目錄
課程簡介
AI 正在重塑人力資源管理。這門課程將帶您了解 AI 在 HR 的應用，從招聘篩選到績效評估，從員工體驗到流失預測，讓您用 AI 提升 HR 效率和員工體驗。
學習目標：
- 了解 AI 在 HR 的應用場景
- 掌握 AI 招聘和面試
- 學會 AI 績效評估和薪酬分析
- 了解 AI 流失預測
- 重視 HR AI 的倫理合規
27.1 HR AI 概述
為什麼學_this？
了解 AI 在 HR 的整體應用。
核心教學
AI 在 HR 的應用場景：
招聘與甄選
- 簡歷篩選
- AI 面試
- 人才匹配
員工管理
- 入職培訓
- 績效評估
- 員工體驗
薪酬與福利
- 薪酬分析
- 市場比較
- 福利優化
人才預測
- 流失預測
- 技能缺口
- 繼任規劃
HR AI 的價值：
- 招聘效率提升 50%
- 員工滿意度提升
- 流動率降低
- 決策更客觀
商業範例
一家擁有 12 間門市的連鎖健身中心，過去教練流動率高達四成，招募與排班長期靠人工處理，旺季常出現人力缺口與學員流失。
- 導入 AI 履歷篩選與視訊初審：招募週期由 21 天縮短至 9 天，到職率提升 35%。
- 以 AI 預測各時段來客量並自動排班：尖峰時段人力覆蓋率由 78% 提升至 96%，加班費降低 18%。
- 用 AI 分析教練留任風險並推播個人化激勵方案：年度流動率由 40% 降至 26%。
- 建置 AI 員工問答助理處理薪資與排班諮詢：HR 行政工時每月減少 42 小時。
小技巧
先從招聘篩選切入，ROI 最直接。三到五條實操貼士如下：
- 用 ChatGPT 改寫職缺描述，輸入「請將下列 JD 改寫為 150 字內、聚焦成果的版本」。
- 請 Claude 比對履歷與 JD，prompt 寫「列出符合與缺口各三點，附原文依據」。
- 面試題庫交給 ChatGPT 生成，指定「依職能出五題行為面試題並附評分標準」。
- 用 Notion 建候選人資料庫，欄位設階段、來源與下一步。
- 以 Zapier 串接表單與 Notion，新履歷自動建立卡片並通知。
練習題
本節摘要
- AI HR 應用：招聘、員工、薪酬、預測
- 招聘效率提升 50%
- 從招聘篩選開始
商業實戰 Prompt：立即試
你是一位具有 10 年經驗的 [領域] 顧問，服務對象為香港中小企。
我的情況：[一句描述業務現狀]。
目標：[具體目標]。
請（1）指出我目前最大的一個錯位（2）提供我 3 個按成本效益排序的行動（3）每個行動註明預期效果及風險。
這條結構適用於本課程所有場景 — 「錯位→行動→風險」三段式輸出可以直接作為決策會議議程。
| 階段 | 人手做法 | AI 協作做法 | 預期效果 |
|---|---|---|---|
| 資料收集 | 逐個網站/報告翻查（2-4 小時） | AI 搜尋+彙總+來源標註（15 分鐘） | 時間 -85% |
| 初稿製作 | 由零寫起（1-2 小時） | AI 輸出 3 版初稿，人員選擇及修改（20 分鐘） | 時間 -70% |
| 審核把關 | 自己核對全部（易漏） | AI 逐項自查+人抽查關鍵位 | 品質更穩定 |
| 迭代優化 | 成稿重寫 | 針對性局部修改（即時） | 迭代速度快 5 倍 |
落地檢查清單
- 我完成了「人手對比 AI 協作」的時間對比實測（記錄實際分鐘數）
- 我建立了此場景的個人 prompt 模板
- 我知道哪些輸出必須人手覆核才可以使用
- 我節省下的時間已安排用於做更高價值的工作（而非閒置）
常見錯誤AI 輸出的內容就直接使用，不進行核對
正確做法事實、數字、承諾類內容必須人手核實 — AI 輸出是草稿而非成品
常見錯誤一開始就追求完美 prompt
正確做法先跑先學：用住再改，三次迭代後自然接近理想
27.2 招聘篩選
