Saringan Resume AI: Cara Ia Berfungsi, Ketepatan dan Risiko Bias

Oleh Kevin Kim · Dikemas kini 11 Oktober 2026

Saringan resume AI ialah perisian yang membaca setiap resume, menukarnya kepada data berstruktur (gelaran jawatan, kemahiran, tarikh, sekolah), kemudian menilai atau menyusun pemohon mengikut keperluan sesuatu jawatan supaya perekrut melihat padanan terbaik dahulu. Ia menjimatkan masa untuk jawatan berjumlah tinggi, tetapi ia hanya mencerminkan kriteria dan sejarah yang diberikan kepadanya. Jika salah satunya condong, susunan itu turut condong, dan pada skala yang besar.

Halaman ini ditujukan kepada pengarah sumber manusia, ketua pemerolehan bakat dan pengurus pengambilan yang sedang menimbang sama ada mahu mengaktifkan saringan, atau yang sudah berbuat demikian dan perlu tahu apa yang harus disemak. Ia merangkumi mekanisme, kegagalan yang didokumenkan, persediaan langkah demi langkah, dan langkah perlindungan. Ia terletak dalam bahagian pengambilan pekerja bagi koleksi AI for HR, jadi untuk gambaran penuh tentang pengambilan, mulakan dengan AI dalam pengambilan pekerja. Ini maklumat umum, bukan nasihat undang-undang.

Fakta Utama

• Enjin pengambilan pekerja eksperimen Amazon menilai calon dari satu hingga lima bintang, dilatih menggunakan resume yang dihantar sepanjang tempoh 10 tahun (kebanyakannya daripada lelaki), dan menalti resume yang mengandungi perkataan "women's"; pasukan itu dibubarkan (Reuters, Oktober 2018).
• Dalam ujian University of Washington ke atas tiga model bahasa yang membandingkan lebih 550 resume dengan lebih 500 senarai jawatan, nama yang dikaitkan dengan orang kulit putih dipilih 85% daripada masa berbanding 9% bagi nama yang dikaitkan dengan orang kulit hitam, dan nama lelaki kulit hitam tidak pernah dipilih berbanding nama lelaki kulit putih (University of Washington, Oktober 2024).
• Lebih 90% majikan dalam tinjauan Harvard Business School dan Accenture berkata mereka menggunakan sistem pengambilan pekerja untuk menapis atau menyusun calon berkemahiran sederhana dan berkemahiran tinggi, dan 88% bersetuju bahawa calon berkemahiran tinggi yang layak disingkirkan kerana tidak menepati kriteria tepat dalam huraian tugas (The Register, meringkaskan laporan 2021).
• Di bawah garis panduan "empat perlima" persekutuan AS, kadar pemilihan di bawah 80% daripada kadar kumpulan tertinggi biasanya dianggap sebagai bukti impak buruk (29 CFR 1607.4).
• Suruhanjaya Eropah mengelaskan perisian penyusunan CV sebagai AI berisiko tinggi, dengan peraturan itu terpakai mulai 2 Disember 2027 (Suruhanjaya Eropah).

Cara Saringan Resume AI Berfungsi

Kebanyakan sistem berjalan dalam tiga peringkat, dan kegagalan pada mana-mana peringkat sampai ke susunan akhir.

Peringkat 1: Penguraian. Perisian mengekstrak teks daripada PDF, fail Word atau borang web dan mengisihnya ke dalam medan: nama, majikan, gelaran jawatan, tarikh, pendidikan, kemahiran. Ini ialah langkah "Ingest" dalam ACE Framework, dan ia lebih rapuh daripada yang disangka. Reka letak dua lajur, teks di dalam imej, pemformatan kreatif dan aksara bukan Inggeris boleh mengelirukan medan, lalu calon yang kuat tiba sebagai rekod yang separuh kosong.

Peringkat 2: Pemadanan. Sistem membandingkan rekod yang diurai dengan jawatan. Alat lama memadankan kata kunci: adakah resume mengandungi "SQL" dan "forecasting"? Alat yang lebih baharu menggunakan model bahasa yang membaca makna, jadi "menguruskan bajet wilayah" boleh dikira sebagai "perancangan kewangan" walaupun tanpa frasa itu. Ini ialah langkah "Analyze".

Peringkat 3: Penilaian dan penyusunan. Sistem menukar padanan itu kepada skor, gred, senarai pendek atau lulus/gagal. Sesetengahnya menggunakan peraturan yang anda tulis ("sekurang-kurangnya dua tahun dalam peranan jualan"). Yang lain mempelajari corak daripada pengambilan dan penolakan lalu. Jenis kedua inilah yang boleh menyerap sejarah yang tidak anda niatkan untuk diajarkan. Dari sudut ACE, ini ialah corak semakan dokumen yang menyalurkan kepada corak penilaian dan penghalaan.

