HR 人資怎麼用 AI？完整教學：10 大工作情境拆解，可複製 Prompt 一次看

一個職缺湧入上百封履歷、開了兩個月還沒補進人、員工三不五時來問特休怎麼算，人資的時間被大量重複性文書作業吃掉。生成式 AI 看似能解，但人資手上握的是履歷、薪資、考績這類高度敏感的資料，工具用錯地方，省下的時間可能換來一張罰單。

這篇文章先釐清人資的工作範圍，再拆解招募選才、訓練發展與績效、員工關係與勞動法遵 3 大領域中的 10 個具體場景。每個場景都附上可複製的 Prompt，參考 OpenAI、Anthropic、Google 官方資源，並依台灣人資的實務需求延伸設計，以及台灣勞動法規下必須留意的界線。

目錄

• 人資的工作內容有哪些？
• 用 AI 之前，人資該有的心法
• 人資可以怎麼用 AI？10 大情境＋可複製 Prompt
• 本次引用的官方資源與示範情境
• 人資用 AI 的常見誤區
• 常見問題 FAQ

人資的工作內容有哪些？

人力資源管理的定義與「選、訓、用、退」

根據《經理人》整理，人力資源管理（human resource management）「主要牽涉到在組織內對人員的安排與發展」。學界與實務界常用「選、訓、用、退」概括人力資源管理的 4 大功能，也就是選拔員工、訓練員工、任用員工，以及員工的退休撫卹。

這 4 大功能展開後，就是人資每天在處理的事：招募與甄選、教育訓練、任用與績效評估、升遷制度，以及離職、資遣、退休與撫卹等。

人資的 3 大工作領域與常見產出

把上述功能對應到實際交付物，可以整理成下表。這張表也是本文 10 大情境的分類依據。

104 調查中的人資工作情況：3 組數據

以下數據出自 104 人力銀行《2025 年人資 F.B.I 調查報告》，調查期間為 2024 年 12 月至 2025 年 3 月，描述的是 2024 年的狀況，可視為近期趨勢參考，而非當年度即時數字。

• 招募週期拉長：企業平均找到一位員工需 60.3 天，較 2023 年增加 5.9 天；主管職需時更長，平均 77.9 天。
• 人才培育普遍遇到難題：有進行人才培育的企業占 73.3%，而這些企業中有 90.8% 在培育或管理上遇到難題。
• AI 用途以撰寫 JD 與問答最常見：36.5% 企業在調查所指的過去 2 年內曾使用 AI 完成人資作業；在這些企業中，53.2% 用於協助撰寫職缺內容、40.5% 用於以聊天機器人處理人事問題。

換句話說，在這份調查列出的使用項目中，AI 在人資的落點集中在「寫東西」與「回答問題」這 2 類任務上。

用 AI 之前，人資該有的心法

分清楚哪些工作適合交給 AI

波士頓顧問公司（Boston Consulting Group，下稱 BCG）在 2024 年 7 月發布的人資 AI 簡報中列示，生成式 AI 對人資的效益潛力包括：部分行政流程的生產力提升可超過 90%、招募時間縮短 50%、人資業務夥伴（HR Business Partner）與招募人員的生產力提升 20～40%。這些是特定環節的潛力值，不是所有人資作業都能達到的幅度。

以下是本文的編輯判斷，而非上述簡報的結論：建議從可核對的資訊整理與文書工作開始，把 AI 定位為資料與分析助手，涉及人的決策則由具權責者審核。

適合交給 AI 的工作，包括把零散的職缺需求整理成完整 JD、把 200 份離職問卷的開放式回覆歸納成主題、把冗長的員工手冊改寫成員工看得懂的版本。

不建議完全交給 AI 的工作，則是錄取與否、考績等第、調薪幅度、資遣名單，這些決定涉及當事人的權益與法律責任，本文建議把 AI 的輸出當成整理後的素材，並建立由具權責者判斷、留下紀錄的複核機制。

借用 Google 的 Prompt 4 要素當成填空模板

Google 在 Gemini for Google Workspace 提示詞指南（2024 年 10 月版）中，把撰寫 Prompt 時要考慮的重點歸納為 4 個面向：角色（Persona）、任務（Task）、脈絡（Context）、格式（Format）。

該指南同時說明，不是每一則 Prompt 都需要 4 項齊備，並提到成效最好的 Prompt 平均約 21 個英文單字並帶有相關脈絡，但人們實際輸入的 Prompt 通常不到 9 個英文單字。這是該版指南對使用者提示的觀察，不是最佳字數公式。

