Scovai Scovai
Hiring 2026-11-18 1 min read

Сгенерированное ИИ фото повысило оценки этого кандидата — и понизило оценки двенадцати реальных соискателей из той же очереди.

DSL

Dr. Sarah Liu

Сгенерированное ИИ фото повысило оценки этого кандидата — и понизило оценки двенадцати реальных соискателей из той же очереди.

Двенадцать реальных кандидатов. Одинаковые досье, одинаковые фото, одинаковая квалификация в каждом условии. Менялось только одно: что оценщик видел в профилях, разбросанных между ними. Когда в этих других профилях стояли фото, сгенерированные ИИ, двенадцать реальных кандидатов проходили на собеседование в 72,5% случаев. Когда в тех же профилях были обычные фото, в 77,4% (Корнелл, Флорида и Пенн, arXiv 2610.22553, 2026).

В этих двенадцати людях ничего не изменилось. Изменились их шансы.

Именно на этом результате стоит задержаться руководителю операций. Большинство споров о фото, сгенерированных ИИ, при найме рассматривают их как вопрос честности кандидата: кто-то приукрасил фото, нас это волнует? Эксперимент указывает на нечто менее удобное. Издержки ложатся не на кандидата, который использовал синтетическое изображение. Они ложатся на всех, кого оценивают после него, и ничто в обычном журнале отбора не показывает, что это произошло.

Что на самом деле проверял эксперимент

Исследование — предварительно зарегистрированная имитация найма с участием 570 взрослых американцев, оценивавших кандидатов на одну должность, Customer Success Associate (arXiv 2610.22553, 2026). Каждый оценщик сначала оценил одних и тех же четырёх опорных кандидатов. Затем его случайно отнесли к одному из трёх условий, в которых восемь профилей сопровождались:

  • неизменёнными реальными лицами,
  • отретушированными версиями тех же лиц, откалиброванными по потребительскому фильтру улучшения в одно касание, или
  • лицами, сгенерированными ИИ.

Среди этих восьми были вперемешку двенадцать реальных тестовых кандидатов, одинаковых во всех трёх условиях. Письменная квалификация оставалась фиксированной для каждой позиции профиля. Ни имён, ни мест.

Дизайн разделяет два вопроса, которые исследования найма часто смешивают. Первый: меняет ли синтетическое лицо то, как оценивают этого кандидата? Второй: меняет ли вид синтетических лиц то, как оценщик судит о следующем реальном человеке? Авторы прямо говорят, что их интересовало: главный вопрос «состоял в том, меняли ли изображения то, как участники оценивали следовавших за ними реальных кандидатов».

Кандидат с фото от ИИ выиграл немного. Реальные кандидаты заплатили.

Прямой эффект: небольшой и смешанный

Профили с лицом, сгенерированным ИИ, получили чуть более высокие оценки. Пригодность к найму выросла на b = 0,162 по шкале от 1 до 7 (P = 0,015), а доверие — на b = 0,130 (P = 0,047). Но операционно значимый исход, приглашение на собеседование, значимо не сдвинулся: 84,8% для профилей с лицом от ИИ против 82,5% для реальных лиц, отношение шансов 1,218 при P = 0,265 (arXiv 2610.22553, 2026).

Так что кандидат, приславший синтетическое фото, покупает чуть более тёплую оценку и никакого надёжного преимущества в приглашении на собеседование.

Последующий эффект: устойчивый и значимый по всем трём исходам

Сдвинулись двенадцать одинаковых реальных кандидатов. Оценщики, видевшие лица, сгенерированные ИИ, ставили им более низкие оценки по пригодности к найму (b = −0,146, P = 0,042) и по доверию (b = −0,172, P = 0,007) и реже приглашали на собеседование: отношение шансов 0,768, P = 0,037, то есть разрыв 72,5% против 77,4% из первого абзаца. Предварительно заданные односторонние значения P с поправкой Холма составили 0,037, 0,037 и 0,011 (arXiv 2610.22553, 2026).

