一句話說明

AI 用在人資流程可以提高效率，但偏見和歧視的法律風險比其他 AI 應用場景更高。

AI 在人資流程的應用全景

人資流程中導入 AI 的範圍比很多人想得更廣。從候選人進入招募管道的第一秒到員工離職後的數據分析，每個階段都有 AI 工具試圖介入。但不同階段的風險等級差異極大，不應該用同一套標準來評估。以下按照員工生命週期的順序，逐一說明各階段的 AI 應用現況。

履歷篩選

這是 AI 人資工具最普遍的應用。系統根據職缺描述，自動對收到的履歷評分或排序，讓人資可以專注在排名前面的候選人。

實際能做到的事：從大量履歷中篩出符合硬性條件的候選人（學歷、年資、特定技能關鍵字），節省人資在第一輪篩選的時間。104 的數據顯示，使用 AI 推薦可以讓人資找到合適候選人的時間縮短約 30%。對於每個職缺收到超過 200 份履歷的熱門職位，AI 篩選的效益更加明顯。

做不到的事：判斷候選人的潛力、文化適配度、軟實力。AI 看到的是文字描述，看不到「這個人在前公司從零建起一個團隊」背後代表的領導力。AI 也無法判斷履歷上沒寫的東西，例如候選人是否願意接受輪班、是否能適應高壓環境。

篩選的運作方式通常分兩種。第一種是關鍵字比對加權重計算，系統根據職缺描述中的技能需求，在履歷中搜尋對應的關鍵字，再根據出現位置和頻率計算分數。第二種是語意分析，使用 NLP 模型理解履歷的語意，即使候選人用了不同的詞彙描述相同技能（例如「前端開發」和「Web UI 開發」），系統也能辨識出來。

面試輔助

AI 在面試階段的應用包含：根據職缺描述自動產生面試題目、即時轉錄面試內容、分析候選人的回答給出結構化評分。

HireVue 過去曾提供影片面試的表情分析功能，但在 2021 年因為偏見爭議而停止使用臉部分析。目前多數平台轉向「回答內容分析」——分析候選人說了什麼，而不是他們的表情或語調。

即使只分析回答內容，AI 的評分仍然可能偏向特定的表達風格。擅長用結構化方式說話的候選人（先講結論、再講原因、最後舉例）通常會拿到更高分，但這不代表他們的實際能力更強。在台灣的面試情境中，這個問題更為複雜——部分候選人在中文環境下表達習慣較為含蓄，AI 可能把這種文化特性誤判為「回答不夠具體」。

面試題目產生方面，AI 可以根據職缺的 JD 自動生成行為面試問題（STAR 格式），包含情境題、壓力測試題和技術驗證題。這對人資團隊的效率提升相當明顯，特別是同時在招募多個不同職位的時候。但 AI 產生的面試題有時候會過於制式化，缺少針對產業特性的深度問題，建議人資在使用前做一輪人工篩選。

Onboarding

AI 用在新人 onboarding 的方式比較安全，因為不涉及評估和決策。常見的應用包括：

AI 聊天機器人回答新人的常見問題（薪資發放日、請假流程、報帳規則）。這類機器人可以全天候回應，不需要新人等到人資上班才能問問題。在大型企業中，光是這一項就能讓人資每月減少數十小時的重複性問答工作。

自動產生個人化的學習路徑。根據新人的職位和部門，AI 可以從公司的學習平台中挑選相關的課程和文件，排成一個 30/60/90 天的學習計畫。

根據職位自動設定系統權限和工具存取。新人的 IT 帳號、軟體授權、門禁卡權限可以根據職位模板自動佈建，減少 IT 部門的人工作業。

員工投入度與留任

AI 在員工留任方面的應用近年來快速成長。主要的應用場景包括：

離職預測模型。透過分析員工的行為數據（出勤紀錄、加班時數變化、系統登入頻率、績效評分趨勢），AI 可以預測哪些員工有較高的離職風險。當模型偵測到某位員工的行為模式出現顯著變化時，會提醒該員工的主管或 HR Business Partner 主動關心。

員工情緒分析。部分平台會分析員工在內部調查問卷中的文字回答，從中提取情緒傾向和關鍵議題。Workday Peakon 和 Culture Amp 都有這類功能。但這裡有一個重要的倫理問題：員工是否知道自己的文字回答會被 AI 分析？匿名調查如果被 AI 分析後可以推測出作者身分（例如某部門只有一個人提到某個特定問題），匿名性就不存在了。

