Một công cụ AI tuyển dụng có thể thiên lệch dù không ai nhập giới tính hay tuổi vào nó, vì thiên lệch đi vào qua dữ liệu cũ, qua những thông tin trông vô hại trong CV, qua cách người dùng đặt câu hỏi, và qua vòng lặp khi kết quả của máy lại trở thành dữ liệu cho lần sau. Hiểu bốn đường này giúp bạn dùng AI mà không vô tình loại người theo những lý do mình không hề muốn.
Bài viết theo góc người dùng ở doanh nghiệp nhỏ: bạn dùng chatbot đa năng để đọc CV hoặc đang cân nhắc một phần mềm có chức năng chấm hồ sơ. Không cần biết lập trình, chỉ cần hiểu cơ chế đủ để đặt câu hỏi đúng và đặt người duyệt vào đúng chỗ.
Máy không tự trung lập chỉ vì nó là máy
Nhiều người chọn AI để sàng lọc với hy vọng rằng máy không có cảm xúc nên sẽ công bằng hơn người. Hy vọng đó chỉ đúng một nửa. Máy không mệt, không thấy chán lúc bốn giờ chiều, không thích ai vì cùng quê. Nhưng máy học từ dữ liệu và làm theo chỉ dẫn, mà cả hai thứ đó đều do con người tạo ra. Nếu quá khứ có thiên lệch, máy học được thiên lệch đó và áp dụng nó đều tay hơn bất kỳ người nào.
Điểm nguy hiểm nhất là sự đều tay. Một người phỏng vấn thiên lệch chỉ ảnh hưởng tới những buổi người đó ngồi. Một công cụ thiên lệch được dùng để lọc hàng trăm hồ sơ mỗi tuần, cho mọi vị trí, và kết quả trông rất khách quan vì có điểm số, có phần trăm phù hợp. Người duyệt dễ tin con số hơn tin cảm giác của chính mình, nên ít ai hỏi lại.
Trên thế giới đã có những trường hợp được báo chí nêu rộng rãi về công cụ chấm hồ sơ học từ dữ liệu tuyển cũ và chấm thấp hồ sơ của một nhóm người, buộc nơi làm ra phải dừng dùng. Bài học không nằm ở tên công ty mà ở cơ chế: không ai lập trình ý định phân biệt, thiên lệch đi vào từ dữ liệu. Với doanh nghiệp nhỏ ở Việt Nam, cơ chế đó vẫn y nguyên dù công cụ chỉ là một chatbot.
Bốn đường thiên lệch đi vào công cụ
Dữ liệu tuyển cũ. Phần mềm được dạy bằng hồ sơ những người từng được tuyển và từng làm tốt. Nếu nhiều năm qua công ty chủ yếu tuyển một nhóm người, ví dụ nam giới cho vị trí kỹ thuật, máy sẽ coi những đặc điểm của nhóm đó là dấu hiệu của ứng viên tốt và chấm thấp những người khác.
Biến đại diện. Bỏ cột giới tính và năm sinh khỏi hồ sơ không đủ. Những thông tin khác vẫn ngầm chỉ ra chúng: năm tốt nghiệp gợi ra tuổi, khoảng trống một năm gợi ra nghỉ sinh con, câu lạc bộ thể thao gợi ra giới tính, địa chỉ gợi ra vùng miền. Máy có thể dựa vào chúng mà người dùng không biết.
Câu lệnh của người dùng. Với chatbot đa năng, thiên lệch dễ đến từ chính câu bạn gõ. Yêu cầu tìm "người trẻ năng động", "ngoại hình ưa nhìn" hay "ổn định gia đình" là bạn đang bảo máy lọc theo tuổi, ngoại hình, hôn nhân. Máy sẽ làm theo, thường không phản đối.
Vòng lặp tự củng cố. Khi người được AI chọn trở thành nhân viên và hồ sơ của họ được dùng làm mẫu cho lần tuyển sau, lựa chọn của máy tự nuôi chính nó. Sau vài vòng, nhóm được chọn hẹp dần mà không ai nhận ra vì mỗi lần chỉ lệch một chút.
