一位用人主管為一個關鍵職缺準備了40位候選人的初選名單，卻只有時間深入審閱其中五位。問題不在於科技是否應該提供協助，而在於篩選流程能否在不隱藏關鍵資訊、不公平地限縮人才，或不影響最終判斷責任的前提下，精準找出這五位最合適的人選。
人工篩選與演算法篩選常被視為招募人員直覺與自動化效率之間的二選一。然而，對企業招募團隊而言，這種觀點過於簡化。更有效的模式是將最適合的工作分配給雙方：演算法能一致地處理大量資料，而人則負責解讀情境、挑戰假設並做出最終決策。
在台灣，企業招募面臨著獨特的挑戰，例如每年畢業季的「校園徵才」活動，常帶來龐大的「履歷海」，以及在處理個人資料時必須嚴格遵守「個資法」的規範。此外，如何有效整合「用人主管」的回饋，並確保篩選過程的公平性與效率，是許多企業亟需解決的課題。
為何人工與演算法篩選並非二元選擇
人工篩選有其明顯優勢：經驗豐富的招募人員能夠辨識非傳統的職涯路徑、評估特殊成就的相關性，並發現履歷無法完全解釋的細節。他們也能考量商業情境。一位履歷上看似資歷過高的候選人，可能正是新市場開拓、轉型團隊或領導梯隊計畫的理想人選。
然而，其限制在於實際操作層面。當數千份應徵資料湧入不同職缺、地區和語言時，人工審閱會變得不穩定。不同的審閱者可能優先考慮不同的訊號。篩選標準可能在審閱前五十份履歷後就發生變化。候選人筆記可能不完整，用人主管常收到一份初選名單，卻沒有一致的解釋說明為何每個人選能進入下一階段。
演算法篩選則解決了不同的問題。它能將定義好的職缺標準應用於每一份應徵資料，識別相關經驗和技能，根據文件化的要求對候選人進行排名，並建立可重複的流程記錄。這能大幅減輕第一輪篩選的負擔，特別是對於大量專業職缺、校園徵才和多語言招募而言。
然而，演算法不具備組織責任。它無法獨立判斷候選人的職涯空窗期是反映風險、人生事件，還是相關的獨立工作時期。它也無法決定一個團隊需要的是經驗豐富的執行者，還是具備高潛力的開創者。這些都是商業判斷，而非單純的評分任務。
實際的目標並非自動化判斷，而是讓判斷更具資訊基礎、更一致且更容易被審核。
演算法在候選人篩選中應扮演的角色
一個受控管的篩選系統應以證據為基礎設計，而非不透明的建議。它的首要任務是減少行政審閱工作，同時保留招募人員或用人主管驗證結果所需的基礎資訊。
對於履歷篩選而言，這意味著提取和比較與職務相關的證據：經驗年資與深度、技術或職能技能、產業經驗、相關學歷、語言能力、證照，以及展現的成果。系統應根據職缺的明確要求對候選人進行排名，而非使用對「優秀應徵者」的普遍概念。
同樣的原則也適用於非同步視訊面試。結構化面試讓每位候選人都有機會回答相同的能力導向問題。AI可以整理回答、呈現與每項能力相關的證據，並生成標準化的候選人報告。招募團隊隨後可以審閱實際回答、能力佐證資料和評分依據，而非僅依賴零散的面試官印象。
當團隊需要大規模的一致性時，演算法的支援尤其有價值。它能協助招募作業：
- 在龐大的應徵者群中應用相同的初步要求
- 在現場面試前優先篩選出最符合職缺的候選人
- 為跨國利害關係人翻譯候選人報告
- 將履歷、面試佐證資料、分數和審閱者回饋整合到一個工作區
- 識別因用人主管審閱或排程延誤招募週期的瓶頸
這些效益之所以重要，是因為篩選往往是企業招募失去動力的環節。一份職缺申請可能閒置數日等待履歷審閱，然後又因用人主管試圖從不一致的筆記中比較候選人而浪費更多時間。自動化結構化、可重複的工作，能讓招募人員有更多精力投入候選人互動、利害關係人協調，以及需要真正判斷的例外情況。
人必須持續掌握的職責
人工監督不應只是形式上的最終點擊。招募人員和用人主管需要對標準、例外情況以及根據所得證據做出的決策，擁有實質的掌控權。
首先，人必須定義職務相關性。篩選模型可以根據要求進行評估，但領導者必須決定哪些要求是真正必要的。如果職缺描述包含一長串非成功必要但偏好的資歷，自動化這些篩選條件只會擴大一個設計不良的流程。
其次，人必須審閱特殊案例。擁有相關經驗、國際資歷、職涯轉型、組合型職涯，或不尋常但相關成就的候選人，可能無法完美符合標準檔案。一個設計良好的工作流程應讓審閱者了解候選人排名如此的原因，並能以文件化的理由重新評估結果。