這套 4 要素是 Google 提出的框架，另外 2 家並未提出相同分類，但在「講清楚、給脈絡」這點上方向一致。

Anthropic 在 Claude 的 Prompt 撰寫最佳實務中給了一個更具體的比喻：「把 Claude 想成一位聰明但對你的規範與工作流程毫無背景知識的新進員工，你解釋得愈精確，結果就愈好。」該文件並建議，說明指令背後的動機能讓模型更準確地達成目標，以及「告訴模型該做什麼，而不是不該做什麼」。

OpenAI 的 Prompt 撰寫最佳實務則強調清晰具體與迭代：先給出初版 Prompt，檢視回應後再調整措辭、補上脈絡或簡化請求。

對人資來說，這 4 個要素可以固定成一組填空：角色寫「熟悉台灣勞動法規的資深招募人員」，任務寫「撰寫一份職務說明書」，脈絡放進公司規模、部門、職缺條件，格式則指定「分成六個段落，每段不超過 100 字」。本文後面的 Prompt 依各自任務需要選用這些要素，不是每一則都四項齊備。

人資使用 AI 特別需要注意的 4 件事

人資經常處理求職者與員工資料，也參與影響當事人權益的決策，使用 AI 時尤其需要注意以下界線。這 4 點在後續 10 個情境中會反覆適用，因此集中說明一次。

第一，個人資料的使用需要合法依據，不是改個代號就沒事。

履歷、薪資、考核紀錄都屬於《個人資料保護法》（下稱個資法）規範的個人資料。把姓名改成「候選人 A」能降低風險，但經歷、學校、任職公司的組合仍可能辨認出本人，改名之後仍是個資。

使用前應確認公司核可的工具及方案，檢查資料是否供模型訓練、保存期限與存取權限，部分企業方案預設就不以組織資料訓練模型，而不供訓練也不等於不保存，並依目的及必要性減少提供的個資。這些措施不能取代資料蒐集、處理及利用是否合法的判斷。

第二，健檢報告等敏感資料受到更嚴格的限制。

依個資法第 6 條，病歷、醫療、健康檢查等個人資料原則上不得蒐集、處理或利用，例外情形由該條列舉。這類資料不應為了「請 AI 幫忙整理」而被放進通用對話工具。

第三，不得基於法定歧視事由作不公平、不合理的差別待遇，而不是文件裡出現這些字眼就違法。

《就業服務法》第 5 條第 1 項規定，雇主招募或僱用員工，不得以種族、階級、語言、思想、宗教、黨派、籍貫、出生地、性別、性傾向、年齡、婚姻、容貌、五官、身心障礙、星座、血型或以往工會會員身分為由，予以歧視，違反者可處新臺幣 30 萬元以上、150 萬元以下罰鍰。換句話說，JD 中寫「需具備身心障礙者服務經驗」不等於歧視；在沒有法定依據的情況下任意設下「限 30 歲以下」這類條件，才是要檢查的對象。

真正要看的是這些特徵有沒有被用於與工作無關、不公平或不合理的篩選；法律另有明文規定者，仍須依該規定判斷。另外，同條第 2 項第 2 款禁止雇主要求提供非屬就業所需的隱私資料；不能只因當事人同意提供，就認為雇主可以免責。這是另一條獨立的規定，與歧視的判斷標準不同，不應混為一談。

第四，本文建議為對外文件建立人工查核機制。
AI 會在法規條號、金額、期限上生成看似合理但錯誤的內容。凡是要寄給求職者、公告給全體員工、或送進勞資會議的文件，都應回到現行法規條文與公司制度原文核對。

人資可以怎麼用 AI？10 大情境＋可複製 Prompt

以下 10 個情境依「招募選才」「訓練發展與績效」「員工關係與勞動法遵」排列。每個情境會標明所參考的官方資源，以及該 Prompt 有哪些部分是本文另外延伸設計的。方括號內為需自行替換的欄位。

