企業導入 AI 於人力資源與員工職涯管理：風險暨政策建議

2026企業人力資源藍圖

Table of Contents

企業導入 AI 於人力資源與員工職涯管理：風險暨政策建議

一句話總結： AI 已是人力資源（HR）的主流工具，但「幻覺、偏誤與誤判」是最大且最常被低估的風險。企業最務實的做法，是採取「人為把關（human-in-the-loop）＋分階段導入＋全員 AI 素養」三大支柱，並針對招募、績效、資遣等高風險決策保留人為最終判斷。

核心結論

1. AI 已成 HR 主流，但「幻覺與偏誤」是最被低估的風險。 根據顧問公司 Gartner 的資料，截至 2025 年初，已有約六成 HR 主管進入生成式 AI 的進階導入階段（2023 年僅約二成），且多數企業計畫在一年內部署「代理式 AI（agentic AI）」。但同一份來自 Gartner 2025 年 10 月 8 日新聞稿（基於 2025 年 8 月對 114 位 HR 領導者的調查）卻指出：只有 8% 的 HR 領導者相信自家主管具備有效運用 AI 的能力。 從 Amazon 招募 AI 歧視女性、iTutorGroup 因 AI 年齡歧視賠償 36.5 萬美元，到 Klarna 以 AI 取代約 700 名客服後被迫回聘，真實的損失案例已大量浮現。

2. 法規正在快速收緊，而且有「域外效力」。 歐盟《AI 法案》（EU AI Act）把 HR 用途的 AI 列為「高風險」；美國紐約市第 144 號地方法（Local Law 144）、加州公平就業與住宅法（FEHA）自動化決策新規（2025 年 10 月 1 日生效）、伊利諾州與科羅拉多州的立法，都要求偏誤稽核、人為監督與透明告知。企業若沒有治理框架，恐面臨集體訴訟（例如 Mobley 訴 Workday 的全國集體訴訟）與品牌商譽損失。

3. 建議採「人為把關＋分階段導入＋全員 AI 素養」三支柱框架。 以員工職涯七階段為主軸設計治理機制。高風險決策（招募篩選、績效、資遣）必須保留人為最終判斷與偏誤稽核；同時針對中高齡員工與接班人才投資再培訓，避免數位落差持續擴大。

一、為什麼說 AI 在 HR 的「幻覺與偏誤」是最大風險？

採用率很高，但「規模化」與「實際價值」之間的落差很大

麥肯錫（McKinsey）《2025 年 AI 現況》調查指出，88% 的組織已在至少一項職能使用 AI（高於 2024 年的 78%），但近三分之二仍停留在實驗或試行階段，只有約三分之一真正在企業層級規模化導入；其中僅約 6% 屬於「AI 高績效者」（將超過 5% 的 EBIT 歸因於 AI）。Gartner 則預測，到 2030 年，現行 HR 活動中約有一半將由 AI 自動化或由 AI 代理執行。

這代表一個關鍵事實：大多數企業「用了 AI」，但很少有企業真正「用得好」。 而在用得不好的灰色地帶，幻覺與偏誤所造成的傷害，往往直接落在求職者與員工身上。

生成式 AI 的幻覺與錯誤率，在高風險 HR 決策中是實質危害

業界基準測試顯示，頂尖模型在「有依據的摘要任務」中幻覺率約 0.7%–1.5%，但在複雜推理與開放式事實回憶任務中可超過 33%。

哥倫比亞大學陶氏數位新聞中心（Tow Center for Digital Journalism）的研究〈AI 搜尋有引用問題（AI Search Has a Citation Problem）〉（2025 年 3 月 6 日發表於《哥倫比亞新聞評論》，測試 8 款工具、每款各測 200 次、共 1,600 次查詢）發現：逾 60% 的回答錯誤，其中 Perplexity 錯誤率 37%、ChatGPT Search 67%、Grok-3 高達 94%。研究者特別指出，多數工具會「以驚人的自信」給出錯誤答案，鮮少使用「可能」「也許」等保留性措辭。

在實務層面，自動化軟體公司 Zapier 的「AI Workslop」調查（2026 年 1 月 14 日發布、由市調公司 Centiment 執行、訪問逾 1,100 名美國企業 AI 使用者）發現：員工平均每週花 4.5 小時——超過半個工作日——修改、更正甚至完全重做 AI 產出的內容，且 74% 的人曾因低品質 AI 輸出蒙受至少一項負面後果（包括成果被主管退件、資安事件、客訴等）。這就是所謂的「AI 糊弄工作（AI workslop）」：表面光鮮、實則缺乏實質內容與正確性的產出。