Satu perbezaan menyelubungi segala-galanya yang menyusul: saringan yang menggunakan kriteria yang boleh anda baca dan pertahankan berfungsi sangat berbeza daripada saringan yang menyimpulkan kriterianya sendiri daripada keputusan lalu. Yang pertama boleh diaudit. Yang kedua perlu diuji, kerana tiada sesiapa yang menulis apa yang telah dipelajarinya.

Apa yang Ditunjukkan oleh Kegagalan yang Didokumenkan

Model pengambilan pekerja Amazon yang dihentikan

Reuters melaporkan pada 2018 bahawa pasukan pembelajaran mesin Amazon telah membina alat semakan resume sejak 2014 dan mendapati menjelang 2015 bahawa ia tidak menilai calon untuk jawatan pembangun perisian dan peranan teknikal lain secara neutral jantina. Model itu belajar daripada 10 tahun resume yang dihantar, kebanyakannya daripada lelaki, dan mengajar dirinya sendiri bahawa calon lelaki lebih diutamakan. Ia menalti resume yang mengandungi perkataan "women's," seperti dalam "ketua kelab catur wanita," dan menurunkan kedudukan graduan dua kolej khusus wanita. Amazon mengedit program itu supaya neutral terhadap istilah tersebut, tetapi mereka yang mengetahui usaha itu berkata ini tidak menjamin sistem itu tidak akan menemui cara diskriminasi lain untuk mengisih calon. Syarikat itu membubarkan pasukan tersebut (Reuters).

Pengajarannya bukan bahawa AI sentiasa lebih berat sebelah. Ia ialah model yang dilatih meniru pengambilan lalu akan meniru pengambilan lalu, termasuk titik buta. Menampal satu proksi yang anda kesan tidak menghapuskan yang lain. Amazon memberitahu Reuters bahawa alat itu tidak pernah digunakan oleh perekrutnya untuk menilai calon, walaupun ia tidak menafikan bahawa perekrut melihat cadangannya.

Bias nama dalam penyusunan model bahasa

Penyelidik University of Washington menguji tiga model bahasa dengan menyusun lebih 550 resume sebenar berbanding lebih 500 senarai jawatan merentasi sembilan pekerjaan, dengan hanya nama pertama yang diubah (120 nama yang dikaitkan dengan lelaki dan wanita kulit putih dan kulit hitam). Merentasi lebih tiga juta perbandingan, nama yang dikaitkan dengan orang kulit putih dipilih 85% daripada masa dan nama yang dikaitkan dengan orang kulit hitam 9%. Nama yang dikaitkan dengan lelaki dipilih 52% daripada masa berbanding 11% bagi nama yang dikaitkan dengan wanita, dan nama lelaki kulit hitam tidak pernah dipilih berbanding nama lelaki kulit putih (University of Washington).

Baca skopnya dengan teliti. Ini ialah ujian penyelidikan terkawal ke atas model serba guna, bukan audit mana-mana produk saringan komersial. Apa yang ditunjukkannya ialah sebab anda menguji konfigurasi anda sendiri dan bukannya menganggap model pembekal itu neutral.

Menolak calon yang baik secara senyap

Bias bukan satu-satunya masalah ketepatan. Laporan "Hidden Workers" Harvard Business School dan Accenture mendapati lebih 90% majikan yang ditinjau menggunakan sistem pengambilan pekerja mereka untuk menapis atau menyusun calon, dan 88% bersetuju bahawa calon berkemahiran tinggi yang layak disingkirkan kerana tidak menepati kriteria tepat dalam huraian tugas. Angka itu ialah 94% bagi pekerja berkemahiran sederhana (The Register). Laporan itu juga menunjukkan proksi yang kaku, seperti menganggap ijazah sebagai pengganti sesuatu sifat atau menolak secara automatik jurang pekerjaan. Itu masalah reka bentuk yang anda kawal, dan ia bertindih dengan pengambilan pekerja berasaskan kemahiran.

Contoh Sebenar Mengikut Fungsi

Coraknya: saringan berfungsi paling baik pada keperluan yang boleh disahkan dan berkaitan jawatan (lesen, pensijilan, lokasi, kesediaan) dan paling teruk pada pertimbangan lembut atau tersirat seperti "kesesuaian budaya" atau "potensi."

Cara Melaksanakannya Langkah demi Langkah

1. Tentukan tugas saringan sebelum anda membeli. Tuliskan sama ada ia hanya perlu mengesahkan keperluan minimum, atau turut menyusun. Mengesahkan jauh lebih mudah dipertahankan berbanding menyusun.

