中小企業AI篩履歷找不到人？關鍵職缺定義與流程診斷技巧

陳老闆的公司只有二十八人，技術職缺開了三個月，履歷收了兩百多封，AI篩選工具每天自動排序，寄出面談邀請十七人，最後卻一個都沒報到。他忍不住問：「AI篩履歷找不到人，到底是工具太差，還是我們開的條件有問題？」這樣的場景在台灣中小企業並不罕見。中小企業占全體企業約98%，就業人數占比約八成，是缺工問題最直接的承受者；多項招募調查也顯示，逾七成台灣企業反映招募困難，其中技術職與管理職缺最難補。問題往往不是AI不夠快，而是招募流程的源頭沒有定義清楚。

什麼是「AI篩履歷還是找不到人」？先看懂問題全貌

「AI篩履歷還是找不到人」不是單一工具失靈，而是招募流程多個環節同時鬆動的結果。近年的國際招募趨勢報告顯示，多數招募人員已在流程中使用AI輔助，但用途集中在履歷篩選與面談排程；同一時間，偏誤與透明度被列為導入AI最大的障礙。工具愈普及，源頭問題反而更容易被看見。

AI招募工具在台灣中小企業的實際使用樣貌

台灣中小企業導入AI招募工具，多半是直接採購通用型履歷篩選系統，或使用人力銀行內建的排序功能。由於缺乏專責人資與調校紀錄，關鍵字權重往往沿用預設值，導致「會寫關鍵字的人」排前面，實際能力相符的人反而被略過。

「篩得快」與「找得到人」是兩件不同的事

篩得快代表行政效率提升；找得到人代表選才決策正確。若職缺描述模糊、沒有職能模型、面談沒有結構，AI只會把錯誤條件執行得更徹底，這也是許多老闆覺得「AI明明有在用，缺人卻更嚴重」的原因。

缺人問題的三個層次：量不足、質不符、留不住

量不足是履歷來源太少；質不符是篩選標準失準；留不住是入職後制度與期待落差。三者常被混在一起談，但對應解法不同。若只換AI工具，通常只碰到篩選速度，碰不到定義與吸引力。關於制度缺口，可延伸閱讀中小企業招募與留才的制度缺口。

面向	導入前的期待	實際常見結果	落差來源
履歷處理速度	一天內完成兩百封排序	排序很快，但前二十名多為關鍵字堆砌	職缺條件只有形容詞
候選人品質	自動挑出高潛力人才	面談後發現能力與履歷不符	缺乏可驗證的職能訊號
面談到職率	邀請十人至少到職三人	邀請十七人，到職零人	雇主品牌與工作樣貌未揭露
招募成本	降低廣告與人工作業費	工具月費增加，重徵成本更高	錯誤錄取後重啟招募
用人主管滿意度	主管更快補到人	主管抱怨來的人都不能用	面談缺乏共同評分標準

誰最容易踩到這個坑？中小企業老闆與人資的真實處境

中小企業不是不知道AI好用，而是沒有足夠人力把AI「用對」。當公司只有一位人資，甚至由行政或老闆本人兼招募，工具再強也很難發揮。以下三種處境，是最常見的踩坑現場。

九成八企業是中小企業，卻只有極少數有完整人資編制

中小企業占台灣全體企業約98%，多數沒有獨立人資部門，招募、薪酬、訓練、勞健保常由同一人處理。在這種條件下，導入AI工具容易變成「多一個系統要顧」，而不是少一件工作。

一人人資兼招募、薪酬、訓練的日常

早上開職缺、下午約面談、月底算薪水、年中排訓練。當職缺定義不清楚，人資只能照主管說法刊登，AI也只能照模糊條件篩選，於是形成履歷很多、面談很少、到職更少的循環。

用人主管憑印象要人，人資只能被動配合

用人主管常說「我要一個積極進取、抗壓性高的人」，但沒有具體任務與產出。人資若沒有職能模型與面談題庫，只能被動配合。招募流程的起點若由印象主導，AI就只是把印象自動化。若要建立制度起點，可參考中小企業人資制度建置的起點。

