لنگر ۷۸ درصدی: چگونه اولین رقم پیشنهادی، نتیجه نهایی حقوق را تعیین می‌کند

در یک آزمایش کنترل‌شده در سال ۲۰۰۱ که در مجله Journal of Personality and Social Psychology منتشر شد، محققان آدام گالینسکی (Adam Galinsky) و توماس موسوایلر (Thomas Mussweiler) همبستگی ۰.۸۵ را بین اولین رقم پیشنهادی در یک مذاکره و قیمت توافق‌شده نهایی ثبت کردند. وقتی این میان‌بر شناختی در مورد حقوق و دستمزد اعمال می‌شود، به این معناست که طرفی که اولین رقم را به زبان می‌آورد، از نظر ریاضی مرکز ثقل کل بحث را تعیین می‌کند.[1]

سازوکاری که این نتیجه را رقم می‌زند، به عنوان سوگیری لنگر انداختن (Anchoring Bias) شناخته می‌شود. موسسه Decision Lab این پدیده را به عنوان یک نقص شناختی تعریف می‌کند که در آن مغز انسان هنگام قضاوت‌های بعدی، به طور نامتناسبی بر اولین بخش از اطلاعاتی که دریافت می‌کند تکیه دارد. زمانی که این خط پایه تثبیت شد، تمام استدلال‌ها و پیشنهادهای متقابل آینده، به جای ارزیابی‌های مستقل از ارزش، به عنوان تعدیل‌های نسبی با فاصله از لنگر ارزیابی می‌شوند.[6]

برنامه مذاکره در دانشکده حقوق هاروارد در یک گزارش توجیهی در می ۲۰۲۶ خاطرنشان کرد: «اولین پیشنهاد به عنوان یک لنگر روانی قدرتمند عمل می‌کند.» از آنجا که شناخت انسان برای ارزیابی ارزش مطلق در خلاء با مشکل مواجه است، رقم اولیه یک معیار اندازه‌گیری ضروری، هرچند دلخواه، ارائه می‌دهد. تعدیل‌ها و فاصله‌گرفتن‌ها از این معیار تقریباً همیشه ناکافی هستند و در نتیجه رقم نهایی به شدت به سمت نقطه شروع متمایل می‌شود.[4]

این پویایی، توصیه شغلی سنتی و ریسک‌گریزانه را که می‌گوید کارجویان باید منتظر بمانند تا کارفرما ابتدا حقوق را تعیین کند، دگرگون می‌سازد. بررسی ۱۵ تکنیک مذاکره مبتنی بر تحقیق که توسط Quartz منتشر شده است، نتیجه‌گیری کرد که ارائه اولین پیشنهاد، موثرترین استراتژی برای تصاحب ارزش مازاد در یک معامله است. با اقدام اول، کارجو مدیر استخدام را مجبور می‌کند تا به جای کف پرداختی شرکت، در برابر سقف درخواستی کارجو مذاکره کند.[7]

ساختار لنگر به اندازه بزرگی آن اهمیت دارد. یک مطالعه در سال ۲۰۲۲ که در مجله The Journal of Social Psychology توسط دیوید لوشلدر (David Loschelder) و همکارانش منتشر شد، تفاوت بین لنگرهای با اعداد رند و ارقام بسیار دقیق را مورد آزمایش قرار داد. محققان دریافتند کارجویانی که حقوق دقیقی مانند ۱۰۳,۵۰۰ دلار درخواست کرده‌اند، به نتایج نهایی ۸ تا ۱۲ درصد بالاتر از کسانی دست یافتند که رقم رند ۱۰۰,۰۰۰ یا ۱۰۵,۰۰۰ دلار را طلب کرده بودند.[2]

اثربخشی لنگر دقیق بر نظریه سیگنال‌دهی (Signaling Theory) تکیه دارد. هنگامی که یک کارجو رقم بسیار مشخصی را پیشنهاد می‌دهد، مدیر استخدام ناخودآگاه فرض می‌کند که این رقم محصول تحقیقات دقیق بازار و محاسبات جزئی است. این شایستگیِ درک‌شده، پنجره روانی را برای پیشنهاد متقابل محدود می‌کند، زیرا کارفرما تصور می‌کند کارجو یک قیمت کف (Reservation Price) سخت‌گیرانه دارد.[2]

همان مطالعه سال ۲۰۲۲ نشان داد که چسبندگی یک لنگر زمانی که با یک منطق ملموس همراه شود، به طور قابل‌توجهی افزایش می‌یابد. یک رقم دقیق که با یک توجیه مشخص پشتیبانی می‌شود - مانند تعدیل ۶ درصدی هزینه زندگی ترکیب‌شده با ۴,۰۰۰ دلار پاداش برای یک گواهینامه تخصصی - مقاومت بسیار بالایی در برابر پیشنهادهای متقابل تهاجمی و کاهشی از خود نشان داد.[2]

