AI làm hồ sơ xin việc giống nhau hơn, người chưa có kinh nghiệm chịu thiệt nhất

Ngày 24/9/2026, Itai Ashlagi, Ramesh Johari, Jon Kleinberg và Anushka Murthy công bố bản thảo nghiên cứu trên arXiv về một nút thắt trong tuyển dụng. Mô hình của họ cho thấy AI có thể giúp chuẩn bị và nộp hồ sơ dễ hơn, đồng thời làm tài liệu ứng tuyển kém bộc lộ mức phù hợp của từng người. Khi đó, người phù hợp nhưng chưa có kinh nghiệm dễ mất cơ hội được đánh giá sâu nhất. Đây là kết quả lý thuyết, chưa phải tác động đã được đo trong các đợt tuyển dụng thực tế.

Bản ghi nghiên cứu của RePEc xác nhận lập luận trung tâm: khi tín hiệu riêng trong hồ sơ kém hữu ích, doanh nghiệp dựa nhiều hơn vào thông tin dễ quan sát như kinh nghiệm làm việc trước đó. Điều này bất lợi cho ứng viên mới vào nghề có năng lực phù hợp, vì họ thiếu cả kinh nghiệm để tạo lợi thế ban đầu lẫn tín hiệu cá nhân đủ rõ để bù đắp. Vấn đề nghiên cứu đặt ra là ai còn được vào vòng đánh giá, chứ không chỉ là ai gửi được hồ sơ.

Hồ sơ giống nhau hơn theo nghĩa nào?

Trong mô hình, doanh nghiệp có một vị trí cần tuyển và nhìn thấy kinh nghiệm của người ứng tuyển cùng tín hiệu không hoàn hảo từ tài liệu họ nộp. Mức phù hợp thực sự với công việc chưa thể quan sát ngay; doanh nghiệp phải bỏ chi phí đánh giá sâu mới biết rõ hơn. Nghiên cứu giả định rằng khi AI được dùng nhiều hơn, chi phí chuẩn bị đơn giảm nhưng tín hiệu từ hồ sơ trở nên nhiễu hơn. Chi phí hiệu quả để doanh nghiệp nhận diện người phù hợp cũng tăng trong giả định của mô hình.

Vì thế, “giống nhau hơn” ở đây chủ yếu nói về khả năng phân biệt ứng viên. Nếu nhiều người đều có thể tạo tài liệu trôi chảy và điều chỉnh sát mô tả công việc, cách trình bày ấy sẽ cho nhà tuyển dụng ít căn cứ hơn để suy ra ai thực sự làm được việc. Nghiên cứu không đếm số CV có câu chữ trùng nhau và cũng không kết luận mọi hồ sơ dùng AI đều thiếu thông tin. Nó phân tích điều gì xảy ra khi mối liên hệ giữa tài liệu ứng tuyển và mức phù hợp suy yếu.

Giảm công sức nộp đơn cũng không đồng nghĩa với giảm công sức đánh giá. Một ứng viên có thể tiếp cận nhiều vị trí dễ hơn, trong khi doanh nghiệp vẫn phải quyết định dành thời gian cho hồ sơ nào trước. Khi bằng chứng cá nhân trong hồ sơ yếu đi, kinh nghiệm trở thành điểm tựa tương đối quan trọng hơn cho quyết định ấy.

Vì sao người phù hợp nhưng ít kinh nghiệm chịu thiệt nhất?

Mô hình phân biệt kinh nghiệm đã có với mức phù hợp thực sự cho một công việc cụ thể. Hai đặc điểm này liên quan nhưng không đồng nhất: người từng đi làm vẫn có thể không hợp vị trí, còn người mới có thể đáp ứng tốt yêu cầu. Doanh nghiệp chưa biết chắc mức phù hợp ở vòng đầu nên kết hợp điều quan sát được với tín hiệu từ hồ sơ để ước lượng khả năng tuyển đúng người.

Khi tín hiệu từ hồ sơ nhiễu hơn, doanh nghiệp đặt trọng số lớn hơn vào kinh nghiệm. Trong phép so sánh của mô hình, ứng viên phù hợp nhưng thiếu kinh nghiệm bị giảm điểm đánh giá trung bình nhiều nhất trong các nhóm ứng viên được xét. Họ mất phần thông tin riêng có thể giúp vượt qua bất lợi ban đầu, còn người phù hợp đã có kinh nghiệm vẫn giữ được một dấu hiệu thuận lợi mà doanh nghiệp nhìn thấy. Kết quả này giải thích lời cảnh báo trong tiêu đề; nó không phải tỷ lệ bị từ chối đã quan sát ngoài thị trường.