檢核項目	常見狀態	風險等級	優先改善順序
職缺說明書	只有職稱與模糊形容詞	高	1
職能模型	完全沒有，或只有主管心中標準	高	2
面談題庫	每次面談問題都不一樣	高	3
評分表	沒有，或面談後才憑印象打分	中高	4
雇主品牌素材	只有制式職缺頁，沒有工作樣貌	中	5
AI工具調校紀錄	沒有紀錄，預設值用到現在	中	6

為什麼AI篩得快卻找不到人？四個真因一次拆解

AI可以快速處理大量履歷，但它無法自動理解企業真正要什麼。當輸入條件模糊，輸出結果就會偏離。以下四個真因，是中小企業招募流程最常出現的斷點。

真因一：職缺定義模糊，AI只能比對關鍵字

職缺描述若充斥「積極進取」、「抗壓性高」，AI只能依關鍵字權重排序。結果是履歷寫得漂亮的人排前面，真正有能力但履歷樸實的人被濾掉。

真因二：缺乏職能模型，面談流於感覺

職能模型是選才的地基。沒有職能模型，面試官只能憑好感與印象決定，不同人標準不一致，AI篩出的人也可能在面談階段被錯誤淘汰。

真因三：AI履歷篩選的關鍵字偏誤與資料偏誤

國際上曾發生大型電商企業開發AI招募工具，因對女性履歷降評而終止專案。若模型以過去錄取者資料訓練，就會複製既有偏誤。中小企業若直接套用通用工具，偏誤可能被放大。

真因四：雇主品牌薄弱，好人才不投履歷

求職者通常會先觀察公司對外資訊，再決定是否投遞。中小企業知名度低、工作樣貌揭露少，即使AI篩選效率高，履歷量本身不足，AI也無用武之地。

真因	表面症狀	常見誤判	正確切入點
職缺定義模糊	履歷很多，面談很少	以為是履歷量不夠	改寫可驗證的任務與產出
缺乏職能模型	主管覺得人都不對	以為是薪資太低	建立核心職能與行為指標
AI偏誤	特定學校或年資一直排前面	以為AI客觀不會偏	定期檢查分布與調整權重
雇主品牌薄弱	好人才不投履歷	以為是職缺曝光不足	透明揭露工作樣貌與成長機會

職缺定義模糊，AI再強也只能亂排序

職缺定義是招募流程的第一顆鈕扣。第一顆扣錯，後面全歪。當職缺只寫形容詞，AI只能猜；當職缺寫出任務與產出，AI才有可靠訊號可以排序。

「積極進取、抗壓性高」為什麼是無效條件

這些詞沒有行為標準，每個人解讀不同。面試官可能把「講話大聲」當成積極，把「不抱怨」當成抗壓。AI更無法判斷，只能比對履歷中是否出現相似詞彙，形成關鍵字競賽。

把形容詞改寫成可驗證的任務與產出

例如「文筆好」改為「每月獨立完成四篇技術文章」；「抗壓性高」改為「能在兩週內同時處理三件客戶客訴並完成結案報告」。任務、數量、工具與衡量指標愈具體，AI愈能正確比對。

職缺說明書的最小可行版本

最小版本不必厚，只要包含工作任務、每週產出、必備工具、必備技能、加分條件與衡量指標六欄。先從最難招募的一個職位開始，寫完後直接貼進職缺頁與AI篩選條件。

傳統做法：主管說要一個積極進取、抗壓性高、配合度好的人，人資只能照著刊登，再請AI篩履歷。

新做法：主管說明這個職位每月要獨立完成四篇技術文章，並支援兩場客戶說明會；人資把任務、產出數量與必備工具寫進職缺，AI就能依這些訊號排序，而不是依形容詞。

欄位	模糊寫法	可驗證寫法	AI可比對的訊號
工作任務	協助部門運作	每週更新生產排程並追蹤三條產線	排程、產線、週頻率
每週產出	產出報告	每週五前完成良率分析報告	良率、分析、截止日
必備工具	會用電腦	熟Excel樞紐分析與ERP庫存模組	Excel、ERP、樞紐分析
必備技能	溝通能力好	能主持跨部門會議並產出決議追蹤表	主持、跨部門、追蹤表
加分條件	有相關經驗佳	曾參與ISO 9001或精實生產專案	ISO 9001、精實生產
衡量指標	表現良好	良率提升2%、交期延誤少於3%	良率、交期、百分比

