纵观历史，女性在劳动力中一直面临基于性别的歧视，除了少数屈从性角色外，所有女性都被拒绝就业，经常因升职和加薪而被忽视——而且很少得到与男性同龄人相同的薪酬。这种长期而传奇的社会经济传统在经济上使超过一半的人口陷入困境，这种传统在很大程度上没有减弱到 21 世纪，在 21 世纪，女性仍然能像男性那样赚84 美分。圣地亚哥大学法学教授兼知识产权法和市场中心创始成员 Orly Lobel 博士在她的新书《平等机器：利用数字技术创造更光明、更具包容性的未来》中探讨了数字技术如何技术，通常因其在加剧社会弊病方面的作用而受到诟病，但可以利用它们来消除它们造成的损害。
本文摘自《平等机器：利用数字技术创造更光明、更具包容性的未来》 由奥利洛贝尔。版权所有 © 2022。可从 PublicAffairs（Hachette Book Group, Inc 的子公司 Perseus Books, LLC 的印记）获得。
多年来，双重标准一直很明显：雇主要求对工资保密，同时要求潜在雇员提供他们的工资历史。现在，我们可以解决这种不对称的两端。正如数字化有助于扭转信息流以提高市场对员工价值的透明度一样，新法律也指示雇主不要过多地依赖过去的薪酬水平，这可能会受到系统性不平等的影响。 2016 年，马萨诸塞州成为第一个通过法律禁止雇主向求职者询问其工资历史的州。从那时起，十多个州纷纷效仿。
阻止雇主向潜在求职者询问他们的薪水历史有两个目标。首先是打破恶性薪酬差距循环，当女性在以前的工作中薪酬较低时出现这种差距，然后下一个雇主会复制这种差距。二是解决谈判过程中的性别差异 薪酬数据受到性别差异的困扰，它们会延续并进一步加剧现有的市场差异。当一名女性透露她目前的收入低于男性时，她可能会损害她的薪资轨迹——无论是在申请的职位上还是在她的职业生涯中。每次她向潜在雇主透露她目前的薪水时，这种差距可能会扩大，因为招聘工作和晋升通常以相对于当前基本工资的百分比增加。与其依赖有偏见的数据，禁止工资历史查询会促使雇主使用其他方法来确定潜在员工的价值，包括转向自动化计算。使用市场和内部数据的雇主在确定薪酬时可以考虑与绩效相关的特征，例如经验、培训、教育、技能和过去的表现。
然而，正如我们所见，人类的偏见可能会潜入我们的算法，而一个算法输入的数据受到工资偏见的污染，很可能会延续这种偏见本身。反馈循环是数字化的恶性循环，可以导致自我实现的结果。再说一遍：偏进，偏出。风险在于，算法会了解到某些类型或类别的员工平均工资过低，然后将其计算为薪水。这是最近的政策旨在消除的错误——我们可以对人工智能进行编程来避免。删除锚定数字会鼓励雇主根据公司的需求和候选人的适合度而不是根据受污染的数字主动评估薪酬。同时，拥有一份工作的薪水表信息但没有薪水历史可以让女性更大胆地要求更多。
更重要的是，人工智能还可以在未来——甚至在遥远的未来——通过取代在不平等环境中进行的一些谈判来提供帮助。关于男女谈判差异的实证研究一再表明，女性平均而言谈判较少，而且当她们这样做时，雇主的反应是消极的。女性要求更高的薪水、更好的条件、晋升或机会几乎不像男性那样频繁。在我的研究中，我称之为谈判赤字。在卡内基梅隆大学的一项研究中，93% 的女 MBA 学生接受了初始工资，而只有 43% 的男性接受了。在另一项研究中，模拟薪资谈判的女性参与者要求的平均费用比男性参与者低 7,000 美元。经济学家 Andreas Leibbrandt 和 John List 也发现，虽然女性不太可能与雇主就薪水进行谈判，但当所有求职者都被明确告知薪酬是可以协商的，从而缩小薪酬差距时，这种差异就会消失。我与行为心理学家和法学教授 Yuval Feldman（我的长期合作者）进行的实验研究发现，在某些工作环境中，女性的行为不像“经济人”（即理性的经济行为者），而更像是无私的社会行为者，例如女性对自己的要求不如男性，她们更看重非金钱利益，例如良好的企业文化。