脈搏調查自動化。傳統的年度員工滿意度調查正在被更頻繁的「脈搏調查」（Pulse Survey）取代。AI 可以根據前一次調查的結果動態調整下一次的問題，針對浮現的問題做更深入的探詢。

培訓與發展

AI 在員工培訓領域的應用已經相當成熟：

個人化學習推薦。類似 Netflix 推薦電影的邏輯，AI 根據員工的職位、技能缺口和學習歷史，推薦下一門應該學的課程。LinkedIn Learning 和 Coursera for Business 都有這類推薦功能。

技能差距分析。AI 比對員工目前的技能組合和職位需求之間的差距，自動產生學習建議。這對大型企業的人才發展特別有用，可以從組織層級看出哪些技能正在短缺。

AI 語言教練。用 AI 做語言學習和溝通技巧訓練。例如 Elsa Speak 用 AI 做英語發音矯正，部分企業把這類工具納入員工福利。

模擬情境訓練。AI 可以模擬客戶抱怨、銷售談判、衝突處理等情境，讓員工在安全的環境中練習應對。Rehearsal VR 和 Mursion 是這個領域的代表產品。

績效管理中的 AI

AI 在績效管理中的角色需要特別謹慎處理：

績效文字分析。AI 可以分析主管撰寫的績效評語，檢查是否有無意識的用字偏見。例如研究顯示，女性員工的績效評語中出現「合作」「支持」的頻率較高，而男性員工的評語中出現「有野心」「有影響力」的頻率較高。AI 可以標記這類用字模式，提醒主管注意。

目標追蹤。AI 可以從專案管理工具（Jira、Asana）中自動彙整員工的工作產出，作為績效評估的參考資料。這減少了主管寫績效評估時「只記得最近兩個月表現」的近因偏誤。

但績效管理中有明確的紅線：AI 不應該直接產出績效分數，也不應該被用來做解僱決策的依據。績效評估需要理解工作脈絡、團隊動態、個人成長軌跡，這些 AI 看不到。

工具比較

工具 主要功能 適合規模 起始價格（每月） 中文支援 台灣客戶
HireVue 影片面試、AI 評分、遊戲化評估 500 人以上 約 35,000 美元/年起 有限 少
Workday HCM 整合、AI 招募、人才分析 1000 人以上 依規模報價 有 有
104 AI 推薦 履歷推薦、JD 優化建議 不限 包含在 104 企業方案 繁中 多
Greenhouse ATS + AI 篩選、結構化面試 50-5000 人 約 6,000 美元/年起 英文為主 少
Lever (Employ) ATS + CRM、AI 候選人配對 50-2000 人 聯繫報價 英文為主 少
SAP SuccessFactors HCM 整合、AI 人才管理 500 人以上 依模組報價 有 有
Eightfold AI AI 人才智慧平台、技能推論 500 人以上 聯繫報價 有限 極少
104 Be A Giver 職涯諮詢配對 不限 免費 繁中 多

台灣企業的現實考量：多數台灣中小企業（員工 50 人以下）不需要昂貴的 AI 人資平台。104 本身的 AI 推薦功能加上 ChatGPT 或 Claude 輔助撰寫 JD 和面試題目，就能處理大部分的招募需求。預算有限的情況下，優先把資源投入在流程設計和面試官培訓，而非 AI 工具採購。

偏見問題的深入分析

AI 履歷篩選最大的風險是複製甚至放大歷史偏見。

Amazon 在 2018 年公開的案例是經典教材：他們的 AI 招募系統是用過去 10 年的錄取資料訓練的，而過去 10 年錄取的工程師以男性為主，結果 AI 學會了「扣分」含有女性相關關鍵字的履歷，例如「女子大學」或「女性程式設計社團」。

類似的偏見模式在台灣也會出現：

學校偏見。如果歷史錄取資料裡台清交的比例高，AI 會學到「台清交畢業 = 加分」。AI 本身沒有歧視意圖，它只是複製了資料裡的模式。這對私立大學或科技大學畢業的候選人形成系統性的不利。

年齡偏見。職缺描述裡寫「熟悉 TikTok 和 Instagram 經營」，AI 可能會間接篩掉年紀較大的候選人，因為他們的履歷裡不太會出現這些關鍵字。即使企業沒有年齡歧視的意圖，結果上可能構成間接歧視。

