O7-被 AI 面試的那一刻，候選人在想什麼？
年後的週一晚上，一位工作了十二年的資深工程師打開信箱，看到一封面試邀請。信裡說，第一關是「AI 視訊面試」：系統會出六個問題，每題有三十秒思考、九十秒回答，錄完就結束，三天內完成即可。
他在書房裡架好手機，對著螢幕講完了六題。整個過程沒有任何一個人出現，也沒有人回答他的提問。錄完之後，他想的不是自己表現得好不好，而是：「這些影片到底誰會看？還是根本沒有人看？」「我在業界做了十二年，他們連派一個人跟我聊二十分鐘都不願意？」
一週後，他收到第二關的邀請，但他已經接受了另一家公司的面談。那家公司的部門主管親自打電話給他。
同一時間，這家公司的人資長在季度會議上報告：導入 AI 面試之後，第一階段的篩選時間從三週縮短到五天。
兩個數字都是真的：效率提高了，一位好的候選人也流失了。問題在於，第二個數字通常不會出現在人資的報表裡。
數據說了什麼：雇主越來越用，候選人越來越不信
雇主端：AI 已經是招募的常態。 Korn Ferry 在 2025 年 10 月發布的《人才招募趨勢 2026》調查了 1,670 多位全球人才招募主管，84% 計畫在 2026 年使用 AI。有趣的是，同一份調查中，73% 的主管把「批判性思考」列為評估人才時最重要的能力，AI 相關技能只排第五。
候選人端：信任明顯落後。 Gartner 在 2025 年第一季調查了 2,918 位求職者：
- 只有 26% 相信 AI 會公平地評估他們。
- 32% 擔心 AI 會不公平地刷掉他們的申請。
- 25% 表示，如果雇主用 AI 評估申請，他們會比較不信任這家雇主。
- 另一份 Gartner 調查發現，62% 的求職者更可能應徵需要現場面試的職缺。
SHL 2025 年 10 月對 1,000 多位美國在職者的調查則直接問到 AI 面試：
- 74% 表示，如果被 AI 代理面試，會改變他們對這家公司的看法。其中 37% 會覺得公司冷漠、缺乏人味，只有 23% 會覺得公司創新。
- 56% 希望由人來審閱求職申請；58% 希望由人來評估工作表現、做職涯決定。
- 59% 認為 AI 讓偏誤變得更嚴重。
實驗研究也有類似的發現。 Langer 等人（2020）在一項 148 人的線上實驗中比較了高度自動化的面試與一般視訊面試。參與者認為自動化面試比較「一致」，但「社會臨場感」較低，也就是比較感覺不到有人在場；而這份臨場感的降低，又讓組織的吸引力跟著下降。研究者的結論是：使用科技輔助面試，雇主要在效率與應徵者反應之間做取捨。
這些數據有幾個限制要說清楚。Gartner 與 SHL 都是自填問卷（證據等級 B），而且 SHL 本身是人才測評廠商，Gartner 也提供人資顧問服務；SHL 的樣本只有美國。Langer 等人的研究是實驗（證據等級 A），但樣本小、情境是模擬的。它們都指向同一個方向，但不能直接套用到台灣的每一個產業。
候選人在意的，不只是結果
組織心理學研究「應徵者反應」已經三十多年。其中最常被引用的是 Gilliland（1993）的模型：候選人判斷一個甄選制度公不公平，不只看自己有沒有被錄取（結果正義），也看過程（程序正義）。他整理出十條程序規則，其中幾條，正好是 AI 面試最容易碰到的地方：
- 與工作相關： 評估的內容，看起來和這份工作有關嗎？候選人不知道 AI 在看什麼，就很難判斷。
- 有機會展現自己： 我有沒有機會把我會的東西說清楚？九十秒、不能追問、不能補充，對資深人才尤其不利。
- 說明與回饋： 有人告訴我評估的方式和結果嗎？
- 雙向溝通： 我能不能問問題？面對一個不會回答的螢幕，答案是不能。
- 人際對待： 我有沒有被尊重地對待？
後兩條常被稱為「互動正義」（Bies 與 Moag，1986）。開場那位工程師在意的，正是這一部分：不是 AI 判斷得準不準，而是整個過程讓他感覺不被當成一個人。
另一個角度是「信號理論」（Rynes，1991）。候選人對一家公司所知有限，於是把招募過程當成線索，推測在這家公司工作會是什麼樣子。一個沒有人出現的面試，傳出去的信號可能是：這家公司重視效率勝過重視人。SHL 調查中 37% 對 23% 的差距，可以從這個角度理解：多數人讀到的是「冷漠」，而不是「創新」。
