孫弘岳-人力資源管理的世界

孫弘岳-人力資源管理的世界 以白話方式分享、探討新科技如何影響勞動市場及人力資源的發展與管理。
(2)

國立臺灣師範大學科技應用與人力資源發展學系專任教授
研究領域涵蓋情感運算、人智互動與人力資源科技。榮獲國科會新聘/特殊人才獎勵、教學優良獎、優聘教授等資格。

研究計畫主持人
擔任國科會人工智慧(AI)融入人才評測與教練研究計畫主持人，同時主持多項人力資源科技（HR-Tech）相關的產學合作計畫。

國際學術期刊副主編
現任SSCI國際學術期刊The International Journal of Selection and Assessment副主編。

國內外研究/教育/產學機構審查委員
擔任瑞士國家科學基金會、台灣國科會/教育部/經濟部部會相關研究計畫、產學計畫、數位課程認證、以及人力資源科技、AI面試、AI學習回饋系統等相關標案的審查委員。

跨國人資與系統導入經驗
擁有橫跨中國、越南、香港、美國及其他東南亞國家的跨國人力資源規劃與行政管理經驗，曾成功協助企業實現變革，建立全新人力資源運作體系及雇主品牌，並榮獲多項獎項與認證。曾成功領導專案團隊完成大型金融機構併購相關人資整合，並於2011年入圍美國Human Resource Executive雜誌全球最佳人力資源主管評選。

專業國際認證
為亞洲首位通過美國HRCI人力資源認證協會aPHRi/GPHR/PHRi/SPHR/SPHRi全系列證照者，並取得美國管理會計師(CMA)及國際專案管理師(PMP)資格。

企業顧問與數位教育推廣
擔任多家百大企業顧問，專注於人工智慧測評、組織數位轉型、人資數據分析與人力資源科技應用等課題。在好學校Hahow、資策會、人工智慧學校及緯育TibaMe等平台開設相關課程。

專業分享與國際講座
曾任美商Oracle甲骨文台灣區人力資源解決方案用戶會長，並於美國人才發展協會(ATD)亞太區研討會及美商Mercer大會擔任主講人，分享人力資源科技的最新趨勢。

媒體專訪與專欄意見
定期接受媒體專訪或撰寫專欄，包括TVBS、Cheers雜誌、數位能力雜誌、經理人雜誌、能力雜誌、遠流出版、今周刊、大是文化及1111人力銀行數位報、南一教育集團等，探討人力資源科技的相關議題。

LinkedIn人人都像專家，還看得出誰真的有料嗎？現在很多HR或獵頭看候選人，早就不只看履歷。LinkedIn點進去，寫過什麼文章、有多少人追蹤、平常談哪些專業議題，多少都會影響對這個人的第一印象。甚至有人會覺得，這個人長期談領導、人才、...
20/08/2026

LinkedIn人人都像專家，還看得出誰真的有料嗎？

現在很多HR或獵頭看候選人，早就不只看履歷。LinkedIn點進去，寫過什麼文章、有多少人追蹤、平常談哪些專業議題，多少都會影響對這個人的第一印象。甚至有人會覺得，這個人長期談領導、人才、AI、組織轉型，看起來很有料，應該差不到哪裡去。

但到了2026年，這種判斷真的要小心了。Fast Company今年引用Pangram對近百萬筆網路內容的分析，發現LinkedIn是AI生成內容比例最高的平台。超過250字的長文，四成以上被判定完全由AI生成。到了7月底，連LinkedIn自己都推出「Seems like AI slop」，讓使用者直接回報大量依賴AI產生的低品質內容，連平台自己都開始清AI垃圾。

其實，就算沒有AI，這種評鑑方法原本就沒有想像中可靠。2024年一篇系統性回顧整理12項研究、536位評估者與2,019位受評者，結果發現，不同的人看同一份社群資料，判斷常常不一致。研究顯示，拿這些判斷去預測未來工作表現，效果很弱，甚至接近零。說穿了，LinkedIn讓你覺得某個人「很厲害」，有時候真的只證明他很會讓人覺得厲害！

