人資部門的生成式 AI：
招募、教育訓練與制度文件

招募旺季，人資專員的信箱裡躺著四百份履歷。她要在三天內篩出二十個進面談，還要同時寫五個新職缺的 JD、更新員工手冊、準備下週新人訓練的教材。每一件都是文字工作，每一件都急。當同業開始用生成式 AI 把這些草擬時間砍半，「人資只會做行政」的刻板印象，正好可以靠 AI 翻轉成「人資有餘裕做真正重要的人的判斷」。但前提是——你得先分清楚，哪些能交給 AI，哪些絕對不能。

場景一：招募文書——加速可以，篩選要留人

招募流程裡，AI 能幫的其實很多：根據職務需求草擬職缺描述、把冗長的面談筆記整理成結構化評估、生成給候選人的通知信。這些都是「文字整理」，容錯高、效益明顯。但有一件事必須劃清界線：用 AI 自動篩選履歷、排序候選人。史丹佛團隊對基礎模型的大型研究明確指出，這類模型會繼承並放大訓練資料中的社會偏誤，且下游應用會一起繼承同一個模型的缺陷——這就是同質化風險^[4]。把錄用篩選交給黑箱模型，等於把潛在的性別、年齡、學校偏見制度化，還可能觸法。正確做法是：AI 只做「把資訊彙整好、標出符合硬性條件者」，真正的評比與錄用決策由人做、並保留可稽核的理由。

場景二：教育訓練——實證上，新人進步最多

教育訓練是生成式 AI 最被低估的人資場景。它能把厚厚的作業手冊，改寫成分眾、白話、互動式的訓練教材；能為不同職級設計練習題與情境；甚至能當新人的「隨問隨答」教練。這件事有紮實的實證支持——Brynjolfsson、Li 與 Raymond 在客服現場的大規模實驗發現，AI 助手讓整體生產力提升約 14%，而對經驗最少的新進人員，提升幅度高達約 34%，因為 AI 把資深員工的隱性知識，即時傳遞給還在摸索的新手^[5]。對人資的意義很直接：AI 能大幅壓縮新人的學習曲線。想把這套做成系統化的企業訓練方案，可以參考我們的 企業訓練服務。

場景三：制度文件——把規章變成問得到的知識庫

員工手冊、請假規定、差旅辦法、各種內部政策，往往散落在多份文件裡，員工一有問題就來問人資，人資一天被同樣的問題打斷十次。把這些制度文件做成一個檢索增強生成（RAG）的知識庫，讓員工用自然語言問、系統回答並附上出處，能大幅減少重複詢問^[2]。要注意的是，制度涉及權益與合規，答案必須接地、可查證——語言模型會產生看似合理卻錯誤的內容（幻覺）^[3]，不能讓它自由發揮。RAG 要答得準，關鍵在文件切塊與檢索策略，我們寫在〈RAG 知識庫為什麼答不準〉。

怎麼開始：從最安全的文書場景試點

人資導入 AI 的最佳起手式，是選一個不涉及個人決策、容錯高的場景（訓練教材或制度問答）做試點，建一組評測衡量正確性與品質，站得住腳再擴大。現代生成式 AI 建立在 Transformer 架構之上、本質是機率性生成器^[1]，理解這一點，你就知道為什麼「加速文書可以、決定人的事要人來」是人資 AI 的黃金守則。經典的企業 AI 研究也提醒，高投報的路徑是把 AI 嵌進既有流程解決具體問題，而非好高騖遠的專案^[6]。這套「試點→評測→把關」的方法，我們寫在〈企業導入生成式 AI〉，也整理在〈生成式 AI 解決方案總覽〉。跨部門的客服場景可延伸閱讀〈客服部門的生成式 AI〉。