन्हें लगता था कि वह ढूँढ़ रहा है।"
उम्मीदवार सिस्टम को चकमा देंगे — यह आपत्ति उलटी निकलती है। मानदंड छिपाने से चकमा देना रुका नहीं। उसने उसे पैदा किया, क्योंकि जो उम्मीदवार किसी काल्पनिक मूल्यांकन-ढाँचे के हिसाब से अपने को ढालता है, वह एक साथ हर दिशा में ज़रूरत से ज़्यादा कर जाता है।
आपके AI इंटरव्यू का स्कोर ईमानदार और बढ़ा-चढ़ाकर कही बात में फ़र्क नहीं कर सका
यह वह हिस्सा है जिसे आपकी स्क्रीनिंग रिपोर्ट पढ़ने का तरीक़ा बदल देना चाहिए।
अध्ययन में इस्तेमाल किया गया, उद्योग में सबसे प्रचलित AI एजेंट, उन उम्मीदवारों को दंडित नहीं किया जिन्होंने सच को खींचा। उसने उन्हें उतने ही अच्छे अंक दिए जितने उन उम्मीदवारों को, जिन्होंने वही योग्यताएँ ईमानदारी से बताई थीं (UGA Today, 2026)।
जब मानव मूल्यांकनकर्ताओं ने वही वीडियो देखे, तो वे यह फ़र्क पहचान सके। उन्होंने आम तौर पर बढ़ा-चढ़ाकर बोलने वालों के अंक घटाए और सबसे ऊँची रेटिंग उन उम्मीदवारों को दी जिनका व्यवहार सबसे प्रामाणिक लगा।
तो मानव निर्णय काम करता है। यह नतीजे का उत्साहजनक आधा हिस्सा है, और यह ठीक उस क्षण तक टिकता है जब तक आप इंसान को यह नहीं बता देते कि मशीन ने क्या सोचा।
और फिर इंसानों ने देखना बंद कर दिया
प्रयोग II प्रक्रिया में आगे बढ़ा और तीन निर्णय-विन्यासों की तुलना की: केवल मानव, AI-संवर्धित — जहाँ मानव निर्णयकर्ताओं को AI स्कोर की सहायता मिलती है — और पूर्णतः स्वचालित।
उम्मीदवार की तरफ़ पारदर्शिता तीनों में अपना काम करती रही। मूल्यांकनकर्ता की तरफ़ वह चुक गई। लेखकों के शब्दों में, इंटरव्यू प्रदर्शन पर उसका सुधारात्मक प्रभाव "मूल्यांकन पक्ष पर सीमित था"। जब AI स्कोर मौजूद थे, तो मूल्यांकनकर्ता उन पर टिक गए और अपने निर्णय को कम आँकने लगे, जबकि AI स्कोर ईमानदार और भ्रामक व्यवहार में अंतर करने में विफल थे (Lakhiwal आदि, Information Systems Research, 2026)।
इन विन्यासों को इस क्रम में पढ़िए कि मध्यम आकार की कंपनियों में ये कितने आम हैं। पूर्णतः स्वचालित स्क्रीनिंग दुर्लभ है और व्यापक रूप से जोखिम भरी मानी जाती है। केवल मानव स्क्रीनिंग वही है जिससे आप लागत के कारण दूर जाना चाहते हैं। और AI-संवर्धित — एक स्कोर, फिर एक मानव समीक्षक जो हस्ताक्षर करता है — वही है जो लगभग सबने वास्तव में खरीदा है, और यही वह विन्यास है जिसमें वह इंसान, जो बढ़ा-चढ़ाकर कही बात पकड़ सकता है, भरोसेमंद ढंग से पकड़ना बंद कर देता है।
यह सुरक्षा-उपाय निष्पक्ष नहीं है। यह स्कोर को साफ़ कर देता है।
वही विफलता एक क्षेत्रीय प्रयोग में भी दिखी
यह किसी एक शोधपत्र का नतीजा नहीं है। लेन, बुसियो, अयूबी और सहयोगियों ने 228 मूल्यांकनकर्ताओं के साथ 48 वास्तविक आवेदनों पर एक क्षेत्रीय प्रयोग किया, जिसमें केवल मानव मूल्यांकन, एक ब्लैक-बॉक्स मॉडल सिफ़ारिश, और वही सिफ़ारिश एक वर्णनात्मक व्याख्या के साथ — इनकी तुलना की गई (Lane आदि, HBS Working Paper 25-001)।