過去研究已經發現，不管由招募人員或自動化工具從LinkedIn判斷人格、工作態度等特質，準確度都相當有限。專業發文又是另一個坑。現在只要先有一個自己相信的觀點，再把資料交給生成式AI，案例、架構、理論、管理建議很快全部補齊。一個普通想法，轉眼就能包裝成很像跨國企業高階主管或專家學者寫的文章。問題就在很多內容從第一步就先射箭再畫靶，「我相信這件事，請幫我證明它。」研究也發現，當AI給出的建議剛好符合人原來的判斷，人會更容易相信它。作者先有立場，AI幫忙補強，讀者按讚形成聲量，繞了一圈之後，原本的個人信念就套上了「專業證據」的外衣。

那LinkedIn到底還能看什麼？研究發現，把LinkedIn資料拆開，事先訂好標準，一項一項看，會比整頁看完之後憑感覺或印象下判斷來得好；領導、溝通、規劃這些比較容易從公開經歷觀察到的能力，也有一些效度證據。另一項針對615位資訊科技從業者的研究也發現，工作經歷、專業網絡與持續更新知識等資料，和生產力、缺勤及未來發展潛力有所關聯。

所以也有研究建議，與其看那些社群貼文，不如回頭看那些最無聊的硬指標：待過什麼公司？組織規模多大？做過什麼職位？待了多久？管過多少人？負責過什麼專案？有哪些可以查證的學歷與專業證照？最後到底做出什麼成果？這些資料雖有侷限，卻至少可以查、可以問、可以交叉驗證。工作經歷拿來驗證，專業資格拿來查核，文章拿來當面談時追問，追蹤人數看看就好。真正要知道一個人會不會做事，最後還是得讓他說清楚、做出來、接受驗證。

除非想要找的人才是「知識型網紅」，否則「很會發文，有很多人追蹤」並無法代表真才實料。LinkedIn看得愈仔細，最後恐怕只是讓自己的誤判愈有自信。

Google 內部文件曝光：AI 篩選履歷可能會誤判合格人選Google DeepMind 旗下的 AGI Safety and Alignment Team 在招募時意外發現，官方的自動化履歷篩選系統存在顯著的誤判風險，導致直接排除符合資...
18/08/2026

Google 內部文件曝光：AI 篩選履歷可能會誤判合格人選

Google DeepMind 旗下的 AGI Safety and Alignment Team 在招募時意外發現，官方的自動化履歷篩選系統存在顯著的誤判風險，導致直接排除符合資格的優秀候選人。為了解決此問題，團隊額外設立一份內部職缺申請表單，讓求職者的履歷能夠進入真人審查流程。

AI篩選履歷失靈的主因在於現行系統過度依賴關鍵字比對與硬性排除規則，容易誤淘汰非典型資歷，例如工作年資中斷；同時求職者也用生成式AI來編修履歷亦加劇內容同質化。加入大型語言模型，系統又面臨自我偏好、事實幻覺、評分穩定性不足及易受隱藏提示詞操弄等限制，降低演算法對履歷判讀的鑑別度。

然而，由真人介入審查實屬於技術發展過程中的過渡期做法。在下一代具備深度推理與人才評鑑能力的系統成熟前，企業透過 Human-in-the-loop 機制進行人工補位，維持當前甄選的效度。

多篇國際人才甄選與評鑑期刊論文指出，人才甄選將從靜態文字過濾走向動態能力評估。未來的核心解法在於導入 AI Job Simulations 與行為評測，直接驗證求職者的實際工作表現與問題解決能力。

換言之，Applicant Tracking Systems（ATS）的自動化篩選功能面臨嚴重的效度衰退與結構性失靈，甚至有隱性歧視與違反公平就業的法律風險，而履歷功能也將迎來重新定位。它將卸下初選一刀切過濾器的角色，轉變為提供經歷脈絡與技能佐證的參考資料，用以支持後續的動態模擬情境設計與AI深度驗證。

AI轉型做到一半，公司才發現：原來真的不需要這麼多人最近很多公司一邊喊AI轉型，一邊開始盤流程、盤工作、盤人力。盤著盤著，最尷尬的結果出現了：有些工作可以交給AI，有些工作乾脆不用做，而以前需要十個人的事情，現在可能六個人就夠了。這也是為什...
12/08/2026

AI轉型做到一半，公司才發現：原來真的不需要這麼多人

最近很多公司一邊喊AI轉型，一邊開始盤流程、盤工作、盤人力。盤著盤著，最尷尬的結果出現了：有些工作可以交給AI，有些工作乾脆不用做，而以前需要十個人的事情，現在可能六個人就夠了。

