AI 應用於人資：強化人力資源的完整指南

你現在是用 AI 加快人資工作的速度，還是把不該完全交給演算法的決策，交給了演算法？這正是關於AI 應用於人資這個議題變得嚴肅的地方。在義大利的中小企業裡，問題不在於人工智慧是否有用。它確實有用。問題在於搞清楚它在哪裡創造真正的價值，又在哪裡帶來不透明、偏見與法規風險。

身為企業經營者，我親眼見過把最繁瑣的步驟自動化有多誘人。如果你有數百份履歷要看、內部問卷要彙整，或員工老是問同樣的休假與政策問題，AI 能立刻幫你省下時間。但我也見過另一面。模型產生的相容性分數看起來很客觀，正因為如此，它可能比一個明顯帶有主觀色彩的人為評估更危險。

正確的理解不是「用 AI」或「不用 AI」。而是在自動化與人為責任之間找到恰當的平衡點。如果你想了解針對中小企業非常實際的觀點，我也推薦 AI in HR for SMEs。

目錄

• 前言
• 招募與初步篩選
• 員工支援與人資營運
• 問卷調查、入職與技能盤點
• 兩種極端做法的問題
• 如何在你的中小企業中拿捏分寸
• 「演算法客觀」的迷思
• 義大利脈絡下的 GDPR 與 AI Act
• 何時通用型 LLM 就足夠
• 何時選擇垂直專用模型較划算
• 從對的任務開始
• 明確界定治理與控管機制
• 正確用法示範
• 錯誤用法示範
• 重點整理
• 結論

前言

正確的問題不是 AI 能不能幫助人資。正確的問題是它能否在不扭曲流程的情況下，真正選出你下一位人才。

實務上，如今 AI 已經應用在履歷篩選、內部聊天機器人、問卷分析、入職流程與文件生成等環節。當作業量大、速度的價值立竿見影時，這項技術特別有用。但在人力資源領域，每一個選擇都牽涉到真實的人、真實的職涯與真實的權利。因此，導入 AI 時必須秉持不同於引進寫郵件或會議摘要小幫手時的謹慎態度。

效率很重要。但在涉及人的決策上，光是快是不夠的。

在義大利市場，這個議題更加敏感。GDPR 與歐盟 AI Act 大幅限縮了自動化系統在影響招聘、評估與人員管理時可容許的犯錯空間。如果你正在評估AI 應用於人資，你需要一條簡單的原則：把機械性的工作自動化，把決策性的工作留給人來做。

如今 AI 在人力資源領域實際能做什麼

人力資源領域的 AI 不是科幻情節。它已經是日常工作的一部分。如今許多企業用它來減輕重複性工作、加快流程，讓人資團隊有更多時間投入需要脈絡理解與判斷力的工作。

根據 Yomly 關於人資職能導入 AI 的數據，已有 44% 的企業將其用於招募。AI 工具可以將招聘所需時間縮短約 50%，並將近 40% 的重複性工作自動化。

招募與初步篩選

最常見的應用情境是履歷的第一輪篩選。LLM 讀取履歷與職缺說明，比對技能、經驗與語意訊號，然後建立一份排序過的候選名單。

實務上，當職缺角色相當標準化時效果就好。我指的是行政職位、客服、內勤業務、技術棧明確的軟體開發等。只要你把需求描述清楚，模型就能大幅加快第一階段的作業。

但當關鍵在於難以從履歷中萃取的元素時，效果就沒那麼好。

• 非線性的職涯經歷即使非常相關，也可能被扣分。
• 軟實力，例如自主性、領導力或適應力，仍然很難自動評估。
• 與企業文化的契合度幾乎不可能單靠文本分析呈現出來。

實用原則：用 AI 把 500 份履歷篩選成一份較好處理的名單。不要讓它單獨決定誰值得進入最終面試。

員工支援與人資營運

第二個使用案例較不引人注目，但往往更實用。人資團隊將大量時間花在重複性請求上。根據Tommaso Maria Ricci 對人資領域 AI 的分析，人資團隊將40% 至 60% 的時間用於處理休假、薪資單和公司政策等請求。人資聊天機器人可以釋放每天多達 2-3 小時，用於更具策略性的工作。

這裡的價值是立即可見的。內部聊天機器人可以回答關於剩餘休假天數、文件、流程、費用報銷、規章制度以及行政入職事宜的問題。好處不僅是為人資團隊節省時間，還在於員工的體驗品質——他們能立即獲得回覆，而不必等待一封郵件。