情境 1：撰寫與健檢職務說明書（JD）

工作場景：用人主管口頭交代「找一個會做數位行銷的」，人資得把模糊需求轉成一份說得清楚、又不踩法規紅線的 JD。

參考資源與延伸設計：JD 主體參考 Google Workspace 的人資提示詞頁面所提供的範本，原文節錄為

Google Workspace 學習中心另提供以既有 JD 產出 2 種職缺貼文版本的 Prompt。薪資揭示與歧視事由的檢核欄位為本文依台灣法規新增。

可複製 Prompt

提醒：依《就業服務法》第 5 條第 2 項第 6 款，提供職缺的經常性薪資未達新臺幣 4 萬元時，雇主應公開揭示或告知其薪資範圍，違者依同法第 67 條第 1 項處新臺幣 6 萬元以上、30 萬元以下罰鍰。這項規定自民國 107 年 11 月 30 日施行，據 2026 年 8 月 6 日報導，勞動部當時研議將門檻改為與最低工資連動，仍在法制作業階段；本次查證時現行法仍規定為未達新臺幣 4 萬元。

情境 2：履歷初篩與結構化比對

工作場景：一個職缺收到上百封履歷，人資需要在有限時間內，把每份履歷與 JD 的符合程度整理成可比較的格式，再交給用人主管。

參考資源與延伸設計：以下履歷比對 Prompt 為本文設計，結構參考 Anthropic 在 Claude 的 Prompt 撰寫最佳實務中提出的通用技巧，當 Prompt 同時混合指令、脈絡、範例與變動輸入時，使用 XML 標籤能讓模型明確拆解各區塊；該文件針對長文件輸入另建議把文件放在 Prompt 前段、問題放在後段，並要求模型先引用文件中的相關段落再作答。

可複製 Prompt

提醒：去除姓名、電話、身分證字號與地址是最低限度，但學經歷的組合仍可能指向特定個人，處理過的內容依然是個資，確認工具的資料訓練與保存政策也不等於完成合規判斷。另外，不要要求 AI 從履歷推測年齡、性別、婚姻狀況；若將這些特徵用於與工作無關、不公平或不合理的篩選，可能涉及《就業服務法》第 5 條第 1 項所規範的就業歧視；法律另有明文規定者，仍須依該規定判斷。

情境 3：設計行為面試題庫

工作場景：面試官每次都問「請自我介紹」「你的優缺點是什麼」，問不出具體行為證據，不同面試官的問題也不一致。

參考資源與延伸設計：題目主體參考 OpenAI Academy 的人資使用情境頁面所提供的行為面試題 Prompt，原文節錄為

Google Workspace 的人資提示詞頁面則提供以上傳的 JD 產出 20 題開放式面試題的 Prompt。「想驗證的能力」與追問欄位為本文新增。

可複製 Prompt

提醒：依《就業服務法》第 5 條第 2 項第 2 款及同法施行細則第 1-1 條，雇主不得要求求職者提供非屬就業所需的隱私資料，隱私資料包括生理資訊（基因檢測、藥物測試、醫療測試、指紋等）、心理資訊（心理測驗、誠實測試、測謊等）與個人生活資訊（信用紀錄、犯罪紀錄、懷孕計畫、背景調查等），面試題庫產出後應逐題比對。施行細則並要求雇主有就業所需的必要性，且與應徵工作有正當合理關聯，因此並非所有心理測驗或背景查核一概違法，需就個案判斷。

情境 4：面試評分表與錄取、婉拒通知

工作場景：3 位面試官給的評語各自為政，難以橫向比較；面試結束後，錄取與婉拒的信件又得一封一封重寫。

參考資源與延伸設計：面試評分表的構面與行為錨點為本文設計，本文所引用的頁面未提供對應範本；2 封通知信參考 Google Workspace 的人資提示詞頁面，錄取通知 Prompt 節錄為

可複製 Prompt（面試評分表）

婉拒信 Prompt 原文為（完整引用）

可複製 Prompt（錄取與婉拒通知）

提醒：婉拒信是否提供具體理由，依個案與公司政策決定；若提供，應真實、與職務相關，避免歧視及未經查證的評斷，官方範例對此未給出通則。錄取通知中的薪資、職稱、到職日則必須與內部核定文件一致，由人工確認後再寄出。

情境 5：規畫新人首周到職計畫

工作場景：新人第一天報到，卻沒人知道他該坐哪、找誰領設備、第一周要見哪些人，體驗直接影響留任。

參考資源與延伸設計：Anthropic 提供新人首周指南的使用情境，以下節錄其 Prompt 前半段，原文為

（後段另要求 Claude 搜尋行事曆、團隊頻道與已上傳文件，並指定版面風格），並建議採「先描述任務、再提供脈絡文件」的兩段式做法；該範例的前提是已啟用行事曆整合並上傳員工手冊等文件。