這也是為什麼Meta創辦人Mark Zuckerberg最近的預測值得注意。他認為，AI未必會讓未來的工作機會大量消失，因為AI也會放大人的能力、創造新的技能與工作。但他同時預測，未來少數幾個人搭配個人超級智慧代理，就能經營過去需要大批人力才能撐起的公司。換言之，未來可以有更多公司、更多工作，但每家公司需要的人更少。

Anthropic的Economic Index已經出現一些蛛絲馬跡。目前Claude.ai的使用情境中，52%屬於能力增強，45%屬於自動化。AI現在大量做的事情，是先把一個人的能力放大。當一個人開始能完成過去兩三個人的工作，管理者遲早會問：這件事情還需要這麼多人嗎？

更麻煩的是，AI轉型往往會順手把企業多年累積的「假忙」一起翻出來。有些報表根本沒人看，有些會議取消也沒事，有些工作只是搬資料、追進度、層層核准。這些工作甚至不需要AI取代，只要公司重新問一次「為什麼要做」，就可能直接消失。

所以AI真正改寫的，可能是我們長期習以為常的一個假設：公司成長，就要增加人力。未來營收可以成長、影響力可以變大、新工作也可以繼續出現，但增加的可能是AI代理與算力，人數卻不必同步增加。

或許真正值得警覺的問題因此變了。與其一直問AI會不會取代什麼工作，不如問一個更現實的問題：如果公司明天藉著AI轉型，把所有工作重新盤一次，你現在每天做的事情，到底有多少真的需要存在？又到底需要多少人來做？

最後才可能發現最尷尬的真相：AI還沒把人取代，公司已經先算出來，原來根本不需要這麼多人。

別再堅持一定要修改AI答案，因為可能改完更糟！很多企業或學校在AI應用訓練中，最常提醒大家：AI的答案不能照單全收，一定要質疑、檢查、修改。接著，課程開始教大家怎麼下指令、怎麼找出AI的問題，以及如何保持批判思考。但最新研究發現，有些員工花...
30/07/2026

別再堅持一定要修改AI答案，因為可能改完更糟！

很多企業或學校在AI應用訓練中，最常提醒大家：AI的答案不能照單全收，一定要質疑、檢查、修改。接著，課程開始教大家怎麼下指令、怎麼找出AI的問題，以及如何保持批判思考。但最新研究發現，有些員工花了不少時間檢查與修改，最後卻把AI原本還算合格的答案，改成更糟的結果！

《Harvard Business Review》日前刊登一項由KPMG與The University of Texas at Austin共同進行的實證研究。研究對象為523名進入KPMG未滿18個月的初階專業人員。他們使用針對專業工作設計的AI工具，完成分析企業資料、辨識風險及提出建議等接近真實工作的任務。

研究團隊先讓AI獨立完成相同工作，再觀察員工參與修改後，成果究竟變好多少。結果發現，50.1%的員工可以把AI的答案變得更好；25.8%的員工修改後，成果與AI自己完成的水準差不多；另有24.1%的員工，花了一番力氣檢查與修改後，表現竟然比AI自己做更差。

換言之，約有一半的員工確實替AI增加了價值，另外一半卻沒有。其中四分之一忙了一場，成果與AI原本的答案差不多；另外四分之一更慘，愈改愈糟！

弔詭的是，這群把答案改差的員工，具有一定的專業知識，也知道要批判思考與檢查AI。他們確實會質疑、修改與補充內容，只是經常挑錯問題、改錯方向，最後把AI帶進死胡同。反觀另一群基礎能力相對較弱的員工，因為大多直接採用AI的答案，至少還能維持AI原本的合格水準。

所以，「有改」並不能保證「更好」，留下滿滿的修改紀錄，也不代表真的替工作增加價值。主管若只看到最後交出的報告，很難判斷其中有多少是員工真正增加的價值，又有多少只是重新整理AI的答案。修改次數多，也不能證明員工具備較好的判斷力。那些用力修改AI輸出的人，有時候只是看起來很認真，實際上卻可能只是在畫蛇添足，甚至弄巧成拙。AI本身沒有瓶頸，使用者才是它的瓶頸。