重點提醒： 上述 0.7%–94% 的數字來自不同任務、不同模型的基準測試，不可直接相互比較。但它們共同指向同一個結論：把高風險 HR 決策完全交給 AI，等於把企業暴露在難以預期的錯誤風險之中。

真實的偏誤與誤判案例，已造成法律與財務損失

Amazon 招募 AI（2014–2017 年開發、2018 年經路透社披露）。 Amazon 自 2014 年起開發以一至五星評分求職者的 AI 工具，因以過去十年（多為男性）的履歷訓練，學會降評含「women’s」字眼的履歷，以及兩所女子學院畢業生的履歷。工程師修正特定字眼後，仍無法確保系統在其他面向中立，公司於 2017 年放棄該專案。

EEOC 訴 iTutorGroup（2023 年和解）。 補教業者 iTutorGroup 的軟體被設定為自動拒絕 55 歲以上女性與 60 歲以上男性申請者，篩除逾 200 名合格申請者。引爆點是一名申請者以較晚的出生日期重新投遞後，竟立刻獲得面試。最終 iTutorGroup 賠償 36.5 萬美元並簽訂五年同意判決。這是美國平等就業機會委員會（EEOC）首宗與 AI 相關的歧視和解案。

Mobley 訴 Workday（進行中）。 原告 Derek Mobley（非裔、患有焦慮與憂鬱、年逾 40 歲）投遞逾 100 份申請均遭拒，主張 Workday 的 AI 推薦系統造成種族、年齡與身心障礙歧視。2025 年 5 月 16 日，北加州地院法官 Rita Lin 准予 ADEA（年齡歧視）條件式集體認證。Workday 在訴訟中披露，相關期間共有約「11 億份申請遭拒」，潛在集體成員可能高達數億人。法院認定 Workday 可能以雇主「代理人」身分負責。Workday 是市占極高的 HR 管理服務商，服務逾一萬家企業客戶，涵蓋眾多財星 500 大企業。

Harper 訴 Sirius XM（進行中）。 原告 Arshon Harper 主張其約 150 份申請遭 AI 工具拒絕，違反《民權法》第七章。

HireVue 臉部分析爭議。 2019 年 11 月，美國電子隱私資訊中心（EPIC）向聯邦貿易委員會（FTC）投訴 HireVue 的 AI 影片面試臉部分析「未經證實、具侵入性且易產生偏誤」。HireVue 於 2021 年 1 月宣布停止在評估模型中使用視覺分析。第三方稽核機構 ORCAA（由 Cathy O’Neil 創辦）稱該評估「在公平與偏誤議題上如其宣稱般運作」，但布魯金斯學會研究員 Alex Engler 批評 HireVue 誇大稽核範圍、屬於「倫理漂白（ethics washing）」。這場爭議凸顯了一個容易被忽略的事實：第三方稽核本身也有局限，不能照單全收。

二、員工職涯七階段風險地圖

把 AI 風險拆解到員工職涯的每一個階段，是企業最容易上手的盤點方式。以下逐一說明各階段的 AI 應用與對應風險，台灣常見的選用育留說法，我們延伸為吸引（Attract）、招募（Recruit）、入職（Onboard）、參與／敬業（Engage）、績效（Perform），發展（Develop）以及留才／離職（Retain／Offboard）等員工職涯七階段來談各階段風險。

image 10
企業導入 AI 於人力資源與員工職涯管理：風險暨政策建議 4

階段一：吸引（Attract）

我們都知道，AI 用於精準投放職缺廣告、撰寫雇主品牌內容、很多企業也以聊天機器人做初步客服互動。風險在於演算法投放可能造成「代理歧視（proxy discrimination）」：例如演算法因為向女性投放廣告的成本較高，而較少向女性展示理工（STEM）職缺廣告。歐盟《AI 法案》已明確把「投放目標式職缺廣告」納入高風險範疇。數位行銷領域如此，同樣地，投放求才廣告的企業，是否也會有這樣代理歧視？代理歧視在曝光階段就造成謬誤，是否把少數有價值的目標對象錯失良機，形成漏網之魚，值得企業深思。