OpenAI Academy 亦提供 5 日到職排程 Prompt，原文節錄為

可複製 Prompt

提醒：Prompt 中「文件沒提到就標示待補」這句，用意是把缺漏資訊的處理方式直接寫成指令，而非留給模型自行判斷，這呼應 Anthropic 最佳實務中「告訴模型該做什麼，而不是不該做什麼」的建議。這能明確表達對缺漏資訊的處理要求；是否落實仍須逐項人工核對。

情境 6：訓練需求分析與課程大綱

工作場景：年度訓練預算下來了，但課程清單多半沿用去年，說不清楚哪些能力缺口需要補。訓練主題有沒有對準真正的能力缺口，是編列預算前值得先檢查的問題。

參考資源與延伸設計：能力缺口 3 分類與成效衡量方式為本文設計；訓練規畫的思路參考 OpenAI Academy 的分階段合規訓練 Prompt，原文節錄為

Google Workspace 的人資提示詞頁面則提供個人化學習發展計畫 Prompt，原文節錄為

該範例原本設定的對象是新進人員，本情境將它延伸到既有團隊的能力缺口。

可複製 Prompt

提醒：輸出第 2 點的「哪些缺口不應該用訓練解決」是這個 Prompt 的重點。人力配置、流程設計或工具缺乏造成的績效落差，通常不能只靠訓練解決，先分流才不會把預算花在錯的地方。

情境 7：績效面談準備與個人發展計畫

工作場景：到了考核季，主管要面談 8 位部屬，卻不知道除了分數還能談什麼，面談往往在 15 分鐘內草草結束。

參考資源與延伸設計：面談問題部分參考 OpenAI Academy 的人資使用情境頁面，原文節錄為

回饋結構、面談中的反應應對與個人發展計畫表格為本文設計，本文所引用的頁面未提供對應範本。

可複製 Prompt

提醒：績效等第與調薪幅度應由主管依公司制度核定，AI 輸出僅作為面談準備素材。面談紀錄涉及員工個資，不建議把完整考核紀錄上傳至未經公司核可的工具。

情境 8：員工手冊與內部政策改寫

工作場景：員工手冊寫得像法條，沒人看完，同樣的問題人資每周回答 3 次。前述調查中已使用 AI 處理人資作業的企業裡，以聊天機器人處理人事問題是第二常見的項目。

參考資源：OpenAI Academy 的人資使用情境頁面提供政策摘要 Prompt，原文節錄為

以及員工端常見問答 Prompt，原文節錄為

Google Workspace 學習中心則提供政策改寫 Prompt，原文節錄為

可複製 Prompt

提醒：輸出第 3 點可作為人資進一步檢視的候選清單，確認後再決定是否修訂。改寫版對外公告前，應由人資逐句比對原文，確認條件、期限與金額未被改動。

情境 9：員工意見調查設計與開放式回覆歸納

工作場景：年度員工調查回收 400 份問卷，選擇題容易統計，但開放式欄位的幾百則文字沒人有時間讀完。

參考資源與延伸設計：問卷題目參考 OpenAI Academy 的人資使用情境頁面所提供的 Prompt，原文節錄為

Google Workspace 的人資提示詞頁面亦提供產出員工敬業度調查題目的 Prompt。開放式回覆的歸納流程、計數口徑與對照表要求為本文新增。

可複製 Prompt（問卷設計）

可複製 Prompt（開放式回覆歸納）

提醒：開放式回覆常含有可識別特定同仁的敘述。建議在內部先把姓名、部門、職稱與可辨認的事件細節概括化，但保留判讀制度問題所需的資訊，並另存一份可回查的對照版本；模型引用的是你提供的處理後版本，不是未經處理的原文。第 2 點要求引用，是為了讓人資能回頭驗證歸納結果是否失真。

情境 10：離職面談題目設計與離職原因歸納

工作場景：離職面談多半停在「找到更好的機會」這類表面答案，累積一年的離職紀錄也沒被系統性分析。把這些紀錄歸納起來能提供改善線索，但仍須與員工意見調查、工作條件等其他資料交叉驗證。

參考資源與延伸設計：離職原因歸納參考 OpenAI Academy 的人資使用情境頁面，原文節錄為

該頁另提供員工流失資料分析 Prompt，原文節錄為

離職面談的 5 個面向與追問句設計為本文延伸，本文所引用的頁面未提供訪談題綱範本。

可複製 Prompt（離職面談題目）

可複製 Prompt（離職原因歸納）

提醒：離職原因分析的結論會影響制度調整方向，案例數少時容易過度推論。Prompt 中要求揭露資料範圍與案例數，並區分觀察、假設與待驗證結論，用意是讓後續討論回到證據強度上。