語言偏見。中文履歷和英文履歷在同一個系統裡篩選，AI 可能會因為訓練資料的分布而偏好其中一種語言。外商在台灣招募時特別容易碰到這個問題。

性別化用語偏見。研究發現 AI 會把「果斷」「有魄力」這類用語和男性候選人連結，把「細心」「有耐心」和女性候選人連結。在台灣的履歷寫作文化中，女性候選人使用這類「溫和」詞彙的比例確實較高，但這反映的是社會化的寫作習慣，不是能力差異。

身心障礙偏見。履歷上如果提到「身心障礙就業服務」或「職業重建」相關經歷，AI 可能會因為歷史資料中這些候選人的錄取率較低而給予負面評分。

偏見緩解策略

定期做差異影響分析（Adverse Impact Analysis）：統計 AI 篩選後，不同性別、年齡層、學歷背景的通過率是否有顯著差異。如果某個群體的通過率低於最高群體的 80%（四五分之四法則），就需要檢視 AI 的篩選邏輯。

要求工具供應商提供可解釋性功能：AI 為什麼給這個候選人高分？是因為哪些關鍵字或條件？如果供應商說「這是黑盒子模型，無法解釋」，建議不要用在關鍵的篩選階段。

建立反饋迴路：追蹤 AI 高分候選人的後續表現（試用期通過率、一年後留任率），驗證 AI 的篩選標準是否真的和工作表現相關。

多元化校正：在 AI 篩選結果中加入強制的多元化檢查點。例如要求每批面試名單中，非頂尖大學的候選人至少佔 30%，確保 AI 不會創造「同質化」的候選人群體。

JD 偏見審查：在職缺描述送入 AI 系統前，先用工具（如 Textio）檢查 JD 中是否有性別偏向或年齡暗示的用語。「年輕有活力的團隊」「數位原住民」這類描述會讓 AI 在篩選時產生年齡偏見。

建立 AI 倫理招聘框架

如果你的企業計畫在招聘流程中導入 AI，建議按以下步驟建立倫理框架：

第一步：盤點現有流程。列出目前招聘流程的每個步驟，標記哪些步驟計畫用 AI 輔助、哪些步驟必須由人類決定。

第二步：定義 AI 的角色邊界。明確規定 AI 在每個步驟中只能做什麼。例如：AI 可以排序但不能淘汰候選人、AI 可以產生面試題但不能決定錄取、AI 可以分析回答但不能給出最終評分。

第三步：建立稽核機制。每季做一次差異影響分析，每次模型更新後做一次偏見測試。指定一位「AI 倫理負責人」（可以是人資主管或法務），負責審查 AI 的篩選結果。

第四步：候選人溝通。在招聘頁面上揭露 AI 的使用方式，提供不經過 AI 篩選的替代管道（例如直接寄履歷給招聘經理）。

第五步：記錄與保存。保留 AI 篩選的決策記錄至少兩年，包含每位候選人的 AI 評分和評分依據。如果發生歧視爭議，這些記錄是你證明已盡合理注意義務的關鍵證據。

法律風險

就業服務法

台灣就業服務法第 5 條規定，雇主對求職人或所僱用之員工，不得以種族、階級、語言、思想、宗教、黨派、籍貫、出生地、性別、性傾向、年齡、婚姻、容貌、五官、身心障礙、星座、血型或以往工會會員身分為由，予以歧視。

AI 篩選如果間接導致上述任何類別的歧視效果，即使企業沒有歧視的意圖，仍然可能違法。2024 年勞動部已經開始關注 AI 在招聘流程中的歧視問題。違反就業服務法第 5 條，主管機關可處 30 萬元以上 150 萬元以下罰鍰。

值得注意的是，台灣就業服務法的歧視禁止事由比很多國家更廣——包含了星座和血型。如果 AI 系統的訓練資料中包含這些欄位，即使 AI 模型不是「故意」用星座來篩選，但如果篩選結果和星座有統計上的相關性，企業仍然可能面臨法律風險。

個資法

使用 AI 分析候選人資料屬於「自動化決策」。歐盟 GDPR 第 22 條賦予個人拒絕純粹自動化決策的權利。台灣個資法雖然沒有完全相同的明文規定，但第 5 條規定個人資料的蒐集、處理或利用應尊重當事人的權益，第 11 條規定個資的利用應與蒐集目的相符。面試用的資料不應該被拿來做 AI 模型訓練。

建議做法：在求職者投遞履歷時，告知會使用 AI 工具輔助篩選，並提供人工審核的管道。在個資同意書中明確說明 AI 處理的範圍和目的。

影片面試的隱私問題

如果使用影片面試錄影功能，需要注意：錄影內容包含候選人的肖像、聲音、表情，屬於個資法定義的個人資料。必須事先取得候選人的書面同意，明確告知錄影的目的、保存期限、誰會存取這些影片、是否會用 AI 分析影片內容。面試結束後，未錄取的候選人影片應該在合理期間內刪除，建議不超過六個月。