階段二：招募（Recruit）——風險最集中的階段

這個階段集合了前述 Amazon、iTutorGroup、Mobley 、Workday、Harper 、 Sirius XM與HireVue 等所有指標性案例（細節見前一章與引用文獻）。共通點很清楚：當 AI 直接決定「誰被刷掉」，而且背後的訓練資料帶有歷史偏誤時，歧視就會被自動化、規模化。 這也是各國法規最先盯上的環節，也是不帶感性的AI很容易招致風險，建議企業人資在此要特別把關，而且會跟道德、法律有所抵觸，就像案例中提到，屢次招募不上的應徵者，發揮人類的思考模式，修正自己年齡之後居然被錄取，背後的AI系統除了被狠狠打臉，公司也得蒙受道德與法律的指責懲罰。

階段三：入職（Onboard）

AI 用於自動化文件處理、入職問答機器人、個人化學習路徑。風險在於：檢索增強生成（RAG）機器人在缺乏資料時仍可能「幻覺」生成錯誤的政策資訊。日本案例顯示，入職流程導入 AI 可節省約 53% 的時間（約相當於 1.8 萬美元成本），這是因為AI擅長就是具備流程或邏輯，如常見公司規範、法規查詢與訓練，許多企業也導入社群機器人擔任以上角色，但建議還是需要人為稽核把關，以免誤導新進員工或AI洩露營業秘密或回答錯誤訊息。

階段四：參與／敬業（Engage）

AI 用於脈動式問卷（pulse survey）、情緒分析、離職風險預測。IBM 的 AskHR 在 2024 年處理逾 1,150 萬次互動、收集 55,100 筆使用者回饋、淨推薦值（NPS）達 +74。在看似可以讓AI發揮綜效之處，但風險在於「演算法管理（algorithmic management）」的侵入性。經濟合作暨發展組織（OECD）2025 年報告〈職場中的演算法管理有多普遍？〉（調查 6,047 名中階主管、逾 6,000 家公司）指出，使用演算法管理工具的比例在美國高達 90%、受訪的歐洲四國平均 79%（法 81%、德 78%、義 76%、西 78%）、日本 40%；近三分之二（64%）的使用者對其可信度存疑，最常見的疑慮是「問責歸屬不明確」，這可能侵蝕員工的自主性與尊嚴。

階段五：績效（Perform）

AI 用於草擬績效評估、彙整生產力數據、提供即時回饋，尤其涉及薪酬績效重新規劃優化。請注意這是風險最高的環節之一。 AI 的黑箱評分若以帶有歷史偏誤的資料為基礎，可能導致不當的績效改善計畫（PIP）、降薪甚至錯誤資遣。歐盟《AI 法案》已將「彙整生產力數據並向 HR 提出行動建議旗標」的工具列為高風險，美國法律界也已將「演算法錯誤導致的不當解僱」視為新興訴訟領域，筆者最近也發現許多企業績效改善計畫（PIP）使用AI規劃時，強力的手段，甚至導致員工被資遣，很容易被視為霸凌或不法侵害，必須留意。

階段六：發展（Develop）

AI 用於技能落差分析、個人化學習推薦、內部人才市集（Internal Talent Marketplace, ITM）。風險在於技能推論的準確性，以及「去技能化（de-skilling）」現象——OECD 在製造業與金融業的案例中，記錄到員工因為只操作直覺式系統、不再運用自身判斷，而逐漸喪失專業能力，運用AI在工作，固然協助員工縮短思考時間，但很容易造成依賴性，需要加以留意。

階段七：留才／離職（Retain／Offboard）

AI 用於離職風險預測、留任介入、資遣名單建議。最高風險在於以 AI 驅動的大規模資遣決策。 Klarna 與 IBM 的案例顯示，「全面取代」策略隱藏著龐大成本——回聘、重訓、品牌與客戶滿意度的損失，往往超過原本省下的費用（詳見下一章）。Gartner 也提醒，2025 年多數的裁員其實與 AI 無關，而與政府預算削減和經濟調整有關，企業不應把裁員歸因或推託給 AI。

三、以 AI 取代人力的資遣決策，為何面臨挑戰？

Klarna：最高調的「AI 取代人力」實驗，也最高調地走了回頭路

瑞典金融科技公司 Klarna 在 2024 年 2 月宣稱，其 OpenAI 驅動的 AI 聊天機器人在上線一個月內處理了約 230 萬次對話、相當於 700 名客服的工作量，並承擔了約三分之二的客服對話。

