履歷先過AI這一關:台灣求職者投百封履歷石沉大海的真相

🔥 60秒速覽

一位在科技業待了八年的PM,今年初被資遣後投出一百多封履歷，收到的面試邀約是:零。問題可能不在他的資歷，而在他的履歷從未被人看過——包括104、1111等人力銀行與企業自建的ATS(Applicant Tracking System,求職者追蹤系統)早已成為第一道關卡，關鍵字不符，系統直接過濾。

💡 為什麼你該在乎

國際顧問業普遍估計，大型企業導入AI招募工具後，單一職缺收到的履歷動輒數百至上千封，人工閱讀率極低；多數研究指向同一個結論:高達七成以上的求職者在「機器初篩」階段就被淘汰，根本沒有機會見到人資。這不是台灣獨有現象，但台灣中小企業採用人力銀行系統內建的自動篩選與配對功能的比例逐年升高，求職者卻幾乎沒有被告知遊戲規則已經改變。

⚙️ 技術與商業解析:機器怎麼「讀」你的履歷

ATS的基本邏輯不複雜:把履歷拆成結構化欄位(學歷、年資、技能)，再比對職缺描述(JD)中的關鍵字。GPT類大型語言模型加入後，篩選從「關鍵字比對」升級為「語意配對」——系統能理解「供應鏈管理」和「SCM」是同一件事，理論上更聰明。

但商業邏輯才是關鍵。篩選服務對企業收費，賣的是「效率」:職缺開得越久，成本越高。系統被調校成寧可錯殺、不可放過，因為漏放一個不合格履歷給人資看的成本，遠大於錯殺一個好人才——後者沒有任何KPI會顯現。

篩選環節	誰在做	求職者可知
履歷格式解析	ATS系統	否
關鍵字/語意配對	AI模型	否
視訊面試評分	部分外商工具	不一定
最終決定	人資/主管	是

⚠️ 風險與質疑:2018年的教訓還在

Amazon在2018年承認廢棄自家的AI招募工具，原因是模型以歷史錄用資料訓練，系統性壓低女性履職者的評分——因為過去十年錄取的多是男性。這是演算法偏經典案例，至今未被徹底解決:只要訓練資料反映既有的招募偏見，AI就會把偏見放大並合法化。台灣的隱憂更實際:轉職者、跨領域者、中高齡求職者的履歷敘事往往「不標準」，恰好是語意配對最容易誤殺的一群。

🎯 台灣角度:三個務實對策

對求職者:履歷要對「機器」優化——職缺JD上的技能關鍵字必須原文出現在你的履歷；避免用表格、圖片排版，ATS解析失敗等於直接出局。

對企業主管:如果團隊一直「找不到人」，先檢查篩選條件是否設得過嚴。錯殺的成本，最後由部門的人力缺口承擔。

對監管:歐盟AI法案已將招募AI列為高風險應用，要求透明與人為審查。台灣尚無對應規範，求職者連「我被AI拒絕了」的知情權都沒有。

當投遞履歷變成對演算法的最佳化競賽，下一個問題是:企業最後錄到的，是最適合的人才，還是最會寫履歷的人？

---