問卷調查、入職培訓與技能盤點

AI 真正令人驚艷之處，在於對冗長且雜亂文本的分析。內部問卷調查就是一個完美的例子。與其手動閱讀成百上千條開放式回答，模型能夠識別出反覆出現的主題、情緒傾向、浮現的問題以及值得深入探討的模式。

我在中小企業中看到最實用的應用如下：

1. 職位描述與政策
   AI 生成一份連貫的初稿，之後由人資團隊在法律和文化層面進行修正。
2. 個人化入職培訓
   可以根據職位或部門調整內容、資料和流程順序。
3. 技能盤點
   有助於盤點現有技能與培訓缺口，尤其是當資料分散於履歷、評估報告和管理者備註之間時。
4. 氛圍分析
   將非結構化文本轉化為有用的訊號，幫助了解需要介入的地方。

通用模型與垂直模型之間也存在日益明顯的區別。在垂直領域，Wisq 打造了 HRLM，作為專門針對人資的模型。在通用領域，GPT、Claude 和 Gemini 已經在許多企業中，透過精心設計的提示詞被用於人資操作性任務。然而，差異不僅在於輸出品質，更在於治理機制。

用拉弗曲線找出 AI 應用的最佳平衡點

在人資領域導入 AI 最糟糕的方式，就是以極端的方式思考。零自動化會讓你陷入緩慢的流程、營運積壓，以及基於片面資訊做出的決策。完全自動化則會把你推向另一個極端：把人和求職申請當成待分類的工單來處理。

極端的問題

拉弗曲線的比喻在這裡同樣適用。一開始，每一個 AI 導入的節點都會帶來效率提升。你可以自動化內部常見問題、文件初稿、文本分析，以及履歷的初步排序。價值隨之增長。

然後會出現一個臨界點。如果你繼續把越來越敏感的任務交給演算法處理，價值就會開始下降。這並非因為模型沒有用，而是因為風險增長的速度超過了效益。

根據Workday 對人資領域 AI 的概述，導入 AI 的主要原因是改善決策制定（41%）、自動化重複性流程（35%）以及提升留任率與員工體驗（32%）。這些數據很好地解釋了為何人資部門對 AI 如此青睞。但它們並未說明應該止步於何處。而這正是討論中經常缺失的部分。

最大的價值不在於取代人資團隊，而在於讓他們在正確的工作上變得更清晰、更迅速。

如何在你的中小企業中設定平衡點

為了找到最佳平衡點，我採用一個簡單的區分方式：機械性任務與決策性任務。

活動類型建議的 AI 應用程度人工監督

員工常見問題、休假、政策

高

低，定期檢查

職缺說明草稿

高

需要 HR 審核

履歷初步篩選

中

人工審核始終存在

決賽候選人評估

低

高

升遷、關鍵績效、個人離職風險

非常低

完全由人決策

如果你經營的是中小企業，最佳平衡點通常不在技術層面，而在組織層面。你必須清楚界定 AI 在哪裡提出建議、哪裡下達指令、哪裡做摘要，以及哪裡絕對不能做決定。

三個問題會有很大幫助：

• 這個錯誤可逆嗎？如果 FAQ 答錯了，可以更正。但如果篩掉了合適的候選人，損害就無法挽回。
• 這項任務是重複性的嗎？重複性越高，AI 通常表現越好。
• 這項決策是否影響到某人的權利或職涯？如果是，人工介入就不是可選項，而是必要條件。

偏見、隱私與法規合規之間隱藏的風險

HR 領域的 AI最危險的部分並非技術本身，而是它虛假的中立光環。當招聘人員評估候選人時，大家都知道這個評估帶有一定程度的主觀性。但當系統給出一個分數時，很多人就不再提出質疑了。

「客觀演算法」的迷思

這正是演算法偏見問題的核心。如果你用歷史招聘數據來訓練或設定系統，系統就會傾向於複製數據中原本存在的邏輯。如果企業過去的做法偏好某些背景的人、排斥其他背景的人，演算法可能會以更快、更不易察覺的方式重複同樣的行為。

