人選篩選評分自動流

🎯 這條流程解決什麼

一個熱門職缺開出去，動輒收到上百份履歷。顧問得逐份打開，對照職缺的硬性條件（年資、技能、產業背景、地點）與加分項，再憑經驗判斷這個人值不值得聯繫。問題是這件事既耗時又主觀：一份履歷認真看要 8 到 12 分鐘，一百份就是十幾個小時的純閱讀；而且人累了會走神，前五十份看得仔細，後五十份就容易草草掃過，把好人選漏掉。更糟的是，在客戶壓力下趕進度時，顧問有時會把「看起來還行」但其實不符需求的人選推給客戶，一旦客戶發現推薦品質不穩，對顧問的信任就會打折，下次給的職缺也會變少。

這背後的核心矛盾是：篩選需要「快」但又要「準」，純人工很難兼顧。量大的時候快不起來，趕進度的時候準不了。以一個同時跑十幾個職缺的招募團隊估算，光是初步篩選這一關，每週就吃掉每位顧問大半天的時間，而且品質高度依賴當下的精神狀態與個人經驗，難以標準化、難以複製、也難以對客戶交代「我們是怎麼篩的」。

導入後的改變

導入前，篩選是一道靠肉眼和耐力撐過去的關卡。量大就慢、趕就漏、不同顧問標準不一，客戶收到的推薦品質參差。

導入後，AI 先承擔「初步比對與排序」的重活，顧問則專注在「最終判斷」這件真正需要人類經驗的事。每位新進職缺的人選都會被自動評出契合度分數、列出符合與不符的條件、給出一段摘要，並分到 A／B／C 三級。可預期的效益是：初篩時間從每份 8 至 12 分鐘壓縮到顧問只需複核 AI 結果的 1 至 2 分鐘，整體篩選工時減少約六到七成；因為每份履歷都用同一套職缺條件比對，篩選標準變得一致且可解釋，不再因疲勞或主觀而漂移；顧問把省下的時間集中在高分人選身上，推薦給客戶的命中率提升，客戶信任度與後續委託量也跟著回升。關鍵是，AI 負責的是排序與摘要，最終錄取與淘汰的決定權，始終握在顧問手上。

流程怎麼運作

這條流程對應四個節點，把「上百份履歷」變成「一份排好序、標好缺口的優先名單」：

1. 觸發：人選進入職缺：當顧問把人選歸入某個職缺，或新履歷被標記目標職務時，流程啟動，自動取出該人選的人才庫資料與該職缺的需求表。
2. AI 契合度分析：AI 模型逐項比對職缺的硬性條件（必備技能、年資門檻、產業經驗、地點）與加分項，產出一個 0 到 100 的契合度分數，並附上重點摘要，說明哪些條件符合、哪些缺口、有什麼亮點。
3. 自動分級：依分數區間自動分級——A 為強推、B 為可談、C 為暫不適合，並在每位人選旁標註主要缺口與亮點，讓顧問一眼看懂分級理由，而不是只看到一個冷冰冰的數字。
4. 人工複核：A、B 級人選推送到顧問的 Slack，附摘要與分級理由，顧問一鍵確認是否納入聯繫名單。C 級保留在庫中備查，不會被直接丟棄。

這條流程可承接 人選收件建檔自動流 的資料，往下接 面試協調安排自動流。想找更多 AI 比對與評分的做法，可到 /recipes，瀏覽完整 自動化流程，或在 /automation 了解如何部署整條招募線。

需要的工具與串接重點

• 平台（n8n / Make）：流程中樞，負責取資料、呼叫 AI、寫回分級、推送通知。
• 人才庫資料表：人選結構化資料的來源，欄位越完整，AI 比對越準。
• 職缺需求表：把每個職缺的硬性條件與加分項結構化列出，是 AI 評分的標準。串接重點是需求要寫得具體可比對，模糊的描述會讓評分失準。
• AI 模型：負責比對與摘要。串接時務必注意資料邊界，避免把完整履歷送進不受規範的外部模型，並要求模型輸出「符合／不符的具體理由」而非只給分數，才能讓人工複核有依據。
• Slack：A、B 級人選的複核推送管道。
• Gmail：必要時用於與人選或客戶的後續聯繫。

串接注意點：評分條件只納入與職務相關的客觀要件；分數區間（A／B／C 的門檻）要依職缺難易度可調，避免一套標準套死所有缺。

常見錯誤與注意事項

• AI 評分僅供參考，錄取淘汰一律人工拍板：演算法可能因訓練資料而帶有偏誤，最終是否聯繫、是否推薦、是否淘汰，務必由顧問「人工複核」決定，避免機器篩選造成歧視性結果。這不只是品質問題，也涉及就業歧視的法律風險。
• 敏感欄位不得納入評分：年齡、性別、婚育狀態、宗教、政治傾向、家庭狀況等與職務能力無關的條件，「不應」作為評分依據，否則可能違反就業服務法的就業歧視禁止規定。
• 保護人選個資：勿將完整履歷內容貼入未受規範或會被用於再訓練的外部模型，敏感資訊應在送入模型前去識別化或遮蔽。
• C 級不等於不適用：分數低可能只是與「這個職缺」不合，而非人選不好，C 級人選應保留在庫中，日後其他職缺仍可能合適。
• 需求表要持續校準：若 AI 評分與顧問判斷經常落差大，多半是職缺需求寫得不夠精準，應回頭調整條件而非盲目信任分數。

台灣中小企業情境案例

新竹一間專攻半導體與硬體工程職缺的招募團隊，五位顧問同時跑二十多個職缺。過去熱門職缺一開常收到一兩百份履歷，顧問週末加班看履歷是常態，仍偶爾漏掉好人選，也曾因趕進度推了不夠符合的候選人，被客戶退件影響合作關係。

導入這條評分流程後，每位新進職缺的人選都先由 AI 比對職缺需求、產出分數與缺口摘要、自動分級。三個月後的實際變化是：初篩時間大幅縮短，顧問從「逐份硬看一兩百份」變成「複核 AI 排好的前二三十份」，每週省下大半天；推薦給客戶的命中率明顯提升，退件率下降；因為每份都用同一套需求比對，篩選標準變得一致，顧問之間交接職缺時也更容易對齊。團隊負責人特別強調，他們嚴格落實「AI 只排序、人來決定」的原則，敏感欄位一律不入評分，既提升效率也守住合規底線。

延伸應用

這條流程的價值不只在單次篩選。累積評分資料後，可以反向分析「哪一類條件的人選最終最容易媒合成功」，回頭優化職缺需求表的權重；可以對 B 級「可談」人選自動觸發補件或補充提問，把資訊補齊後重新評分，挖出被低估的潛力人選；也可以為長期合作的客戶建立專屬評分模型，把該客戶過往錄取者的共同特徵納入加分邏輯，讓推薦越來越貼近客戶口味。往前承接收件建檔、往後串接面試協調，整條招募線就能從進件到媒合一氣呵成。更多做法歡迎到 /recipes 與 /workflows 探索。

流程圖

用到的工具

更多「專業服務」工作流

瀏覽全部工作流藍圖 → 自動化工作流中心 → AI Skills 食譜庫 →