HR Tech
當每個人都有 AI，
什麼才算人才？
AI 時代的人才定義正在改變。履歷、求職信、作品集與面試回答都更容易被包裝，傳統 signal 的判斷力下降；真正重要的，是能否在真實情境中定義問題、使用 AI、驗證結果並承擔判斷。
延伸看資料科學
AI 時代的人才定義正在改變。履歷、求職信、作品集與面試回答都更容易被包裝，傳統 signal 的判斷力下降；真正重要的，是能否在真實情境中定義問題、使用 AI、驗證結果並承擔判斷。
延伸看資料科學
過去招募依賴的許多訊號，建立在候選人無法低成本大量包裝自己的前提上。履歷反映經歷，求職信反映文字能力，作業反映思考過程，面試回答反映準備程度。但當 AI 可以協助撰寫、改寫、模擬、整理與產出，這些訊號不會消失，卻會變得更需要驗證。
因此，我關注的 HR Tech 不是用 AI 取代面試官，而是重新設計人才評估的證據鏈：哪些能力可以被觀察，哪些輸出可能被 AI 包裝，哪些決策需要人為判斷，哪些資料必須留下可追蹤、可解釋、可稽核的依據。
問題不是候選人使用 AI，而是招募流程如果仍把「可被包裝的成果」當成能力本身，就會高估表象、低估真實判斷。
AI 讓履歷更容易被優化，求職信也能在短時間內生成。文字變得流暢，不代表能力更清楚；包裝成本下降後，履歷只能作為起點，不能作為判斷終點。
每個人都可以用 AI 寫程式、做簡報、產出分析。作品本身仍然重要，但更重要的是候選人是否能說清楚問題定義、取捨理由、驗證方式與修改過程。
AI 可以模擬面試、生成 STAR 回答、整理公司資料。背好的答案會越來越像，真正能區分人才的，是追問之後是否仍有深度、反思與一致性。
學歷、品牌公司與職稱仍是參考訊號，但不應取代能力驗證。AI 時代的選才，必須從「他過去在哪裡」進一步轉向「他現在能做什麼、能學多快」。
當輸出越來越容易被 AI 生成，人才評估就要從作品結果，轉向問題定義、思考過程、協作方式與責任意識。
AI 可以加速產出，但不會自動知道什麼問題值得解。未來人才的差異，在於能否釐清目標、拆解限制、辨識利害關係人，並把模糊需求轉成可行任務。
真正重要的不是會不會下 prompt，而是能否與 AI 反覆協作、評估輸出、修正假設，並知道哪些判斷不能交給工具。
技能會快速折舊，學習速度會變得更重要。好的評估應該觀察候選人在新限制、新工具或新資訊出現時，能否快速調整策略。
新的問題、現場思考、邊做邊說，會比事先準備好的成品更有鑑別度。當 AI 可以包裝結果，過程本身就成為更關鍵的能力證據。
記憶型回答容易被 AI 準備，深度追問才能看見候選人是否真的理解自己的經驗、選擇與失敗。深度會打破模板化表述。
能用 AI 完成任務，不代表能對結果負責。未來人才需要理解資料來源、模型限制、錯誤風險與決策後果，尤其在金融與受監管場景中更是如此。
我關注的方向，不是建立一個自動淘汰候選人的工具，而是建構一套可被面試委員理解與使用的人才證據鏈。透過履歷訊號、能力評量、線上面試與決策輔助報告，讓招募判斷從片段印象，走向更完整、更一致、更可追蹤的輔助決策。
將履歷、年資、證照、職涯軌跡與自傳語意轉成結構化訊號，讓初步篩選不只依賴直覺，而能建立一致且可比較的判斷基礎。
以 7 款遊戲化模組觀察風險偏好、計算、抽象思維、專注、記憶、邏輯推理與細心等能力，補足履歷難以呈現的潛力訊號。
透過標準化線上面試流程蒐集候選人的回應內容、表達方式與互動線索，將原本難以比較的面試表現轉為可檢視的輔助資料。
面試委員可一站式檢視影片、逐字稿與 AI 分析報告，聚焦關鍵追問與職務適配判斷，讓 AI 成為面試準備的輔助，而不是最終決策者。
人才評估不能只靠模型自說自話，而要透過領域專家標記、評分規準與實務回饋，持續校準模型是否真的抓到有意義的能力訊號。
HR Tech 的價值必須回到真實招募場景中檢驗：候選人能否順利完成流程、面試委員是否真的使用報告、流程是否降低準備成本。
成熟的人才科技應該留下可追蹤的判斷依據，包含資料來源、模型輸出、面試委員觀察與後續追問，讓決策品質能被回顧與改善。
AI 時代的招募，不能只加速篩選，也不能只相信更漂亮的履歷。真正成熟的人才科技，應該讓候選人的能力、潛力、溝通、特質與學習方式被更完整地看見，同時保留人為判斷、治理邊界與可追蹤的決策紀錄。