亞馬遜的案例正因如此而成為典型範例。該公司不得不撤下一套會歧視女性履歷的篩選系統。這並非個別的怪異事件，而是把過去當作衡量能力標準的做法，所帶來的可預見後果。

在義大利,情況遠非讓人放心。根據ELECTE 就此主題公布的數據,只有 12% 擁有 AI 系統的人資企業導入了系統性的偏見審核機制。

如果數據、標準或組織背景仍然存在偏差,更好的模型並不能消除問題。

義大利背景下的 GDPR 與 AI Act

對於在歐洲營運的企業而言,這不只是道德問題,更是法律問題。GDPR 第 22 條賦予求職者權利,不受完全基於自動化處理所做決策的支配,只要這些決策對其個人產生重大影響。人資決策完全屬於這個敏感領域。

此外,歐盟 AI Act 將招募與人事管理列為高風險用途。這意味著相較於個人生產力層面的一般 AI 使用,企業須承擔更嚴格的文件記錄、透明度、控管與風險管理義務。

對義大利企業而言,實務上的意涵很明確:

• 不要讓黑箱系統獨自決定錄用、晉升或淘汰。
• 記錄流程中的人為角色。
• 評估個人資料的處理方式及其法律依據。
• 追蹤記錄對系統所做的檢核與使用的標準。

認真處理這些議題的企業,也應該深入了解企業對 AI Act 的合規性。

通用型工具與垂直模型:該選哪一個

市場正分裂成兩個截然不同的陣營。一邊是像 GPT、Claude 和 Gemini 這樣的通用型 LLM。另一邊則是專為人力資源設計的垂直模型正在崛起,例如 Wisq 的 HRLM。

什麼時候通用型 LLM 就已足夠

對中小企業而言,通用型模型通常就足夠了。如果你需要:

• 產出職缺說明草稿,
• 彙整開放式回饋意見,
• 建立內部常見問答,
• 建立履歷初步排序,
• 支援新人導入與內部溝通,

一個搭配寫得好的提示詞的優質 LLM 就能運作得很好。

優勢在於實用性。你能立即上手,花費更少,快速測試。對於小型人資團隊或流程不太複雜的企業而言,這種做法往往是最理性的起點。

不過有其限制。通用型模型天生不具備人資邏輯,也沒有針對你所在情境的特定政策,更不能因為功能強大就理所當然地保證合規。

什麼時候值得選用垂直模型

如果你處理的量更大、流程更敏感,或組織結構有多層審批,垂直模型就有其意義。這並非因為它們「什麼都懂得更多」,而是因為它們生來就針對更狹窄的範圍設計。

通常在需要以下條件時,垂直模型會更具優勢:

• 更精準的人資分類架構,
• 與內部系統整合的工作流程,
• 對可稽核性與治理更完善的控管,
• 在可追溯性與可解釋性上更嚴謹的標準。

對於一家擁有 50 名員工的中小企業而言,目標不是購買最精密複雜的系統,而是選擇團隊懂得使用、能夠掌控、並在出錯時能夠質疑的系統。

正確的問題不在於哪個模型更先進，而在於哪個模型適合你的營運風險。如果任務是低影響、高流量，選通用型。如果流程涉及敏感決策、需要結構化控管，垂直型才值得考慮。

將 AI 導入 HR 部門的實用路線圖

最好的導入方式不是從預測性招募開始，而是從日常摩擦點著手。正是在這裡，AI 建立內部信任，並驗證團隊是否真正準備好治理它。

從對的任務開始

第一步只是表面上看起來簡單。你必須從高流量、低風險的活動開始。從這裡起步，你能立即看到成效，同時限制曝險程度。

三個合理的例子：

1. 內部 HR 聊天機器人，用於處理休假、政策與流程的常見問題。
2. 輔助生成文件，如職位說明、入職郵件、內部政策。
3. 自動化調查分析，用於萃取主題與關鍵問題。

這種做法會產生一個有用的效果。HR 團隊不再將 AI 視為抽象威脅，開始把它當作營運支援來對待。

制定治理與控管機制

第二步比第一步更重要。你必須白紙黑字寫清楚，哪些地方由 AI 提供建議，哪些地方由人做決定。

在中小企業中，最基本的治理應包含：

• 決策邊界
  AI 可以分類、摘要、標記。經理或招募人員負責核准、拒絕或深入審查。
• 審核流程
  每個高影響力的輸出都必須由負責人員審查。
• 發布前的偏差測試
  如果系統應用於招募或人員評估，必須用具代表性的資料集測試，並記錄相關控管。
• 內部透明度
  員工與候選人必須知道 AI 何時被用作流程支援。