性別平等工作法

性別平等工作法第 7 條規定，雇主對求職者之招募不得因性別或性傾向而有差別待遇。AI 篩選造成的性別不均衡可能違反此法。企業在使用 AI 工具前，應該用歷史資料做性別差異分析，確認 AI 不會造成性別偏見。

哪些事不要讓 AI 決定

最終錄取決定。AI 可以排序，但錄取與否必須由人類做最終判斷。「AI 推薦排名第一所以就錄取」是偷懶的做法，也是出事時最難辯護的做法。

績效考核評分。AI 可以彙整考核資料，但不應該直接產出績效分數。績效評估需要理解工作脈絡、團隊動態、個人成長軌跡，這些 AI 看不到。

解僱建議。任何涉及解僱的決策都不應該由 AI 參與。法律風險極高，且解僱對當事人的影響重大，必須由人類全程負責。

薪資決策。AI 可以提供市場薪資範圍的資料，但個人薪資的決定涉及太多 AI 無法量化的因素（談判能力、特殊貢獻、市場稀缺性）。

懲處決定。員工違規行為的處置需要考量情節輕重、過去表現、是否有改善空間，這些判斷不適合交給 AI。

常見的導入錯誤

錯誤一：把 AI 篩選當成唯一的篩選機制。AI 篩選的結果應該是「建議名單」而非「最終名單」。至少保留 10-20% 的名額給 AI 排名較低但人資主觀認為值得面試的候選人。

錯誤二：沒有定期校準 AI 模型。招聘需求會隨市場變化，但 AI 模型如果不更新，會持續用過時的標準篩選。每半年至少做一次模型效果檢視。

錯誤三：讓 AI 取代面試官的判斷。AI 產生的面試評分只能作為參考，不能取代面試官的觀察。有些面試官看到 AI 給高分就跳過深入追問，這會降低面試品質。

錯誤四：忽略候選人的感受。強制候選人對著鏡頭錄影、用 AI 分析他們的表情，會讓很多優秀的候選人感到不被尊重而退出流程。在台灣的求職文化中，這種反感可能更強烈。

錯誤五：沒有建立申訴機制。候選人如果認為自己被 AI 不公平地篩掉，應該有管道可以申訴並要求人工重新審閱。沒有這個機制的企業，法律風險會更高。

錯誤六：購買工具前沒做安全評估。很多企業的部門主管看了 Demo 就決定採購，等到 IT 和法務介入時合約已經簽了。AI 人資工具處理的是大量的個人資料，採購前必須經過資安和法務審查。

安全注意事項

資料安全

履歷資料包含大量個人資訊：姓名、電話、地址、學歷、工作經歷。上傳到 AI 平台前，確認平台的資料處理政策。免費版的 AI 工具（ChatGPT Free、Gemini Free）通常會用使用者的輸入資料來訓練模型，不適合處理求職者的履歷。

如果使用 API 自建工具，確保 API Key 的權限最小化，履歷資料在傳輸過程中使用 TLS 加密，處理完成後從 AI 平台端刪除。

如果使用通用 AI（如 ChatGPT）輔助撰寫面試回饋，不要在 Prompt 中包含候選人的真實姓名和個資。用代號代替即可。

存取控制

不是每個人資都需要看到所有候選人的 AI 分析結果。設定角色權限：招募人員只能看到自己負責的職缺、主管只能看到最終入圍名單、AI 分析的詳細報告只有招募主管能存取。離職的人資人員的帳號要立即停用。

供應商評估

評估 AI 人資工具供應商時，除了功能比較，建議確認：資料儲存的地理位置（是否在台灣或亞太區）、是否有 SOC 2 或 ISO 27001 認證、資料刪除請求的處理流程和時間、是否會用客戶資料訓練模型、次處理者（Sub-processor）清單、資安事件的通報機制。

資料保留期限

未錄取的候選人資料不應該無限期保留。建議設定明確的保留期限（例如招聘結束後六個月），到期後自動刪除。如果企業想建立「人才庫」長期保留候選人資料，需要取得候選人的額外同意。

限制

AI 人資工具的評估結果會受到訓練資料的語言和文化影響。多數工具的訓練資料以英語為主，對中文履歷的理解能力可能不如英文。特別是台灣特有的學歷系統（大學、科技大學、專科）和職稱慣例，國際工具不一定能正確理解。