為什麼學_this？
AI 能大幅提升招聘效率。
核心教學
AI 招聘篩選的應用：
簡歷篩選
- AI 自動讀取簡歷
- 提取關鍵技能
- 匹配職位要求
人才匹配
- AI 匹配候選人
- 評分排序
- 推薦最佳
初步評估
- AI 初步評估
- 篩選不合格
- 節省人工
候選人管理
- 自動通知
- 安排面試
- 更新狀態
商業範例
一家連鎖健身品牌快速展店，每月收到超過 800 份履歷，人資團隊僅 3 人，過去常因篩選不及而錯過優秀教練。
- 導入 AI 履歷篩選：自動比對證照與經歷，初篩時間由 6 天縮短至 3 小時
- 建立職能標籤：針對教練、櫃檯、行銷三類職缺建模，媒合準確率達 88%
- 自動排序候選人：面試邀約率提升 35%，錄取者到職後三個月留存率提高 22%
- 異常履歷警示：辨識重複投遞與資料矛盾，節省人資約 40% 覆核工時
小技巧
- 用 ChatGPT 批次改寫職缺描述，統一關鍵詞再餵給篩選模型。
- Claude 讀取履歷後，要求輸出評分表並標註證據句，方便人工複核。
- 在 Notion 建候選人資料庫，欄位記錄 AI 分數與複核結論。
- 用 Zapier 把表單新履歷自動送入 AI 初篩，通過者才通知人資。
- Prompt 加上「僅依職缺條件評分，不推測年齡性別」，降低偏誤。
練習題
本節摘要
- AI 招聘篩選：簡歷、匹配、評估、管理
- 篩選時間從 5 天降到 2 小時
- AI + 人工複核結合
27.3 AI 面試
為什麼學_this？
AI 面試能提高面試效率。
核心教學
AI 面試的應用：
初步面試
- AI 進行初步面試
- 標準化問題
- 評估回答
語音分析
- 分析語調和情緒
- 評估溝通能力
- 提供洞察
技能評估
- AI 測試技術能力
- 評估解決問題
- 客觀評分
面試記錄
- AI 記錄和轉錄
- 生成報告
- 輔助決策
商業範例
一家連鎖健身中心在全台擁有 18 間分店，每年需招募超過 300 名健身教練與櫃檯人員。過去人資團隊僅 3 人，履歷初篩與電話面試常拖延兩週以上，導致熱門教練人選被同業搶走。
- 做法：導入 AI 視訊面試進行初篩，評估 320 名候選人的表達力與服務情境反應，初篩時間從 14 天縮短至 3 天。
- 做法：以 AI 自動評分排序候選人，人資僅需複試前 25% 高分者，面試工時減少 68%。
- 做法：針對教練職缺加入動作示範錄影評分，錄取者試用期通過率由 61% 提升至 82%。
- 做法：AI 面試紀錄同步至門市主管系統，單店招募週期平均縮短 9 天，年度招募成本降低約 24 萬元。
小技巧
- 用 ChatGPT 生成題庫後，請人資逐題改寫成公司專屬情境題。
- 在 Claude 貼上職缺與履歷，請它列出三項待追問的疑點。
- 評分表用 Notion 建立，每題設 1-5 分與必答關鍵字。
- 面試連結與提醒信交給 Zapier 自動寄送，減少人工作業。
- Prompt 註明「僅供初篩參考，最終由人資覆核」再輸出結果。
練習題
本節摘要
- AI 面試：初步、語音分析、技能評估、記錄
- 節省面試時間 70%
- 最終決策仍需人工
27.4 入職培訓
為什麼學_this？
AI 能提升入職培訓效率。
核心教學
AI 入職培訓的應用：
自動化入職
- 自動發送文件
- 自動建立帳號
- 自動安排培訓
新員工助手
- AI 回答問題
- 引導流程
- 提供資訊
個性化培訓
- 根據崗位制定
- 個人化進度
- 持續學習
培訓追蹤
- 追蹤完成情況
- 評估效果
- 提醒進度
商業範例
一家擁有 12 間門市的連鎖健身中心，過去新人教練報到後得花三天跑紙本流程、等排班系統開通，還常因不熟悉場館規範而延誤帶課，導致首月離職率偏高。
- 做法：導入 AI 入職助手自動推播場館安全規範與器材操作測驗，新人當天即可完成必修課，培訓完成率由 68% 提升至 94%。