但結果並不如預期。執行長 Sebastian Siemiatkowski 後來向彭博（Bloomberg）坦承，公司「高估了 AI 的能力、低估了服務交付中的人性面向（overestimated AI’s capabilities and underappreciated the human aspects of service delivery）」。他公開表示，這段期間公司員工數約減少 22%、降至約 3,500 人（主要因自然流失），而 2025 年起，Klarna 已重新招募人力，並強調「無論如何，客戶都應該有與真人對話的選擇」。

IBM：用 AI 取代部分 HR，但整體員工數不減反增

IBM 執行長 Arvind Krishna 證實，AI 已取代數百名 HR 員工，但公司整體員工數不減反增——省下來的人力被轉投到軟體工程、行銷與業務等部門。這正是 IBM 反覆強調的原則：「轉型而非轉移（transform, not transfer）」，把 AI 省下的資源重新投入到更具價值的工作。

四、全球法規與訴訟全景

美國聯邦層級

EEOC 已將 AI／自動化系統納入《民權法》第七章、《美國身心障礙者法》（ADA）、《就業年齡歧視法》（ADEA）的執法範圍；FTC 也已表態關注。

紐約市第 144 號地方法（Local Law 144，2023 年 7 月 5 日起執法）

要求使用「自動化僱用決策工具（AEDT）」的雇主，每年進行獨立偏誤稽核、公開摘要，並提前告知求職者。罰則為每次違規 500 至 1,500 美元。紐約州審計長於 2025 年底的報告中批評目前執法「成效不彰」，預示未來將加強執法力道。

加州 FEHA 自動化決策系統規則（2025 年 10 月 1 日生效）

適用於 5 人以上的雇主；將歧視責任延伸至「代理人」（包含 AI 供應商）；要求紀錄保存期由 2 年延長為 4 年；偏誤測試可作為雇主的抗辯證據（反之，缺乏測試則可能成為原告的有利證據）。此外，醞釀中的 SB 7「禁止機器人老闆（No Robo Bosses）」法案，將進一步要求人為複審與告知。

伊利諾州

《AI 影片面試法》（AIVIA，820 ILCS 42/，2020 年 1 月 1 日生效）是全美首部規範 AI 招募的法律，要求事前告知、解釋 AI 如何運作、取得同意，並於申請者要求後 30 天內刪除影片。2024 年修正的《人權法》（HB 3773，2024 年 8 月 9 日簽署、2026 年 1 月 1 日生效）禁止 AI 在「招募到解僱」的全流程中造成歧視、禁止以郵遞區號作為受保護類別的代理變項，並要求告知——但不要求偏誤稽核。

歐盟《AI 法案》（EU AI Act）

把 HR 用途的 AI 列為高風險，要求風險管理、資料治理、人為監督，以及對員工與工會的透明告知。高風險義務原訂於 2026 年 8 月全面適用，但在「數位綜合包（Digital Omnibus）」的討論中，可能延後至 2027 年 12 月或 2028 年 8 月。

其他州

科羅拉多州《AI 法案》（原訂 2026 年生效，涵蓋高風險 AI 系統的影響評估）；紐澤西州等也陸續跟進。

五、風險治理與緩解：高績效企業做對了什麼？

麥肯錫指出，AI 高績效企業以「人為把關」驗證流程管理風險的比例，明顯高於其他企業。建議企業採用美國國家標準暨技術研究院（NIST）的 AI 風險管理框架；針對高風險 HR 決策，務必保留人為最終判斷、進行偏誤稽核、做好紀錄保存，並確保可解釋性。技術上，檢索增強生成（RAG）在許多情境下可有效降低幻覺發生率（不同研究的降幅約在 40%–71% 之間，視應用情境而定）。

六、跨產業、跨職務的導入規劃與教育訓練

各產業的導入藍圖差異

不同產業的 AI 導入步調差距明顯，製造、金融、科技領先，公部門與傳統產業則相對落後。

  • 製造業： AI 集中於瑕疵檢測與生產排程；HR 端則應用於缺工緩解與技能重塑。台灣資策會產業情報研究所（MIC）調查顯示，製造業導入生成式 AI 的意願約 22%。
  • 金融保險業： 採用領先（台灣約 25%）；HR 端應用於法遵與履歷篩選，但高度受監理約束。
  • 科技業： IBM 的 AskHR 是標竿案例，自動化逾 80 項 HR 任務、四年內 HR 營運成本下降 40%、可處理 94% 的常見問題，並貢獻了 IBM 2024 年 35 億美元生產力節省的一部分。
  • 服務業： Klarna 的客服取代與回聘是警示案例；最終勝出的是「混合模式」——AI 處理例行事務、真人處理複雜與帶有情緒的需求。
  • 醫療業： 高風險、高法遵；AI 招募須格外謹慎（紐約大學朗格尼醫學中心曾要求醫療業豁免於 LL144）。
  • 教育與公部門： 採用相對落後；新加坡與多國政府正以 AI 素養培訓主動填補落差。