第三，人必須做出最終選擇。選擇涉及團隊動態、業務時機、發展潛力、薪酬現實以及領導判斷。篩選技術可以為對話提供更嚴謹的基礎，但不應取代對話本身。
最後，人必須監控結果。如果某些群體被不成比例地篩選掉，如果用人主管頻繁地推翻結果，或者如果高績效的招募人員始終來自模型排名較低的履歷，那麼該流程就需要重新審視。治理是一個持續的營運工作，而非一次性的供應商評估。
選擇速度卻犧牲可解釋性的風險
速度固然重要，但前提是招募流程必須站得住腳。如果快速篩選出的候選人名單，卻無法解釋其晉級原因，將為招募團隊、用人主管乃至整個企業帶來風險。
黑箱評分是招募流程中常見的失敗癥結點。如果招募人員只看到一個分數，他們將無法判斷該分數是否反映了相關技能、過於狹隘的關鍵字匹配、資料不完整，或是其他不應影響決策的因素。這種做法看似高效，卻會降低審核者的信心，並削弱企業解釋其招募流程的能力。
另一種做法是採用可追溯的篩選流程。每個分數都應連結到可觀察的證據和職位特定標準。審核者應能檢視作為推薦依據的履歷分析、結構化面試回覆、能力評估結果和過往回饋紀錄。任何人工介入或覆寫決策都應被記錄，並附上原因，以便企業了解哪些標準需要調整。
在台灣，企業在校園徵才或收到大量履歷時，常面臨「履歷海」的挑戰。如何在龐大的履歷中快速篩選出合適人才，同時確保符合《個人資料保護法》的規範，並能向用人主管提供清晰的評估依據，是招募團隊的關鍵課題。缺乏可解釋性的評分機制，不僅可能引發個資疑慮，也難以獲得用人主管的信任與回饋。
這正是企業級AI招募中，治理憑證與控制措施至關重要的原因。諸如 ISO 42001 等國際標準，以及新加坡 AI Verify 計畫等獨立驗證方法，為管理AI風險、責任歸屬和透明度提供了明確框架。這些標準並非取代謹慎實施的需求，而是表明AI治理已成為營運模式的一部分，而非事後才考慮的環節。
建立篩選工作流程，而非評分捷徑
最有效的部署始於候選人進入招募流程之前。招募與用人主管應就職位必備條件、偏好訊號、能力框架和升級規則達成共識。他們也應明確定義分數的意義：它是一個供招募人員優先審核的訊號？結構化面試的門檻？還是用人主管篩選名單的參考依據？此階段的任何模糊不清，都將導致後續流程的不一致。
一個實用的工作流程可以從AI履歷分析開始，它能根據職位標準對候選人進行排序，並標示出遺漏的資訊。達到商定門檻的候選人將進入結構化非同步面試。平台會一致地評估能力證據，而招募人員和用人主管則在決定誰能晉級之前，審閱候選人報告、視訊回覆和佐證文件。
這個流程既能保持招募速度，又不會將早期分數視為最終判決。它還能在流程早期為用人主管提供更豐富的資訊。用人主管無需等到數次現場面試後，就能運用共同證據、記錄的優勢、潛在疑慮和職位契合度指標來比較候選人。
MIND Interview 透過將履歷排序、非同步面試評估、自動評分、人格特質報告、團隊協作以及可稽核的決策紀錄整合至單一招募工作區，來支援此模式。對於將大部分時間花在第一輪審核的團隊而言，其營運影響將會非常顯著：減少人工篩選、用人主管更快掌握情況，並能將更多時間用於評估最有可能成功的候選人。
衡量平衡是否奏效
人工篩選與演算法篩選之間的適當平衡，取決於職位性質、申請人數和風險概況。一個收到上萬份履歷的校園徵才計畫，與尋找機密高階主管的獵才任務，需要截然不同的工作流程。兩者都需要一致性，但自動化和審核的程度應有所區別。
除了節省的時間，更應追蹤其他指標。每個職缺的篩選時間、產生候選人名單所需時間、面試官工作量以及招募週期長度，都能顯示工作流程是否正在提升效率。品質衡量指標同樣重要：用人主管對候選人名單品質的滿意度、晉級率、錄取接受率、初期留任率，以及可用的績效訊號。
同時也要追蹤流程的完整性。審核覆寫率、覆寫原因、分數分佈、候選人完成率和決策紀錄的可用性，這些指標能揭示系統是支持人工判斷，還是產生了團隊需要規避的摩擦。
一個強大的篩選流程，能讓招募工作更快速推進，因為它使決策依據清晰可見。當招募人員、用人主管和高階主管都能看到每個決策背後的證據時，速度就不再是與控制力之間的權衡。它成為了一個旨在每個階段都贏得信任的流程所帶來的成果。