重點摘要： 這是 WeFer 對 AI 與招募分工的立場。理由不是樂觀，是招募這件事的結構：AI 能加快研究與整理，卻不能替使用者承擔判斷的後果。這篇會分清楚目前已確認的工具用途、WeFer Academy 的教學邊界，以及仍要由人負責的三種判斷；產品輸出形式與固定流程沒有資料就不代填。

「AI 會不會取代招募」這個問題，答案取決於你認為招募在做什麼。

如果招募是把履歷從一邊搬到另一邊，那它早就該被取代了。實際上那從來不是這份工作的主體。

這個判斷從哪裡來

先看招募實際的組成。一個案子從接下來到人選入職，要完成的是五件事：搞懂職缺真正要什麼、主動把對的人找出來、用同行語言建立信任、做判斷只推合適的人、陪跑面試到入職。完整拆解在〈一位 Recruiter 真正要完成的 5 個工作〉。

把 AI 放進去對一遍會發現：它在第二件事上幫得非常多，在第一、三、四、五件上幫得有限。

原因很具體。AI 處理的是可以被檢索、被整理、被複製的東西；而招募的難處在四個地方剛好都不是：一份職缺說明上沒寫的部分、一通電話裡對方沒說出口的猶豫、一個判斷錯了要由誰負責、以及 offer 階段那些只有人願意講給人聽的真實考量。

台灣新人到職六個月僅約 65% 仍在職（資料來源見文末）。這個數字沒有拆解離職原因，但它指出一件事：媒合當下的判斷會一路延伸到留任，而這種需要有人承擔後果的決定，工具接不下來。

「放大」具體是什麼意思

AI 放大顧問的三個位置

不是抽象的賦能，是三件可以指出來的事。

第一，把準備的時間壓縮，讓對話變深。

以前打一通電話前要花很久讀資料，現在 10 分鐘就能把公司、職缺、人選背景的脈絡收攏。省下來的時間不是拿去多打幾通，是讓那一通打得更深。做法在〈打電話前的 10 分鐘〉。

第二，把重複的整理搬走，讓判斷的比重提高。

草擬第一版訊息、整理筆記、把職缺翻成搜尋條件，這些以前佔掉不少時間。搬走之後，同樣的工時裡「在做判斷」的比例提高了，而判斷正是這一行複利的來源。

第三，讓沒有背景的人補得比較快。

過去要理解一個陌生產業要花很久，現在可以快很多。這一點直接關係到 WeFer 的立場：產業背景是很大的加分，但不是必須；市場上也有沒有產業背景、靠做中學練到很深的顧問。工具讓這條路更好走。

WeFer 已確認的 AI 使用範圍

WeFer 持續開發 AI 診斷與 AI matching（用 AI 比對職缺與人選適配度）工具。目前能確認的用途是：協助顧問在更短時間內判斷產業與人選的適配度。

注意這句話的主詞是顧問。現有資料沒有說明工具會提供分數、排序、問題清單或其他介面，也沒有說明是否自動排除人選，因此本文不替產品補上這些細節。可以確認的是，推薦與否需要顧問做判斷；平台另有具招募經驗的 Key Account（WeFer 對口企業客戶的窗口）團隊負責把關與整理，但現有資料不足以把兩者寫成每一案都相同的固定交付順序。

WeFer Academy 的教學邊界則更清楚。〈電話前的準備〉那一課教的是用 AI 做雙向偵查：人選端找職涯疑點與值得深挖的轉職節點，公司端拆解職缺與公開資訊、整理核心賣點與近期動態。課程把 AI 用在研究、整理與提出待驗證的問題，不是用來代替顧問判斷人選是否適任。這是課程原則，不應自行延伸成平台工具的介面或自動化政策。

三個仍要由人承擔的判斷

三件不交給工具的事

AI 可以參與前面的準備，但以下三件事仍需要有人說明依據並承擔後果。

第一，要不要推薦一位人選。 WeFer Academy 的教材把 AI 放在研究、整理與提出待驗證問題的位置，不替顧問判斷人選是否適任。顧問若決定推薦，就要能說明履歷之外的依據與仍待確認的風險。

