HR AI 怎麼用？一個獵頭拆解人資哪些事能交給 AI

講方法論之前先攤開條件，因為同一套做法在不同規模下結論會完全相反。

我們公司目前是 2 位獵頭顧問加上 AI 輔助，撐住三塊業務：獵才與正職招募、人力派遣、以及另一家公司的營運。人力銀行平台的操作與 HR 行政由 1 人負責。這個編制在同業裡算非常精簡，能撐住的原因不是我們比較拚，是把「重複但吃時間」的那一段交出去了。

具體效益（這是自家實測，不是公開統計）：導入 AI 初篩之前，一位顧問一天最多面試 10 位人選、看完 100 份有效履歷；導入之後，同樣一位顧問一天面試 20 位、篩 200 份。算式很單純：20 ÷ 10 = 2、200 ÷ 100 = 2，也就是同樣人力產能大約翻倍。

但這個數字有兩個必須講清楚的但書。第一，翻倍的是「處理量」，不是「成交量」——媒合成功率取決於職缺本身與客戶決策速度，AI 幫不上那部分。第二，決定要不要把某位人選送到客戶面前的，從頭到尾都是顧問本人。AI 產出的是一份給顧問看的初篩報告（含結構化評分與訪談摘要），不是一個「錄取／淘汰」的結論。這個分界是我後面所有建議的基礎。

我不用「哪些工具能做什麼」來規劃導入，因為工具三個月就換一輪。我用兩個問題把 HR 的工作切成四塊：

第一個問題：這件事做錯了，能不能復原？ 寄錯一封面試通知信，可以再寄一封更正，代價是尷尬；把一位其實很適合的人選在初篩階段淘汰掉，你永遠不會知道自己錯過了什麼，因為對方不會回來。前者可逆，後者不可逆。

第二個問題：這件事有沒有一套講得出口的規則？「年資滿 3 年、有 PMP 證照、可接受台中通勤」是規則清楚；「這個人抗壓性夠不夠」不是規則，那是判斷，而且不同顧問給的答案會不一樣。

可逆 × 規則清楚 → 現在就交出去，不用猶豫。 面試排程與提醒、履歷格式轉換與欄位抽取、面試邀約與婉拒信草稿、把應徵資料彙整成一頁摘要、人力銀行職缺文案的初稿、應徵者常見問題的自動回覆。這一塊是 AI 投報率最高的地方，也是多數公司該先做而沒做的地方。

可逆 × 需要判斷 → 交出去，但當成草稿。 例如面試題目建議、薪資行情初估、候選人與職缺的適配度分析。讓 AI 先生一版，人來改。錯了改掉就好，成本很低，而且你會很快看出這個模型在你的產業裡懂不懂行話。

不可逆 × 規則清楚 → 可以自動化，但要留紀錄與申訴路徑。 例如硬性資格篩選（缺少法定必要證照、完全不符合工作地點）。這種淘汰有明確理由，可以自動執行，但你必須留得下「為什麼被篩掉」的紀錄，因為將來有人問起，你要答得出來。

不可逆 × 需要判斷 → 不要交。 錄取決定、不錄取的最終判定、加薪與升遷評估、資遣名單。這一塊即使 AI 給的建議看起來很有道理，最後按下按鈕的仍然必須是人，而且那個人要能說明理由。

這個框架的好處是它不會過期。明年出現的新工具，你一樣拿這兩個問題去問它就好。

「AI 履歷篩選」聽起來像是把 100 份履歷丟進去、吐出 10 個名字。實務上如果你這樣做，得到的會是一份看起來很整齊但你不敢用的名單。我們的做法是把它拆成四段，只有前三段是 AI 做的。

第一段：結構化。 把 PDF、Word、人力銀行匯出的各種格式，抽成同一組欄位——現職公司與職稱、每段年資起訖、學歷、證照、期望薪資、可到職日、居住地。這一段是純粹的資料整理，AI 做得又快又穩，而且錯了看得出來。

第二段：硬性條件比對。 這一段我強烈建議用寫死的規則跑，不要問模型。年資夠不夠、證照有沒有、地點能不能到，這些是布林判斷，交給程式比交給語言模型可靠。模型的價值在理解語意，不在算數。

第三段：軟性適配度評分與摘要。 這才是 AI 真正該做的事：讀懂 JD 與履歷之間的語意關係，指出「這個人的產業背景跟職缺對得上，但沒有帶團隊的經驗」。我們讓它產出結構化評分加上一段訪談摘要，重點是每一個評分都要附上履歷裡的原文依據——沒有依據的分數等於沒有分數，因為顧問無法驗證。

第四段：顧問接手。 顧問看報告、看原始履歷、決定要不要約談或要不要送客戶。這一段沒有捷徑，也不該有。

這樣拆的好處是：當結果不對，你查得出來是哪一段壞掉的。整包交給一個「AI 招募助理」的問題就在於它壞掉的時候你不知道要修哪裡。

這是我最想寫進這篇的一段，因為它是我自己吃過虧才知道的。

有一次的電話初談，候選人說自己「目前在營造廠」。AI 產出的初篩報告讀起來完全正常，摘要通順、評分合理。但實際上他的履歷寫的現職是一家設計顧問公司，營造廠是 2023 年 6 月就離職的前一份工作。也就是說，候選人口頭講的和書面寫的對不起來——這在獵頭現場是很重要的訊號，不一定代表對方說謊（很多人講到「我是做營造的」是在講產業別而非現職），但它一定要被標出來讓顧問追問。

