核心結論
初期不建議。先讓 AI 標出缺少哪一項必要條件與原始證據位置，再由招募人員確認條件確實與工作相關、履歷沒有解析錯誤，也沒有替代經驗可滿足需求。影子試點證明漏選率、錯誤擷取率與改判率都在門檻內後，才考慮對極少數明確且可稽核的硬條件自動化。
執行摘要
核心觀察：台灣就業服務法禁止雇主以年齡、性別、身心障礙等條件歧視，也不得要求與就業無關的隱私資料。[1] 勞動部委託研究指出，既有履歷與代理特徵可能把過去偏差帶進 AI 招募，雇主不能只以「AI 決定」免除說明責任。[2] 2026 年一項 14 個模型的履歷配對研究更發現，偏差方向會隨模型世代改變，不能把一次測試當成永久公平。[6] 行動建議：讓 AI 先做職務證據擷取與排序，不自動淘汰；由具名人員覆核邊界個案、提供替代評估與申訴管道，並以四週影子試點量漏選率、改判率、時間與群體差異。
快篩不等於選得更準
OECD 盤點顯示，AI 已被用於職缺撰寫、履歷分析、候選人短名單、排程，甚至面試中的臉部與聲音分析；這些工具可能節省成本並改善配對，也帶來穩健性、偏差、隱私、透明與可解釋性問題。[3] 因此導入目標不能只寫「初審更快」，還要回答哪些證據被擷取、誰可能被漏掉，以及錯誤如何被發現與改正。
台灣就業服務法第 5 條禁止以年齡、性別、身心障礙等條件歧視，也不得要求與就業無關的隱私資料。[1] 這表示履歷篩選條件應逐項回到工作必要性，例如證照、班別或可驗證技能；照片、姓名、畢業年份、居住地與文字風格若只是推測個人屬性的捷徑，就不該直接變成淘汰理由。
歷史資料會帶著歷史偏差
勞動部委託研究說明，若模型從過去錄取或績效履歷學習，既有性別分布、用詞與代表性不足可能被複製；即使沒有直接輸入敏感屬性，姓名、學校、嗜好或文字仍可能成為代理特徵。[2] 研究也記錄台灣招募實務較常把 AI 名單當參考，合格者仍進入真人審查。這比讓系統在第一關永久刪除候選人更可控。
2026 年原始研究以配對履歷稽核 14 個大型語言模型，每個模型涵蓋 24,024 組職缺；唯一的 2023 年模型出現偏向白人的差距，2024 年後模型則呈無差異或反向偏差。[6] 這是美國姓名與職缺情境，不能換算成台灣盛行率；它支持的是版本更換不等於偏差消失，公平測試必須持續重跑。
把人工覆核設計進流程
第一階段可讓 AI 讀取履歷，擷取與職務說明直接相關的證據，標記資料來源頁段、缺件與不確定項目，再由招募人員確認。系統不得只輸出一個不可解釋的總分，也不得自動寄出拒絕信。邊界分數、資料矛盾、非典型經歷與任何涉及代理特徵的案件，都應進入具名人工覆核並保留改判理由。
EEOC 指出，軟體測驗可能把實際能勝任工作的身心障礙者篩除，雇主應建立合理調整流程。[5] 這是美國制度參照，不是台灣法律意見；可轉成實務設計：在邀請測驗時明示替代方式與聯絡窗口，容許人工、文字或不同介面完成同一能力評估。歐盟把招募 AI 視為高風險，也提醒企業用較高標準管理。[4]
用四週影子試點驗收
先選一個每月有足夠履歷、職務條件明確的職缺，讓 AI 在四週內只產生影子排序，不影響真實通知。每份履歷保留原始版本、擷取證據、模型與提示版本、AI 建議、人工決定及理由。招募主管先完成正常初審，再比較兩套結果；差異由第二位人員複核，避免用 AI 結果反過來污染基準。
驗收至少包含初審工時、合格候選人召回率、人工改判率、錯誤擷取率、替代評估使用量與申訴件數；在合法且樣本足夠時，再檢查各群體進入下一階段的差異。若出現自動淘汰、證據無法追溯或群體差異擴大，就停止放行並修正條件。只有品質與效率同時達標，才逐步擴到其他職缺。
關鍵要點
AI 先整理，不先淘汰：第一階段只擷取職務證據、標示缺件與排序，是否進入面試仍由具名人員依一致準則決定。