本次引用的官方資源與示範情境

以下整理本文 10 個情境所引用的官方資源，方便進一步查閱原始 Prompt 與說明。

下表列出各情境參考的資源；官方範例與本文新增內容的界線，詳見各節的「參考資源與延伸設計」說明。

人資用 AI 的常見誤區

誤區 1：把去識別化當成合規的終點。
履歷、薪資、考績都屬個資法規範的個人資料。移除姓名與聯絡方式，並確認所用工具與方案的資料訓練政策、保存期限與存取權限，都是必要動作，但這些處理的是外流與留存風險；資料能不能拿來做這件事，仍要回到蒐集當初的特定目的與必要範圍判斷，健康檢查等第 6 條所列資料更應另行審視。

誤區 2：讓 AI 直接產出錄取名單或考績等第。
AI 可以整理候選人與職務條件的符合程度、可以彙整一年的績效事實，但錄取、考績、調薪、資遣是涉及當事人權益的決定，須由具權責的人做出並留下判斷依據。

誤區 3：把 AI 當成勞動法令的諮詢管道。
員工來問加班費怎麼算、特休怎麼遞延，直接轉問 AI 得到的答案，可能混雜其他國家的制度或已修正的舊法。法令適用應先核對現行法規條文，再參考主管機關函釋與相關司法裁判。

行政函釋是主管機關的見解，並不拘束法院。AI 可以協助檢索與摘要，使用者仍應開啟來源逐項核對，不能把未經查證的回答當成法令結論。

誤區 4：把 AI 生成的「市場薪資行情」當成調薪依據。
在未提供或未檢索到可查證來源的情況下，不能僅憑模型生成的薪資數字，就認定它最新、完整或適用於該職缺。

即使附有來源，也應回查原始報告；薪資決策應採用可信且適用於比較目的的資料，並核對年度、樣本、地區與薪酬定義；AI 適合用來整理與分析已取得的資料，而不是產生資料本身。

常見問題 FAQ

Q1：AI 可以直接幫我篩掉不適合的履歷嗎？

技術上做得到，但不建議把決定權交出去。較穩妥的做法是讓 AI 做「結構化比對」，把每份履歷對照 JD 的各項條件逐條標示符合程度並引用原文，人資再依整理結果決定誰進入下一關。這樣有助人資逐項核對並保留可回溯的判斷依據；是否省時，仍視資料品質與複核工作量而定。

Q2：ChatGPT、Claude、Gemini，人資該用哪一個？

三家官方都有針對人資情境的指南，本文的 Prompt 可作為三種工具的提示起點，再依各自方案與檔案處理能力調整。建議的順序是：先確認資安政策與文件整合方式，再用實際任務測試準確度、能否引用來源與成本。Google 的人資提示詞頁面示範的情境，多半直接在雲端硬碟、試算表與信箱中操作；Anthropic 的文件則對「一次放入大量文件並要求引用原文」給出具體的結構建議。

Q3：AI 會取代人資嗎？

前述 104 調查顯示，撰寫職缺內容與處理人事問答是受訪企業較常採用的人資 AI 用途；但使用比例本身，並不能回答 AI 是否會取代人資。真正決定人資價值的環節，是判斷一個人是否適合這個團隊、在衝突中做出兼顧法規與情理的處置、設計讓人願意留下來的制度，仍需要對組織脈絡的理解與承擔責任的能力。比較合理的預期是：花在打字上的時間變少，花在判斷上的時間變多。

各工具介面與功能持續更新，操作路徑如有異動，請以各官方最新說明為準；涉及個案的勞動法令適用，建議洽詢勞工主管機關或專業人士。

本文資料查證時間為 2026 年 9 月 21 日。

資料來源：BCG、104 人力銀行、全國法規資料庫、個人資料保護委員會籌備處、OpenAI Academy、OpenAI 說明中心、Google Workspace、Google Workspace 學習中心、Google、Anthropic、Claude、勞動部勞動力發展署、勞動部勞動力發展署、臺北市政府勞動局、臺北市政府勞動局、桃園市政府勞動局、聯合新聞網、經理人、經理人、經理人本文初稿由 AI 協助整理，編輯：支琬清