ब्लैक-बॉक्स सिफ़ारिशों ने निर्णय की गुणवत्ता सुधारी। व्याख्या जुड़ी वही सिफ़ारिशें नहीं सुधार पाईं — हालाँकि उन्होंने ज़्यादा अनुपालन पैदा किया। मूल्यांकनकर्ताओं ने अस्वीकृति की सिफ़ारिशों का असंगत रूप से अधिक पालन किया, जिससे फ़ॉल्स नेगेटिव काफ़ी बढ़े, और प्रभाव सीमावर्ती मामलों में सबसे मज़बूत था।
दो अलग शोध टीमें, दो अलग क्षेत्र, एक ही तंत्र: मशीन का प्रवाहमय आउटपुट मानव सत्यापन के चरण को सूचित करने के बजाय उसकी जगह ले लेता है। और फ़ॉल्स नेगेटिव वही एक त्रुटि-श्रेणी है जिसे कोई फ़नल संरचनात्मक रूप से देख ही नहीं सकता। ग़लत भर्ती छह महीने में सामने आ जाती है। अस्वीकृत अच्छा उम्मीदवार कभी सामने नहीं आता।
उम्मीदवार जो माँग रहे हैं, वह आपको बचाने वाली चीज़ नहीं है
अब उम्मीदवार-पक्ष के सर्वे आंकड़ों को प्रयोगों के साथ रखिए, क्योंकि इनका मेल असहज करने वाला है।
38 प्रतिशत उम्मीदवार कहते हैं कि वे यह जानना चाहते हैं कि कोई निर्णय लेने से पहले कोई इंसान AI के मूल्यांकन की समीक्षा करता है। 39 प्रतिशत चाहते हैं कि यह साफ़ समझाया जाए कि AI क्या माप रहा है (Greenhouse, 2026)।
दूसरी माँग ही वह है जिसके पीछे प्रमाण है। पारदर्शिता ने प्रामाणिक व्यवहार को मापने योग्य ढंग से वापस लाया।
पहली माँग — AI के मूल्यांकन की मानव समीक्षा — लगभग ठीक उसी AI-संवर्धित विन्यास का वर्णन करती है जिसमें इंसान मशीन के आगे झुक जाता है। यह वही सुरक्षा-उपाय है जो उम्मीदवार चाहते हैं, वही जो आपका वेंडर आपको ख़ुशी से बेचेगा, और वही जिसे प्रयोग ने अपर्याप्त पाया। इसलिए नहीं कि मानव समीक्षा बेकार है, बल्कि इसलिए कि क्रम मायने रखता है: एक मूल्यांकन की समीक्षा करना, एक रिकॉर्डिंग का मूल्यांकन करने से भिन्न संज्ञानात्मक कार्य है।
इस बीच, 38 प्रतिशत उम्मीदवार किसी हायरिंग प्रक्रिया को पहले ही छोड़ चुके हैं क्योंकि उसमें AI इंटरव्यू शामिल था, और सबसे बड़ा एकल कारण है — पहले से रिकॉर्ड किया वीडियो जिसे AI अंक देता है और जिसमें कोई इंसान मौजूद नहीं होता (33 प्रतिशत)। आप असली उम्मीदवार ऐसे विन्यास के कारण खो रहे हैं जो काम भी नहीं करता।
ईमानदार प्रति-तर्क
चार सीमाएँ, साफ़ शब्दों में।
यहाँ जानबूझकर कोई इफ़ेक्ट साइज़ नहीं है। पूरा पाठ पेवॉल के पीछे है, और प्रकाशित सारांश तथा प्रेस विज्ञप्ति दिशा बताते हैं, परिमाण नहीं — "उल्लेखनीय वृद्धि", "सैकड़ों ऑनलाइन नौकरी तलाशने वाले"। जो कोई आपको इस अध्ययन से कोई प्रतिशत बताए, वह उसे गढ़ रहा है। स्थापित बात है प्रभावों की दिशा और क्रम; परिमाण को अज्ञात मानिए।
एक एजेंट, एक वेंडर, एक समय-बिंदु। स्कोरिंग की यह विफलता उसी विशिष्ट, उद्योग में सबसे प्रचलित एजेंट पर देखी गई जिसे शोधकर्ताओं ने इस्तेमाल किया। कोई दूसरा टूल छल को बेहतर पहचान सकता है। आज इनमें से कोई यह दावा नहीं करता कि वह ऐसा कर सकता है, जो अपने आप में सूचक है, लेकिन एक ही सिस्टम से किसी क्षमता का सामान्यीकरण न करें।
