日前有報導指出，長榮和華航等航空公司在徵才時明確指出，「報考時所遞交之履歷或自傳，若經查由 AI 撰寫，將取消參試或錄取資格。」
看似後果嚴重，不過，到底要怎麼查履歷或自傳是不是 AI 寫的？而且，如果 AI 寫的內容或資訊都屬實，為什麼要禁用 AI？還是說，履歷或自傳是不是本人寫的，有傳遞出什麼額外的訊息？像是文字邏輯與資訊整合能力？或是自己寫的比較有誠意、有熱情？
更值得在意的是，當人人的自介都文情並茂、熱情滿滿且動機強烈，會不會又迫使企業某種程度上又得回去看成績和學歷了？
聽聽看一位華頓商學院教授的經驗談。
「儘管過去 15 年來，我一直在華頓商學院挑選研究助理， 但是，品質最好的求職信（cover letter），都集中出現在過去 12 個月裡 ，而且，這些求職信裡面，都開始提到我的研究論文。」華頓商學院商業經濟學與政策教授賈德・凱斯勒（Judd Kessler）在一篇接受《財星》（Fortune）採訪的文章裡，這樣講述自己近年的經歷。
為什麼求職信的品質會驟然提升？答案你應該已經猜到了！因為愈來愈多人用 AI 寫履歷和求職信。如同凱斯勒在該文末尾所說，
「求職信的時代已經過去了，是 AI 殺死了求職信。」
當 AI 讓求職信都在「水準之上」，雇主要怎麼挑人？
在台灣，我們通常把應徵工作時寄出的整份資料，統稱為「履歷」（resume），除了學經歷、技能、證照和工作成果之外，也包括自我介紹、應徵動機與適任理由的說明等等，甚至連作品集都一併附上。但是，在英語世界裡，這些內容通常會進一步區分為「履歷表」與「求職信」（cover letter）：履歷通常是寫學經歷、技能證照和工作成果；求職信則是透過自介，說明應徵動機、適任理由，以及預期自己可以為職務或團隊帶來哪些貢獻等等。
就客觀事實來說，「履歷」多是既成事實，什麼學校畢業、待過哪家公司、在學成績如何、取得哪些證照等等；求職信就比較是「作文比賽」，看誰能夠文情並茂地說服看履歷的人資人員或用人主管，取得面試資格，最終獲得錄用。
然而，自從生成式 AI 可以把文章寫得又快又好，情況似乎有所改變。招募人才的單位或主管，過去在篩選人時，可能會被一封寫得很動人用心的求職信打動，把對方找來進一步聊聊。
現在新的問題出現了：當 AI 幫大家把求職信都寫得「在水準之上」，每個人都成了「缺乏個性與獨特性」的求職者，雇主要怎麼挑人？
就像凱斯勒教授如今面臨的狀況：「我曾經會根據哪些人引用我的論文，來判斷誰真正有興趣，但是，現在每個人都這麼做。我猜想，並不是所有人都真的讀過我的論文，而是大家都發現，AI 能精準地總結我的研究內容，並且把它自然地融入自介裡。這就意味著，我無法再透過求職信，來準確識別誰是真正渴望與我共事的人。」
一份用心編寫的求職信，背後傳達出什麼訊息？
凱斯勒在他發表在華頓商學院的專欄文章〈AI正在殺死求職信〉（AI Is Killing the Cover Letter）裡指出，求職信過去往往傳遞出 2 種訊息，有助於辨識合適的求職者：
訊息 1：寫作能力優秀、背景出色的人，通常更容易寫出令人印象深刻的求職信。
訊息 2：一封針對職缺量身打造、而且經過深思熟慮的求職信（例如，把應徵者自身的背景與技能，和某一個特定職缺所需的能力連結起來），充分展現出求職者對職缺的「興趣」和「熱忱」，有助於讓求職者的能力或特質被看見。有些時候，面試主管甚至會被求職者透過文字所傳達出來的熱忱所打動，儘管對方的學經歷未必最出色。
凱斯勒認為，當求職者為了寫好一封好的求職信，花費好幾個小時字斟句酌，這就是一種「高成本訊號」；而高成本訊號的可貴之處，就在於它難以大量複製。
然而，當 ChatGPT 或 Gemini 等生成式 AI 工具，把這些過往可以用來鑑別潛力人才的訊號「抹平」，這也使得雇主和用人主管必須找尋其他更有效的識才訊號。
當求職信失效，「匹配度」與「錄取」的相關性暴跌！
凱斯勒在專欄裡，引用耶魯大學經濟系學者（包括 Jingyi Cui、Gabriel Dias 和 Justin Ye）於 2025 年底發表的一份工作報告〈AI 時代的訊號學：來自求職信的實證〉（Signaling in the Age of AI: Evidence from Cover Letters），針對人力網站 Freelancer.com 推出內建工具「AI Bid Writer」工具的前後，求職信品質與面試邀約的相關度。
研究發現，當工具只是局部試推，使用 AI 幫忙寫求職信，確實可以增加自介文字與職缺的匹配度，不但提升了面試邀約率，當求職者花愈多時間編輯 AI 生成的草稿，錄取成功率也隨之提高。
然而，當平台全面導入 AI 工具，研究人員分析了超過 500 萬封求職信與 10 萬個職缺，發現當大家都可以寫出與職缺匹配度高的求職信， 這除了說明求職者懂得使用 AI 工具優化履歷之外，求職信能夠提供的訊息愈來愈少 ，導致「求職信匹配度」和「面試邀約」的相關性，下降 51%；而「匹配度」與最終獲得「錄取」的相關性，更暴跌 79%。