這些不只是感受問題。應徵者反應的研究普遍發現，候選人覺得過程不公平時，接受錄取的意願、推薦這家公司的意願都會下降；在消費品產業，應徵者同時也是顧客。對資深或稀缺人才，他們通常同時有好幾個選擇，過程的體驗往往就是決定因素。
人資的兩難
這不表示人資不該用 AI。招募的規模和壓力是真實的：一個職缺可能有數百份履歷，一位招募專員要同時處理十幾個職缺。AI 能讓篩選更快、更一致；研究也顯示，標準化的評估在某些情況下，比憑印象的面試更公平。
真正的兩難有兩組：
- 效率與關係。 越早用 AI 取代人的接觸，越省時間，但候選人與公司的第一段關係，也就交給了機器。
- 規模與公平。 AI 讓每位候選人都被「同樣」對待，這是一種公平；但如果模型本身帶著歷史資料的偏誤，它會以同樣的方式、更大的規模重複這個偏誤。SHL 調查中 59% 的人認為 AI 讓偏誤更嚴重，不一定反映事實，卻反映了信任的狀態。
監管也在跟上。紐約市要求企業使用自動化招募工具前，必須進行偏誤稽核並告知候選人；歐盟 AI 法案則把用於招募與人員評估的 AI 列為高風險應用。台灣目前還沒有類似的專門規範，但有跨國業務的企業，已經需要面對這些要求。
還有一點常被忽略：人資在推動全公司導入 AI 的同時，自己也是 AI 的使用者。人資要求各部門對 AI 的決定負責、保留人的判斷，自己在招募上能不能做到同樣的事，會影響人資在組織裡的可信度。（見〈責任不能外包給演算法〉）
心理動力的解讀：被機器看，與把決定交給機器
以下是作者的觀點，而非上述研究的發現。
從候選人這一端看，求職本來就是一個容易感到被評價、被比較的處境。面對一個人，再緊張，至少還有被看見的可能：對方會點頭、會追問、會笑。面對一個只會錄影的螢幕，人被化約成一段影片和一組分數。這種被「物化」的感受，會引發防衛：有人變得冷淡、表演化，有人乾脆退出。這不一定是候選人太敏感，而是人對「被當成人」的基本需要。
從人資這一端看，把第一關交給 AI，除了效率，也可能有另一層吸引力：它減輕了做決定的負擔。淘汰數百個人並不輕鬆，而「是系統評分的」讓這件事變得比較容易承受。這是一種組織中常見的社會防衛：把焦慮交給制度或工具承接。它本身不是壞事，但如果因此沒有人真正為「誰被淘汰、為什麼」負責，就成了問題。
這兩端合起來看，AI 面試考驗的其實是人資自己的角色：在效率之外，人資願不願意繼續為招募中的人際關係與判斷負責。
怎麼做：用 AI 提高效率，用人守住信任
一、事先說明 AI 在哪裡、做什麼。 在邀請信裡寫清楚三件事：AI 在哪一關使用、它評估的是什麼、最後由誰做決定。例如：「第一關的影片會由系統整理重點，再由部門主管觀看後決定是否進入下一關。」一句話就能回答候選人最大的疑問：「到底有沒有人看？」如果公司讓候選人使用 AI 準備申請，也說清楚可以用到什麼程度。規則是雙向的，信任才會是雙向的。
二、關鍵決定由人做，並保留申訴的空間。 依風險決定 AI 的角色：整理資料、安排時間、初步分類，可以放手交給 AI；「淘汰」與「錄取」這兩個決定，要有一個具名的人負責。對資深、稀缺或管理職，建議第一次接觸就由人來做。同時提供一個簡單的申訴管道，讓覺得自己沒有機會展現的候選人，可以要求由人重新審閱。實際使用的人不會太多，但「有這個選項」本身就是一個公平的信號。
三、檢查偏誤，也追蹤候選人體驗。 招募的報表通常只看效率：篩選天數、面試數、到職率。導入 AI 之後，建議增加三類指標：
- 公平： 定期比較不同群體（性別、年齡、學校背景等）的通過率，發現異常就回頭檢查模型與題目。
- 體驗： 在每一關後做簡短問卷，問候選人是否理解評估方式、是否有機會展現自己。
- 流失： 追蹤在哪一關主動退出的候選人最多，尤其是資深與關鍵職缺。開場那位工程師，就應該出現在這份報表裡。
給人資與 OD 的提醒： 招募的 AI 導入，常常由招募團隊與系統廠商決定，很少問過用人主管和最近入職的員工。建議在導入前，請幾位新人與主管以候選人的身份完整走一遍流程，再一起檢討哪一個環節讓人最不舒服。人資把自己當成 AI 導入的第一個示範單位，後續要求其他部門時，也會更有說服力。