這也表示，AI訓練不能只靠上課，績效評估也不能只看最後交出的成果。真正需要了解的，是員工如何向AI提問、如何判斷與修改AI的建議，以及他們的參與究竟讓成果變好，還是愈改愈差。

但這些互動過程若全部交給主管人工閱讀，不但耗時，也容易受到主觀判斷影響。因此，運用AI分析人機協作過程，再依照實際工作標準進行評鑑與回饋，將會成為下一階段人才評鑑與發展的重要方向。

8月12日下午，我受新竹人資協會邀請，將前往新竹科學園區，與企業HR主管分享AI如何改變人才評鑑與教練式回饋，並展示我們實驗室在虛擬工作模擬、AI輔助評鑑以及運用世界模型的教練式回饋研究成果。活動詳情放在留言區，有興趣的同學歡迎蒞臨指教與交流。

導入AI並不會裁員，反而會聘僱更多人？很多企業一談到AI，第一個念頭就是：可以少用多少人？員工一聽到，也難免擔心自己會不會被裁員。但Ramp與Revelio Labs分析21,347家美國企業、涵蓋約1,280萬名員工的資料後發現，AI投資...
24/07/2026

導入AI並不會裁員，反而會聘僱更多人？

很多企業一談到AI，第一個念頭就是：可以少用多少人？員工一聽到，也難免擔心自己會不會被裁員。

但Ramp與Revelio Labs分析21,347家美國企業、涵蓋約1,280萬名員工的資料後發現，AI投資強度最高的企業，在導入後兩年內，員工人數平均增加10.2%，基層人力更成長12.4%。

AI沒有讓這些公司變得更小，反而讓它們開始擴張。有趣的是，這個效果只出現在AI投資強度前33%的企業，而且通常要經過6至12個月才逐漸出現！

這些深度導入AI的公司，會把AI真正放進核心流程，改變工作分工、決策方式與產品服務，讓AI持續參與營運。

對於那些只買幾個帳號、辦幾場課程、做幾個試點（pilot）的公司，人力幾乎沒有顯著變化。

這項調查無法證明AI必然創造工作，但至少戳破了一個迷思：企業若想裁員，不該再把理由全推給AI。

把AI當作裁員工具，最後只會得到一家更小的公司；把AI轉化為新產品、新服務與新市場，企業才會需要更多人。

AI轉型換打法：不等員工配合，FDE直接進場，連HR也一起重做很多企業推動AI轉型，第一步仍然是訪談員工、盤點流程、整理需求，再安排幾場AI課程，希望各部門自己找出可以用AI改善的工作。問題是，員工沒有空，也未必願意配合。擔心被AI取代的人...
24/07/2026

AI轉型換打法：不等員工配合，FDE直接進場，連HR也一起重做

很多企業推動AI轉型，第一步仍然是訪談員工、盤點流程、整理需求，再安排幾場AI課程，希望各部門自己找出可以用AI改善的工作。問題是，員工沒有空，也未必願意配合。擔心被AI取代的人，更不可能主動告訴公司，哪些步驟可以刪除、哪些任務可以交給AI代理人、哪些職位已經失去存在的必要。結果，專案團隊忙了一整年，仍然被舊思維、舊流程與既有利益綁架。

《HR Executive》報導，OpenAI、Anthropic、AWS，甚至美國國防部，都在爭搶同一種人才：前線部署工程師，也就是FDE（Forward Deployed Engineer）。相關職缺一年增加超過1,000%，部分資深職位年薪高達56萬至78.5萬美元。這些組織開始以更集中、由工程團隊主導的方式，直接派遣FDE進入營運現場，邊理解工作、邊修改流程與系統。因為等待員工與功能部門慢慢完成轉型，速度實在太慢。

這些工程師會直接進入工作現場，觀察員工如何完成任務，接著修改流程、系統與人機分工。企業不必等所有人學會AI，也不必等每個部門取得共識。哪些步驟刪除、哪些判斷交給AI、哪些工作重新分配，甚至哪些職位可以移除，都可以由中央授權的工程團隊直接決定。

這代表AI轉型正出現第二種截然不同的導入模式。傳統做法從舊流程出發，請員工提出需求，再用AI改善現有工作。看起來尊重員工/主管，最後卻很容易保留既有職位、權責與程序，結果只完成舊流程的AI化。FDE模式則從工作結果出發，直接重新設計流程與人機分工。員工仍提供現場資訊，但設計權與部署權逐漸集中到工程團隊手上。企業不再完全依賴每一位員工先願意改變，而是直接改造既有的運作系統。直接進行測試，再迭代修正。

