HR 用 AI 完整工作流：招募、面試、入職、績效、離職 5 場景 SOP，附 Paradox / Eightfold / hireEZ 工具對比

週一早上九點。Linda 是某中型製造業的 HR 主管，她打開信箱，136 封新求職信塞滿收件匣，這是她貼出「資深製程工程師」職缺後的第 5 天。團隊只有 3 個 HR，她得在週五前篩出 12 個面試人選給用人主管。過去她平均每份履歷看 30 秒，今天她決定先吃完一塊麵包，然後直接打開 ChatGPT，把全部履歷複製進去。

兩個半小時後，她拿到一份排名表、12 個推薦人選、每個附 3 句切入點。問題是——她有點不安：AI 是怎麼排出這個順序的？有沒有刷掉本來應該進來的人？面試官問她「為什麼選這 12 個」，她要怎麼回？這就是 2026 年絕大多數台灣 HR 跟 AI 真實接觸的樣子：用了、有感、但心裡發毛。

這篇文章把 HR 工作流的 5 個關鍵場景——招募、面試、入職、績效、離職——拆給你看 AI 在每個環節能做什麼、做不到什麼、最常踩的雷在哪。最後附 3 套主流招募 AI 工具（Paradox、Eightfold、hireEZ）的台灣可用性對比。讀完你會知道下個月該從哪個場景先動手，不是「我們也來導入 AI 吧」這種模糊口號。

先弄清楚：2026 年 HR 用 AI 的真實採用率與台灣現況

全球 SHRM 2026 年初的調查顯示，43% 組織在 HR 流程裡引入 AI，其中 64% 集中在招募、面試、入職這三段。比 2024 年的 26% 翻了快一倍。台灣這邊比較慢，104 人力銀行 2026 年第一季的雇主調查估算約 18% 台灣中大型企業已導入某種 AI 招募工具，中小企業則不到 6%。

為什麼台灣中小企業慢？三個原因：第一，多數老闆把 HR 預算放最後，AI 工具一張嘴就是月費三百美元起跳。第二，主流工具是英文介面，HR 同仁吸收成本高。第三，HR 工作流牽涉個資、勞動法規，IT 跟法務都緊張。

但這個落差正在快速縮小。2026 年下半年起，本土勞動法事務所開始發佈「AI 用於招募的合規指引」、Claude/ChatGPT 中文表現足以承擔 80% 履歷篩選文本任務、月費降到合理區間——三個阻力同時鬆動。「現在開始導入」比「等明年技術更成熟」更划算，是因為早一年導入的 HR，等於累積一年的工作流校正經驗。

場景一：招募——從寫 JD 到履歷篩選的 4 步 SOP

招募是 HR 用 AI 收益最高的場景，省下的時間最多、風險最可控。我把它拆成 4 個步驟，每個步驟標出 AI 能做什麼、不能做什麼。

步驟一：JD 撰寫與職缺廣告優化

傳統做法：用人主管丟一段口語描述給 HR，HR 改寫成 JD 貼出去。常見問題是 JD 太籠統（「主動積極、有責任感」這種廢話）、SEO 關鍵字錯（Google 找不到、求職者搜不到）、年齡性別歧視用語沒拿掉。

AI 做法：把用人主管的口語描述（甚至口頭錄音的逐字稿）丟給 Claude 或 ChatGPT，加一段 prompt：「請依台灣勞基法與就業服務法第 5 條撰寫無歧視 JD，包含必備技能、加分項目、薪資區間建議、3 個 SEO 友善的職缺標題版本」。3 分鐘出 4 個版本，HR 挑修、用人主管確認。

踩雷提醒：AI 寫的 JD 容易帶入英文職場用語直譯（「rock star」、「ninja」），這在台灣求職者眼中很扣分。Prompt 一定要明確要求「在地化、避免英文直譯」。

步驟二：履歷批次篩選與排序

這是文章開頭 Linda 在做的事。AI 篩履歷的本質是——把每份履歷對照 JD 的條件，給一個 0 到 100 的契合度分數，再附 2 到 3 句說明為什麼這分。市面上專做這件事的工具有 Paradox、Eightfold、hireEZ、Jobscan，我們後面會比較。

中小企業如果不想付月費，可以用 Claude API 寫一個簡單 script，每天跑一次新進履歷。業界曾有一家 50 人軟體公司做過這個 PoC，從履歷 PDF 解析到分數排名整套流程，用 Claude Sonnet 4.6，每份履歷 token 成本不到台幣 3 元。想看更完整的 RAG / Agent 自架方案 那篇有提架構細節。