- 做法：以 AI 對話模擬會員接待與突發狀況應對，新人上線前完成 15 組情境演練，客訴率下降 32%。
- 做法：串接排班與證照系統，AI 自動提醒補件與複訓時程，行政作業時間由 3 天縮短至 4 小時。
- 做法：提供 24 小時 AI 問答助手，新人首月提問回應時間從平均 6 小時降至 3 分鐘，首月留任率提升 21%。
小技巧
- 用 Notion 建立「新員工 Q&A」頁面，將常見問題分成帳號開通、薪資福利、請假流程三類。
- 把 FAQ 內容貼進 ChatGPT，請它改寫成語氣親切的問答，再匯入頁面。
- 用 Zapier 串接表單與 Slack，新員工送出問題時自動通知 HR 並記錄。
- 在 Claude 輸入「依以下手冊回答問題，不確定就說請洽 HR」，生成助手提示詞。
練習題
本節摘要
- AI 入職：自動化、助手、個性化、追蹤
- 入職從 2 天縮短到 2 小時
- 建立新員工助手
27.5 績效評估
為什麼學_this？
AI 能提升績效評估的客觀性。
核心教學
AI 績效評估的應用：
客觀評估
- AI 基於數據評估
- 減少主觀偏見
- 更公平
持續追蹤
- 持續追蹤績效
- 即時反饋
- 早期預警
智能建議
- AI 提供改進建議
- 培訓推薦
- 發展規劃
360 評估
- 整合多維度數據
- 綜合分析
- 全面評估
商業範例
一家連鎖健身中心擁有 12 間分店、約 350 名員工，過去教練與櫃檯人員的考核高度依賴店長印象，導致流動率高、跨店調動爭議頻傳。導入 AI 績效評估後，系統整合會員續約率、課程出席與客訴紀錄，建立一致的評分基準。
- 做法：以續約率與課程達標率自動計分，取代店長主觀打分，考核爭議案件減少 65%。
- 做法：每月自動產出個人回饋報告，教練平均續約率由 58% 提升至 71%。
- 做法：跨店數據統一比對，店長完成考核工時由每季 18 小時降至 5 小時。
- 做法：針對低分項目推送培訓課程，員工年度留任率提升 14%。
小技巧
- 用 ChatGPT 擬 prompt：「根據以下 KPI 數據，列出三項具體表現與兩項待改進，語氣中立」。
- 把主管評語丟進 Claude，請它標出偏見字眼並改寫成可佐證的句子。
- 在 Notion 建評語模板庫，用 Zapier 自動把表單回覆匯入對應員工頁面。
- 要 ChatGPT 產出評語後，逐條核對原始數據，刪掉無紀錄支撐的推論。
練習題
本節摘要
- AI 績效評估：客觀、追蹤、建議、360
- 減少主觀偏見
- 最終決定需管理者
27.6 員工滿意度調查
為什麼學_this？
了解員工滿意度能改善管理。
核心教學
AI 滿意度調查的應用：
自動調查
- 自動發送調查
- 定期進行
- 收集回饋
情感分析
- AI 分析回覆
- 識別情緒
- 發現問題
趨勢分析
- 追蹤滿意度趨勢
- 識別變化
- 預警
行動建議
- AI 提供建議
- 改善員工體驗
- 提升滿意度
商業範例
一家連鎖健身中心，全台 18 間分店、約 420 名員工，長期面臨教練流動率高與跨店支援意願低的問題，總部卻只能靠一年一次的紙本問卷掌握狀況。人資部導入 AI 滿意度系統後，把離職率從 32% 降到 21%。
- 做法：每月自動推播 8 題短問卷給全體員工，回收率由 41% 提升至 87%。
- 做法：以情感分析標記留言，兩週內找出排班與獎金說明的 5 大爭議點。
- 做法：針對高風險分店啟動主管會談，三個月內該類分店離職率下降 9 個百分點。
- 做法：將改善結果回饋給員工，內部推薦入職件數較前一年增加 34%。
小技巧
- 用 ChatGPT 貼上 50 則回饋，下指令「歸納 5 個主題並標註出現次數」。
- 要求 Claude 標出每則回饋的情緒正負向，快速定位抱怨集中點。