Разрыв примерно в пять пунктов — это моё собственное вычитание двух приведённых долей. Размер эффекта, за который отвечают авторы, — отношение шансов.

Контроль, который делает это эффектом синтетического изображения, а не эффектом лоска

Условие с ретушью превращает интересный результат в полезный. Контакт с отретушированными фото не дал никакого последующего эффекта: пригодность была 5,26 в обоих условиях, приглашение — 78,2% против 77,4%, доверие — 5,23 против 5,22 (arXiv 2610.22553, 2026).

Обычная ретушь, та, что уже есть в каждом профиле LinkedIn, базовую линию не сдвинула. Набор, сгенерированный ИИ, сдвинул.

Почему фото, сгенерированные ИИ, при найме — проблема партии, а не кандидата

Читайте результат как человек из операций, а не как специалист по этике. Единица вреда — не соискатель. Это очередь.

Шанс кандидата попасть на собеседование менялся на несколько пунктов в зависимости от того, кто ещё лежал в стопке оценщика, при том что его собственное досье оставалось неизменным. В большинстве процессов отбора в средних компаниях состав партии не контролируется. Заявки приходят в том порядке, в каком их выдаёт job-портал, рекрутеры разбирают их сессиями, и никто не фиксирует, какие изображения оценщик видел до оценки конкретного кандидата. Тем самым смесь изображений становится неконтролируемым входом решения, которое вам предстоит уметь защитить.

Это не первый случай, когда контекст оценщика весит больше, чем оцениваемое. В действующей программе ИИ-интервью, изученной на 2 611 записях, один рецензент оценивал те же партии на 0,79 стандартного отклонения ниже другого, и этого разрыва строгости хватило, чтобы сгладить реальное улучшение базовой системы на 0,53 СО (Zhang, Liu и Esposito, arXiv 2610.07003, 2026). Другая среда, тот же урок: оценка несёт информацию об оценщике и контексте оценки, а не только об объекте, а большинство организаций проверяют лишь объект.

Почему ваша проверка на неблагоприятное воздействие этого не увидит

Инстинктивная защита от смещений при отборе в США — правило четырёх пятых: если доля отбора для группы ниже четырёх пятых от доли самой благополучной группы, федеральные органы обычно расценивают это как свидетельство неблагоприятного воздействия (29 CFR 1607.4(D), Uniform Guidelines).

Две причины, по которым этот тест слеп к данному эффекту. Это мой вывод из исследования, а не результат самого исследования.

Отношение слишком мало, чтобы пересечь порог. 72,5% к 77,4% — это примерно 0,94, заметно выше порога 0,8. Реальный и статистически значимый сдвиг в приглашениях спокойно проходит стандартный фильтр.

Пострадавшая группа — не демографическая. У пострадавших кандидатов нет ничего общего, кроме сессии, в которой их рассматривали. Анализ неблагоприятного воздействия разбивает результаты по защищённым признакам; в нём нет столбца «оценён после синтетического фото». Если смесь изображений в партии коррелирует с тем, кто и по какому каналу или в какое время подаёт заявку, эффект может позже проявиться как необъяснимый демографический разрыв без видимой причины.

Для команд, работающих в ЕС, срок не горит, но он зафиксирован: системы подбора и оценки кандидатов относятся к приложению III, а изменённая статья 113 применяет к ним режим высокого риска с 2 декабря 2027 года (EU AI Act, статья 113). Недокументированный вход в человеческую оценку — слабая позиция для защиты при любом режиме аудита, какая бы дата к вам ни относилась.

Чего исследование не показывает

Авторы аккуратны в оговорках, и добросовестное прочтение обязано их учитывать.

