你花了一個晚上改履歷。
把工作經驗重新整理。
把職缺要求一條一條對照。
最後按下：
送出申請。
接下來，
你以為自己的履歷會進到某個人資的收件匣。
有人打開。
有人看。
然後決定：
要不要找你來面試。
但現在，
有些公司的流程可能不是這樣。
你的履歷進去以後，
第一個「看你」的，
可能根本不是人。
而是一套 AI。
一名有近 20 年經驗的產品經理，四年來沒有得到一次面試
Erin Kistler 是一名美國產品經理。
根據《Guardian》2026 年 8 月 19 日報導，她表示自己擁有接近 20 年工作經驗，過去四年申請了包括 PayPal、Microsoft、Netflix 等公司的數千個職缺，卻沒有拿到一次面試。
今年 1 月，
她與另一名求職者 Sruti Bhaumik 對 AI 招募公司 Eightfold AI 提起集體訴訟。Reuters 報導指出，原告主張 Eightfold 在求職者沒有充分知情的情況下，產生與就業有關的 AI 評估，違反美國《公平信用報告法》等消費者保護規則。Eightfold 否認相關指控。
這裡一定要先說清楚：
目前沒有證據證明 Erin Kistler 這四年沒有面試，就是 Eightfold AI 造成的。
這是訴訟中的主張。
不是法院已經確認的事實。
Eightfold 也向《Guardian》表示，相關指控「沒有根據」，公司會積極抗辯。
但這場官司真正值得關心的，
不是：
「這家公司到底有沒有害她找不到工作？」
而是另一個更大的問題：
如果 AI 已經在你不知道的情況下替你評分，而且這個分數可能影響人類要不要先看你的履歷，你要怎麼知道自己到底輸在哪裡？
Eightfold 到底在做什麼？
Eightfold 是一套企業人才與招募平台。
《Guardian》報導指出，平台建立大量人才資料，並利用 AI 評估候選人與工作的匹配程度。
在這起訴訟中，
原告指控 Eightfold 會替求職者產生 0～5 分的預測評分，
用來估計一名候選人在特定工作上可能有多適合或多成功。
這個分數可能影響：
誰排在前面，
誰優先被看見，
誰比較可能進入下一個招募階段。
注意：
這不等於已經證明 Eightfold 會自動把所有低分履歷刪掉。
這正是訴訟雙方仍在爭論的事情。
真正已經浮上檯面的問題，
是 AI 已經可以在：
「人類正式認識你之前」
先產生一套對你的預測。
最簡單的比喻：你有一份自己看不到的「求職信用分數」
假設今天你去銀行借錢。
銀行查了你的信用資料。
如果信用報告裡出現錯誤，
例如：
不是你的欠款，
已經繳清卻還顯示未繳，
或某筆資料根本不是你，
至少制度上存在一個重要概念：
你有機會知道報告裡寫了什麼，也有機會提出異議。
這也是這起官司其中一個核心論點。
原告律師主張，
如果 AI 招募系統大量蒐集個人資料，
再把它整理成一個會影響工作機會的評估，
那這種東西就很像：
「求職者信用報告」。
問題是，
很多求職者甚至不知道：
這份東西存在。
如果 AI 給你 1.8 分，你可能永遠不知道
想像一下。
你投了一份工作。
AI 給你：
1.8 分。
另一個候選人：
4.6 分。
人資每天有 1,000 份履歷。
他不可能全部慢慢看。
於是系統先把高分的人排在前面。
人資從最上面開始。
看到第 100 份，
已經找到足夠多人面試。
你的履歷排在第 713。
根本沒有人看到。
最後你收到：
「感謝您的申請，我們決定繼續考慮其他候選人。」
這個例子是 SasaDaily 為了解釋風險所做的假設情境，
不是 Eightfold 已被證明實際這樣處理 Erin Kistler。
但它可以讓我們看懂：
排序本身，就可能是一種決定。
AI 不一定需要按下：
「拒絕。」
它只要讓你的履歷一直排在後面，
結果可能就和拒絕很接近。
以前被一個主管拒絕，你還可以換一家
這件事還有另一層風險。
以前求職，
A 公司的人資覺得你不適合。
沒關係。
你可以去 B 公司。
B 公司有另一個主管。
另一套標準。
另一種價值觀。
也許 A 公司不喜歡你的跨產業經驗，
B 公司卻正好覺得：
「我們就是需要這種人。」
但如果很多公司開始使用相同或非常相似的 AI 招募系統，
事情可能變得不一樣。
研究者把這種風險稱為：
algorithmic monoculture。
白話就是：
大家開始用太相似的演算法看人。
《Guardian》引述研究者指出，如果相同的演算法邏輯被很多雇主採用，一個候選人可能不只是被一家公司低估，而是在不同公司裡反覆遭遇類似排序結果。
就像全世界老師突然都用同一份答案批作文
假設以前有十位老師。
同一篇作文，
有人喜歡創意，
有人重視結構，
有人喜歡證據，
有人覺得你的風格很有特色。
所以就算第一個老師給你 60 分，
下一位可能給 90 分。
現在假設十位老師全部使用：
同一套 AI 評分器。
如果這套評分器不喜歡某種寫法，
你換老師也沒有用。
因為真正評分你的，
還是同一種邏輯。
這就是演算法單一化真正讓人擔心的地方。
不是 AI 一定比人更有偏見。
而是：
同一種偏差可以被大量複製。
AI 的問題甚至可能來自「看起來很合理」的資料
招募系統最難處理的地方，
是它不是在算：