更值得注意的是，這種模式已經進入HR的領域。招募、績效管理、人力規劃與人資系統，都可能受到FDE重新設計流程的影響，但報導也指出，CHRO並沒有參與。這究竟是企業刻意繞過CHRO，還是CHRO根本使不上力？值得玩味。未來的人資系統可能仍然負責保存薪資、差勤與員工資料，但位於其上方的AI工作層，將逐漸負責跨系統協調工作。屆時，流程所有權與決策權也會重分配，整個組織結構與職位也會重新調整。

面對AI，看太近會錯失紅利，看太遠會先被嚇退《經理人》邀請我錄了一集Podcast，從HR的角度聊AI人機協作的分工與機會。錄完之後我一直在想：這幾年大家面對AI最大的焦慮，可能來自距離感抓不準。看得太近，只看AI今天的表現，會低估它的迭代...
20/07/2026

面對AI，看太近會錯失紅利，看太遠會先被嚇退

《經理人》邀請我錄了一集Podcast，從HR的角度聊AI人機協作的分工與機會。錄完之後我一直在想：這幾年大家面對AI最大的焦慮，可能來自距離感抓不準。

看得太近，只看AI今天的表現，會低估它的迭代速度，該接的紅利從眼前飄過去也沒發現。看得太遠，把它想成明天就會整批取代人類的威脅，自己先嚇自己，太快退縮，最後連該練的判斷力都沒有練成。

真正的紅利，落在兩者中間的過渡期。AI已經上場，人還沒有退場。未來這幾年，誰能趨吉避凶，把自己卡在正確的位置，誰就吃得到。那個位置怎麼卡？

第一，想吃AI紅利，得先付流程再造的痛

常有人問我，為什麼外商導入AI比較快，台灣企業卻總是卡住？問題經常落在標準化。外商流程早已清楚到可以複製，AI進去有規則可以學。反觀許多企業，工作標準跟著老闆偏好改變，經驗全放在少數員工腦袋裡，沒有轉成文字與規則，最後還把這種資訊不對稱包裝成獨特的「隱性知識」。有趣的是，這些知識對AI可能一點也不特殊，只是長期被少數人把持，從來沒有人要求說清楚。想導入AI，就得先把模糊的經驗逼成明確的規則。或直接繞過，藉由AI甚至結合外包，打掉重練。

第二，紅利來自把人往上挪

這段過渡期，可以先把AI當成醫院裡的精密儀器。它能從影像、聲音與文字快速提取大量線索，協助人做出更完整的判斷。但真正要拍板用不用一個人，牽涉法規、責任與情境判斷，那一刀仍須由人來下。把AI擅長的工作交出去，人才有空間處理更複雜的判斷、人際互動與協商。AI的價值，在於把人推到更值錢的位置。

第三，紅利藏在你怎麼分配「合格」與「績優」

多數工作真正需要做到績優的，其實只占少數，大量日常只要求合格、穩定、可驗證。問題是許多組織把兩類任務混在一起，用同樣的人力平均分攤，結果該績優的地方不夠優，只求合格的地方又耗掉太多人。在規則清楚、結果可驗證的前提下，AI最適合先接手那些大量、有規則且只要求合格的任務，人才能集中到少數真正需要判斷、創意、說服與承擔的環節。AI把大量工作做到合格，人把少數關鍵工作做到績優。說穿了，AI轉型拉開差距的，是誰能在過渡期，把自己練成那個還能判斷、還能驗證，也還敢負責的人。

這三件事沒有先處理，企業看起來再「AI ready」，最後也可能讓成本吃掉紅利。

明天我也將在《經理人》2026未來經理人年會，透過七個人機協作案例，分享不同產業的組織如何重新分配人與AI的工作。

Podcast與年會資訊放留言區。身邊若有人還在「AI沒那麼厲害」與「人類快被取代」之間擺盪，可以把這一集傳給他。

AI紅利，最後會落到那些抓對時機、穩健出手的人。

布朗大學抓到AI作弊，也揭穿一整套人才評鑑工具正在失效昨天很榮幸受邀參加產學合作夥伴震旦集團舉辦的「AJ領航－企業AI轉型實踐展」。除了分享人機協作及展示我們最新的AI評鑑中心技術，也聆聽臺大進修推廣學院院長郭佳瑋教授的精彩演講。他提到美國...
16/07/2026