Biến đại diện hay gặp trong CV ở Việt Nam
Bảng dưới liệt kê những thông tin thường có trong CV mà máy hoặc người có thể dùng như một lối ngầm để suy ra đặc điểm không được phép làm căn cứ tuyển. Cột cuối là cách xử lý trong quy trình của bạn.
| Thông tin trong hồ sơ | Có thể ngầm chỉ ra | Cách xử lý gợi ý |
|---|---|---|
| Năm sinh, năm tốt nghiệp phổ thông | Tuổi | Che trước khi đưa vào AI; chỉ giữ số năm kinh nghiệm liên quan |
| Khoảng trống trong quá trình làm việc | Thai sản, chăm con, bệnh tật, chăm người thân | Không cho máy trừ điểm khoảng trống; người duyệt hỏi nếu thật sự liên quan |
| Địa chỉ thường trú, quê quán | Vùng miền, dân tộc, hoàn cảnh kinh tế | Che; nếu cần khoảng cách đi làm thì hỏi ứng viên có đi được ca không |
| Ảnh chân dung | Giới tính, tuổi, ngoại hình, dân tộc | Không yêu cầu ảnh; nếu CV có ảnh thì bỏ trước khi đưa vào công cụ |
| Tên trường, tên công ty cũ | Hoàn cảnh gia đình, mạng lưới quen biết | Chấm theo kỹ năng và việc đã làm, không cộng điểm cho tên tuổi |
| Sở thích, câu lạc bộ, hoạt động cộng đồng | Giới tính, tôn giáo, quan điểm | Bỏ khỏi dữ liệu chấm trừ khi liên quan trực tiếp vị trí |
Che không làm mất đi giá trị của hồ sơ. Những gì liên quan đến công việc — việc đã làm, kết quả, kỹ năng, chứng chỉ nghề — vẫn còn nguyên. Danh mục sàng lọc hồ sơ của trang có hướng dẫn chi tiết cách che và đọc hồ sơ đã che.
Chatbot đa năng và phần mềm chấm hồ sơ khác nhau ở rủi ro
Chatbot đa năng như ChatGPT, Claude hay Gemini không được dạy riêng bằng dữ liệu tuyển dụng của công ty bạn. Thiên lệch của nó chủ yếu đến từ khuôn mẫu chung trong văn bản xã hội và từ câu lệnh bạn đưa vào. Ưu điểm là bạn thấy rõ mình đã hỏi gì. Nhược điểm là kết quả mỗi lần chạy có thể khác nhau, và nó tự tin trả lời cả những điều nó đoán.
Phần mềm chấm hồ sơ chuyên dụng, thường gắn trong hệ thống quản lý ứng viên, có thể đã được huấn luyện hoặc tinh chỉnh bằng dữ liệu tuyển dụng. Bạn thường chỉ thấy điểm số cuối cùng mà không thấy máy dựa vào gì. Rủi ro dữ liệu cũ và biến đại diện ở đây lớn hơn, và trách nhiệm kiểm tra trước khi dùng cũng nặng hơn. Bài riêng trong danh mục này hướng dẫn cách kiểm một công cụ như vậy bằng hồ sơ đối chứng.
Dù dùng loại nào, nguyên tắc vẫn chung: AI chỉ được tóm tắt, đối chiếu, gợi ý; mọi quyết định loại hay giữ một ứng viên phải qua người duyệt, và người duyệt phải xem được hồ sơ gốc chứ không chỉ con số. Tính năng của từng sản phẩm thay đổi nhanh, nên trước khi dùng hãy kiểm phiên bản hiện hành và điều khoản dữ liệu của nó.