  • Стимул был намеренно экстремальным. Лица, сгенерированные ИИ, отбирали по высокой оценённой привлекательности: в среднем 5,75 по шкале от 1 до 7 против 2,99 у реальных лиц того же набора. Авторы пишут, что последующий эффект «не следует считать описанием обычной продукции каждого генератора».
  • Механизм неизвестен. По словам авторов, «эксперимент говорит нам, что воздействие имело значение, но не почему». Сгенерированные и отретушированные изображения не были уравнены по привлекательности, поэтому источник изображения не отделён от интенсивности воздействия. Любая история о синтетической регулярности против простой привлекательности — спекуляция.
  • Нет зависимости доза—эффект. Предварительно заданный анализ переноса не выявил кумулятивного эффекта по мере того, как оценщики видели больше синтетических изображений. Утверждение «чем больше ИИ-фото, тем хуже» не подтверждено.
  • Одна должность, одна сессия, только американские оценщики, набранные онлайн. Настоящий рекрутер с контекстом сферы и знакомой должностью может вести себя иначе, в любую сторону.
  • Сигналы подгрупп — не утверждения. Последующий эффект отличим от нуля среди оценщиков-мужчин, и проявляется некоторая неоднородность «раса × воздействие», но формальные взаимодействия с полом не были значимы, а эти анализы не были предварительно заданы (arXiv 2610.22553, 2026).

Ничто из этого не отменяет операционный вывод. Оно лишь задаёт его масштаб. Вам не нужно верить, что эффект велик в вашем конвейере, чтобы признать: это вход, который вы сегодня не видите.

Что руководителю операций сделать в этом квартале

Хорошая новость: это один из редких результатов о смещениях с дешёвым и механическим средством.

Уберите лица с поверхности оценки

Если фото не является требованием должности, ему не место на экране, где рецензент оценивает кандидата. Скройте изображения на этапе короткого списка в вашей ATS или удаляйте их при загрузке. Это убирает и прямой эффект, и последующий контраст одним действием и, по этим данным, ничего не стоит в плане сигнала: исследование держало квалификацию постоянной, а лица других кандидатов всё равно сдвигали исход.

Фиксируйте, что видел каждый рецензент, а не только что он решил

Если для некоторых должностей фото должны оставаться видимыми, ведите журнал сессий отбора: каких кандидатов оценил рецензент, в каком порядке, за одну сессию. Без такой записи вы не сможете позже проверить эффекты контекста и не ответите аудитору, который спросит, почему двое похожих кандидатов получили разные исходы.

Проверяйте по сессии и очереди, а не только по демографии

Добавьте партию, рецензента и сессию как измерения в ваш квартальный обзор отбора. Данные о строгости оценщиков подсказывают, что эффекты рецензента вы найдёте раньше, чем эффекты изображений; оба дешевле поймать на дашборде, чем в споре.

Будьте точны в том, что ИИ-скринер делает с изображениями

Одну деталь работы легко пропустить. Авторы попытались провести версию эксперимента с ИИ-оценщиками и отказались от неё на пилоте: передовые мультимодальные модели умели назвать содержимое изображения при прямом вопросе, но «не последовательно учитывали эту визуальную информацию в решениях о найме» (arXiv 2610.22553, 2026). Значит, автоматический первый проход может вообще не реагировать на изображение, тогда как человек-рецензент дальше по цепочке реагирует. Защищаемый дизайн прямо задаёт, что лицо не является входом оценки ни на одном этапе, ни для модели, ни для людей. Такой стандарт Scovai задаёт для своего интервьюера, который оценивает только содержание, никогда не тон, акцент или лицо; какой бы стек вы ни использовали, запишите эквивалентное правило и проверьте, что оно выполняется.

Решение на этот квартал

Кандидат с синтетическим фото выиграл немного. Двенадцать людей, рассмотренных после него, потеряли около пяти пунктов вероятности собеседования из-за того, чего никогда не было в их досье. Фото, сгенерированные ИИ, при найме — не вопрос честности кандидата; это вопрос, контролирует ли ваш процесс отбора собственные входы.

Выберите: убрать лица с экрана короткого списка до открытия следующего цикла найма или начать вести журнал сессий отбора, чтобы доказать, что очередь не решала. Не сделать ни того, ни другого — значит принять, что шансы кандидата зависят от того, кто подал заявку прямо перед ним, и вы не сможете показать обратное.

Ready to go beyond the CV?

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