各國最佳實務與政府計畫

  • 新加坡 SkillsFuture： 對 40 歲以上者提供高達 90% 的「中職涯強化補貼（MCES）」；「技能未來企業額度（SFEC）」提供企業一次性 1 萬新元額度。結構化的 AI 培訓可讓技術採用速度加快 30%–40%。
  • 聯合利華（Unilever）： 自 2016 年起與 Pymetrics、HireVue、Amberjack 合作，早期領袖計畫每年從約 25 萬份申請中選出約 800 人，招募時程縮短約 90%（由四個月降至四週）、每年節省約 5 萬小時與逾 100 萬英鎊成本、多元性提升 16%、流程完成率達 96%。關鍵在於：AI 只決定誰能進入評估中心，不決定誰獲錄取（人為做最終決定）；HireVue 也已於 2021 年停用臉部分析。
  • IBM： 奉行「消除、簡化、自動化」與「轉型而非轉移」原則，採分階段導入（從小痛點起步，而非一次性大爆炸）。
  • 世界經濟論壇（WEF）「再技能化革命（Reskilling Revolution）」： 目標在 2030 年前為 10 億人提供更好的教育與技能。
  • 日本： 為因應勞動力短缺，富士通推動自發式工作流動與全組織 AI 技能藍圖；公共就業服務「Hello Work」也導入 AI 強化媒合。
  • 韓國： 經濟社會勞動委員會於 2025 年初設立「AI 與勞動研究會」；2025 年通過《AI 基本法》（2026 年實施）。

變革管理與導入後評估

Gartner 指出，「調整營運模式」對 AI 生產力提升的預測影響最大（約 29%），甚至超越知識分享、接受度或技能本身；但僅 14% 的組織有提供主管「如何把生成式 AI 整合進日常工作」的支援。麥肯錫則指出，有投資再培訓的組織，達成 AI 正面成果的可能性高出約 2.5 倍。 WEF 也指出，內部再培訓的成本比外部招募約低 30%。

七、中高齡員工與儲備人才的未來能力趨勢

中高齡員工受到的衝擊最大

OECD《2025 就業展望》以高齡勞動力為主題，指出老年扶養比將達到空前高點，若不調整政策，多數 OECD 國家的人均 GDP 成長將顯著放緩。AI 對缺乏高等教育者、女性與高齡工作者的風險最大——他們較難取得與 AI 相關的就業機會與生產力工具。低技能工作（文書、製造、基礎客服）最容易被自動化，而這些工作者再培訓與轉換產業的門檻又特別高。新加坡 MCES 對 40 歲以上者提供 90% 補貼，正是針對這個缺口的對策，大多數國家面臨少子化跟高齡化趨勢下，中高齡員工延長退休與退休再就業的議題需要被重視。

儲備人才與未來核心職能

WEF《2025 未來就業報告》預估：2030 年前，至2030年，AI與自動化將導致全球職場核心技能需根本性轉型，屆時將創造 1.7 億個新職位、消失 9,200 萬個職位，淨增 7,800 萬個（淨成長約 7%）；39% 的核心技能將改變；63% 的雇主視技能落差為最大的轉型障礙；每 100 名工作者中有 59 名需要再培訓，其中 11 名恐怕無法獲得相應訓練。成長最快的技能是 AI 與大數據、網路與資安、技術素養；與此同時，分析思考、韌性、彈性、好奇心與終身學習等「人性技能」持續重要。

值得企業特別警惕的是：麥肯錫指出生成式 AI 正在壓縮入門級職位——有半數左右的組織表示生成式 AI 正在減少入門級職位的需求，而在 AI 高度運用的領域，如行政、客服等領域，早期職涯工作者的就業需求相對下降約 16%。當然這對「接班梯隊」也會構成結構性挑戰：意思是說，如果入門職位萎縮，未來中階與領導人才的培育管道就會出現斷層。