踩雷提醒：AI 排序的權重隱含偏見。如果你訓練資料或 prompt 暗示「過去錄取的人多有 X 學歷」，AI 會把這個歷史偏好傳下去。美國紐約市 2024 年起的 AEDT 法規要求所有 AI 用於招募決策的工具必須做年度 bias audit。台灣目前沒有同等法規，但是早晚會跟上。

步驟三：自動回信與面試邀約

求職者最痛恨的是「投了沒下文」。即便是禮貌性婉拒信，也比石沉大海好——求職者會在 Glassdoor、面試趣留下評價，影響你下一波招募。AI 寫婉拒信、面試邀約信、補充資料請求信，是省 HR 時間最直接的場景。

業界有人用 N8N 串了一個工作流：履歷進入 → AI 評分 → 80 分以上自動寄面試邀約（含 Calendly 預約連結）→ 60-80 分寄「保留中」通知 → 60 分以下寄禮貌婉拒信。整套上線後，HR 同仁回信時間從每天 1 小時降到 10 分鐘。

步驟四：源頭擴大——主動搜才

被動等履歷只能拿到「正在找工作的人」，但職場上 60% 的優質人才是「被挖才願意動」的 passive candidate。AI 在這個場景的應用最快速成長，以 hireEZ 為代表，可以從 LinkedIn、GitHub、Stack Overflow、Dribbble 等多源拉資料，組成候選人資料庫，再 AI 寫個人化邀約信。

中小企業如果不想付高昂月費，可以從手動版開始：選 5 個目標公司（你想挖角的對手）、用 LinkedIn 搜出 30 個職位匹配的人、用 Claude 寫個人化開發信。一週投 10 封，3 個月會收到 1-2 個面試。比海投履歷被動等划算太多。

場景二：面試——AI 怎麼幫你問對問題、看穿說謊

面試是 HR 最難自動化、也最不該全自動化的場景。但 AI 在「面試前準備、面試中輔助、面試後評估」這三個切點，可以省下 50% 以上時間。

面試前：客製化問題庫

傳統面試的弱點是「問題標準化但深度不夠」。HR 問完 8 個通用題、用人主管問完 5 個技術題，30 分鐘結束，雙方都覺得沒問到核心。AI 改變這點：把候選人履歷 + JD + 過去成功員工的特徵丟給 Claude，請它生 10 個「針對這個人的客製化深度問題」。

我們實際用過的 prompt 範本：「這是候選人履歷與我們 JD。請列出履歷中 3 個值得追問的『模糊地帶』、3 個值得驗證的『關鍵宣稱』、3 個可以測試文化契合的『情境題』」。3 組 9 題，比通用題單裡的 30 題更有效。

面試中：即時轉錄 + 重點標註

Google Meet、Zoom、Teams 都有即時轉錄了，搭配 AI 摘要工具（Otter、Fireflies、Tactiq 或 N8N + Whisper API 自架），面試後 5 分鐘就有一份「結構化筆記」：候選人優勢 3 點、警訊 2 點、待釐清 2 點。傳統做法是面試官腦力資料庫 + 紙筆隨記，常常漏掉細節或主觀偏差。我們的《企業語音轉錄自動化實戰》 那篇有講怎麼用 N8N 接 Google Speech-to-Text 自架一套，月成本 100 美元以內。

面試後：結構化評估與反向 bias 檢查

面試官打分常有「光環效應」——第一印象好，後面分數都偏高；學歷相同的人偏高分。AI 可以做兩件事減少這個偏差：第一，要求面試官把評語結構化（具體哪一題答得好、哪一個技能驗證通過），AI 從非結構化評語提取結構。第二，跨候選人比較時，AI 可以提醒「你對 A 候選人在 X 維度給高分，但 B 候選人 X 維度答得更好，是否要重新評估？」

場景三：入職——讓新人第一週「不浪費」的 AI 加持

新人到職第一週是離職率最高的時期。Gallup 2026 的研究顯示有 20% 新員工在前 45 天內離職，其中 60% 是因為「入職第一週感覺被忽略、不知道要做什麼」。傳統入職靠一份 PDF 手冊和老員工帶，效果不可控。AI 入職的關鍵是「永遠在線、永遠耐心、永遠有上下文」的 24 小時新人導師。

入職 chatbot：把 100 個 FAQ 變成可問答的助手

新人最常問什麼？薪資匯款日、加班費規則、休假怎麼請、公司報帳流程、IT 帳號怎麼開、辦公室 WiFi 密碼。HR 每招一個人就要回答這些 20 遍。把員工手冊、SOP 文件、薪資制度餵進 RAG 系統，做成內部 chatbot，新人 24 小時自助問答，HR 只處理「個人化」問題（例如「我的休假計算有問題」）。