沒有職能模型，面談只能靠感覺

職能模型不是大公司專利，而是把「這個職位做好需要什麼」寫下來的過程。沒有它，面談就像沒有評分規準的考試，每個人打分標準都不同。

職能模型的三層結構：核心、專業、行為指標

核心職能是全公司共通的行為要求，例如當責與協作；專業職能是職位特定能力，例如製程改善或帳務處理；行為指標則把職能拆成可觀察的行為，例如「遇到異常時主動回報並提出兩個以上對策」。

必備與加分要分開，否則等於沒有標準

若把所有條件都列為必備，等於沒有優先順序。建議每個職位只留三到五項必備職能，其餘列為加分。AI篩選與面談評分都依這個順序運作，才不會把加分項當成淘汰項。

從最難招募的職位先做一個簡單版本

可先訪談高績效者與直屬主管，歸納關鍵行為差異。中小企業不必一次建全公司模型，先針對最難補的職位建立簡單版本，再逐步擴展到其他職位。

層級	內容	範例	面談對應題型
核心職能	全公司共通行為	當責、協作、客戶導向	行為事例題：請說一次主動承擔責任的經驗
專業職能	職位特定能力	製程改善、帳務處理、專案管理	情境題：若良率突然下降，會如何排查
行為指標	可觀察的具體行為	異常發生兩小時內回報並提出對策	追問題：當時的具體行動與結果是什麼
必備／加分標註	區分優先順序	必備三項、加分兩項	評分表依權重計分

AI招募偏誤從哪來？履歷篩選的三種偏誤類型

AI不會自動公平，它會學習資料中的歷史模式。若過去錄取者集中在特定學校、性別或年資，模型就會把這些特徵當成能力訊號。了解偏誤來源，才能設計檢查與調校機制。

訓練資料偏誤：模型複製過去錄取者的樣貌

若訓練資料本身有偏，模型輸出就會複製偏誤。國際電商企業的AI招募專案就是典型案例，系統學到女性履歷較不受青睞，進而對女性降評，最後專案終止。

標籤偏誤：把年資、學校當成能力代理指標

年資長不代表能力強，名校畢業也不保證適配。當AI把這些標籤當成能力代理，就會忽略實際作品、技能測驗與行為事例。中小企業若沒有調校，預設權重常會放大標籤偏誤。

代理變數偏誤：郵遞區號與社團經驗的隱形歧視

郵遞區號可能間接反映社經背景，社團經驗可能反映性別或階層，這些代理變數都會造成不公平。企業應定期檢查篩選結果分布，而不是只看最終錄取名單。

中小企業可執行的自我檢查

每季統計進入面談者的學校、性別、年資分布；若過度集中，就調整關鍵字權重，或改以技能測驗取代純履歷比對，並保留人為把關機制。

偏誤類型	形成原因	常見表徵	檢查與調校做法
訓練資料偏誤	以過去錄取者資料訓練	特定族群一直排前面	檢查訓練資料代表性，加入多元樣本
標籤偏誤	把年資、學校當能力指標	非名校或年資短者被降評	降低標籤權重，改看作品與測驗
代理變數偏誤	郵遞區號、社團間接歧視	特定地區或背景者被濾掉	移除代理變數，定期分布稽核
人為把關機制	完全交由AI決定錄取	錯誤決策無人發現	AI只做初篩，人資與主管結構化面談

雇主品牌薄弱，好人才根本不投履歷

招募有兩個引擎：吸引力與篩選力。AI能強化篩選力，卻無法代替吸引力。當履歷量不足，再準的AI也沒有東西可篩。

履歷量不足時，AI再準也沒有東西可篩

求職者會先搜尋公司資訊、員工評價與工作樣貌。中小企業若對外資訊稀少，求職者難以判斷好壞，投遞意願自然低。此時增加AI工具，只是讓少數履歷被更快排序。

中小企業的雇主品牌不是形象廣告，而是透明揭露

雇主品牌不等於拍形象影片，而是把真實工作樣貌說清楚：每天在做什麼、會遇到什麼挑戰、成長機會在哪、公司如何帶人。透明揭露會吸引價值觀相近的人，也會降低入職後的落差。