跳過控管的中小企業並不是在加速，只是把風險延後而已。

第三步是逐步擴大規模。針對單一 HR 流程的試點，比全面推廣能帶來更多學習。先驗證任務，再驗證團隊行為，最後驗證法規範疇。

對於想要有條不紊地規劃工作的人，值得參考一份真正的AI 整合路線圖，而不是零散的實驗。

用具體範例衡量成效

要衡量 HR 中 AI 的成效，光看速度是不夠的。必須了解它是否在不引入風險、錯誤或不透明環節的情況下，提升了決策品質。

在中小企業中，最實用的標準很簡單：AI 是否正把 HR 團隊帶向 Laffer 曲線的最佳點，還是在過早自動化那些仍需要人類判斷的活動？如果節省的時間增加了，但爭議、重複審查或對流程正確性的疑慮也隨之增加，那麼所謂的收益只是表面現象。

正確的使用方式

一個具體的案例是內部滿意度調查的分析。在許多企業中,人資需要人工逐一閱讀數百則開放式回覆,並花費大量時間整理出主要主題,而且每個人整理出的結果也會有一定差異。透過設定得當的LLM,主題群組、重複出現的訊號和異常情況能更快浮現。

這裡真正的效益不只是操作層面的。團隊不再需要花費大量時間做摘要整理,而能專注於優先事項、後續追蹤以及對管理者的介入措施。

在這種情況下,有用的指標並不多,而且都很具體:平均分析時間、摘要與人工抽樣檢查結果的一致性、有多少洞察最終轉化為實際行動。如果AI產出的摘要雖然快速卻過於籠統,代表你已經超過了最佳使用點。

錯誤的使用方式

相反的案例則更為棘手。一個負責進行初次面談並在沒有人工審核的情況下給出淘汰性評分的聊天機器人,乍看之下似乎很有效率,但對義大利中小企業來說,這在技術問題之前,就已經造成了嚴重的方法論問題。

風險有三重。你可能因為標準不夠明確而淘汰掉合適的候選人。你可能難以透明地解釋這項決定。你也可能因此暴露在GDPR相關的問題之下,而在影響較大的情況下,還可能觸及AI Act對用於工作與就業機會的系統所加諸的更嚴格義務。

正如我在企業中所觀察到的,正確的檢驗方式是這樣的:AI究竟是在幫助做出更好的決策,還是只是讓一個脆弱的決策做得更快?ELECTE的一項分析正好呼應了這一點。僅靠自動化管理的招募流程,往往會使人與職位之間的實際契合度變差,而人工最終審核則能降低代價最高的錯誤。

因此,妥善衡量意味著要同時檢視四項指標:節省的時間、產出的品質、人工修正的比率,以及合規風險。如果你只衡量其中一項,通常就代表你對這個專案的評估是有偏差的。

重點摘要

• 從日常營運著手。內部常見問題、文件、調查和初步篩選是最好的切入點。
• 不要將最終決策自動化。招聘、升遷以及高影響力的評估,仍必須由人來把關。
• 上線前先測試偏見問題。如果系統會影響到求職者或員工,審核就不是可有可無的選項。
• 以治理的角度思考。角色分工、責任歸屬、人工審核與文件紀錄,和模型本身同樣重要。
• 依風險選擇工具。簡單任務用通用型工具,若需要精確度、可追溯性和更強的控管,則選擇垂直型工具。

結論

AI用於人資真正發揮作用的時候,是它處理機械性工作,而把更困難的任務留給人類:解讀情境、動機、潛力與後果。這才是最佳平衡點。既不是完全不用AI,也不是全面自動化。

對義大利中小企業而言,首要之務並非追逐最亮眼的新技術,而是建立一套能提升效率與品質、同時不與GDPR、AI Act及管理常識相衝突的系統。若能依循這樣的邏輯,AI就會成為有用的倍增器。但若把它當作判斷力的替代品,它就會變成一種風險。

如果你想將營運數據和組織訊號轉化為更易理解的洞察,ELECTE——一個為中小企業打造的AI驅動數據分析平台——能協助你分析複雜資訊、自動化報表產出,並支援更好的決策。想了解實際運作方式,你可以親自體驗這個平台,評估它是否適合你的流程。