استفاده استراتژیک از لنگر انداختن همچنین تلاقی شدیدی با نابرابری‌های جمعیتی در جبران خدمات دارد. در یک آزمایش میدانی طبیعی برجسته در سال ۲۰۱۴ که در Management Science منتشر شد، اقتصاددانان آندریاس لیبرانت (Andreas Leibbrandt) و جان ای. لیست (John A. List) تحلیل کردند که چگونه ابهام در فرآیند مذاکره به طور نامتناسبی دستمزد زنان را سرکوب می‌کند.[3]

لیبرانت و لیست دریافتند که وقتی آگهی‌های شغلی فاقد پارامترهای صریح حقوق بودند، مردان به طور قابل‌توجهی بیشتر از زنان تمایل به آغاز مذاکره داشتند. با این حال، زمانی که کارفرما به صراحت اعلام کرد که دستمزد «قابل مذاکره» است، شکاف جنسیتی کاملاً از بین رفت و نرخ کارجویان زنی که مذاکره را آغاز کردند از ۱۱ درصد به ۲۴ درصد جهش یافت. ایجاد لنگرهای رویه‌ای شفاف، فرآیند چانه‌زنی را دموکراتیک می‌کند.[3]

کارجویان مدرن به طور فزاینده‌ای در حال خودکارسازی تولید این لنگرهای دقیق و موجه هستند. در ژوئن ۲۰۲۵، کارولین کاستریلون (Caroline Castrillon)، نویسنده Forbes، ظهور هوش مصنوعی مولد در برنامه‌ریزی جبران خدمات را مستند کرد و خاطرنشان ساخت که کارجویان از دستورات (پرامپت‌های) خاص ChatGPT برای استخراج صدک‌های بازار فوق‌محلی و فرمول‌بندی قیمت‌های درخواستی دقیق استفاده می‌کنند.[5]

با تغذیه یک مدل هوش مصنوعی از سال‌های دقیق تجربه، موقعیت جغرافیایی و پشته فناوری خاص خود، کارجویان می‌توانند ارقام بسیار مشخصی - مانند ۱۱۴,۲۵۰ دلار - تولید کنند که تحقیق سال ۲۰۲۲ مجله Journal of Social Psychology آن‌ها را به عنوان ارقام بهینه شناسایی کرده بود. این فناوری عملاً تحقیقات دقیق بازاری را که لنگر انداختن دقیق به آن نیاز دارد، به یک کالای در دسترس تبدیل می‌کند.[2][5]

زمانی که کارفرما اولین حرکت را انجام می‌دهد و یک لنگر پایین تعیین می‌کند، دفاع شناختی کارجو باید مطلق باشد. برنامه مذاکره دانشکده حقوق هاروارد توصیه می‌کند که کارجویان باید به جای ارائه یک تعدیل حاشیه‌ای، فرض رقم اولیه را به صراحت رد کنند. مقابله با پیشنهاد ۷۵,۰۰۰ دلاری با رقم ۸۰,۰۰۰ دلار، خط پایه کارفرما را تایید می‌کند؛ در حالی که معرفی یک لنگر کاملاً جدید و مبتنی بر تحقیق به مبلغ ۹۵,۰۰۰ دلار، صفحه شناختی را بازنشانی می‌کند.[4]

شرط مرزی اولیه برای این استراتژی، منطقه توافق احتمالی (ZOPA) است. تحقیقات بنیادین گالینسکی و موسوایلر هشدار می‌دهد که لنگری که به طور تهاجمی خارج از حداکثر بودجه مطلق کارفرما تنظیم شده باشد، رقم نهایی را بالاتر نمی‌برد؛ بلکه صرفاً با ارسال این سیگنال که دو طرف در واقعیت‌های ناسازگار عمل می‌کنند، مذاکره را به شکست می‌کشاند.[1]

اجرای مداوم قوانین شفافیت دستمزد در ایالت‌هایی مانند کالیفرنیا، نیویورک و واشنگتن در حال حاضر محدودیت‌های این سوگیری شناختی را آزمایش می‌کند. نهادهای نظارتی با مجبور کردن کارفرمایان به انتشار بازه‌های حقوق قانونی قبل از اولین مصاحبه، یک لنگر عمومی را نهادینه کرده‌اند و مذاکره را از نبرد بر سر خط پایه، به بحثی در مورد جایگاه کارجو در یک گستره از پیش تعریف‌شده تغییر داده‌اند.[8]