結語
對候選人來說，招募過程就是他們認識這家公司的第一窗。當第一個跟他們「對話」的是一個 AI，他們讀到的不只是一個工具，而是這家公司怎麼看待人。
AI 可以讓招募更快、更一致，這是真的。但公平感和信任，來自候選人知道發生了什麼、有機會展現自己、知道有人為決定負責。這三件事，都不是系統可以替人資做的。
留給你的問題： 如果你自己去應徵，會希望哪一個環節是由人來做？
延伸閱讀
參考文獻
- Gartner (2025, July 31). Gartner survey shows just 26% of job applicants trust AI will fairly evaluate them. https://www.gartner.com/en/newsroom/press-releases/2025-07-31-gartner-survey-shows-just-26-percent-of-job-applicants-trust-ai-will-fairly-evaluate-them
- Korn Ferry (2025, October 28). Korn Ferry research unveils top talent acquisition trends shaping 2026. https://www.kornferry.com/about-us/press/korn-ferry-research-unveils-top-talent-acquisition-trends-shaping-2026
- SHL (2025, November 17). New research from SHL reveals a major AI trust gap in the workforce. https://www.shl.com/about/news-and-events/press-releases/new-research-from-shl-reveals-a-major-ai-trust-gap-in-the-workforce/
- Langer, M., König, C. J., Sanchez, D. R., & Samadi, S. (2020). Highly automated interviews: Applicant reactions and the organizational context. Journal of Managerial Psychology, 35(4), 301–314.
- Gilliland, S. W. (1993). The perceived fairness of selection systems: An organizational justice perspective. Academy of Management Review, 18(4), 694–734.
- Bies, R. J., & Moag, J. S. (1986). Interactional justice: Communication criteria of fairness. In R. J. Lewicki et al. (Eds.), Research on Negotiation in Organizations (Vol. 1, pp. 43–55). JAI Press.
- Rynes, S. L. (1991). Recruitment, job choice, and post-hire consequences. In M. D. Dunnette & L. M. Hough (Eds.), Handbook of Industrial and Organizational Psychology (2nd ed., Vol. 2, pp. 399–444). Consulting Psychologists Press.
慧培國際相關服務： 組織發展與變革。