人資招募導入 AI 履歷篩選：省下來的時間去哪了，篩掉的人才又去哪了

一間員工規模兩百人上下的中型企業，人資部只有兩個人，一年要處理將近八十個職缺的招募。熱門職缺一 po 出去，兩三天內履歷就破兩百封，冷門一點的職位也有五六十封起跳。兩個人資要一邊做在職員工的行政庶務，一邊在履歷堆裡找出值得約面試的人，常常一個職缺的履歷篩選就拖上一兩週，等好不容易篩完排面試，想約的候選人早就收到別家的 offer，先跑了。

這不是特例，是招募量稍微大一點的公司幾乎都會撞到的牆。履歷篩選這件事，難不在於「看不懂」，而在於「量太大、時間太少」，人資很容易在疲勞狀態下用越來越粗糙的標準快速刷過，學歷、前公司名氣、履歷排版好不好看，反而蓋過真正該看的工作內容與經驗匹配度。

履歷篩選卡住的，從來不是「看不出人才」，而是「看不完」

多數企業人資在導入 AI 之前，篩履歷的方式其實很土法煉鋼：開一個共用試算表，人工把每份履歷的學歷、年資、關鍵字手動登錄，再憑印象打分數。這個流程最大的問題是，篩選標準會隨著人資當下的心情、疲勞程度、當週工作量而漂移——早上精神好的時候看得仔細，下午履歷堆到第五十封，篩選標準自然就鬆了或緊了。更麻煩的是，這種流程完全沒辦法回溯：半年後想知道某個職缺當初為什麼刷掉某位候選人，常常已經找不到紀錄。

我們接觸的這間公司，原本平均一個職缺的履歷初篩要花掉一位人資近一整天的時間，如果同時開三四個職缺，人資幾乎有半週時間都耗在「看履歷」這件事上，真正該花在面談、留才、部門溝通的時間反而被壓縮。

我們怎麼選工具：不是全自動刷人，是把「初篩」和「決策」分開

導入 AI 履歷篩選最容易踩的坑，是誤以為 AI 能直接幫你決定「錄取誰」。實務上比較穩妥的做法，是把流程拆成兩層：第一層讓 AI 做結構化擷取與初步排序——把履歷裡的學歷、年資、技能關鍵字、專案經驗自動整理成統一格式，並依職缺需求給出一個相關度分數；第二層仍然由人資或用人主管做最終判斷，尤其是分數落在中段、模稜兩可的候選人，一律保留給人看，而不是直接篩掉。

這間公司選用的是市面上常見的 ATS（應徵者追蹤系統）搭配 AI 履歷分析模組，費用是依用量計價，一個月幾千元到一萬多元不等，比另外聘一位全職人資便宜，也比外包招募顧問划算。導入時我們特別花了時間跟人資主管一起定義「篩選規則不能只看關鍵字比對」，例如技能寫成「熟悉 Excel」跟「精通樞紐分析與 VBA」在 AI 眼中權重要不同，這部分需要跟系統供應商一起微調，不是裝上去就會自動變聰明。

導入後，時間省下來了，但真正的變化在「回覆速度」

導入大概兩個月後，最明顯的變化不是篩選這件事本身變快多少，而是人資終於能在候選人投遞後的一兩天內就給出初步回覆，不管是安排面試或委婉婉拒，速度都比過去快上許多。履歷初篩時間從原本近一整天，縮短到大約一兩個小時就能看完 AI 排序後的結果並做最終確認，省下來的大半時間讓兩位人資可以把心力放回面談安排、新人留任追蹤這些原本被擠壓掉的工作。

比較意外的收穫是，因為 AI 會把每份履歷的擷取結果和分數留下紀錄，半年後回頭檢視「為什麼這批人被刷掉」變得可追溯，人資主管也能藉此發現篩選標準有沒有跑偏，例如某段時間是不是不小心把非本科系的候選人都刷掉了，這在純人工篩選的年代幾乎是做不到的事。

導入前 vs 導入後對照

會不會篩掉好人才：答案是「看你怎麼設計流程」

這是每個考慮導入的人資主管最在意的問題，答案老實說沒有絕對保證，但風險是可以管理的。真正容易出問題的做法，是讓 AI 直接自動拒絕低分候選人、完全不留人工複核的環節，這種「全自動刷人」的設計最容易把非典型背景但實際能力不錯的候選人擋在門外。比較穩妥的做法，是把 AI 定位成排序與整理工具，而不是決策者，分數落在中段或評分依據模糊的履歷，一律交由人來看最後一眼。

什麼規模適合導入，什麼情況先緩一緩

如果公司一年招募職缺數量在二三十個以下，或每個職缺收到的履歷通常不超過三四十封，人工篩選其實還在人資可負荷的範圍內，這時候導入 AI 工具的邊際效益有限，先把招募流程和職缺說明書寫清楚可能更划算。但如果公司招募量穩定偏大、熱門職缺常常一次收到上百封履歷，或人資部人力吃緊到連基本回覆速度都做不到，那履歷篩選這一段就很值得優先導入 AI 工具，把人資的時間留給真正需要判斷力的環節。