Quan la IA decideix qui entra: el biaix invisible que afavoreix els currículums escrits per màquines. Un experiment revela que els sistemes de selecció automatitzada trien versions de currículums reescrites per IA fins al 97,6% de les vegades, fins i tot quan els humans consideren millors les originals.
La promesa de la intel·ligència artificial aplicada a la selecció de talent sempre ha estat clara: processos més ràpids, més objectius i menys esbiaixats. Però un nou experiment posa en qüestió aquesta narrativa amb una conclusió incòmoda: els sistemes d’IA no només avaluen els candidats, sinó que poden afavorir sistemàticament aquells que escriuen com ells. En altres paraules, la màquina no només selecciona talent; premia el seu propi estil.
L’estudi, difós inicialment a través d’un fil que ha generat un ampli debat a les xarxes socials, parteix d’una premissa aparentment senzilla. Un equip d’investigadors de la University of Maryland, la National University of Singapore i Ohio State va recopilar 2.245 currículums reals redactats per humans abans de l’aparició de ChatGPT. A partir d’aquí, va utilitzar set models d’intel·ligència artificial per reescriure cadascun d’ells: GPT-4o, GPT-4o-mini, GPT-4-turbo, LLaMA 3.3-70B, Qwen 2.5-72B, DeepSeek-V3 i Mistral-7B.
L’experiment consistia en una cosa directa: presentar a cada model dues versions del mateix currículum —l’original humana i la reescrita per IA— i demanar-li que triés quina era millor. El resultat va ser contundent. Els models van triar la versió generada per IA en percentatges aclaparadors. GPT-4o ho va fer el 97,6% de les vegades. Altres models van mostrar xifres similars, totes per sobre del 95%.
A primera vista, l’explicació sembla òbvia: potser la IA escriu millor. Però els investigadors van introduir un control clau. Van fer que avaluadors humans valoressin ambdues versions dels currículums en termes de claredat, coherència i efectivitat. I van repetir l’experiment utilitzant només aquells casos en què els humans consideraven millor la versió original. El resultat no va canviar. Les IA van continuar preferint les versions reescrites per elles mateixes.
Aquest punt és crític perquè desmunta una interpretació simplista. No es tracta que la IA detecti qualitat objectiva, sinó que reconeix —i afavoreix— un estil lingüístic, estructural i semàntic que coincideix amb el seu propi patró de generació. És un biaix d’afinitat algorítmica.
El biaix que no estava al radar
La implicació és profunda. Durant anys, el debat sobre biaixos en IA s’ha centrat en variables com gènere, raça o edat. Aquest experiment introdueix un nou tipus de biaix: l’estilístic. Els models no només analitzen el contingut, sinó que responen positivament a formes d’expressió que els resulten familiars perquè són les mateixes que generen.
Aquest fenomen s’agreuja amb un altre resultat: les IA no només prefereixen textos generats per IA davant dels humans, sinó que també tendeixen a preferir-se a si mateixes davant d’altres IA. DeepSeek-V3, per exemple, va seleccionar les seves pròpies versions un 69% més que les generades per LLaMA. GPT-4o va fer el mateix un 45% més de vegades.
Això suggereix que cada model desenvolupa una mena de “dialecte” propi. Un conjunt de patrons lingüístics i estructurals que reconeix com a òptims. Quan avalua textos, no busca necessàriament la millor comunicació, sinó la proximitat al seu propi estil.
L’impacte en el mercat laboral
L’experiment no es va quedar en la comparació de textos. Els investigadors van simular processos reals de selecció en 24 ocupacions diferents. En tots els casos, les qualificacions, experiència i habilitats eren idèntiques. L’única variable era si el currículum havia estat reescrit pel mateix model d’IA que feia el filtratge.
El resultat va ser inquietant: els candidats que utilitzaven la mateixa IA que el sistema de selecció tenien entre un 23% i un 60% més probabilitats de ser preseleccionats. Les diferències més acusades es van donar en sectors com vendes, comptabilitat i finances.
En la pràctica, això significa que el procés de selecció deixa de ser neutral. No guanya necessàriament el millor perfil, sinó el que millor “parla l’idioma” de l’algoritme.
L’automatització de l’avantatge
El context amplifica el problema. Es calcula que prop del 99% de les grans empreses utilitzen algun tipus de sistema automatitzat per filtrar currículums. Molts d’ells basats en models com GPT-4o.
Això introdueix una nova capa de desigualtat. No n’hi ha prou amb tenir experiència o formació. Tampoc n’hi ha prou amb escriure bé. L’avantatge es desplaça cap a qui utilitza eines d’IA per adaptar el llenguatge al patró esperat.
El resultat és paradoxal: un candidat que redacta el seu currículum de forma autònoma pot perdre davant d’un altre amb menys qualitat real, però que ha optimitzat la seva presentació amb IA.
Eficiència o distorsió?
Des del punt de vista empresarial, l’automatització té sentit. Permet processar milers de candidatures en segons i reduir costos. Però aquest tipus de biaix introdueix una distorsió estructural.
El sistema deixa d’avaluar mèrit per avaluar compatibilitat amb un patró. I aquest patró no està dissenyat explícitament, sinó que emergeix del funcionament del model.
La pregunta és incòmoda: les empreses seleccionen talent o seleccionen qui millor encaixa amb la seva eina?
El risc de retroalimentació
El problema pot empitjorar. Si els candidats utilitzen massivament IA i les IA continuen premiant aquest estil, es crea un bucle.
Els currículums es tornen homogenis. Les diferències reals es dilueixen. I el sistema perd capacitat per distingir talent.
Implicacions ètiques i regulatòries
Aquest biaix no és fàcil de detectar ni regular. No es basa en categories clàssiques, però pot tenir efectes excloents similars.
Els reguladors hauran de plantejar-se si els sistemes de selecció han d’auditar-se també en termes de biaixos emergents.
Què poden fer candidats i empreses
Per als candidats, la conclusió és clara: ignorar la IA pot ser un desavantatge.
Per a les empreses, cal:
- mantenir revisió humana
- auditar sistemes
- prioritzar contingut sobre forma
- diversificar eines