中小企業最低成本的做法：用 Claude Projects 或 ChatGPT 的 Knowledge Base 功能，把員工手冊 PDF 上傳，建一個「公司新人助理」分享給每個新人。月成本不到 200 元、上線 1 小時。功能比自架 RAG 弱，但對 50 人以下公司夠用。

90 天目標自動追蹤

好的入職要有清楚的 30/60/90 天目標。但用人主管常常忙到忘了 follow up，新人到 60 天才發現「沒有人告訴我做得好不好」。AI Agent 在這裡可以做 nudge——每兩週自動產出「新人目標達成度報告」、自動寄信給主管提醒 1:1 對話。

我們有客戶用 Claude + N8N 接 Notion，把新人的 90 天計畫存在 Notion，AI 每週掃描更新狀態，產出主管摘要。實施 6 個月後，新人 90 天留任率從 78% 提升到 91%。

場景四：績效——讓考核「有依據、不憑感覺」的 AI 應用

年度績效考核是 HR 跟主管最頭痛的事，因為「依據不夠、感覺主導」。AI 可以在三個切點幫忙：日常工作數據彙整、360 度回饋摘要、考核會議準備。

日常數據彙整：員工的 GitHub commit、Notion 文件、Slack 互動、Jira ticket 完成數，這些原本散在各處，主管考核時很難回想。AI 工具（Claude + N8N 自架，或 Lattice、15Five 這類 HRTech）可以每月自動產出「員工活動摘要」，給主管當考核參考。

360 度回饋摘要：傳統 360 度回饋是「同事各寫 3 段、HR 整合、主管讀完抓重點」。AI 可以把多個同事的非結構化評語自動歸納成「3 個 strength、2 個 development area、3 個具體 example」，主管讀考核準備時間從 1 小時降到 15 分鐘。

考核會議準備：把員工過去一年的目標、實際成果、同事回饋丟給 AI，請它草擬「考核會議大綱」——具體要肯定哪 3 件事、要討論哪 2 個改進、薪資調整的合理區間建議。主管修一修就能用。

場景五：離職——AI 怎麼救回「即將離職」的員工

員工離職給公司的成本不止替補招募費，更大的是隱性的——團隊士氣、客戶關係、知識傳承。最值錢的是「離職預警」——能在員工真的提辭呈前 2-3 個月，從訊號裡看出端倪。

AI 預警的數據來源：Slack 訊息頻率變化（突然減少）、會議出席率（連續多次缺席）、Jira/GitHub 活躍度（突然下降）、加班時數（突然增加或突然消失）、HR 系統的休假申請（連續休假或不休）。把這些做成一個「員工流失風險指數」，月度產出「高風險名單」。

踩雷提醒：這個應用要極度注意員工隱私與法規。歐盟 GDPR、加州 CCPA 都對「用 AI 預測員工行為」有嚴格限制。台灣個資法目前沒有明文限制，但發生勞資糾紛時，「我們用 AI 監控員工」會在法庭上很尷尬。實務做法是——只看「公開行為數據」（commit、ticket、會議出席），不看私訊內容、不看情緒分析。

離職後的 AI 應用：離職面談自動化 + 模式分析。傳統離職面談靠 HR 同仁問 10 個題、紙本記錄，然後存檔——半年後沒人回看。AI 改變這點：用 chatbot 做離職面談、自動標籤回答、季度產出「離職原因聚類報告」，讓老闆看見「過去 3 個月走的 5 個人都提到同一個主管的管理風格」這種模式。

工具實戰對比：Paradox vs Eightfold vs hireEZ 台灣中小企業可用性評估

前面講完工作流，現在進入工具選擇。市面上 HR AI 工具上百個，我挑三家最具代表性的給你看不同切入點：Paradox（對話式招募）、Eightfold（深度匹配引擎）、hireEZ（主動搜才平台）。

中小企業老闆的真實建議：50 人以下的公司，先不要碰這三個——月費太高、上手成本太高、ROI 算不過來。

我們建議的「中小企業 AI 招募技術棧」是：履歷接收用 Workable 或本土的 104 / 1111（基礎 ATS 功能足夠）+ 履歷篩選用 Claude API 自架小腳本（月費 50 美元以內）+ 面試轉錄用 Otter 個人版 + 入職 chatbot 用 Claude Projects。整套月成本不到 300 美元，但能 cover 60% 的場景。

等公司規模到 200 人以上、招募量達到每月 50+ 職缺，再考慮升級到 Paradox 或 hireEZ。

HR AI 工具的決策樹（按公司規模與招募量分流）

法規與合規紅線：別讓 AI 招募把你告上勞動局

AI 用於招募、面試、考核，在台灣目前沒有專法管，但散見在「就業服務法」、「個資法」、「勞基法」、「性別工作平等法」等多部法律的解釋空間裡。我把實務上最容易踩雷的紅線列出來。