1＋1 等於多少。
它在預測：
「這個人未來適不適合這份工作？」
這裡沒有一個永遠正確的答案。
因為人的職涯很複雜。
例如：
一個人五年換了四份工作。
AI 可以解讀成：
不穩定。
但另一個人資可能解讀成：
每次都在升級能力。
一個人中間空白兩年。
系統可能看到：
職涯中斷。
但真正原因可能是：
照顧家人、
創業、
進修，
甚至只是碰上景氣不好。
一名 50 歲求職者擁有 25 年經驗。
某些模型可能覺得：
技能老化風險比較高。
另一家公司卻可能正好需要：
管理經驗、
客戶判斷、
產業關係。
人的履歷不是數學答案。
這也是為什麼：
預測分數愈方便，愈容易讓人忘記它只是預測。
但也不能說：AI 招募全部都不該用
公司確實有一個現實問題。
熱門職缺可能一次收到：
數百份，
甚至數千份履歷。
如果全部由人逐份閱讀，
時間與成本非常高。
所以 AI 可以做很多合理的事情。
例如：
整理履歷格式，
確認是否缺少必要證照，
把工作經驗整理成一致結構，
協助安排面試，
整理面試紀錄，
甚至先進行標準化的資料蒐集。
《Guardian》訪問的醫療人才平台 Incredible Health 就提供 AI 電話訪談，但執行長表示，他們的 AI 不會自動拒絕、不替候選人排名，也不決定誰進入下一關，而是先蒐集資訊，最後交給真人判斷。
這裡的差別非常重要。
AI 可以：
幫人資看得更快。
和：
AI：
決定誰值得被看。
這是兩種完全不同的權力。
公司說「最後還是人決定」，真的就沒問題嗎？
不一定。
假設 AI 已經先把 5,000 個人排成：
1 到 5,000 名。
然後人資只看前 100 名。
最後確實是：
人類決定誰面試。
但真正決定：
哪些人有資格進到人類眼前
的，
可能早已經是 AI。
所以未來討論 Human-in-the-Loop，
不能只問：
「最後是不是人按下錄取？」
還要問：
人類到底從哪一步開始參與？
如果人只負責看 AI 挑好的那群人，
那 AI 仍然擁有很大的前置決定權。
最難受的其實是：你不知道問題在哪裡
假設今天你面試失敗。
主管告訴你：
「你的英文能力還不符合這個職位。」
你至少知道：
下一次可以加強英文。
或者：
這份工作不適合我。
但如果你永遠只收到：
「感謝您的申請。」
你不知道：
履歷有沒有人看過？
AI 有沒有評分？
評分用了哪些資料？
資料是不是正確？
是不是抓到同名不同人的資訊？
是不是某一段工作經歷被錯誤理解？
那你連：
要改善什麼
都不知道。
更不要說申訴。
這正是 AI 黑箱真正讓求職者無力的地方。
所以真正重要的可能不是「禁止 AI」，而是讓你知道 AI 做了什麼
AI 招募未來最需要的，
可能不是一句：
「不得使用 AI。」
而是更具體的規則。
例如：
求職者要知道 AI 是否參與篩選。
如果有評分，
應該知道評分大致依據什麼。
如果外部資料被用來判斷，
應該能知道資料來源。
如果資料錯誤，
要有辦法更正。
如果 AI 的結果會真正影響面試機會，
公司應該定期檢查：
不同族群是不是受到不合理差別待遇。
而且最重要的是：
人類必須真的有機會重新看一個被 AI 排在後面的人。
紐約市自 2023 年起，已對部分用於招募與升遷的自動化就業決策工具要求偏差稽核與通知；Illinois、Colorado 等地也逐步建立與 AI 就業歧視相關的規則。
這些制度還在發展，
但方向很清楚：
AI 可以參與工作，
不能因為它叫 AI，就變成不需要解釋。
這場官司最後誰會贏，現在還不知道
這點一定要留下。
Kistler 與另一名原告提出的，
目前是訴訟中的指控。
Eightfold 否認相關說法。
法院還沒有因為《Guardian》的一篇報導，
就認定：
Eightfold 歧視求職者，
也沒有認定：
Erin Kistler 四年沒有面試就是 AI 導致。
所以這篇真正要討論的，
不是替官司先判決。
而是這場官司讓我們第一次很具體地看到：
當 AI 從：
寫履歷、
幫你準備面試，
一路走到：
替公司判斷「誰比較值得看」
AI 的角色就完全改變了。
它不再只是工具。
它開始接近：
機會的守門人。
AI 最可怕的判斷，不一定是判斷錯
如果 AI 說錯一個歷史年份，
你可以查資料。
如果 AI 寫錯一封 Email，
你可以修改。
可是如果 AI 對你做了一個錯誤判斷，
而那個判斷發生在：
你根本看不到的地方，
真正可怕的不是只有：
它判斷錯。
而是：
你不知道自己被判斷過。
不知道依據什麼。
不知道怎麼修正。
甚至不知道：
到底有沒有人真正看過你的履歷。
所以今天真正值得記住的，
不是：
AI 會不會取代人資。
而是：
當 AI 開始替人類分配「誰先得到機會」，被它評分的人是否也應該有權知道自己是怎麼被評分的？
因為工作機會不是：
推薦哪一部電影，
也不是：
哪雙鞋排在搜尋結果第一名。
一次排名，
可能決定一個人：
有沒有面試，
有沒有收入，
甚至下一段人生能不能開始。
AI 最可怕的判斷，
不一定是它判斷錯。
而是：
它已經影響你的機會，你卻連自己被它判斷過都不知道。
今天，和 AI 一起進步一點。
每天學會一個 AI 技巧。
每天節省一點時間。
每天提升一點能力。
SasaDaily，陪你一起成長。