Hãy xét một tình huống giả định: hai người đều chưa từng làm đúng vị trí đang tuyển, nhưng chỉ một người thực sự phù hợp. Nếu tài liệu của họ cung cấp tín hiệu quá yếu, doanh nghiệp khó nhận ra sự khác biệt trước khi mời ai đó đánh giá sâu. Người phù hợp không mất năng lực vì dùng AI; họ mất cơ hội chứng minh năng lực ở thời điểm doanh nghiệp phải chọn hồ sơ để xem tiếp.

Nút thắt nằm ở quyết định đánh giá sâu

Đánh giá từng người tốn nguồn lực, nên doanh nghiệp trong mô hình chỉ tiếp tục khi giá trị kỳ vọng của việc tìm được người phù hợp đủ bù chi phí. Hồ sơ kém thông tin có thể khiến ước lượng dành cho ứng viên thiếu kinh nghiệm không vượt được ngưỡng ấy. Trong những điều kiện được mô hình xác định, doanh nghiệp không đánh giá ai hoặc chỉ đánh giá người đã có kinh nghiệm, dù trong nhóm bị bỏ qua vẫn có người phù hợp.

Quyết định đó có thể hợp lý từ góc độ riêng của doanh nghiệp mà vẫn bỏ lỡ một kết quả có ích cho cả doanh nghiệp lẫn người lao động. Doanh nghiệp tính chi phí đánh giá và lợi ích tuyển được người phù hợp, nhưng không tính toàn bộ lợi ích người lao động nhận được khi tìm đúng việc. Khoảng cách giữa hai phép tính tạo ra khả năng sàng lọc quá ít. Đây là cơ chế của mô hình, không phải nhận định rằng mọi nhà tuyển dụng hiện nay đều loại ứng viên mới theo cách ấy.

Điểm nghẽn vì vậy xuất hiện trước khi năng lực thực sự được kiểm tra. Khi việc nộp đơn trở nên dễ, câu hỏi quyết định không còn chỉ là ứng viên có vào được danh sách hồ sơ hay không, mà là doanh nghiệp có đủ căn cứ để bỏ chi phí tìm hiểu sâu về họ hay không. Sự khác biệt này đặc biệt quan trọng với người chưa có lịch sử làm việc để làm bằng chứng thay thế.

Đánh giá trung gian có thể khôi phục tín hiệu ra sao?

Nghiên cứu xét một bước đánh giá tương đối ít tốn kém trước vòng đánh giá đầy đủ, chẳng hạn bài làm mẫu, kiểm tra kỹ năng trực tiếp hoặc phỏng vấn sơ bộ có cấu trúc. Bước này tạo thêm bằng chứng về mức phù hợp của từng người. Nó dành một lối đi cho những ứng viên mà hồ sơ ban đầu chưa đủ thuyết phục doanh nghiệp đánh giá sâu ngay, nhưng vẫn đáng để thu thập thêm thông tin.

Nếu tín hiệu ở bước trung gian thuận lợi, doanh nghiệp có thể cập nhật đánh giá và cho ứng viên đi tiếp; nếu không, họ có thể dừng trước vòng tốn kém hơn. Cơ chế chỉ giúp ích khi thông tin mới đủ đáng tin và chi phí thu thập đủ thấp. Mô hình không chứng minh rằng cứ thêm bài kiểm tra là tuyển dụng tốt hơn, cũng không xác định một hình thức đánh giá tối ưu cho mọi nghề.

Điều nghiên cứu chưa thể kết luận

Trang tóm lược của DeepPaper phân loại công trình này là nghiên cứu lý thuyết. Bản thảo giải thích một cơ chế có thể xảy ra khi AI làm tín hiệu trong hồ sơ suy yếu; nó chưa đo quy mô tác động, chưa chứng minh quan hệ nhân quả trong tuyển dụng thực tế và chưa có kết quả riêng cho Việt Nam. Vì vậy, không thể từ mô hình suy ra tỷ lệ ứng viên mới bị bỏ qua ở một thị trường cụ thể.

Để biết nút thắt ấy phổ biến đến đâu, vẫn cần quan sát quy trình tuyển dụng thực: tài liệu thay đổi thế nào khi ứng viên dùng AI, doanh nghiệp dựa vào kinh nghiệm ở mức nào và bước đánh giá trung gian có giúp nhận ra thêm người phù hợp hay không. Kết luận hiện có rõ hơn về cơ chế: khi hồ sơ bớt phân biệt năng lực cá nhân, cơ hội được đánh giá trở nên khan hiếm hơn đối với người phù hợp nhưng chưa có kinh nghiệm.

Đọc thêm:

• Đơn xin trợ cấp thất nghiệp Mỹ giảm còn 203.000, nhưng tuyển dụng vẫn khó
• ChatGPT nâng điểm bài làm, còn tư duy nhân quả tạo ý tưởng khác biệt
• Claude tìm thấy hệ enzyme giống CRISPR, nhưng chức năng vẫn chưa rõ