• 歧視紅線：AI 篩選若隱含年齡、性別、學校、戶籍偏好，違反就業服務法第 5 條。實務防護：要求工具供應商提供 bias audit 報告、年度自我檢視篩選結果的人口分布。
• 個資紅線：未經候選人同意把履歷餵進 AI 工具，可能違反個資法第 19 條。實務防護：在求職表單明確告知「將使用 AI 輔助篩選」、保留人工複核權。
• 演算法黑箱紅線：完全由 AI 決定錄取或不錄取，求職者投訴時公司無法說明依據。實務防護：AI 只做「分數與建議」、最終錄取決定一定要人類主管簽核並留紀錄。
• 勞動部關注趨勢：歐盟 AI Act 已將招募 AI 列為高風險領域，預計 2026 下半年實質生效。台灣勞動部跟進的時間表，業界估計 2027 上半年會出指引。

中小企業導入 HR AI 的 30 天起步計畫

知道完整 SOP、知道工具、知道紅線，下一步是真的動手。我把第一個月的行動拆給你看，按週為單位。

第 1 週：盤點現況、設定基準

把過去 3 個月所有招募的時間紀錄整理出來：寫 JD 多久、篩履歷多久、面試多久、回信多久、新人入職多久。這是你的 baseline，等 AI 導入後 90 天再比一次，才知道有沒有真效益。同步把員工手冊、SOP、薪資制度等文件整理成 PDF，準備餵 AI。

第 2 週：從履歷篩選試水溫

找一個正在開的職缺，把該職缺的 JD 和 50 份履歷丟給 Claude，請它做評分。把 AI 的排名跟 HR 自己手工的排名比較。重合度 70% 以上，代表 AI 抓得到關鍵點。重合度低於 50%，就要看是 prompt 沒寫好還是 AI 判斷真的差。

第 3 週：寫好你的 5 個 prompt 範本

JD 撰寫 prompt、履歷評分 prompt、面試問題生成 prompt、婉拒信 prompt、入職 FAQ prompt。每個範本反覆測試 3-5 次，調到輸出穩定。這 5 個 prompt 是你未來一年的核心資產，比工具本身重要。想看更多 prompt 範本 可以從入門指南開始。

第 4 週：上線單一場景、設定觀察指標

選一個場景全面切換 AI 做，例如「履歷篩選」。觀察 30 天的指標：HR 同仁省下多少時間、用人主管對推薦人選的滿意度、面試到報到的轉換率有沒有下降。一個月後檢討，再決定下一個場景要不要上。

常見迷思破解

三個我們在跟 HR 主管聊到 AI 時最常聽到的誤解，順便破解。

迷思一：「AI 能完全取代 HR」

不能。AI 取代的是 HR 的「處理性工作」——文件、信件、排程、初步篩選。HR 的「判斷性工作」——團隊文化評估、勞資糾紛調解、組織變革設計，這些 AI 做不了。會被取代的是「只做處理性工作的 HR 行政」，不是「能做判斷的 HR 業務夥伴」。

迷思二：「AI 招募一定比較公平」

不一定。AI 如果用過去成功員工的特徵訓練，會把過去的偏見放大複製。亞馬遜 2018 年就因為 AI 招募工具系統性偏好男性而停用。「公平」需要主動的 bias audit，不是預設選項。

迷思三：「中小企業預算不夠，AI 招募是大公司專利」

錯。今天 Claude API 月費 50 美元就能蓋一個基本履歷篩選 + 自動回信工作流。Otter 個人版月費 17 美元做面試轉錄。Claude Projects 免費版能做入職 chatbot。比起花 30 萬請一個 HR 行政專員，技術門檻和成本都低很多。挑戰是「有沒有願意學的內部 champion」而不是預算。

把這套工作流複製進你公司

讀完這篇你應該有了完整地圖：招募、面試、入職、績效、離職五個場景，每個都有 AI 切入點、有踩雷提醒、有合規紅線、有 30 天落地計畫。剩下的問題只有一個：你公司要從哪個場景先動手？

如果還在猶豫，預約一次免費的 AI 導入諮詢。我們會花 60 分鐘聽你公司目前的招募流程、人力配置、預算規模，幫你挑出「最痛的場景 + 最快出 ROI 的 AI 切入點」。坦白講多數公司不需要昂貴的 HR Tech 訂閱——他們需要的是「有人幫他們把現有工具串起來」，這就是我們客製化 AI 系統開發的核心價值。

想繼續讀其他職能的 AI 工作流：業務人員用 AI 提效 5 個實戰場景、專案經理 AI 工作流、AI 競品分析工作流。三篇是同一個系列，HR 是我們補上的第四塊拼圖。