这些研究见解能否为我们提供开发新软件工具以刺激女性进行谈判的线索？数字平台可以通过提供有关要求加薪或准备面试的建议和信息来为员工服务。有关薪酬的信息——尤其是明确期望薪酬可以而且应该进行谈判——可以使申请人能够在接受工作机会之前就更高的薪水进行谈判。数字平台 PayScale 进行年度调查，询问数千名求职者是否在面试过程中披露了以前工作的薪酬。 PayScale 2018 年的调查发现，与被询问和披露的女性相比，被问及薪水历史并拒绝披露的女性获得职位的频率低 1.8%。相比之下，当被问及工资历史时拒绝透露的男性比确实透露的男性收到的报价高出 1.2%。
即使女性进行谈判，她们也会受到不同的对待。在我的研究中，我将这种现象称为谈判惩罚。女性被告知要“靠拢”并提出要求，但现实情况是，几个世纪以来，女性一直被普遍视为比男性更弱的谈判者。在一系列实验中，参与者评估了候选人的书面记录，他们提出或没有提出更高薪水的谈判。每个实验的结果都表明，参与者对发起谈判的女性候选人的惩罚比男性候选人多，认为要求更多的女性不“好”或太“苛刻”。虽然自信、力量和竞争力等品质在文化上有益于男性谈判者，但表现出这些特征的女性通常被认为过于咄咄逼人。另一项研究调查了一组瑞典求职者的数据，发现不仅女性最终的薪水低于同等资格的男性同龄人，而且她们经常因为像他们一样谈判而受到惩罚。 Nick Yee 和 Jeremy Bailenson 已经证明，有吸引力的化身会在自我表露和人际距离方面导致与同盟者更亲密的行为。在第二项研究中，他们还观察到，在谈判任务中，高个子的头像比矮个子的行为更自信。他们将其称为变形虫效应（众所周知，希腊神变形虫具有多种自我表现的能力）。变形虫效应表明，化身的视觉特征和特征与相关的行为刻板印象和期望相关，包括影响我们谈判方式的那些。
2021 年 1 月举行了第十一届人工智能年度竞赛，该竞赛已接受过谈判训练——大众媒体称之为 Hagglebot 奥运会。这次来自土耳其和日本的大学获胜。在一些涉及与机器人谈判的实验中，大多数人甚至没有意识到他们正在与机器人而不是另一个人交谈——机器人已经学会了进行完全模仿人类的流利对话。使用博弈论，研究人员越来越多地改进机器人代表人类进行谈判的方式，消除我们人类容易犯错的一些方面，比如试图考虑和权衡交易的许多不同方面。人工智能现在可以非常快速地预测对方的偏好。例如，通过麦克风聆听谈判前五分钟的人工智能正在学习仅从谈判者的声音中预测最终交易的大部分内容。通过机器学习跟踪这些语音模式，事实证明，当谈判者的声音在音量和音调上变化很大时，他们在谈判桌上就是弱者。当谈判双方相互反映时，这意味着他们更接近达成协议。使用人工智能还有助于揭示女性在谈判桌上受到惩罚的方式。南加州大学的一项新研究使用了一个不知道参与者性别身份的聊天机器人来评估谈判技巧。研究表明，我们大多数人——无论是男性还是女性——在谈判工资方面都做得很糟糕。超过 40% 的参与者根本没有谈判，大多数人把本可以收到的钱留在了桌面上。作为薪酬方案的一部分，女性对股票期权的估值低于男性，这影响了女性随着时间的推移积累财富的可能性。这些进步也有助于解决不同身份之间的谈判差异。一群以色列和美国的研究人员研究了智能计算机如何与来自不同文化背景的人类进行谈判。在没有告诉机器任何来自以色列、黎巴嫩和美国这三个国家的人的特征的情况下，他们让人工智能通过参与谈判游戏来了解文化谈判差异的模式。他们发现计算机能够胜过所有国家的人。这些发展是有希望的。我们可以设想机器人学习谈判差异并最终消除这种差异，以创造更公平的交流、公平竞争并取得公平的结果。它们可以设计用于解决我们的特定分配目标。