בינה מלאכותית מעדיפה תוכן משלה: ההטיה הסמויה במערכות הסינון הארגוניות

ארגונים, מוסדות אקדמיים וחברות ברחבי העולם מגבירים את השימוש במערכות בינה מלאכותית ובמודלי שפה גדולים (LLMs) לצורך סינון והערכה של הגשות כתובות - החל מקורות חיים ועד למאמרים מדעיים ובקשות לפרסים. אולם תופעה עמוקה ומטרידה שנחשפת לאחרונה מעמידה בספק את הוגנות התהליך: מערכות הסינון מעדיפות באופן מובהק תוכן שנכתב או שוכתב על ידי בינה מלאכותית, ומעניקות לו ציונים גבוהים יותר בהשוואה לעבודה אנושית שנוסחה בעמל רב.

הטיות אלו מעמידות את המועמדים בפני דילמה אסטרטגית ואתית מורכבת: האם להקפיד על הכללים ולכתוב בקול אנושי אותנטי תוך סיכון בקבלת ציון נמוך, או להיעזר בכלי AI כדי לשדרג את הטקסט ולהגדיל את סיכויי המעבר, תוך נטילת סיכון להיתפס ולהיפסל?

שלושת המנגנונים שמניעים את ההטיה

ההעדפה של מערכות הבינה המלאכותית לתוכן שנוצר על ידי מחשב אינה נובעת מתודעה עצמית או מזיקה מודעת בין מודלים, אלא מתכונות מבניות ומתמטיות של הטכנולוגיה. מומחה הבינה המלאכותית ד"ר לאנס אליוט מצביע על שלושה מנגנונים מרכזיים שמביאים להעדפה זו:

זיהוי תבניות סגנוניות: מודלי שפה גדולים אומנו על גבי כמויות עתק של טקסטים מהרשת. טקסטים שמיוצרים על ידי AI מציגים כמעט תמיד מבנה מאורגן, מעברים ברורים, תחביר מאוזן ושימוש באוצר מילים תקני. המודל המעריך מזהה מאפיינים אלו ומשייך אותם באופן אוטומטי לאיכות גבוהה.

תגמול על אחידות וענישת מקוריות: בעוד שמעריכים אנושיים מחפשים לעיתים קרובות מקוריות, סגנון ייחודי ומבנה לא שגרתי, מערכות AI נוטות לפרש חריגה מהתבנית המקובלת כירידה ברמה או כחוסר בהירות, ומורידות על כך ניקוד.

זיקה מבנית בין מודלים (Model Affinity): מכיוון שמודלי ההערכה ומודלי היצירה בנויים על ארכיטקטורות חישוביות דומות, קיים מתאם טבעי בין אופן ייצוג השפה הפנימי של המערכת המעריכה לבין התוכן שמפיק מודל ייצור.

"המערכות מעניקות ניקוד גבוה יותר לכתיבה שמציגה מבנה מאורגן ומאזן תבניתי, ובכך יוצרות העדפה שקטה אך עקבית לטקסטים אחידים על פני יצירתיות אנושית".

ממצאי המחקר: "הלבנת מאמרים" ככלי להקפצת ציונים

מחקר אקדמי שנערך על ידי החוקרים יואכים באומן, ג'יאקסין פיי, סנמי קוייג'ו ודירק הובי (Joachim Baumann, Jiaxin Pei, Sanmi Koyejo, Dirk Hovy) ופורסם בחודש יולי 2026 תחת הכותרת "Stop Automating Peer Review Without Rigorous Evaluation", אישש את התופעה באופן אמפירי.

החוקרים הציגו מנגנון שכינו "הלבנת מאמרים" (Paper laundering), במסגרתו שוכתבו מאמרים באמצעות הנחיה בודדת (Zero-shot) למודל שפה. הניסוי הוכיח כי שכתוב הטקסט דרך כלי בינה מלאכותית הביא לזינוק של 0.45+ נקודות בממוצע בציוני ההערכה שניתנו על ידי סוקרי AI, וזאת ללא כל שינוי בתוכן המדעי או בנתונים המקוריים של המחקר.

בהשוואה בין כתיבה אנושית מקורית לשכתוב באמצעות AI ("הלבנת טקסט"): כתיבה אנושית מציגה סגנון ייחודי, מגוון ובעל קול אישי, וזוכה בהערכת מודלי AI לניקוד נמוך יותר בשל חריגה מתבניות. לעומת זאת, טקסט מולבן מציג סגנון אחיד, מאוזן ותבניתי, וזוכה לניקוד גבוה ב-0.45+ נקודות בממוצע, כאשר סיכון הזיהוי שלו אפסי - אלא אם מופעל כלי גילוי ייעודי.

בניגוד לשיטות עקיפה מורכבות כמו התקפות הזרקת הנחיות (Prompt Injection Attacks) המשתילות קודים נסתרים במסמך, המחקר מראה כי מספיק שכתוב סגנוני פשוט כדי להערים על מנגנוני ההערכה האוטומטיים.

מלכוד המועמדים וההשלכות על הייטק הישראלי

עבור מועמדים למשרות, כותבי מאמרים או מגישי בקשות לפרסים, המצב הנוכחי מייצר מלכוד כפול. מצד אחד, מי ששומר על החוקים וכותב בעצמו מסמכים או קורות חיים מסתכן בהדחה מוקדמת על ידי אלגוריתם הסינון. מצד שני, שימוש ב-AI כדי להעלות את הניקוד טומן בחובו סיכון: ארגונים רבים משלבים כלים לגילוי תוכן מלאכותי, ומועמד שמזוהה כמי שנזקק ל-AI עלול להיפסל על הסף ללא אפשרות ערעור.

בשוק ההייטק הישראלי, שבו ארגונים וחברות גיוס משתמשים באופן נרחב במערכות מעקב אחר מועמדים (ATS) ובכלי מיון אוטומטיים מבוססי AI לסינון מאות קורות חיים לכל משרה, להטיה זו יש משמעות דרמטית. מחפשי עבודה ישראלים המקפידים לנסח את קורות החיים שלהם באופן אישי עלולים למצוא את עצמם נדחקים לתחתית הרשימה, בעוד מועמדים שנעזרו במחוללי טקסט יעברו לשלב הראיונות.

המצב הקיים מחייב ארגונים, מעסיקים ומוסדות מחקר לבחון מחדש את הסתמכותם הבלעדית על כלי הערכה אוטומטיים, ולטפל בהטיות המובנות של המודלים לפני שיובילו לאובדן כישרונות ולפגיעה באמינות תהליכי המיון.

קראו גם: פולקסווגן מחליפה את אקסל: חטיבת המשאיות תטמיע את Ripple Treasury · Automattic מאשרת רשמית: המייסד מאט מולנווג חזר לתפקיד המנכ"ל