如何解決AI招募的偏誤問題？

傳統的媒人角色，遠不只向撮合的男女雙方展示一疊「配對名單」而已。他們會從整體的樣貌認識當事人，將其視為社群中的一分子，透過高強度與日常互動並行的方式累積理解。更重要的是，媒人會依其專業判斷提供建議，將「篩選」與「成長」結合，使配對過程不致淪為一種僅止於評量與檢核的儀式。

過去十年間，交友軟體快速成長，導致所謂的「降維打擊」。原本重視品質與深度的互動，被一場以「讚數」、「匹配率」、「回覆量」等數量為導向的競賽所取代。原先透過面對面互動、甚至詳盡的人格測驗所取得的豐富資訊，正逐步被軟體壓縮為少數幾個變數，其中又以外貌為主。這類被扭曲在彈指間的資訊，甚至開始反過來影響線下的偏好選擇。當大家發現這種膚淺的互動模式無法帶來真正滿意的關係後，問題逐漸浮現，也導致交友軟體的使用率，尤其在年輕人之間，從疫情以來就開始明顯下滑。

類似偏誤的現象同樣可在現今求職市場中觀察到。求職、求才的本質也是另一種形式的「媒合」。美國聯準會主席鮑爾（Jerome Powell）近期即指出，目前正處於一種「低解雇、低招募」的狀態，並形容這是一個「耐人尋味的勞動市場」。從實務來看，求職者之間亦出現類似的軍備競賽現象，部分應徵者因而產生嚴重的疲勞感。在雇主方面，越來越多的企業運用AI或較早期的軟體工具來因應大量履歷投遞，而非真正創造新的價值，甚至在某些情況下，反而可能提高整體招募流程的摩擦成本。

AI系統在人才甄選中扮演的角色日益關鍵，儘管雙方皆以提升效率的前提為目標，「偏誤」仍幾乎無可避免。面試者所需具備的能力，永遠無法與職缺中所描述的需求完全對齊，這樣的落差不僅可能影響企業文化，也會牽動社會對公平性的整體認知。值得注意的是，資料量增加不必然意味著減少偏誤；相反地，高頻寬的資料來源例如影像與影音，因為存在既有社會偏見（例如特定口音、穿著風格）代入判斷，反而可能進一步放大這類偏差。

近年的研究發現，AI自動面試系統存在多模態偏見問題。Peña（2020）發現，即使資格相同，女性與年長應徵者在文本、語音與影像分析中仍可能遭系統給予低評分，平均低於其他應徵者7%至12%，在金融服務業尤其明顯。Booth（2021）指出，系統模態組合會影響偏見程度：使用文本偏見較低，加入語音與影像後，性別、口音、年齡與外表偏見均上升。Chen（2023）則顯示了多模態偏見聚合機制，包括訓練資料偏見、標註者偏見、演算法偏見與呈現偏見，對非主流族群可產生複合歧視。

事實上，招募過程中的偏誤問題，早在近年AI熱潮之前就已經存在。2014年，亞馬遜開發的一套履歷篩選工具，即被發現透過女性背景等特徵，間接產生性別偏誤。由於問題隱蔽且難以根除，該專案最終於2018年遭到放棄。

各國就業法規皆明確列舉個資「受保護類別」。以台灣為例，相關法規共涵蓋18項，包括思想、外貌、五官特徵，甚至星座與血型。即便這些特徵未被直接納入模型中，仍可能與某些「有用的判斷指標」存在相關性，進而在模型運作中間接顯現。

雖然偏誤難以全面根除，但「對齊」（Alignment）是一項值得獨立追求的平行目標。在矽谷，「對齊」這個語詞通常指AI模型本身的固有屬性，例如其目標是否反映開發者意圖？強化學習是否傳遞了正確的經驗？然而，這種狹義觀點往往忽略了「部署者」的重要性。人才招募被普遍視為AI的高風險應用場域，其社會影響與主觀判斷空間甚至高於授信審核，因此，也有必要從「智慧型市場結構」的角度，重新思考對齊的意涵。

台灣金融研訓院為銀行人資部門打造的視訊面試系統，正是基於此一理念設計。面試過程中，應徵者需模擬多項銀行實務情境，包括客訴處理、授信審查、交叉銷售，以及KYC審核等，而非僅限於傳統問答式面試。系統就多個面向評分後，應徵者可進一步使用培訓模組，清楚了解哪些回答表現良好、哪些部分仍有改善空間，以及哪些用語在金融情境下可能產生誤解，並附上具體範例說明。透過此設計，系統不僅追求高效率的人才甄選，也同時促進整體勞動力的能力提升。

此類AI應用確實不易以傳統法規加以細緻規範，但其精神與《人工智慧基本法》的立法方向高度一致。鑑於多模態AI的高度複雜性，在實務上，「盡力而為」（Best-effort）原則有時反而成為最可行、也最具實質意義的法律基礎。

早期的履歷關鍵字掃描工具，正是另一個「降維打擊」的典型案例，求職者往往因缺乏某項邊際技能而被刷掉，雇主則同時抱怨找不到合適人選。雖然現代系統已有明顯進展，但從AI安全的角度來看，主動引導有意透過面試精進自身能力的求職者，仍是一項不可忽視的責任。唯有如此，HRTech才能超越單純撮合雙方利益的角色，發揮更廣泛的社會功能，正如傳統媒人在其時代所扮演的角色一般。（作者為台灣金融研訓院特聘外籍研究員）