第二，開場訊息要不要送出。 AI 可以協助草擬，但顧問仍要確認內容是否符合這位候選人的脈絡。人對訊息的信任程度跟訊息來自誰高度相關，Nielsen 的廣告信任度調查顯示，約 89% 的受訪者最信任認識的人給的推薦，而網紅式的廣告信任度僅約 23%（情境不同，但方向一致；資料來源見文末）。WeFer Academy 教的順序是先做研究，再用同行語言開對話；這裡談的是工作方法，不是平台的群發功能政策。

第三，能不能把 AI 的推論當事實對外講。 不行。講出口之前要能說出來源，並知道哪些地方仍待驗證。這條界線在〈如何讓 AI 成為你的研究助理，而不是替你下招募結論〉裡有完整拆解。

這個立場的風險，誠實講

這不是一個穩贏的判斷，有兩個地方可能被推翻。

一、如果判斷本身變成可自動化的。 目前看不到，但技術方向不會提前通知。真正的護城河不是「AI 做不到」，是「有人願意為結果負責」，而後者不是技術問題。

二、如果市場只買速度。 如果企業端最後只在意誰先送履歷，那深度就沒有溢價空間。從 WeFer Key Account 團隊與企業客戶的合作經驗看，越難招的職缺越不是這樣，但這一點值得誠實承認是假設而不是定論。

至於整體環境，世界經濟論壇《2025 未來工作報告》預估到 2030 年職場核心技能將有約 39% 改變，約 77% 的雇主計畫以技能提升因應（資料來源見文末）；LinkedIn Talent Solutions 的《Future of Recruiting 2024》則顯示約 27% 的招募專業人士已使用或試用生成式 AI，約六成對 AI 抱持樂觀（資料來源見文末）。方向是清楚的，速度還在變。

Choc Chiang｜WeFer Co-Founder
Choc 有 7 年招募產業背景，獵頭時期從顧問一路晉升到主管、帶領顧問團隊，主攻中高階產業開發（醫療、能源、工業、B2B Tech），多次成為公司 Top Biller（業績排名第一的顧問）。2024 年共同創辦 WeFer，主導 product、business growth 與 AI 工具開發，從零打造 Notion CRM、Cloudflare Workers backend 與 AI matching（比對職缺與人選適配度）工具。

想知道工具普及之後還剩什麼優勢，〈當所有 Recruiter 都用 AI，真正的競爭優勢會剩下什麼〉可以接著看；想開始，WeFer Academy 可以免費加入，先看 13 分鐘的「Understand the Game」，通過審核、正式加入後解鎖完整課程、平台職缺與一對一 mentor。

常見問題

Q：WeFer 的 AI matching 會直接決定推薦誰嗎？
A：目前能確認的是，工具用來協助顧問更快判斷產業與人選的適配度，推薦與否仍需要顧問判斷。現有資料沒有說明工具的輸出形式、自動排除規則或固定交付流程，因此本文不替產品做這些承諾。

Q：那企業拿到的履歷是 AI 篩的還是人篩的？
A：不能只靠現有資料把流程簡化成其中一種。可以確認的是，顧問負責推薦判斷，平台另有具招募經驗的 Key Account 團隊做把關與整理；是否每一案都依固定順序流轉，仍需以 WeFer 當期流程為準。

Q：不會用 AI 的顧問會被淘汰嗎？
A：短期會慢一點，但工具是可以教的部分。真正難補的是產業縱深與判斷力，時間該投在那裡。

Q：AI 讓入行變簡單了嗎？
A：讓其中一段變簡單，也就是理解陌生產業與整理資料那一段。要靠案子換的校準沒有變快，因為招募的回饋週期本來就是好幾個月。

Q：這個立場會不會只是因為 WeFer 靠顧問賺錢？
A：立場確實跟商業模式一致，這一點沒有必要迴避。可以檢驗的是已公開的兩層資訊：WeFer 的工具用來協助顧問更快判斷適配度；WeFer Academy 把 AI 放在研究、整理與提出待驗證問題。工具實際輸出、是否自動排除與固定交付節點，目前仍待確認。

參考資料與延伸閱讀

權威來源：