人資導入 AI 履歷篩選踩雷實錄：篩掉的可能是最適合的人

一間中型科技製造業的人資部門，每個月要處理將近八百份履歷，光是初篩就佔掉兩位招募專員將近一半的工時。主管看了幾次業界分享會，發現不少同規模公司都已經導入 AI 履歷篩選系統，號稱能在幾秒內比對關鍵字、學經歷、技能標籤，自動把履歷分成「優先面試」「備選」「不符合」三個等級。人資主管心想，這正是他們需要的：把重複性的初篩工作交給系統，招募專員可以把時間留給真正該深談的候選人。

導入當下，整個團隊都很期待。系統上線第一個月，篩選速度確實快了不少，招募專員也開始把「優先面試」名單直接排入電話約談，幾乎不再回頭看「不符合」那一疊。問題就是從這裡開始的。

為什麼優先名單裡的人選一直不對

大約兩個月後，用人主管陸續反映，新進來面試的人選「條件是對，但感覺不太對」——不是能力不夠，而是背景組成越來越單一。幾乎都是同一類學校、同一種職涯路徑、同一種履歷寫法的人。與此同時，一位內部員工推薦的朋友，資歷完全符合職缺需求，卻被系統歸類到「不符合」那一級，差點連面試機會都沒有，是招募專員剛好手動複查才撈回來。

往回追查才發現，問題出在訓練與設定邏輯上。當初設定系統時，是拿公司過去五年錄取的履歷當作「好履歷」的參考樣本，讓系統學習哪些關鍵字、哪些學經歷組合分數比較高。但過去五年的錄取名單本身就已經帶有既有的偏好——某幾間學校的畢業生比較容易被錄取，轉職背景或非傳統路徑的履歷則相對少見。AI 並沒有「發現」什麼客觀的優秀標準，它只是把過去的篩選慣性，用更快的速度、更大的量體複製了一遍，而且因為披著「系統客觀判斷」的外衣，反而更沒有人去質疑它。

代價不只是漏掉人才，還有法遵與信任成本

這個問題被發現後，團隊做了一次內部盤點，回溯抽查過去幾個月被系統判定「不符合」的履歷，結果找到好幾份原本應該進入面試名單、條件其實相當合適的候選人，其中不乏轉職者與非本科系背景的申請者。這代表過去幾個月，團隊很可能持續漏接了一批原本適合的人才，而且完全沒有察覺，因為系統看起來運作得又快又順。

更麻煩的是法遵層面的疑慮。這類履歷篩選工具如果被證實對特定群體存在系統性的篩選落差，無論是否出於刻意設計，都有可能構成就業歧視的爭議。近年國外已經出現求職者對人資科技供應商提起集體訴訟的案例，法院的態度也逐漸傾向認定「工具提供者與使用企業都可能需要負起責任」，而不是把責任完全推給演算法黑箱。對企業來說，這已經不只是「篩選效率好不好」的問題，而是實質的法律與品牌信任風險。團隊後來花了將近一倍於原本篩選作業的時間，重新人工複查過去幾個月的履歷，並向幾位差點被漏掉的候選人重新發出面試邀請，過程中也難免要面對「為什麼當初沒被通知」的尷尬提問。

後來怎麼調整：把 AI 放回輔助的位置

團隊沒有整套棄用系統，而是重新定義了它的角色。首先是把「AI 決定要不要面試」改成「AI 做初步分類、標示重點，人工一定要看過每一份履歷的摘要後再決定」，尤其是被歸類為「不符合」的履歷，一律保留人工抽查的機制，不讓系統單方面關掉任何人的機會。

其次是重新檢視訓練樣本，拿掉單純依賴「過去錄取名單」的邏輯，改成用職缺實際需要的技能與經驗條件重新設定篩選標準，並定期抽樣檢查系統的篩選結果是否在學校、背景、年齡等面向出現不合理的集中傾向。第三是把系統篩選的判斷依據攤開給招募專員看，而不是只給一個分數，讓人有機會判斷這個分數是不是合理。

人資部門要導入 AI 履歷篩選，最該提防的不是系統反應慢或介面不好用，而是它把過去的偏好用更快的速度複製一遍，卻讓人誤以為那是客觀判斷。導入前，先問清楚系統的判斷標準是從哪來的、有沒有人在定期檢查篩選結果的合理性，以及被系統判定不合適的人，是不是還留有一道人工複查的門。這幾件事沒有確認清楚之前，再快的篩選速度都可能只是把問題放大，而不是解決問題。