釋放員工潛能與創新

最理想的模式是「增強（augmentation）而非取代」：讓 AI 處理重複性的模式比對，人則專注於判斷、創意、同理與倫理。WEF 也主張走「人機協作」這條第三條路，因此，讓員工在職務上運用AI增強能力，人機協作模式將是避免人才的培育管道出現斷層的方法之一。

八、政策建議與導入框架

給企業 HR 決策者：三階段導入路徑

image 11
企業導入 AI 於人力資源與員工職涯管理：風險暨政策建議 5

第一階段（0–3 個月）：盤點與治理基線

  1. 盤點所有 HR 場景中使用的 AI／自動化工具（招募、績效、排班、資遣建議），建立 AEDT 清冊。
  2. 成立跨職能治理小組（HR、法務、資安、IT），採用 NIST AI 風險管理框架。
  3. 對所有高風險工具進行獨立偏誤稽核，並在律師—當事人特權的保護下進行與記錄。
    • 觸發調整的門檻： 若任一工具的選擇率影響比低於 0.80（即 EEOC 的「五分之四原則」），應立即暫停並修正。

第二階段（3–12 個月）：人為把關與分階段導入

  1. 高風險決策（招募最終篩選、績效評等、解僱）強制保留人為最終判斷，禁止全自動化。
  2. 從低風險、高痛點的場景起步（例如 HR 問答機器人），驗證後再規模化（IBM 模式），避免「大爆炸」式導入。
  3. 對員工與工會提前透明告知 AI 的使用，並提供申訴與人為複審管道（符合歐盟《AI 法案》與加州 SB 7「禁止機器人老闆」的趨勢）。

第三階段（持續進行）：全員 AI 素養與再培訓

  1. 建立分層的 AI 素養訓練（從基層到管理層），內容涵蓋實作演練、內部指引與同儕學習；優先補足主管的能力缺口（別忘了：僅 8% 的 HR 領導者認為主管具備能力）。
  2. 針對中高齡與低技能員工，設計專屬的再培訓路徑與數位輔導，避免數位落差持續擴大。
  3. 重新設計入門職位與接班梯隊，因應生成式 AI 壓抑入門級需求所帶來的結構性風險。
    • 觸發調整的門檻： 若導入後客戶滿意度（CSAT／NPS）、重複聯繫率或員工敬業度惡化（如 Klarna 案例），應立即回補人力並轉為混合模式。

給政府決策者

  1. 立法： 參考歐盟《AI 法案》的高風險分類、紐約市 LL144 的偏誤稽核、加州 FEHA 的代理人責任、伊利諾州 AIVIA 的告知同意，建立 HR AI 的高風險規範與透明告知義務。
  2. 補貼培訓： 仿效新加坡 SkillsFuture，對中高齡族群與中小企業提供高比例的 AI 培訓補貼。
  3. 公私協力： 建立國家級的再培訓生態系（WEF「再技能化革命」模式），強化公共就業服務的媒合功能。
  4. 治理能力： 台灣應補強企業端的「治理力」（這是相關調查中最弱的一環），推動可信任 AI 與法規遵循。

九、限制與注意事項

讀者在引用本報告數據時，請留意以下幾點：

  • 幻覺率數據因任務與模型而異。 本報告引用的 0.7%–94% 等數字來自不同的基準測試（摘要 vs. 開放式事實回憶 vs. 引用查核），不可直接相互比較；部分商業來源（如單一模型排名）的方法學未經同儕審查，引用時應審慎。
  • 裁員歸因須謹慎。 Gartner 指出 2025 年多數裁員與 AI 無關（多為政府削減與經濟因素）；「AI 裁員」的敘事常被企業當作託詞，也常被媒體誇大。
  • 顧問公司數據多為調查結果。 麥肯錫、Gartner、WEF 的數字屬於自陳調查或預測（含「將會」「預計」等未來式），並非既成事實；WEF 的就業淨增為情境推估。
  • 訴訟多為進行中。 Mobley 訴 Workday、Harper 訴 Sirius XM 等尚未終審判決，法律責任的邊界仍未確定；伊利諾 HB 3773 的實施細則截至 2026 年初仍為草案。
  • 第三方稽核有其局限。 HireVue／ORCAA 的爭議顯示，偏誤稽核可能被誇大或淪為「倫理漂白」，稽核的範圍、近期性與品質都須一併檢視。
  • 供應商行銷語言。 部分案例數據（如 Unilever、IBM 的各項百分比）來自供應商或案例研究的自述，宜視為「指示性」而非經獨立驗證的事實。
  • 各地區資料深度不一。 台灣、日、韓的 HR 專屬 AI 數據比歐美稀少，部分推論是以整體勞動市場研究（如 OECD 與 IMF 的相關報告）為基礎。