Viết câu lệnh để giảm thiên lệch khi nhờ AI đọc hồ sơ
Phần lớn thiên lệch do câu lệnh gây ra có thể tránh được bằng vài quy tắc. Trước tiên, mọi hồ sơ đưa vào phải được che tên, số điện thoại, ảnh, địa chỉ, năm sinh, số giấy tờ. Sau đó:
- Nêu tiêu chí công việc cụ thể, đo được, ví dụ "đã từng quản lý kho trên một nghìn mã hàng" thay vì "người năng động, nhiệt huyết".
- Yêu cầu AI chỉ đối chiếu hồ sơ với từng tiêu chí và trích dẫn đoạn trong hồ sơ làm căn cứ, không cho điểm tổng, không xếp hạng ứng viên.
- Ghi rõ trong câu lệnh: "Không suy đoán và không dùng tuổi, giới tính, tình trạng hôn nhân, quê quán, ngoại hình, sức khoẻ, tôn giáo của ứng viên. Nếu hồ sơ còn sót những thông tin này, hãy báo để người dùng xoá."
- Yêu cầu AI nêu rõ khi hồ sơ thiếu thông tin cho một tiêu chí, thay vì tự đoán. "Không có thông tin" khác với "không đạt".
- Không hỏi kiểu "ứng viên này có phù hợp không" hoặc "nên loại ai". Câu hỏi đó mời máy đưa ra phán xét tổng thể, nơi thiên lệch dễ lọt vào nhất.
- Chạy cùng một câu lệnh cho mọi hồ sơ trong đợt, lưu lại câu lệnh để có thể giải trình sau này.
Ví dụ câu lệnh hoàn chỉnh: "Đây là hồ sơ đã che thông tin cá nhân của Ứng viên C cho vị trí nhân viên kho. Đối chiếu với năm tiêu chí sau và với mỗi tiêu chí ghi: có bằng chứng, chưa rõ, hoặc không có thông tin, kèm câu trích từ hồ sơ. Không đánh giá tổng thể, không suy đoán đặc điểm cá nhân."
Vòng lặp tự củng cố và dấu hiệu cần dừng lại
Vòng lặp nguy hiểm vì nó không gây ra sự cố nào rõ ràng. Không có hồ sơ nào bị loại một cách vô lý đến mức ai cũng thấy. Chỉ có điều sau một năm, bạn nhận ra mọi nhân viên kinh doanh mới đều cùng một kiểu, cùng độ tuổi, và những ứng viên khác hẳn gần như không bao giờ lọt qua vòng hồ sơ. Lúc đó rất khó lần ngược xem lệch từ khi nào.
Cách phòng là theo dõi định kỳ. Sau mỗi đợt tuyển, hãy xem tỉ lệ hồ sơ qua vòng sàng lọc có khác biệt lớn giữa các nhóm không, trong phạm vi dữ liệu bạn được phép có và đã được ứng viên đồng ý cung cấp. Đọc lại ngẫu nhiên vài hồ sơ bị loại xem lý do có đứng vững không. Nếu thấy nhóm nào bị loại nhiều bất thường hoặc lý do loại lặp đi lặp lại mà không liên quan đến công việc, hãy dừng dùng công cụ cho bước đó cho tới khi tìm ra nguyên nhân.
Một dấu hiệu khác là người duyệt không còn đọc hồ sơ gốc. Khi cả nhóm chỉ nhìn danh sách AI gửi lên rồi bấm duyệt, bước người duyệt đã thành hình thức. Quy định nội bộ nên bắt buộc người duyệt mở hồ sơ gốc của ít nhất một phần hồ sơ bị loại trong mỗi đợt, và ghi lại việc đó.
Ví dụ giả định: một xưởng may ở Bắc Ninh lọc hồ sơ tổ trưởng
Ví dụ giả định: một xưởng may ở Bắc Ninh nhận gần trăm hồ sơ cho hai vị trí tổ trưởng chuyền. Người phụ trách tuyển dán từng CV vào chatbot với câu lệnh "đánh giá mức độ phù hợp từ 1 đến 10 cho vị trí tổ trưởng, ưu tiên người có sức khoẻ tốt, gắn bó lâu dài". Sau một buổi chiều, danh sách mười người điểm cao nhất gồm toàn người dưới ba mươi lăm tuổi, phần lớn là nam, dù công nhân trong xưởng đa số là nữ.