AI 沒有標出來。原因不難理解：它是在生成一份「連貫的摘要」，而連貫本身就會傾向把矛盾抹平。你要求它寫一份好讀的報告，它就會給你一份好讀的報告，哪怕素材裡有裂縫。模型的預設行為是把資訊接起來，不是把資訊對起來。

我學到的教訓是：落差偵測不能期待模型自己發現，要用硬性比對規則逼它比。我們現在的做法是：

一、把「現職公司」「現職職稱」「現職起始年月」列成訪談時的必填欄位，由 AI 在對談中主動問出來，而不是從對話裡推測。

二、逐欄位跟履歷做程式化比對，不一致就在報告最上方標紅，寫成「口述：營造廠／履歷：設計顧問（營造廠為 2023/06 離職之前一份）」，不做任何解釋，把解釋權留給顧問。

三、時間軸交叉檢查：年資加總與最早到最晚的區間對不上、有超過三個月的空白期、同一時期有兩份全職，這三種情況一律標出來。

四、報告固定保留一個「未能確認」區塊。 我寧可看到一份寫著五個未確認事項的報告，也不要一份看起來毫無破綻的報告。太乾淨的報告是危險訊號。

這個坑背後有個更通用的原則：AI 適合回答「這份資料說了什麼」，不適合回答「這份資料哪裡怪」。後者要靠你把「怪」定義成規則。

這一段我盡量講查得到的，查不到的我會直說。以下是資料整理，不是法律意見；實際做法建議諮詢法律專業。

第一，告知義務。 個人資料保護法第 8 條規定，向當事人蒐集個資時應明確告知六項事項：機關（機構）名稱、蒐集目的、個人資料類別、利用的期間／地區／對象及方式、當事人得行使的權利及方式，以及當事人得自由選擇不提供時對其權益的影響（來源：全國法規資料庫，個資法第 8 條）。實務上這就是「面試個資同意書」該寫的骨架。如果你新增了「履歷會經由 AI 系統分析」這個處理方式，那它屬於「利用之方式」的變動，我的看法是應該寫進告知內容，而不是默默做。

第二，特種個資的界線。 個資法第 6 條把病歷、醫療、基因、性生活、健康檢查、犯罪前科這六類列為特種個資，原則上不得蒐集、處理或利用，除非符合法定例外（例如法律明文規定、當事人書面同意等）（來源：全國法規資料庫，個資法第 6 條）。招募場景要注意的是「健康檢查」與「犯罪前科」——這兩項在某些職缺很容易被順手要求。

第三，就業服務法第 5 條。 雇主招募或僱用員工，不得違反求職人意思，要求提供非屬就業所需的隱私資料；違反者依規定處新臺幣 6 萬元至 30 萬元罰鍰。依勞動部訂定的「雇主招募員工要求提供隱私資料及個人資料參考原則」，就業隱私資料分三類：生理資訊（如基因檢測、藥物測試、醫療測試）、心理資訊（如心理測驗、誠實測試或測謊）、個人生活資訊（如信用紀錄、犯罪紀錄、背景調查等），且要求提供時不得逾越必要範圍、須與目的有正當合理關聯。

第四，AI 面試如果蒐集表情或聲紋呢？ 這是最多人問、也最沒有標準答案的一題。查證結果：台灣個資法第 6 條的特種個資列舉六類，並未把生物特徵（臉部、聲紋）納入；現行個資法對臉部辨識也沒有專門規範。但「未列為特種個資」不等於「可以隨便蒐」——它仍然是個人資料，仍受個資法的目的特定、必要範圍與告知義務拘束。另外一個我認為更該注意的角度是：如果系統做的是情緒判讀或人格特質推論，那在性質上非常接近就服法參考原則裡的「心理測驗」類隱私資訊，這時候要問的不只是「有沒有同意」，而是「這跟這份工作的必要關聯是什麼」。這一段沒有直接可引的函釋，屬於我的解讀，實務上請諮詢法律專業。

第五，如果你的公司有歐盟業務或外商母公司。 歐盟 AI Act 把用於招募、篩選、升遷、監控的 AI 系統列為高風險；原本高風險義務自 2026 年 8 月 2 日適用，但 Digital Omnibus 修正案（Regulation (EU) 2026/1744）已於 2026 年 7 月 27 日生效，將附錄三（含招募）的高風險義務延後至 2027 年 12 月 2 日。要注意延後的是高風險義務，第 50 條的透明度義務仍自 2026 年 8 月 2 日適用。

很多公司的導入失敗不是選錯工具，是順序反了——第一步就去做 AI 面試，結果評價爭議與內部反彈一起來，整個案子被喊停。以下是我實際會用的順序，每一步都必須跑順了才進下一步。