布朗大學抓到AI作弊，也揭穿一整套人才評鑑工具正在失效

昨天很榮幸受邀參加產學合作夥伴震旦集團舉辦的「AJ領航－企業AI轉型實踐展」。除了分享人機協作及展示我們最新的AI評鑑中心技術，也聆聽臺大進修推廣學院院長郭佳瑋教授的精彩演講。他提到美國常春藤名校Brown University近期爆發的AI作弊爭議。

一門高階經濟學課程原本採居家線上期中考，歷年平均成績約為65至80分。這次題目更難，全班平均卻高達96分，其中40人滿分。教授懷疑學生大量使用生成式AI作答，於是將期末考改回實體考試，平均成績隨即跌到48分。原本參加線上期中的89人，最後只有59人出席實體期末考。

許多人看到這則新聞，第一個反應大概是：AI讓作弊變得太容易，以後還是回到教室、關掉電腦、拿出紙筆最安全。這個答案看似合理，卻可能完全畫錯重點。Brown University真正揭露的問題，除了學生有沒有作弊，還包括一套長期被視為理所當然的評鑑制度，正在AI面前失去效度。過去，學校用考卷判斷學生會不會，企業用履歷、測評、面試判斷一個人能不能。這些工具都有一個共同前提：眼前看到的成果，大致反映受測者自己的能力。

如今，這個前提已經動搖。履歷可以由AI重寫，面試答案可以事前生成，測驗可以即時求解，個案分析、簡報與商業提案更可以在幾分鐘內完成。當受測者交出的成果已經混合了人與AI的共同產出，企業若繼續沿用原來的甄選工具與評分規則，得到的分數即使非常精準，也可能測錯對象。

說穿了，這則新聞逼著產官學從「如何防止AI作弊」，進一步誠實檢查過去有效的評鑑工具，今天還有沒有鑑別度。答案若是否定的，這些工具就得打掉重練！技術上，AI當然可以用來監考、偵測眼神、封鎖網頁與辨識異常操作，這些我們實驗室也已經做出來了。可是只做到這裡，又怎麼樣呢？

企業的真實工作現場不可能永遠禁止員工使用AI。主管不會要求員工關掉AI再寫企畫，客戶也不在意提案是否完全由人類完成。雇主真正關心的是，這個人能不能運用AI把工作做好。當兩名受測者都能交出架構完整、論述漂亮的成果，真正能夠分出高下的，是他們如何與AI共同完成任務。誰能定義問題、補足背景、提出有效指令？誰會查證資料、辨識幻覺、發現遺漏？誰能推翻AI的錯誤建議，整合衝突資訊，最後做出可執行的判斷？

未來要評鑑的，將從一份靜態成果，擴展到受測者如何使用AI、駕馭AI並對結果負責的完整歷程。這也代表履歷篩選、測評、面試，甚至整套Assessment Center，都必須重新檢查原來的構念、任務與評分規則。過去測量的是個人獨立完成任務的能力，未來工作績效卻愈來愈依賴人機協作。

因此，我們與產學合作夥伴 HRDA 共同開發AI評鑑平台時，刻意讓受測者在部分工作模擬中直接使用生成式AI。系統除了分析最後成果，也保留提問、回應、追問、查證、修正與決策歷程，將評鑑焦點從「產出了什麼」，延伸到「如何產出」。我們將這套平台命名為Kairos AI。Kairos在古希臘語中代表關鍵時刻、時機與恰到好處的瞬間，恰好呼應Assessment Center觀察關鍵行為的精神。昨天，Kairos AI也在媒體前首次公開亮相。

同時，我們實驗室剛獲選AMD-ITRI高速運算開放平台團隊，將運用更多算力進行多模態分析，理解受測者如何取得資訊、使用AI、更新判斷，以及接受回饋後如何改變下一次行動。當AI開始記錄一個人的狀態、行動、互動與後續變化，這套技術便逐漸走向世界模型。