常見問題 Q&A

Q1：企業導入 AI 於 HR，最該優先防範的風險是什麼？

最該優先防範的是「自動化的偏誤與幻覺」。當 AI 直接決定招募篩選、績效評等或資遣名單時，若訓練資料帶有歷史偏誤，歧視就會被規模化（Amazon、iTutorGroup、Mobley 訴 Workday 都是實例）。最務實的防線是：對所有高風險決策保留人為最終判斷，並定期進行獨立偏誤稽核。

Q2：「人為把關（human-in-the-loop）」具體該怎麼做？

不是讓人「事後簽個名」，而是在關鍵決策點保留真正的人為審查權與否決權。實務上包括三件事：一、高風險決策（招募最終篩選、績效評等、解僱）禁止全自動化；二、提供員工申訴與人為複審管道；三、保留完整紀錄以利稽核與舉證。麥肯錫的資料顯示，AI 高績效企業採用這類驗證流程的比例明顯較高。

Q3：台灣企業面臨的法規風險，會受到歐美法規影響嗎？

會。歐盟《AI 法案》具有域外效力，只要產品或服務觸及歐盟市場就可能受規範；而與美國有業務往來的台灣企業，也可能間接受到紐約市 LL144、加州 FEHA 等規範的影響。更實際的是，這些國際規範正在成為「最佳實務」的參照標準，台灣企業及早建立偏誤稽核與透明告知機制，有助於降低未來的法遵與商譽風險。

Q4：用 AI 取代客服或基層人力，真的能省錢嗎？

不一定，而且常常適得其反。Klarna 是最著名的反例：它一度宣稱 AI 可做 700 名客服的工作，但因客戶滿意度下滑，2025 年起被迫重新招募人力。隱藏成本（回聘、重訓、品牌與客戶流失）往往超過表面省下的費用。相對地，IBM 採「轉型而非轉移」策略，把省下的人力轉投到更高價值的工作，整體員工數反而增加。結論是：混合模式（AI 處理例行、真人處理複雜與情緒）通常比全面取代更划算。

Q5：中高齡員工會不會被 AI 浪潮淘汰？企業該怎麼辦？

風險確實存在——OECD 指出 AI 對高齡、女性與低教育程度工作者的衝擊最大。但這不是宿命。新加坡對 40 歲以上者提供高達 90% 的培訓補貼，就是有效的對策。企業可比照辦理：為中高齡與低技能員工設計專屬的再培訓路徑與數位輔導，並重新設計入門職位與接班梯隊，避免因入門職位萎縮而造成未來人才斷層。