第 0 步：把現在的流程畫出來，標上時間。 從職缺開出到報到，每一段誰做、花多久。沒有這張圖，你不會知道瓶頸在哪，很可能花錢自動化了一段本來就不塞的地方。這步不需要 AI。

第 1 步：排程與通知。 面試邀約、時間確認、提醒、婉拒信。可逆、規則清楚、每天都在做，而且做錯了成本最低。這一步跑順了，HR 行政的時間會先鬆一口氣，內部對後面的步驟也才有信心。

第 2 步：履歷結構化與硬條件比對。 把各種格式統一成欄位，硬條件用規則跑。這一步的產出是「整齊的資料」，還沒有任何判斷成分，所以爭議最小。

第 3 步：初篩報告（有評分、但不做決定）。 適配度分析、亮點與疑慮、必須追問的問題。報告給人看，決定人來下。這一步是產能真正跳起來的地方——顧問不用從頭讀 200 份履歷，而是讀 200 份報告再回頭看有疑慮的原文。

第 4 步：AI 初步面談。 我們自己有做，但它排在第 4 不是第 1，因為它同時碰到「候選人體驗」與「個資告知」兩個敏感點，前面三步的紀律沒建立起來就上這步，出事機率很高。它的定位一樣是產出報告給顧問，不是產出結論。

第 5 步：資料回饋與調整。 把「AI 說適合但顧問淘汰」與「AI 說不適合但顧問撈回來」這兩類案例撈出來，回頭改評分標準。這一步幾乎所有人都跳過，但它才是讓系統越用越準的唯一路徑。

永遠不要做的一步：讓系統自動發出最終錄取或不錄取的決定。 不是因為做不到，是因為那個按鈕該有名字，而名字必須是一個人。

市場上把這兩件事混在一起講，我認為是最危險的一個誤會。

AI 面試的價值在覆蓋率：它可以在同一個晚上跟 30 個人各談 20 分鐘，問一樣的問題、記一樣完整的筆記。這是人做不到的，人到第 8 場就開始累，第 15 場的候選人拿到的專注度跟第 1 場不一樣。就這一點來說，AI 面談的一致性甚至比疲勞的人類面試官高。

但「一致地問完問題」跟「正確地判斷該不該錄取」中間隔著一整個世界。我留人在決策點的理由有三個，都很現實：

一、責任要有人承擔。 候選人事後問「我為什麼沒過」，回答「系統評分不足」是不會被接受的，對內對外都是。得有一個人說得出「我看了你的作品集，跟這個職缺要的方向不同」。

二、AI 看不到脈絡外的東西。 有位候選人履歷上兩年空白，AI 標成風險。實際原因是照顧生病的家人，而且那兩年他自學轉了職能。這種事只有問了才知道，而且問了之後要有人願意重新評估——重新評估是判斷，不是打分。

三、偏誤會被規模化。 人的偏見一次影響一個人，系統的偏見一次影響全部人，而且因為輸出很整齊，看起來特別客觀。這正是歐盟把招募 AI 列為高風險的核心理由。人留在決策點，本身就是一道剎車。

所以我對 AI 面試的定義很窄：它是一台把資訊收得更完整的錄音筆，不是一位面試官。 用這個定義去看市面上的產品，你會很快分辨出哪些在賣工具、哪些在賣一個你其實不想承擔的決定。

不需要預算、不需要 IT 支援，這週就能做的三件事：

一、記錄一週的時間分配。 把你這週做的事按「重複性高低」與「需不需要判斷」標記。多數 HR 記完會發現，40% 以上的時間花在排程、彙整、轉檔、回覆同樣的問題——那正好是可逆又規則清楚的那一格。

二、拿最高頻的那件事，先用手動的方式做一次 AI 版。 不要一開始就談系統。先用現成的通用型 AI 工具，把一份履歷貼進去，寫一段明確的指令要它抽出你要的欄位，看它做得怎麼樣。你會在 30 分鐘內學到比看 10 篇工具介紹更多的東西——特別是它在哪裡會出錯。

三、把「它會在哪裡出錯」寫成一份清單。 這份清單就是你未來的驗收標準，也是你跟任何廠商談的底氣。我自己那份清單的第一條就是前面講的落差偵測。

關於課程：市面上 HR AI 工具實戰類的課程現在很熱。我的看法是，課程能幫你省下摸索工具的時間，但省不下前面那三件事——沒有人比你更清楚你們公司的流程哪裡在塞。 判斷一堂課值不值得上，我會問三個問題：它有沒有教「哪些事不該交給 AI」？它有沒有處理個資與告知的部分？它給的案例是不是有講失敗與限制？三題都沒有的，大概率是工具操作教學，那種東西的保存期限是幾個月。

最後一句誠實話：AI 讓我們兩位顧問的處理量翻倍，但它沒有讓招募變簡單。它只是把「時間花在哪裡」重新分配了——以前顧問的時間被格式轉換和排程吃掉，現在被拿去做判斷。這是好交易，但前提是你原本就有判斷力。如果沒有，自動化只會讓你更快地做出更多錯誤決定。