世界模型試圖理解一個系統目前處於什麼狀態，採取行動後可能發生什麼改變。放進人才發展，它可以先判斷一個人卡在哪裡，再選擇適合的回饋介入，觀察下一次表現是否改善，接著修正後續的教練手法。如此一來，AI便不再只是根據分數生成幾句罐頭建議，而是逐步學會：什麼樣的人，在什麼情境下，於什麼時機，需要什麼樣的回饋。它不只會告訴你哪裡做不好，還能夠理解你如何改變，並知道下一步怎麼幫你。

Gartner報告：AI正在瓦解HR既有的運作模式目前很多企業正在替HR三支柱安裝AI。Shared Services導入Chatbot，CoE使用生成式AI協助制度優化，HRBP則拿AI分析資料與製作簡報。看起來HR正在AI化，但Gart...
15/07/2026

Gartner報告：AI正在瓦解HR既有的運作模式

目前很多企業正在替HR三支柱安裝AI。Shared Services導入Chatbot，CoE使用生成式AI協助制度優化，HRBP則拿AI分析資料與製作簡報。看起來HR正在AI化，但Gartner調查發現，近四分之三的HR主管認為，AI投資幾乎沒有產生明顯回報。

為什麼？成功的AI轉型只有30%取決於技術，高達70%取決於企業是否重新設計流程、工作與人員的角色。企業若只是把AI塞進舊架構，充其量只能優化交易處理、制度設計與需求協調，根本稱不上轉型。

很多企業以為AI會讓HR三支柱跑得更快，Gartner則警告，許多工作將不再按照三支柱層層轉交。到了2030年，約50%的HR工作將被AI自動化，100%的HR任務都會被AI賦能。AI、Data與AI Agents將同時承接自動化、洞察分析與跨功能協作，傳統三支柱的邊界自然開始鬆動。

Shared Services首先要告別開需求單、排隊等回覆的被動服務，轉型為Service Operations & AI Governance。AI Agent成為服務第一線，主動預測員工與主管需求；HR人員則負責服務營運、例外處理、資料品質與AI治理。繼續以處理多少ticket作為KPI，遲早會成為歷史。

CoE也從各自為政的政策工廠，轉型為Talent Solutions與Product Design。過去一體適用的制度與人才方案，將逐漸被AI驅動的hyperpersonalized employee experience取代。未來CoE的價值，將取決於能否把專業知識轉化為人才產品，持續測試、修正並證明成效。制度寫得再漂亮，無法解決問題，終究只是自我感覺良好的PPT。

HRBP受到的衝擊更大。過去固定配置給特定部門，主要負責需求協調、制度翻譯與人才支持；未來則要轉向Business Diagnosis & Work Redesign，依照業務問題組成Dynamic Pods，重新設計工作並安排人機分工。透過AI數據分析，一位HRBP服務員工的比例，可能從目前的1：423，提高至1：800，甚至1：1,200。大量依靠協調、轉交的HRBP工作，將快速折舊。

有趣的是，高達82%的CHRO計畫在未來12個月部署Agentic AI，卻仍只盤點三支柱各自可以使用哪些AI工具。Shared Services回覆得更快，CoE制度寫得更完整，HRBP簡報做得更快，整套運作邏輯仍停留在舊思維。AI技術愈來愈先進，HR的角色、流程與決策權卻沒有改變。

CHRO必須重新定義HR的價值主張，建立直屬的HR創新團隊，並與IT共同制定AI轉型路線，區分哪些工作應自動化，哪些決策必須保留真人判斷。同時，也要升級HR人員的思維與技能，重新配置無法支撐新模式的角色與人力。

報告沒有明說的是，倘若CHRO仍把AI當成工具採購、教育訓練與行政效率專案，真正需要被重新評估的，或許就是CHRO本人。

AI帶來的改變超過三支柱升級，它將打破原有邊界，重新組合HR的角色、流程與決策權。HR若仍死守舊模式，人機協作與工作重構的主導權將移向IT、營運部門或第三方AI平台。屆時HR就算留在組織圖上，也將面臨被邊緣化的風險。

AI面試越準，企業越不能直接用！很多人可能以為，我做AI面試研究，所以一定會鼓勵企業趕快導入AI面試。事實上，剛好相反。我不鼓勵企業在不理解AI面試的原理和限制前，直接用AI面試，更反對企業把AI面試拿來當任用決策的系統。這樣用，遲早出事！...
08/07/2026