- 把 AI 整理結果丟進 Notion 建表，依主題與情緒欄位排序追蹤。
- 用 Zapier 串接表單，新回饋一進來就自動送 ChatGPT 分類。
練習題
本節摘要
- AI 滿意度：自動調查、情感分析、趨勢、建議
- 滿意度提升 25%
- 分析開放式回饋
27.7 薪酬分析
為什麼學_this？
AI 能優化薪酬策略。
核心教學
AI 薪酬分析的應用：
市場比較
- 比較市場薪酬
- 識別差距
- 建議調整
內部公平
- 分析內部公平
- 識別偏差
- 平衡薪酬
薪酬預測
- 預測薪酬趨勢
- 規劃預算
- 優化結構
激勵優化
- 分析激勵效果
- 優化獎勵
- 提升積極性
商業範例
一家擁有 12 間分店、約 350 名員工的連鎖健身中心，長期面臨教練與櫃檯人員流動率偏高的問題。人資主管發現各分店薪資結構不一致，卻缺乏客觀依據來調整，導致招募成本不斷攀升。
- 做法：以 AI 分析各職級薪酬與市場中位數落差，找出 8 個低於市場 12% 的職位；結果：關鍵職位留任率提升 18%。
- 做法：建立績效與薪酬連動模型，自動標示同工不同酬情形；結果：內部薪酬公平性投訴減少 40%。
- 做法：模擬調薪方案對人力成本的影響；結果：年度薪酬預算精準控制，超支降低 9%。
- 做法：每月自動產出流動風險預警名單；結果：主動慰留成功率高達 65%，整體流失率下降 15%。
小技巧
用 AI 做薪酬分析時，這些實操技巧能省下大量時間：
- 把職位說明貼進 ChatGPT，要求輸出市場薪酬區間並附推論依據。
- 用 Claude 分析內部薪酬表，prompt 寫「找出同職級薪資差異超過 15% 的案例」。
- 將薪酬資料匯入 Notion 建立儀表板，搭配 Zapier 自動同步更新數據。
- 請 ChatGPT 生成調薪溝通話術，指定語氣與受眾後再人工微調。
練習題
本節摘要
- AI 薪酬分析：市場、公平、預測、激勵
- 流失降低 15%
- 制定公平薪酬
27.8 流失預測
為什麼學_this？
預測流失能提前挽留人才。
核心教學
AI 流失預測的應用：
風險識別
- AI 識別流失風險
- 綜合多維度數據
- 早期預警
原因分析
- 分析流失原因
- 識別驅動因素
- 針對性改善
挽留建議
- AI 提供挽留建議
- 針對性措施
- 提升保留率
人力規劃
- 預測人員需求
- 提前招聘
- 避免斷層
商業範例
一家擁有 1,200 名員工的連鎖健身品牌，近兩年教練與櫃檯人員流動率偏高，單店每年重新招聘與培訓成本超過 180 萬元，且資深教練離職常帶走固定學員。
- 做法：以排班、加班、客訴與考核資料建立流失風險模型，每週更新名單。結果：成功識別 82% 的高風險員工，提前 4 至 6 週預警。
- 做法：對高風險員工啟動主管一對一訪談與彈性排班調整。結果：高風險群實際離職率由 34% 降至 21%。
- 做法：針對任教 2 年以上教練提供分潤與進修補助。結果：資深教練留任率提升 27%，學員續約率連帶增加 9%。
- 做法：每季回測模型準確度並修正特徵權重。結果：整體流動率一年內降低 30%，人均招聘成本減少約 1.4 萬元。
小技巧
- 用 ChatGPT 把離職訪談紀錄轉成風險標籤，例如「主管衝突、薪資不滿、通勤過長」。
- 在 Claude 貼上職稱與年資，請它列出五個流失前兆指標，再對照內部數據。
- 用 Zapier 串接打卡與請假系統，連續異常自動發 Slack 提醒 HR。
- 在 Notion 建立風險儀表板，每月更新分數並標註已介入的留才行動。
- Prompt 寫法：給 AI 三個月出勤、加班、考核數據，要求輸出高風險名單與理由。
練習題
本節摘要
- AI 流失預測：風險識別、原因、挽留、規劃
- 識別 80% 流失風險
- 提前挽留