員工分享、實習計畫與在地合作的低成本做法

可邀請現有員工寫短文分享工作日常，與在地學校或職訓單位合作實習，並在職缺頁放入實際工作照片。這些做法成本低，卻能逐步擴大履歷來源。若企業正面臨重徵與留才問題，可一併檢視留才與制度缺口的關聯。

評分項目	一星狀態	三星狀態	五星狀態
職缺頁面完整度	只有職稱與薪資	有工作內容與條件	有任務、產出、工具與衡量指標
工作樣貌揭露	完全沒有	文字描述日常	照片、影片與員工心得
員工見證	沒有	一則制式推薦	多元角色分享成長歷程
成長機會說明	沒有	提到教育訓練	清楚說明晉升路徑與培訓地圖
在地連結	沒有	偶爾參加徵才	與學校、職訓、社群長期合作

怎麼做？重建招募流程的五個步驟

解決問題的順序很重要：先定義，再選才，最後才是工具調校與品牌經營。若順序顛倒，AI只會加速錯誤。以下五步驟可作為中小企業重建招募流程的行動骨架。

步驟一：重新定義職缺，寫出可驗證的任務與產出

把形容詞改為任務、數量、工具與指標。例如以「每月產出四篇技術文章」取代「文筆好」。職缺清楚，AI才能正確比對，人資也才能向主管確認期待。

步驟二：建立職能模型，區分必備與加分

針對關鍵職位列出核心職能、專業職能與行為指標，並標註必備與加分。面談題庫與評分表都從職能模型長出來，選才標準才能一致。

步驟三：結構化面談，統一評分標準

研究顯示，結構化面談的預測效度顯著高於非結構化面談。所有候選人問相同核心題目，依行為事例法追問情境、行動與結果，多位面試官獨立評分後再討論。

步驟四：調校AI工具，定期檢查偏誤

每季檢查篩選結果分布，確認沒有過度集中特定學校、性別或年資。必要時調整關鍵字權重，或改以技能測驗取代純履歷比對。AI負責初篩與排程，人負責判斷與決定。

步驟五：經營雇主品牌，讓好人才主動投履歷

在職缺頁與社群揭露公司文化、成長機會與實際工作樣貌。中小企業可從員工分享、實習計畫與在地合作開始，逐步建立吸引力，擴大履歷來源。

步驟	具體動作	產出文件	負責角色	完成指標
步驟一：職缺定義	改寫任務、產出、工具與指標	職缺說明書	用人主管＋人資	每個職缺都有六欄可驗證條件
步驟二：職能模型	訪談高績效者，歸納必備與加分	職能模型表	人資＋高績效員工	最難招募職位完成三到五項核心職能
步驟三：結構化面談	設計五到八題核心題庫與評分表	面談題庫與評分規準	人資＋面試官	所有候選人使用同一套題目與評分表
步驟四：AI調校	每季檢查篩選分布與關鍵字權重	AI調校紀錄表	人資＋工具供應商	面談名單分布無過度集中
步驟五：雇主品牌	揭露工作樣貌、員工分享與在地合作	雇主品牌素材庫	老闆＋人資＋行銷	履歷來源增加兩成以上

三種招募方法怎麼選？純AI篩選、技能導向、結構化面談比較

沒有單一方法能解決所有招募問題。純AI篩選適合大量初篩，技能導向招募適合技術與實務職，結構化面談適合管理職與關鍵職位。實務上應採混合式流程。

方法A：純AI履歷關鍵字篩選

優勢是速度快、成本低、可大量處理履歷；限制是易受關鍵字偏誤影響，無法判斷實際能力與文化適配，可能濾掉潛力人才。適合職缺量大、條件明確的初階職位。

方法B：技能導向招募搭配實作測試

以實際能力與作品取代學歷門檻，可降低AI關鍵字偏誤，也能讓非典型背景的人才被看見，但設計測試題與評分規準需投入時間。

方法C：結構化面談搭配職能模型

預測效度高、評分標準一致，可降低主觀偏誤，適合管理職與關鍵職位。限制是需先建構職能模型與題庫，面試官需訓練，導入時間較長。

混合式流程才是實務解

純AI決定錄取的做法逐漸被淘汰。AI負責初步篩選與排程，人資與用人主管負責結構化面談與文化適配判斷，兼顧效率與公平。

方法	優勢	限制	適用職類	導入成本
純AI篩選	速度快、成本低、可大量處理	易受關鍵字偏誤影響	初階、大量招募職缺	低
技能導向招募	以實際能力取代學歷包裝	設計測試題需時間	技術職、實務職	中
結構化面談	預測效度高、評分一致	需職能模型與面試官訓練	管理職、關鍵職位	中高