AI面試越準，企業越不能直接用！

很多人可能以為，我做AI面試研究，所以一定會鼓勵企業趕快導入AI面試。事實上，剛好相反。我不鼓勵企業在不理解AI面試的原理和限制前，直接用AI面試，更反對企業把AI面試拿來當任用決策的系統。這樣用，遲早出事！

我們臺師大HR-AI實驗室，連結中央資工、陽明交大與產學夥伴HRDA，在美國電腦協會ACM 2026 AI面試大賽中，運用可解釋的多模態技術，分別在認知能力與性格推理打進全球第11名與前20名。我們研究也發現，AI在特定任務與資料條件下，可以從履歷、文本、語音、臉部與頭部行為、眼動，心率等非接觸式生理訊號中，抓到真人recruiter或hiring manager很難穩定看見的線索，評估一致性也比真人還高。但也因如此，它才更需要被小心使用。

主管機關會怕投訴，因為這裡牽涉人權、隱私、人為的偏見複製與個資法；求職者怕被看穿，因為面試本來就是一場「你騙我、我騙你」的印象管理遊戲，每個人都在挑對自己有利的版本自我行銷，有時避重就輕、甚至跨大不實；雇主怕違法，因為明明知道AI可能有用，卻又擔心一踩下去就碰到法律紅線。

所以，AI面試最不該做的事，就是直接判定求職者是否適任、是否說謊。這樣的用法風險極高，也很容易引發就業歧視、自動化決策、個資與隱私爭議。比較合理的定位，是讓AI輔助recruiter找出哪些回答資訊不足、哪些敘事前後不一致、哪些片段可能經過美化，據以決定需要追問的方向。它比較像醫療檢驗儀器。數值異常或出現紅字，只是提示醫師進一步檢查，不能單獨作為診斷結論。

現在很多組織把AI用在履歷篩選、JD生成、面試摘要，或作為面試練習的工具，這些都沒有問題，但大多還停留在行政效率。真正的突破，是從AI履歷篩選、初步非同步面試、工作模擬測評，到決定找誰進入真人面試，形成一條龍的輔助判斷流程。人在前端，先定義任務、能力、風險與紅線；AI在中段，當雷達，不當裁判，負責標出資訊不足、角色模糊、前後不一致、敘事過度漂亮與需要查證的地方；人再回到後段，判斷什麼訊號只是緊張，什麼訊號值得追問，要做更深入的background check，什麼回答看似不標準，卻可能是稀缺人才的特例。前段用AI避免引狼入室，後段用人避免遺珠之憾 。

這也說明，為什麼最懂AI的公司，仍然用高薪招聘策略型recruiter。OpenAI近期開出的Principal Recruiter, Strategic AI Talent，年薪216K到240K美元，外加股票；這個角色要嵌入研究組織、判斷市場往哪裡移動、建立頂尖人才與競爭對手情報、把weak signals轉成可行動建議，並處理高度客製化的招募策略。另一個AI/ML Research Recruiter也寫到，要定義hiring priorities、形塑search strategy、影響求職者評估、leveling、compensation strategy與hiring decisions。絕不是那種只看履歷、約面試、做初步面談的recruiters，這些任務幾乎可以由AI完全接手。

OpenAI願意高薪延攬的，是能把AI訊號、人際線索、市場情報與組織需求整合起來的in-house高階recruiter。例如不高、不快、頭又大的NBA總冠軍紐約尼克隊王牌控球後衛Jalen Brunson。這個讓AI來評分，可能會跟達拉斯獨行俠球團判斷一致，拒絕了他主動提出的提前續約要求。而尼克隊以Brunson為核心，透過精準交易迎來「Villanova 大學幫」的默契隊友，並補進防守前峰阿努諾比與全能中鋒唐斯，再搭配Brunson主動降薪釋放薪資空間，完成這套攻守兼備的鐵血冠軍布局。應該就是OpenAI或未來組織想要找的Recruiters。

Address

和平東路一段129號
Taipei
10610

Website

Alerts

Be the first to know and let us send you an email when 孫弘岳-人力資源管理的世界 posts news and promotions. Your email address will not be used for any other purpose, and you can unsubscribe at any time.

Contact The School

Send a message to 孫弘岳-人力資源管理的世界:

Shortcuts

Share

Category