Khi xem lại, người phụ trách nhận ra hai cụm "sức khoẻ tốt" và "gắn bó lâu dài" đã mở đường cho máy suy từ năm sinh và khoảng trống nghỉ sinh con. Không ai nhập giới tính, không ai yêu cầu loại phụ nữ, nhưng kết quả nghiêng hẳn về một phía. Một số người bị chấm thấp lại có nhiều năm đứng chuyền và từng kèm cặp công nhân mới, đúng là điều vị trí cần nhất.
Xưởng làm lại: che năm sinh, ảnh, địa chỉ; thay câu lệnh bằng năm tiêu chí cụ thể như kinh nghiệm điều phối chuyền, kèm người mới, xử lý hàng lỗi; yêu cầu AI chỉ ghi có bằng chứng, chưa rõ hay không có thông tin; và người phụ trách đọc lại mọi hồ sơ ở nhóm chưa rõ. Danh sách mới khác hẳn, và quan trọng hơn, mỗi người được mời phỏng vấn đều có lý do ghi thành chữ.
Câu hỏi thường gặp
Bỏ ô giới tính và năm sinh khỏi hồ sơ có đủ để AI không thiên lệch không?
Không đủ. Nhiều thông tin khác như năm tốt nghiệp, khoảng trống trong quá trình làm việc, địa chỉ, ảnh, sở thích vẫn ngầm chỉ ra tuổi, giới tính hay vùng miền. Cần che cả những biến đại diện đó và yêu cầu AI chỉ đối chiếu với tiêu chí công việc cụ thể.
Doanh nghiệp nhỏ chỉ dùng chatbot miễn phí thì có cần lo thiên lệch không?
Có. Với chatbot, thiên lệch thường đến từ câu lệnh như tìm người trẻ, ưa nhìn, ổn định gia đình, hoặc từ việc để máy chấm điểm tổng thể. Viết câu lệnh theo tiêu chí đo được, yêu cầu trích căn cứ và luôn có người duyệt là đã giảm được phần lớn rủi ro.
AI loại sai một ứng viên thì ai chịu trách nhiệm?
Doanh nghiệp dùng công cụ và người ra quyết định tuyển chịu trách nhiệm, không phải công cụ. Vì vậy mọi quyết định loại phải có người xem hồ sơ gốc và ghi lý do. Khi có tranh chấp cụ thể, bạn nên hỏi ý kiến luật sư về trường hợp của mình.
Làm sao biết công cụ AI đang lệch theo nhóm nào đó?
Theo dõi tỉ lệ qua vòng của các nhóm trong phạm vi dữ liệu được phép, đọc lại ngẫu nhiên hồ sơ bị loại, và thử công cụ bằng các cặp hồ sơ giả giống hệt nhau chỉ khác một đặc điểm. Nếu điểm khác nhau rõ, công cụ đang dựa vào đặc điểm đó.
Có nên yêu cầu AI chấm điểm phù hợp theo phần trăm cho từng CV không?
Không nên dùng điểm phần trăm làm căn cứ loại người. Con số trông khách quan nhưng không cho biết máy dựa vào gì. Tốt hơn là yêu cầu AI đối chiếu từng tiêu chí, ghi rõ có bằng chứng, chưa rõ hay không có thông tin, kèm trích dẫn để người duyệt kiểm.
Dữ liệu CV dán vào chatbot có bị dùng để huấn luyện mô hình không?
Tuỳ công cụ, loại tài khoản và cài đặt; chính sách cũng thay đổi theo thời gian. Hãy kiểm điều khoản hiện hành, ưu tiên tài khoản doanh nghiệp có cam kết không dùng dữ liệu để huấn luyện, và trong mọi trường hợp che tên, liên lạc, ảnh, giấy tờ trước khi dán.