評分構面	純AI篩選	技能導向招募	結構化面談
速度	★★★★★	★★★	★★
成本	★★★★★	★★★	★★
預測效度	★★	★★★★	★★★★★
偏誤風險	高	中	低
候選人體驗	★★	★★★★	★★★★

哪些企業特別需要這樣做？適用對象與導入優先序

並非所有企業都需要一次導入完整制度。資源有限時，應依痛點與職缺難度決定優先序。技術職與管理職最難補，家族企業與快速擴編團隊則有特殊考量。

技術職與管理職缺最難補的中小企業

技術職需要可驗證技能，管理職需要職能與領導行為。這兩類職缺若只用關鍵字篩選，錯誤率最高。建議優先建立職能模型與技能測試，再調校AI權重。

家族企業與快速擴編團隊的特殊考量

家族企業常有人情與角色模糊問題，快速擴編團隊則容易出現標準不一致。兩者都需先把職缺定義與面談評分表建立起來，避免招募變成各部門各自為政。

只有一位人資也要能執行的精簡版

精簡版可從一個最難招募職位開始：寫一份職缺說明書、建一份三到五項職能模型、設計六題面談題庫與一張評分表。這四份文件就能讓AI與面談有共同依據。

企業型態	主要痛點	建議優先導入步驟	預期改善方向
技術職為主	履歷關鍵字與實際能力落差大	步驟一＋步驟二＋技能測試	面談到職率提升
管理職為主	面談憑印象，選才不穩定	步驟二＋步驟三	試用期不適任降低
家族企業	角色模糊、人情干擾	步驟一＋步驟三	招募標準透明化
快速擴編	各部門標準不一致	步驟三＋步驟四	跨部門選才一致
單人人資	時間不足、工具未調校	精簡版四文件	行政時間降低

導入行動計畫：30／60／90天落地清單

制度要落地，需要時間表與檢核點。以30／60／90天為節奏，可讓中小企業在不增加太多負擔的前提下，逐步改善招募流程。

前30天：盤點職缺與定義問題

列出目前所有開放職缺，標註哪些最難補、哪些重徵最多次。針對最難補的一個職位，完成職缺說明書改寫，並記錄目前AI篩選的關鍵字設定與篩選結果分布。

第31至60天：建立職能模型與面談題庫

訪談該職位高績效者與直屬主管，歸納三到五項核心職能與行為指標。設計五到八題結構化面談題目與評分表，並安排面試官共識會議，確認評分標準。

第61至90天：AI調校、雇主品牌與成效追蹤

依職能模型調整AI關鍵字權重，移除不必要的標籤條件。同步更新職缺頁面，加入工作樣貌與員工分享。每季追蹤面談到職率、試用期留存率與履歷來源分布，形成PDCA循環。

階段	關鍵任務	交付物	檢核指標	常見卡關
前30天	盤點職缺、改寫最難補職位	職缺說明書、AI設定紀錄	完成一份可驗證職缺	主管不願具體化條件
第31至60天	建職能模型、設計面談題庫	職能模型表、評分表	三到五項核心職能、六題題庫	高績效者訪談時間難安排
第61至90天	AI調校、雇主品牌、成效追蹤	調校紀錄、雇主品牌素材	面談到職率與留存率改善	跨部門追蹤未落實
維運期	每季PDCA檢視與更新	招募流程檢討報告	偏誤分布與選才品質穩定	制度文件未更新

常見問題：AI篩履歷找不到人的實務疑問

中小企業最常問的五個問題，整理如下，並提供可立即執行的方向。若企業正在重徵與留才之間循環，可先閱讀從招募到留才的完整制度檢視。

AI篩履歷為什麼還是找不到人？

常見原因包括職缺定義模糊、缺乏職能模型、面談未結構化、AI關鍵字偏誤，以及雇主品牌薄弱。AI只能依輸入條件篩選，若源頭條件不清，結果自然不準。建議先檢視職缺描述與職能標準，再調整AI工具設定。