目前沒有通用的標準來衡量 AI 人資工具的公平性。各家供應商的偏見測試方法不同，結果難以跨平台比較。

AI 人資工具市場仍然在快速發展中，工具的功能和定價變動頻繁，本文以 2026 年中的資訊為準。

AI 對軟實力的評估能力極為有限。團隊合作、領導力、抗壓性這些對工作表現影響重大的特質，AI 目前無法可靠地從履歷或面試回答中判斷。

常見問題

用 AI 篩履歷合法嗎？

目前台灣法律沒有禁止使用 AI 篩選履歷，但如果 AI 篩選的結果造成特定群體的歧視效果，企業仍然可能違反就業服務法。建議保留 AI 篩選的決策記錄，以備稽核。

候選人知道我們在用 AI 嗎？

建議主動告知。部分國家和地區（如紐約市 Local Law 144）已經要求企業在使用 AI 篩選工具時必須通知候選人並每年進行偏見稽核。台灣雖然尚無類似規定，但從個資法的「告知義務」來看，提前告知是比較安全的做法。

哪個 AI 人資工具最推薦？

取決於公司規模和需求。大型企業（500 人以上）通常選 Workday 或 SAP SuccessFactors，因為可以整合既有的 HR 系統。中小企業可以從 104 的 AI 功能開始，門檻最低。獨立的 AI 篩選工具如 HireVue 適合招募量大的企業。預算有限的中小企業，ChatGPT 或 Claude 搭配 Google Sheets 就能處理基本的招募文件工作。

AI 面試評分會取代人類面試官嗎？

短期內不會。AI 的評分只能作為參考，法律和倫理上都不允許完全由 AI 決定錄取。AI 面試評分最實際的用途是幫面試官在面試前了解候選人的回答重點，節省面試時間。

使用 AI 人資工具後，原本的人資團隊會被裁掉嗎？

不會，但角色會改變。AI 可以減少人資在行政作業上的時間（履歷初篩、面試排程、onboarding 文件），讓人資把時間花在需要人類判斷的工作上（候選人溝通、文化適配評估、員工發展規劃）。

小公司沒有 HR 系統，可以用 AI 輔助招聘嗎？

可以。用 ChatGPT 或 Claude 輔助撰寫 JD、產生面試題目、整理面試回饋，不需要專門的 AI 人資平台。搭配 Google Sheets 或 Notion 做候選人追蹤就足夠了。但要注意不要把候選人的個資貼進免費版 AI 工具。

AI 能幫忙處理勞資糾紛嗎？

AI 可以幫你查詢勞動法規的條文內容、整理類似案例的判決摘要，但不能提供法律意見。勞資糾紛涉及事實認定和法律判斷，需要勞動法專業律師處理。把糾紛細節上傳到 AI 工具還可能有保密義務的問題。

離職員工的 AI 分析資料要保留多久？

台灣個資法規定，個人資料的保存期限應與蒐集目的相符。招聘階段的 AI 分析資料，建議在招聘結束後保留六個月至一年（考量可能的歧視爭議申訴期）。在職員工的 AI 分析資料，建議在員工離職後保留兩年。超過保留期限的資料應該確實刪除。

如何評估 AI 人資工具的偏見程度？

要求供應商提供偏見測試報告。如果供應商沒有，可以用自家的歷史資料做測試：把過去一年的履歷丟進 AI 系統，比對 AI 的排名和實際錄取結果，分析不同群體的差異。如果自己做不了，台灣有些管理顧問公司開始提供 AI 公平性稽核服務。

用 AI 產生的 JD 品質如何？

通用 AI 產生的 JD 品質不錯，但有幾個常見問題：用語太通用（每個職缺都「熱情」「自我驅動」）、技能要求列太多（怕漏掉就全列上去）、缺少公司文化的獨特描述。建議用 AI 產生初稿後，由用人主管加入具體的團隊文化描述和實際工作內容，再由人資檢查有沒有歧視性用語。

相關文章

  • AI 資料分類
  • AI Guardrails 是什麼？
  • Shadow AI 是什麼？
  • AI 廠商評估清單

參考資料

  • 就業服務法（全國法規資料庫）
  • 台灣個人資料保護法
  • 性別平等工作法（全國法規資料庫）
  • Amazon AI 招聘偏見案例（Reuters, 2018）
  • NYC Local Law 144 — Automated Employment Decision Tools
  • EEOC Guidance on AI and Employment Discrimination (2023)