पूर्व शोध चकमा देने की आपत्ति का समर्थन करता है। लखीवाल इसे सीधे स्वीकार करते हैं: ऐसे काम मौजूद हैं जो दिखाते हैं कि उम्मीदवारों को यह बताना कि उनका आकलन कैसे होता है, उन्हें आकलन से खिलवाड़ करने देता है। यह अध्ययन इस संदर्भ में उलटा शुद्ध प्रभाव पाता है। एक सुगढ़ अध्ययन पूरे साहित्य को सेवानिवृत्त नहीं करता।
Lane आदि एक निकटवर्ती क्षेत्र का वर्किंग पेपर है। यह नौकरी के उम्मीदवारों का नहीं, इनोवेशन आवेदनों का मूल्यांकन करता है, और पांडुलिपि 2026 में उसके प्रसार से पहले की है। यह एंकरिंग तंत्र की पुष्टि करता है; यह हायरिंग में पुनरावृत्ति नहीं है।
अगली स्क्रीनिंग से पहले क्या बदलें
चार कदम। किसी के लिए नया बजट नहीं चाहिए, और दो तो क्रम बदलने भर की बात हैं जो आप इसी हफ़्ते कर सकते हैं।
- सरल भाषा में प्रकाशित करें कि सिस्टम क्या मापता है। मॉडल का नाम नहीं, वेंडर का आर्किटेक्चर नहीं — लखीवाल साफ़ कहते हैं कि उम्मीदवारों को इनकी ज़रूरत नहीं। उन्हें बताइए कि किन व्यवहारों को देखा जाता है और किन गुणों को अंक दिए जाते हैं। प्रायोगिक स्थिति में इस्तेमाल की गई जानकारी चार पंक्तियों की थी और उसने प्रामाणिक व्यवहार लौटा दिया। साथ ही आप 70 प्रतिशत वाली उस ग़ैर-जानकारी की समस्या भी हल करते हैं जो उम्मीदवारों को आपकी फ़नल से बाहर धकेल रही है।
- मानव रेटिंग को पहले रखें। अपने समीक्षक से रिकॉर्डिंग को तब अंक दिलवाइए जब AI स्कोर दिखाई न दे रहा हो, और दोनों सहेजिए। यही एक बदलाव है जो एंकरिंग के नतीजे को सीधे संबोधित करता है, और इसमें इंटरफ़ेस के क्रम के सिवा कोई लागत नहीं। ध्यान रहे, यह नतीजे से Scovai का निष्कर्ष है, शोधकर्ताओं द्वारा परखी गई स्थिति नहीं — शोधपत्र एंकरिंग दिखाता है, उपचार नहीं।
- "एक इंसान ने हस्ताक्षर किए" को ऑडिट ट्रेल मानना बंद करें। अगर इंसान ने पहले स्कोर देखा, तो उसका अनुमोदन स्कोर की त्रुटियाँ साथ लाता है — किसी व्यक्ति का नाम चिपकाकर। किसी स्क्रीनिंग निर्णय को बचाव-योग्य बनाता है स्वतंत्र रूप से दर्ज किया गया मानव निर्णय, जो हर भर्ती पर लॉग हो — Scovai का एंटरप्राइज़ रुख़, जिसमें EU AI Act के अनुच्छेद 14 के तहत मानव निर्णय का लॉग शामिल है, इसे संरचित करने का एक तरीक़ा दर्ज करता है।
- सटीकता की नहीं, फ़ॉल्स नेगेटिव की ऑडिट कीजिए। उन उम्मीदवारों का एक नमूना लीजिए जिन्हें आपकी AI स्क्रीनिंग ने सीमा पर अस्वीकार किया, और किसी से रिकॉर्डिंग्स की ब्लाइंड रेटिंग करवाइए। लेन का नतीजा कहता है कि अस्वीकृति-पक्ष की त्रुटियाँ ही वहाँ हैं जहाँ अनुपालन केंद्रित होता है, और आपके मेट्रिक्स उनके प्रति संरचनात्मक रूप से अंधे हैं।
आपके AI इंटरव्यू ढाँचे में शायद पहले से एक इंसान मौजूद है। शोध का सवाल यह नहीं है कि वह वहाँ है या नहीं — सवाल यह है कि उसने मशीन के यह बताने से पहले कोई निर्णय बनाया था या नहीं कि क्या सोचना है।
जाइए और अपने समीक्षक की स्क्रीन देखिए। अगर स्कोर रिकॉर्डिंग के ऊपर लोड होता है, तो आपके पास लूप में इंसान नहीं है। आपके पास एक गवाह है।
