金融时报报导，机器人不仅正抢走人的工作，还逐渐担任起工作分配者的角色。随着“机器学习”、“大数据”、“预测性分析”成为人才招聘业者不时挂在嘴上的热门字眼，仰赖机器人来招募人才，可能带来一些风险。

运用这些工具协助招聘人才，背后的论点很简单。招聘机器人（robo-recruiters）可透过演算法，迅速从数千名应征者中筛选出合适者，比猎才人员更有效率，而且也更客观公平，因为不具普通人有意识或无意识怀有的偏见，理论上能招募到更多元、更优秀的人才。

但金融时报评论指出，上述理由很吸引人，但也很危险。因为演算法不是因为纯粹以0与1的观点来看世界，就具备潜在的中立性。

要训练机器学习演算法，都需要先喂入资料；要确保演算法客观公平，就必须先确定演算法依据的资料并未失之偏颇。

今年研究员李柯林（Colin Lee，音译）对媒体公布一份论文报告，他分析总计44万1,769份求职申请资料，据此打造一个预测模型，据说推估求职者成功接获面试通知的准确度高达七、八成。他在新闻稿里宣称，这个演算法可能是筛检大量履历资料的强大工具，同时也能避免“人员的疏失和下意识的偏见”。

然而，这种模型可能在订定招聘条件之初，就吸收了人的偏见。例如，研究发现，年龄是预测哪些应征者会受邀接受面谈的最大因素，年纪最小和最老的应征者，收到面试通知的可能性最低。或许有道理筛除年纪太轻、缺乏经验者，但习惯性剔除年长应征者，似乎是值得调查、而非奉为常规并加以执行的行为。

李柯林承认确有这些问题存在，并建议在套用这个模型之前，若先去除履历表上包括性别、年龄、种族等属性会更好。

在今年发表的另一份论文中，研究员Solon Barocas与Andrew Selbst举例说，有个雇主想从众多工作应征者中挑选出最可能长期待下来的人，但若历史资料显示女性留在工作岗位上的时间通常比男性短（或许为了育儿而离职），那么演算法也可能依据这个形同性别替代指标的特质，而对她们有所歧视。

还有住处距办公室远近的问题。这可能是预测应征者待在公司时间长短的一项准确指标，但却可能不经意歧视家住较远的通勤族，而住处附近的区域也可能具有种族或年龄特色。

这些问题都令人怀疑所谓演算法是理性且无偏见的论点，虽然该不该因年龄、性别等属性不同而有差别待遇，在法律上仍有争论。美国法律禁止不成比例地伤害“受保护的弱势阶级”，但若雇主能证明有强烈的业务理由那么做，就可能自我辩护成功。若是演算法的用意只是为某个职务招募最佳人选，那可能是够好的辩护论点。

然而，雇主若要员工的组成更多元，显然不能把招募人才的工作只交给电脑代劳。雇主必须以更有想像力的方式来运用资料。举例来说，有别于以公司文化为基准、再挑选统计数据上可能最合适在此处工作的应征者，雇主或许可以从资料中搜寻出什么地方（以及什么情况下），最能让背景更多元的员工胜任愉快。

结论是：若“机器学习”只依据过去的资料来学习，无法激励员工迈向未来。