履歷寫得再好也沒用？當AI先看你一眼，空窗半年可能連面試都沒有

一份履歷，人資只看6到10秒，這是業界流傳多年的經驗法則。現在，連這6秒都可能省了。越來越多台灣大型企業導入AI履歷篩選系統，從金融業到科技業，機器先替人類「初審」，求職者還沒見到任何人，就已經被演算法判了出局。

問題來了。AI篩履歷的速度是人的百倍以上，但它讀不懂人生。

關鍵一:演算法看得懂關鍵字，看不懂故事。假設一位工程師因照顧生病父母離開職場8個月，履歷上這段空白在人類眼裡可能是一段可以理解的經歷，在AI眼裡卻常常只是一個扣分的「異常值」。多數篩選模型本質上是關鍵字比對與歷史錄取資料的模式複製，它假設「過去被錄取的人長什麼樣，未來該錄取的人就長什麼樣」。結果是:轉職者、中年失業者、育嬰留職停薪後復職的女性，成了演算法眼中最「不像好員工」的一群。這不是AI偏心，是資料本身就把社會既有的偏見原封不動搬了進來。學界稱之為演算法偏見，國外已有研究證實，某些招募AI會系統性壓低女性履歷的分數，因為它學習的歷史資料裡，工程師多半是男性。

關鍵二:黑箱篩選，沒有人知道自己為何被拒。傳統招募至少會告訴你「不錄用」，AI招募常常連拒絕都沒有，只是沉默。求職者無從知道自己是輸在經歷、年齡，還是一個空白欄位。更麻煩的是，連企業自己都可能說不清AI為什麼刷掉某個人。當決策過程無法解釋，申訴與修正的管道形同虛設。歐盟的AI法案已將招募AI列為高風險應用，要求可解釋性與人為審查；台灣目前對此幾乎沒有專門規範，求職者權益落在法律的縫隙裡。

關鍵三:效率的贏家是企業，風險的承擔者是個人。企業端的人力資源部門確實省下大量時間，履歷篩選成本大幅下降。但整個社會付的帳單是:人才配置變得僵化。空窗期、非典型職涯、自學者，這些履歷上「不規則」的人，往往是創新團隊最需要的多樣性來源。當所有企業都用同一套邏輯篩人，被淘汰的不是能力不足的人，而是長得不像模板的人。

那麼，正在求職的人能做什麼？求職專家普遍的建議是:別讓履歷留下讓機器誤讀的空白，空窗期也要寫上照顧、進修、接案等具體內容；履歷關鍵字要對準職缺描述，因為你先要通過機器這一關，才有機會說服人。

更根本的問題是制度面的:當篩選權交給機器，「演算法歧視」該由誰負責？企業用AI省下的成本，是否該換來更高的透明義務？在台灣還沒有答案之前，每一位求職者都在替這個尚未訂規則的時代，先付學費。