---
title: "藏在演算法下的人才偏見：效率、多元與偏見的交錯"
slug: 20251004
url: https://hrlearning.com.tw/posts/20251004
published_at: 2025-10-04
modified_at: 2025-10-04
author: "人資小週末"
category: "佳文分享"
tags: ["演算法偏見", "履歷篩選", "數位時代", "人工智能", "HR招募"]
access: public_access
---

# 藏在演算法下的人才偏見：效率、多元與偏見的交錯

By **人資小週末** | 2025-10-04

在數位化浪潮下，人工智慧（Artificial Intelligence, AI）已成為企業招募的重要工具。從履歷篩選、面試安排到人才預測，AI 讓 HR 部門在龐大資料中快速找到潛在候選人。然而，這份效率的背後，卻潛藏著難以忽視的挑戰──「演算法偏見」（Algorithmic Bias）。一、當效率遇上多元：AI 招募的現況BCG 在〈How AI Is Changing Recruitment〉（2025）報告中指出，AI 在招募中的應用，已讓企業能在幾分鐘內完成過去需要數天的篩選流程。然而，同時提醒了我，若缺乏透明度與監督，AI 可能在無形中「遺忘人才」。我也曾在 104 平台搜尋人才時發現，104招募平台畫面中不斷出現相同履歷，直到更換搜尋關鍵字，才發現有更多潛在候選人。台灣現況同樣印證了這個問題，勞動部《人工智慧應用下之勞動權益保障-就業歧視及 勞工隱私權相關權益之影響與政策建議 》報告中指出，中高齡勞工與女性在履歷回覆率與錄取率上，明顯低於其他群體。在 2023 年的研究更強調，過度依賴既有數據可能加劇性別、年齡與身心障礙者的就業歧視。這樣的現象提醒我：AI 招募並不單純是「科技帶來的效率」，而更像是一面鏡子，照映出我們社會中原本存在的不平等。當我們期待它成為加速器時，也必須正視它在無形中造成的「遺忘」與「偏見」。二、演算法偏見的成因歷史偏誤（Historical Bias）：來自過去的數據本身就有偏見，例如公司長期偏好男性工程師，導致 AI 學到「男性更適合此職缺」。資料偏誤（Data Bias）：訓練數據不足或不平衡，例如女性在 STEM 領域的樣本較少，使模型難以正確學習其價值。設計偏誤（Design Bias）：開發者在設定演算法時，未充分考慮多元因素，導致模型偏向特定條件。演算法偏見並不是單一事件，而是持續擴大的結構性問題。當 AI 模型依循既有數據運作時，往往會強化社會中原本就存在的歧視。最著名的案例是 Amazon 在 2018 年全面停用自家 AI 招募系統。據 Reuters 報導，該系統因學習了十年間男性居多的履歷，最終自動降低了「女性」字眼（如 women chess club）的權重造成性別歧視。這並非 AI 的「惡意」，而是它將歷史的不平等視為理所當然的「規則」並且反映了人類的輸入與歷史偏好。這種潛藏的偏見，讓女性、中高齡勞工與身心障礙者更容易被排除在職場之外。其影響不僅限於個人。當多元性下降，企業團隊的創新能力也會逐漸削弱。根據《 CSR天下》文章的觀察，多元團隊在面對市場變化時的敏感度更高，能夠提出更具創造力的解方。一旦企業忽略這些人才，所付出的代價將不只是「少了一位員工」，而是整體競爭力的下滑。同時，求職者若在招募過程中感受到不公平，企業雇主品牌也會蒙受長遠的傷害。三、AI 招募審計：為演算法「查帳」為了避免偏見不斷被放大，國際上提出了 AI Hiring bias audit 的概念。就像財務報表需要查帳一樣，AI 系統也需要定期檢測，確認它是否對某些族群存在歧視。學者 Barocas & Selbst（2016）曾指出，演算法的偏見多半來自訓練數據與設計邏輯，若沒有透明的審計制度，這些偏見只會被強化。數位時代下勞工權益保障更不能忽視資訊透明與可解釋性，倘若 HR 無法說明為什麼某些人被排除，那就是對公平性的傷害。身為一名學生，我常常想：如果有一天是我在投遞履歷，我的名字、年齡、學校，會不會在還沒被 HR 看見之前，就已經被演算法篩掉？這種焦慮是真實的，也讓我理解到為什麼很多人開始強調「關鍵字寫作」的重要。當履歷的命運取決於是否符合系統設定的語彙，我們不只是要學會寫「給人看」的履歷，更要懂得寫「給演算法看」的履歷。多數台灣企業導入 AI 工具是為了降低成本、加快流程；而關於公平性、多元與友善的討論，仍在追趕的路上。這其實也是一個機會：我們正站在一個可以選擇「只看效率」或「兼顧公平」的分岔口。結語：科技與人之間的守門人角色最後，我認為AI 招募的未來，取決於人們如何設計與監督它。就像 Amazon 在 2018 年因性別歧視而停用內部 AI 系統的案例所揭示的，科技並不能替人類承擔倫理判斷。當我們將招募流程交給機器時，實際上也是在將「公平的責任」交付給開發者與使用者。性別歧視與勞工隱私權正是最需要被警覺的科技隱患。當 AI 透過履歷、社群媒體或其他參考數據進行預測時，也極可能侵犯勞工的隱私，甚至在未經同意下蒐集與工作無關的個人資訊。如果沒有配套措施，這種科技濫用不僅會加劇勞工的弱勢處境，更會衝擊社會對「公正就業」的基本信任。演算法就像一盞燈，它能照亮道路，也可能加深陰影。對 HR 來說，重點是如何在使用的過程中，維持我們「看見人」的初心。我們必須確保每一次輸入、每一次篩選，背後都有對公平的思考與檢視。真正的永續企業，不是最快找到人才的公司，而是願意看見多元價值、尊重個人隱私、並將公平視為核心承諾的組織，我們也期待未來能夠與科技共好，找到具備效率、公平與效能的平衡。 「科技不該只是速度的比拚，而是人性價值的延伸。若 HR 能在效率中看見多元，在偏見中創造公平，那麼 AI 才真正是我們的助力。」 撰文者：彭淑萍指導老師：李宗樺老師 參考文獻小心金融歧視／演算法偏見須矯正《經濟日報》林安妮（2025年）人才招募新趨勢：AI面試官不問出身只看能力，避免用人歧視/CSR@天下AI 人工智慧 招募 開除 公平嗎？談 演算法 偏誤 歧視 與 演算法稽核Amazon scraps secret AI recruiting tool that showed bias against women./ Reuters.How AI Is Changing Recruitment/BCGAI Bias Audit: 7 Steps to Detect Algorithmic Bias/optiblack什麼是AI 偏見？原因、影響和減緩策略 /SAP人工智慧應用下之勞動權益保障-就業歧視及 勞工隱私權相關權益之影響與政策建議 勞動部全球資訊網人工智慧與聘僱歧視問題簡析──以性別歧視為核心《台灣勞工季刊》第77期