要強調的是，履歷與求職信的鑒別度下降，不代表「寫作品質」不再重要。2023 年，麻省理工學院（MIT）與全美經濟研究局（NBER）的一項大型田野研究也曾發現，當求職平台替求職者提供演算法寫作輔助，履歷品質提升，求職者在 1 個月內被錄用的機率提高 8%；而且一經錄用，不但時薪更高，雇主滿意度也沒有下降。
這說明，好的文字表達，還是有助於讓能力被看見，特別是對於原本不擅長言詞表達的人來說；只是，當人人看起來都很會表達時，文字本身就不再是稀缺訊號。
以前，一份寫得漂亮、敘事完整、又能把自身經歷和職缺緊密扣合的履歷或求職信，本身就是競爭優勢。現在，它比較像是一張門票：沒有不行，有了也未必足夠。求職者如果只停留在「把履歷修到完美」這一步，很可能只是把自己送進一個大家都很相似的罐頭工廠，一切又回到起跑線。
AI 抹平履歷差距，雇主開始關注「不可複製的經驗」
AI 履歷，確實為聘雇方增添了新的煩惱。
根據美國人力顧問公司 Robert Half 在 2026 年 3 月發布的一項調查，67% 的人資主管表示，AI 讓求職者更容易大量投履歷，企業因此更難、也得更花時間去辨識真正有技能的人才，從而拖慢了招聘流程；其中甚至有 20% 的人表示，延誤時間超過 2 個星期。
此外，84% 的人資團隊表示，因爲 AI 客製化申請的增加，導致他們工作量變重；65% 的用人主管表示，AI 強化後的履歷，讓技能更難驗證。
當好的履歷和求職信，從加分項或「差別項」（differentiator），變成「基本要件」（prerequisite），雇主可以有哪些對策？
前述耶魯大學的研究指出，當求職信提供的訊號，其參考價值降低，企業會轉向更難造假的訊號，也就是 AI 沒辦法輕易創造或修飾的經驗和行為，像是求職者曾經在平台上獲得的任務評等、雇主回饋，以及過往的實際工作經驗。
華頓商學院的凱斯勒教授也說，他現在在求職信之外，反而更看重：你有沒有修過我的課、來不來 office hours、會不會主動來見我。這些都是時間成本更高、也更不容易外包給 AI 完成的「高成本訊號」。
簡單說就是，AI 可以把你包裝得很傑出優秀，但是面試官會更加側重於「 AI 較難大量複製的東西 」，也就是你過去實際做過了些什麼，你要能夠說清自己的貢獻和實際應用的創意與做法。
招聘流程必須重新調整和升級：導入工作樣本測驗、結構化面試
想像一個再熟悉不過的場景。某家公司收到 1000 份應徵資料，不管是真人挑還是 AI 讀，前 20 份看起來都很好：學校很好、成績不錯、實習不差、社團經驗豐富，內容敘事流暢，求職動機充分。
人資或用人主管面臨的難題是：怎麼辦？每個都像好人才！這時最容易出現的誘惑，就是退回舊世界，評估最省事的指標：名校、成績、待過大公司、內推、人脈。這也凸顯出 AI 時代的招聘風險： 當履歷的文字表現被快速拉平，企業如果沒有新而有效的辨識工具，很可能會走回頭路，從而錯失部分好人才。
因此，關鍵不在於求職者可不可以用 AI 寫履歷，也不是企業該不該太重視學歷，而是學歷該排在第幾順位，以及有哪些更有效的看人、用人方法。
經濟合作暨發展組織（OECD）在 2025 年針對「技能優先」（skills-first）提出了明確定義：招聘時，應該優先看一個人 展現出來的技能 （demonstrated skills and competencies），而不是看他從哪裡拿到文憑、掛過什麼職稱。這不代表學歷無用，而是它應該降格為輔助資訊。
問題又來了，怎麼測技能？這就是招聘流程必須升級的環節。當履歷是基準線，篩出一批人，接下來，真正有效的是加一道與職務高度相關、但規模不必太大的「工作樣本測驗」（work sample tests）。
這個方法一點也不新，很多公司早就會出作業、出題目給求職者當場做或帶回家寫，只是會愈來愈重要，因為它測的不是一個人會不會講自己的故事，而是他能不能做出接近工作本身的產出。
最後，進入面試階段，這也是用人主管需要培訓與加強的部分，輕鬆聊聊、隨興提問、憑感覺或印象都不恰當。研究發現，這種「非結構化」的面談，效度不如「結構化面試」。
原因很簡單，當每個候選人都被問不同問題、由不同主管憑印象打分數，最後篩選出的往往是最會聊天、最像面試官自己的人；而不是最適合職務的人。
因此，公司如果可以先定義出職位真正需要的 4～6 項能力，例如問題拆解、執行力、協作、判斷、學習速度，再替每項能力設計固定題目與評分標準表，面試才比較可能在兩個看似一樣強的人的當中，做出區隔。
在 AI 時代有效篩選人才的 5 個實用建議
總結來說，AI 時代，怎麼在一堆一樣好的履歷裡，找到真正的人才？提供 5 個實用建議：
1.讓履歷只負責「過門檻」，不要負責「排座次」，否則說不定只是在排序誰更會用 AI。
2.要留意：即使讓 AI 揀履歷，結果也未必準，甚至可能帶有偏見。
3.學歷可以參考，但是權重不要太高，應該以技能為主。
4.面試前加一個「工作樣本」實做，不必然是又長又累的回家作業，重點是和職務高度相關，例如一頁 memo、短程式、改稿、分析題。
5.面試要結構化，並用評分標準表。問同樣的核心問題、看同樣的能力、用同樣的尺打分，才能把兩個「都很會講」的人分出差異。
資料來源：Fortune, Knowledge at Wharton