引用文獻與資料來源

以下為本文主要數據與案例的可查證來源。

  1. Gartner（2025 年 10 月 8 日）。〈Gartner Research Finds Only 8% of HR Leaders Believe Their Managers Have the Skills to Effectively Use AI〉。 https://www.gartner.com/en/newsroom/press-releases/2025-10-08-gartner-research-finds-only-8-percent-of-hr-leaders-believe-their-managers-have-the-skills-to-effectively-use-ai
  1. Gartner（2025 年 10 月 28 日）。〈Gartner Survey Shows 88% of HR Leaders Say Their Organizations Have Not Realized Significant Business Value from AI Tools〉。 https://www.gartner.com/en/newsroom/press-releases/2025-10-28-gartner-survey-shows-88-percent-of-hr-leaders-say-their-organizations-have-not-realized-significant-business-value-from-ai-tools
  1. McKinsey & Company（2025 年 11 月 5 日）。〈The State of AI in 2025: Agents, innovation, and transformation〉。 https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
  1. Jaźwińska, K. & Chandrasekar, A.（2025 年 3 月 6 日）。〈AI Search Has a Citation Problem〉。哥倫比亞新聞評論（Columbia Journalism Review）／陶氏數位新聞中心。 https://www.cjr.org/tow_center/we-compared-eight-ai-search-engines-theyre-all-bad-at-citing-news.php
  1. Nieman Journalism Lab（2025 年 3 月）。〈AI search engines fail to produce accurate citations in over 60% of tests〉。 https://www.niemanlab.org/2025/03/ai-search-engines-fail-to-produce-accurate-citations-in-over-60-of-tests-according-to-new-tow-center-study/
  1. Zapier（2026 年 1 月 14 日）。〈Zapier Survey Finds Workers Spend 4.5 Hours Per Week Cleaning Up AI Mistakes〉（由 Centiment 執行，2025 年 11 月 13–14 日調查，逾 1,100 名美國企業 AI 使用者）。 https://zapier.com/blog/ai-workslop/ https://www.globenewswire.com/news-release/2026/01/14/3218545/0/en/Zapier-Survey-Finds-Workers-Spend-4-5-Hours-Per-Week-Cleaning-Up-AI-Mistakes.html
  1. Dastin, J.（2018 年 10 月）。〈Amazon scraps secret AI recruiting tool that showed bias against women〉。路透社（Reuters）。 （經 CNBC、MIT Technology Review 等轉載：https://www.cnbc.com/2018/10/10/amazon-scraps-a-secret-ai-recruiting-tool-that-showed-bias-against-women.html ）
  1. U.S. EEOC（2023 年 8 月 9 日）。〈iTutorGroup to Pay $365,000 to Settle EEOC Discriminatory Hiring Suit〉。 https://www.eeoc.gov/newsroom/itutorgroup-pay-365000-settle-eeoc-discriminatory-hiring-suit
  1. Mobley v. Workday, Inc., No. 3:23-cv-00770（N.D. Cal.）。Civil Rights Litigation Clearinghouse 案件紀錄；2025 年 5 月 16 日條件式集體認證。 https://clearinghouse.net/case/44074/ （「11 億份申請遭拒」之披露見 Proskauer〈Law and the Workplace〉：https://www.lawandtheworkplace.com/2025/06/ai-bias-lawsuit-against-workday-reaches-next-stage-as-court-grants-conditional-certification-of-adea-claim/ ）
  1. Klarna 案例：Entrepreneur（2025 年 5 月）〈Klarna Is Hiring Customer Service Agents After AI Couldn’t Cut It〉。 https://www.entrepreneur.com/business-news/klarna-ceo-reverses-course-by-hiring-more-humans-not-ai/491396 Fortune（2024 年 2 月 28 日）〈Klarna froze hiring because of AI. Now it says its chatbot does the work of 700 full-time staff〉。 https://fortune.com/europe/2024/02/28/klarna-ai-altered-hiring-chatbot-700-full-time-staff-openai/
  1. World Economic Forum（2025 年 1 月 8 日）。〈Future of Jobs Report 2025〉。 https://www.weforum.org/press/2025/01/future-of-jobs-report-2025-78-million-new-job-opportunities-by-2030-but-urgent-upskilling-needed-to-prepare-workforces/ 完整報告：https://reports.weforum.org/docs/WEF_Future_of_Jobs_Report_2025.pdf
  1. 加州 FEHA 自動化決策系統規則（2025 年 10 月 1 日生效）：Mayer Brown〈California Adopts New Employment AI Regulations Effective October 1, 2025〉。 https://www.mayerbrown.com/en/insights/publications/2025/08/california-adopts-new-employment-ai-regulations-effective-october-1-2025 Paul Hastings 對應分析：https://www.paulhastings.com/insights/client-alerts/new-california-regulations-on-employers-use-of-ai-to-make-decisions-go-into-effect-oct-1-2025
  1. OECD（2025）。《2025 就業展望（OECD Employment Outlook 2025）》；以及〈How widespread is algorithmic management in workplaces?〉（Milanez, Lemmens and Ruggiu）。 https://www.oecd.org/en/publications/oecd-employment-outlook-2025_
  1. 紐約市第 144 號地方法（Local Law 144）官方說明（DCWP）。 https://www.nyc.gov/site/dca/about/automated-employment-decision-tools.page
  1. 歐盟《AI 法案》（EU AI Act）官方資訊。 https://artificial-intelligence-act.eu/

編按（查證說明）： 本文已就上述各項主要數據與案例進行交叉查證，並修正了原始版本中關於 Klarna 的兩處數字（客服對話比例由「75%」修正為官方新聞稿所述之「約三分之二」；員工減幅以執行長公開引用之「約減 22%、降至約 3,500 人」為準）。部分屬於顧問公司預測或供應商自述的數據（如 61%／19%／82% 的 Gartner 採用率、IBM 與 Unilever 各項百分比），其性質為「指示性」而非經獨立驗證的事實，引用時請一併參閱第九章「限制與注意事項」。