Исследователи проанализировали сценарий найма, при котором кандидаты используют большие языковые модели для составления резюме, а работодатели применяют аналогичные алгоритмы для их первичного скрининга. В ходе масштабного эксперимента выяснилось, что нейросети систематически отдают предпочтение текстам, сгенерированным искусственным интеллектом, а не написанным человеком.

Данное явление получило название self-preference bias — склонность моделей высоко оценивать собственный или структурно похожий вывод. При тестировании коммерческих и открытых систем предвзятость против составленных людьми резюме составила от 67% до 82% при строгом контроле качества содержания. Симуляция пайплайнов найма для двадцати четырех профессий показала, что соискатели, использующие ту же модель, что и автоматизированная система оценки, имеют на 23–60% больше шансов пройти отбор. Наиболее заметный разрыв зафиксирован в бизнес-направлениях, включая сферу продаж и бухгалтерию.

Подобная механика формирует замкнутый цикл взаимодействия алгоритмов, где оригинальный человеческий текст становится фактором, напрямую снижающим вероятность успешного трудоустройства. При этом авторы работы установили, что базовая корректировка механизмов самораспознавания в моделях позволяет сократить уровень искажений более чем на 50%, что указывает на необходимость внедрения новых метрик алгоритмической справедливости, учитывающих специфику взаимодействия между разными ИИ-системами.