27.9 組織設計
為什麼學_this？
AI 能優化組織結構。
核心教學
AI 組織設計的應用：
技能分析
- AI 盤點技能
- 識別缺口
- 規劃發展
編制優化
- AI 分析編制
- 優化結構
- 提升效率
繼任規劃
- AI 預測退休
- 規劃繼任
- 避免斷層
團隊優化
- AI 分析團隊
- 平衡負載
- 提升協作
商業範例
一家擁有 120 間門市的連鎖健身品牌，近年展店速度快，但教練流動率達 35%，店長常抱怨排班與培訓資源錯配，總部也難以判斷哪些職能真正影響續約率。
- 技能盤點：以 AI 分析 480 位教練的證照、授課紀錄與會員評價，找出高續約門市必備的 6 項核心技能，補齊缺口後新人留任率提升 22%。
- 人才發展：依盤點結果自動生成個人化培訓路徑，每月推送 4 門微課程，完訓率從 41% 提高到 78%。
- 組織調整：將 12 間低效門市改為三人小組編制，並由 AI 建議跨店支援排班，人均產值增加 15%。
- 決策儀表板：總部每週檢視技能與績效關聯，把資源集中在前 20% 關鍵職能，年度培訓成本降低 18%。
小技巧
- 用 ChatGPT 梳理職責重疊，輸入「列出以下三個職位的重疊任務」。
- Claude 讀取訪談逐字稿，整理各部門痛點與協作斷點。
- Notion 建立組織圖資料庫，欄位含匯報線與代理人。
- Zapier 串接表單，自動通知職責異動的相關主管。
- Canva 繪製候選組織圖，供會議現場即時比對討論。
練習題
本節摘要
- AI 組織設計：技能、編制、繼任、團隊
- 識別技能缺口
- 策略需人主導
27.10 倫理與合規
為什麼學_this？
HR AI 必須重視倫理和合規。
核心教學
HR AI 的倫理風險：
偏見
- AI 可能產生偏見
- 需檢查和消除
- 確保公平
隱私
- 員工數據保護
- 取得同意
- 合規處理
透明
- AI 使用透明
- 告知員工
- 可解釋
法律
- 遵守勞動法規
- 反歧視法律
- 合規使用
倫理最佳實踐：
商業範例
一家連鎖健身中心擁有 18 間分店與約 420 名員工，過去教練排班與續約預測全靠店長經驗，常出現熱門時段人力不足、冷門時段過剩，且會員資料被跨店任意調閱，引發隱私爭議。
- 做法：導入 AI 排班與續約預測前，每季以歷史資料檢測性別與年齡偏見，並由人資與法務複核。結果：偏見告警由每季 11 件降至 2 件。
- 做法：會員與員工資料分級加密，跨店調閱須二次授權並留存紀錄。結果：未授權存取事件由每月 7 起降為 0 起。
- 做法：向員工與會員揭露 AI 用途與申訴管道，並保留人工覆核排班爭議。結果：相關申訴由每月 15 件降至 4 件，處理時效縮短至 3 天內。
- 做法：每年執行兩次合規稽核，對照個人資料保護法與勞動法規。結果：缺失項目由 23 項減至 3 項，全數於 30 天內完成改善。
小技巧
- 用 ChatGPT 生成招募文案前，先以 prompt 要求「去除年齡、性別、婚姻暗示詞」，再人工複核。
- 把候選人資料輸入 Claude 分析時，先刪除姓名、照片與身分證號，僅保留職能關鍵字。
- 在 Notion 建立 AI 使用紀錄表，逐筆登記工具名、prompt 與輸出，供合規稽核調閱。
- 用 Zapier 設定警示，凡涉及種族、健康、宗教欄位被 AI 引用時自動通知法務。
練習題
本節摘要
- 倫理風險：偏見、隱私、透明、法律
- 最佳實踐：審核、保護、透明、監督、合規
- HR AI 重視倫理
27.11 課程總結
課程總結
下一步學習
- C-28 AI 教育與企業培訓：培訓應用
- C-30 AI 專案管理與導入：專案管理
- C-29 AI 資安風險與防護：安全
© 2026 Buddylala.ai — Build Your AI Future, Together.