中小企業招募沒有職能模型怎麼辦？

可先從關鍵職位著手，訪談高績效者與主管，歸納三到五項核心職能與行為指標。不必一次建構全公司模型，先針對最難招募的職位建立簡單版本，再逐步擴展。重點是讓面談有共同標準。

AI招募偏誤會不會讓履歷篩選漏掉好人才？

會。若模型以過去錄取者資料訓練，可能複製性別、學校或年資偏誤。建議定期檢查篩選結果分布，調整關鍵字權重，或改以技能測驗取代純履歷比對。人為把關仍不可少。

結構化面談對中小企業招募真的可行嗎？

可行。先設計五到八題核心題目，所有候選人問相同題目，依行為事例法追問，並用簡單評分表打分。多位面試官獨立評分後再討論，就能大幅降低主觀偏誤，不需要複雜工具。

雇主品牌對中小企業招募有什麼實際幫助？

雇主品牌能讓好人才主動投履歷，擴大來源、降低招募成本。中小企業可從職缺頁面揭露真實工作樣貌、員工分享、成長機會與在地合作著手。品牌不是大公司專利，真誠與透明就是吸引力。

本品牌（PersonaGruppe 薈豐頤和）的觀點

以PersonaGruppe（薈豐頤和）長期輔導中小企業建構人資制度的顧問視角來看，AI篩履歷找不到人的根源，多半不在工具本身，而在職缺定義與職能標準。工具可以加速流程，卻無法代替企業回答「我們到底要找什麼人」。

職能模型是招募與留才的共同地基。沒有職能模型，招募只能靠印象，留才也只能靠感覺。當策略、組織與人才一起看，招募就不只是補缺，而是組織能力布局的一部分。

若企業正卡在招募流程反覆重來，可從最難補的一個職位開始，透過EAS體質診斷與職能模型建置，把招募源頭一次理清。先定義清楚要找什麼人，工具才會有正確的輸出。

顧問階段	核心動作	對應招募改善環節	使用工具
診斷	盤點職缺、組織與人力現況	職缺定義、招募流程斷點	EAS九大循環、3-6-9體質診斷
設計	建立職能模型與選才規準	職能模型、面談結構化	人才職能模型、531策略地圖
落地	制度導入、面試官訓練與追蹤	AI調校、雇主品牌、PDCA維運	人資九大循環、5/8/9精實競爭力模型

結論：先把要找什麼人說清楚，再談用什麼工具篩

AI篩履歷找不到人，不是因為AI不夠強，而是因為招募源頭沒有定義清楚。職缺定義、職能模型、結構化面談、AI調校與雇主品牌五個環節必須同步著手，順序不能顛倒。先定義，再選才，最後才是工具與品牌。

五個環節同步著手，順序不能顛倒

職缺定義是起點，職能模型是標準，結構化面談是驗證，AI調校是優化，雇主品牌是吸引力。任何一環缺失，都會讓AI的輸出偏離真正需求。

從最難招募的一個職位開始

不要一次改全公司。選一個最難補、重徵最多次的職位，完成職缺說明書、職能模型、面談題庫與評分表。看到成效後，再複製到其他職位。

AI是加速器，不是決策者

AI可以處理大量履歷、排序與排程，但錄取決策仍應由人依結構化標準判斷。把AI放在對的位置，它才會成為招募助力，而不是偏誤放大器。

做法	短期效果	長期效果	風險
先換AI工具	履歷處理速度提升	錯誤決策加速，重徵成本增加	偏誤放大、候選人體驗下降
先改善職缺定義與職能模型	初期需投入時間	選才準度與留才率同步提升	需主管共識與持續維運

下一步行動：挑出公司目前最難招募的一個職位，用一頁表格寫下每月任務、每週產出、必備工具、必備技能、加分條件與衡量指標。接著訪談一位高績效員工，歸納三到五項核心職能，並設計六題結構化面談題目。完成後，再回頭檢查AI篩選條件是否與這些訊號一致。

延伸閱讀：若想進一步了解制度缺口如何影響留才，可閱讀中小企業每年重徵留不住人的制度原因；若企業正面臨組織與人資制度建置，可從招募與留才的完整制度檢視開始。