作者 Tomas Chamorro-Premuzic（ManpowerGroup 創新長、UCL 與 Columbia 商業心理學教授）與 Reece Akhtar（Deeper Signals CEO）一開頭就承認：演算法挖你的聲音、履歷、照片來決定你能否被列入考慮——聽起來很令人不安。但他們的論點是：或許沒你想像的那麼可怕。

為什麼需要新工具#

美國同時有約 600 萬求職者與 800 萬職缺，全球 LinkedIn 上 10 億最高素質的人才中，估計有 70% 會考慮其他工作。傳統招募過度看硬技能、忽略軟技能、用充滿偏誤的非結構化面試決定誰錄取。

人才識別本來就不效率，且預測性評估與資料工具被嚴重低度使用。

數位面試 + 結構化的力量#

非結構化面試的最大問題之一，是把問題交給面試官的「興致」。研究顯示這既無效率又會放大確認偏誤（confirmation bias）。

• 影像/數位面試可幾乎完全消除這個限制：用 generative AI 製作高度結構化的面試體驗，每位候選人面對同一組問題、同樣的展現機會。
• 結構化提升預測效度與公平性。

AI 能從面試影像挖出什麼#

但即使影像面試公平，評估者還是有偏誤的人。如果改由 AI/機器學習挖掘影像？AI 可以分析：

• 語音特徵：音高、音量、強度
• 肢體：手勢、姿態
• 表情：快樂、驚訝、憤怒
• 內容與表達方式

研究顯示這些訊號可準確預測性格剖面（職務表現的主要預測因子之一），也可預測溝通能力、說服力、抗壓性、領導力等。甚至有研究從 CEO 在法說會的語氣中量化情緒，準確預測公司未來財務表現。

這聽起來像神奇，但其實人類本來就能從「行為的薄切片（thin slices）」準確判斷個性與智力。AI 只是用同一組訊號——差別是它能擴展、自動化，且沒有自我（ego）需要被照顧。

為什麼這還沒被普及？#

許多採用數位面試的組織並沒有真正啟用 AI 分析，因為招募官不願接受演算法的建議，繼續仰賴自己天真的判斷。這同時傷害候選人與組織。

但作者強調：

• 不應全部交給 AI。永遠需要人類監督。
• 重點是讓人類決策被準確、有效的資料告知與形塑。
• AI 可以分析軟技能、技術能力、表情、語氣、肢體，整合成一份候選人剖面，主管再做最終決定。

法律與倫理面#

AI 系統會學到訓練資料中的偏誤。紐約、加州、歐盟已陸續推出新法規，要求公司關注訓練方式與定期偏誤稽核。

要遵守的原則：

• 告知與同意（opt-in）：候選人應被完整說明使用了什麼技術，並主動同意。
• 資料保護：所有敏感資料完整保護。
• 流程透明。
• 資料所有權：候選人應擁有自己的資料與評估結果，可選擇分享給特定招募官或不分享。

三個讓對的工具配對對的流程的策略（補充框）#

1. 採用結構化、標準化做法#

• 對所有候選人用同一組預先決定的問題與條件
• 採用招募評分卡（hiring scorecard）
• 客觀評估，最小化個人偏誤的影響

2. 善用預測性評估與分析#

• 認知能力測驗、人格評估等經科學驗證的工具
• AI 影像分析提供軟技能客觀洞察
• 識別模式、預測成功，讓決策少靠主觀判斷

3. 持續訓練以降低偏誤#

• 工作坊、網路研討會、產業會議讓主管掌握最新工具
• 偏誤訓練 + 招募流程定期稽核
• 確保 AI 工具用多元資料集訓練、定期稽核