條件要回到工作本身：每一個分數都要對應必要技能、經驗或證照，不使用年齡、照片、姓名、學校或語言風格作為代理條件。
保留替代評估入口：測驗、視訊或語音工具可能形成障礙，求職者要能申請人工、文字或其他可完成同一能力評估的方式。
模型更新就重測：偏差方向會隨供應商、版本與提示改變，上線前、版本更新後及職務條件大改時都要重跑同一組測試履歷。
同時量效率與漏選：縮短初審時間不能單獨算成功；還要追蹤人工改判率、合格者漏選率、群體差異、申訴及退出情形。
參考來源
Artificial intelligence and labour market matching
OECD · 2023-01-30
https://www.oecd.org/en/publications/artificial-intelligence-and-labour-market-matching_2b440821-en.htmlEU Artificial Intelligence Act
EUR-Lex · 2024-07-12
https://eur-lex.europa.eu/legal-content/EN/TXT/HTML/?uri=LEGISSUM:4762484U.S. EEOC and DOJ Warn against Disability Discrimination
U.S. Equal Employment Opportunity Commission · 2022-05-12
https://www.eeoc.gov/newsroom/us-eeoc-and-us-department-justice-warn-against-disability-discriminationCan LLMs Hire Fairly? Racial Bias in Resume Screening
arXiv 原始研究 · 2026-06-27
https://arxiv.org/abs/2606.28978常見問題
Q：AI 可以直接淘汰明顯不符合資格的履歷嗎？
A：初期不建議。先讓 AI 標出缺少哪一項必要條件與原始證據位置，再由招募人員確認條件確實與工作相關、履歷沒有解析錯誤，也沒有替代經驗可滿足需求。影子試點證明漏選率、錯誤擷取率與改判率都在門檻內後，才考慮對極少數明確且可稽核的硬條件自動化。
Q：不用性別或年齡欄位，就能避免歧視嗎？
A：不能保證。姓名、畢業年份、學校、照片、地址、社團與用詞都可能成為代理特徵，模型也可能從過去錄取資料學到既有偏差。應限制輸入欄位，逐項說明評分與工作需求的關係，並用成對測試履歷檢查只有非工作特徵不同時，模型是否給出不同建議。
Q：四週試點要準備哪些資料？
A：準備一份已核定的職務需求、足量且去識別的歷史或模擬履歷、人工初審結果與理由、統一評分表，以及模型和提示版本紀錄。真實求職者資料只保留必要欄位並限制權限；若樣本不足以比較群體差異，就先量錯誤擷取、人工改判、漏選與處理時間，不硬做統計結論。
Q：換成更新的模型後，可以沿用原本測試嗎？
A：測試案例可以沿用，結果不能沿用。原始研究顯示不同世代模型的偏差方向可能改變；供應商、模型版本、提示、職務說明或解析器任何一項更新，都應重新跑固定的黃金履歷集，與前版比較召回率、改判率、錯誤擷取與群體差異，確認後才允許取代正式版本。
Q：怎樣才算 AI 招募試點成功？
A：不能只看初審變快。成功條件應同時包含工時下降、合格者召回率不低於人工基準、錯誤擷取與人工改判在預設門檻內、沒有未經人工確認的自動淘汰，且替代評估與申訴能在時限內處理。任何品質或公平指標惡化，都要先修正流程，不能以效率抵銷。
由穹境科技 AI 情報系統生成 · 2026-10-11 · 資料來源見上方參考列表