2. Tulis keperluan sebagai kriteria, bukan keutamaan. Asingkan perkara wajib (lesen yang diperlukan oleh peranan itu secara undang-undang) daripada perkara yang diingini. Apa-apa yang dilabel wajib menjadi penapis penyingkir, jadi pastikan senarai itu pendek. Menulis huraian tugas dengan AI membincangkan cara memastikan kriteria itu bersih.
3. Semak input anda. Kualiti penguraian, gelaran jawatan yang konsisten dan rekod pemohon yang bersih menentukan hasilnya. Asas data HR untuk AI menerangkan apa yang perlu dibaiki dahulu.
4. Pilih peraturan yang boleh anda baca jika boleh. Tanya mana-mana pembekal apa yang dinilai oleh sistem, apa yang digunakan untuk melatihnya, dan sama ada anda boleh melihat sebab seseorang calon berada pada kedudukannya. Halaman ejen penyaring perekrutan AI kami menunjukkan apa yang dilakukan oleh ejen saringan yang skopnya jelas dan apa yang diserahkan kepada manusia.
5. Uji pada katalog lama. Jalankan saringan pada kekosongan lalu yang telah diputuskan dan bandingkan hasilnya dengan siapa yang sebenarnya dimajukan dan diambil.
6. Ukur hasil mengikut kumpulan. Kira kadar pemilihan bagi setiap kumpulan pada setiap peringkat dan bandingkan dengan kadar kumpulan tertinggi. Garis panduan empat perlima ialah isyarat saringan, bukan perlindungan undang-undang, tetapi keputusan di bawah 80% ialah isyarat untuk anda menyiasat (29 CFR 1607.4). Jika anda tertakluk, jalankan juga audit bias rasmi (lihat bahagian seterusnya).
7. Pastikan manusia terlibat dalam keputusan. Minta perekrut menyemak setiap penolakan yang berpunca daripada penapis penyingkir, serta sampel rawak daripada longgokan "rendah" setiap minggu. Konsep human-in-the-loop ialah piawaian untuk dijadikan rujukan reka bentuk.
8. Beri calon jalan keluar. Beritahu pemohon bahawa alat automatik terlibat dan tawarkan laluan alternatif atau permintaan penyesuaian.
9. Pantau dan uji semula. Keperluan jawatan, kumpulan pemohon dan model berubah. Jalankan semula perbandingan kumpulan mengikut jadual, dan setiap kali anda mengubah kriteria.

Peraturan yang Terpakai

Peraturan berbeza mengikut lokasi dan berubah dengan pantas, jadi sahkan keperluan semasa dengan peguam bagi setiap tempat anda mengambil pekerja.

• New York City. Local Law 144 melarang majikan dan agensi pekerjaan menggunakan alat keputusan pekerjaan automatik melainkan alat itu telah menjalani audit bias dalam tempoh satu tahun sebelum digunakan, ringkasan audit diumumkan kepada orang ramai, dan calon menerima notis 10 hari bekerja sebelum penggunaan. Jabatan Hal Ehwal Pengguna dan Pekerja (DCWP) mula menguatkuasakannya pada 5 Julai 2023 (NYC DCWP).
• Kesatuan Eropah. Sistem AI yang digunakan untuk pekerjaan, seperti perisian penyusunan CV, dikelaskan sebagai berisiko tinggi, dengan peraturan itu terpakai mulai 2 Disember 2027 (Suruhanjaya Eropah).
• Negeri-negeri AS yang lain. Beberapa negeri telah meluluskan atau menangguhkan undang-undang AI dalam pekerjaan mereka sendiri, dan sesetengahnya disemak semula selepas diluluskan. Anggap mana-mana tarikh yang anda baca sebagai sesuatu untuk disahkan pada minggu anda bergantung padanya.
• Undang-undang antidiskriminasi sedia ada. Menggunakan perisian tidak memindahkan tanggungjawab. Prinsip impak tidak seimbang terpakai kepada alat pemilihan secara amnya, itulah sebabnya perbandingan empat perlima di atas ialah semakan pertama yang standard.

Untuk struktur tadbir urus yang berfungsi merentasi bidang kuasa, AI Risk Management Framework NIST (dikeluarkan pada 26 Januari 2023, sukarela) menyusun kerja kepada Govern, Map, Measure dan Manage (NIST). Ia rangka yang berguna untuk dasar saringan dalaman.

Langkah Perlindungan yang Benar-Benar Berkesan

Anggap langkah perlindungan sebagai lapisan, kerana tiada satu pun yang mencukupi.

• Sempitkan skop. Saring berdasarkan kriteria berkaitan jawatan yang boleh disahkan. Gugurkan medan yang menjadi proksi bagi ciri dilindungi, seperti nama, gambar, tahun graduasi dan alamat, sebelum model melihatnya.
• Utamakan output yang boleh dijelaskan. Jika perekrut tidak dapat melihat sebab sesuatu kedudukan, mereka tidak dapat mengesan kesilapan. Lihat AI yang boleh dijelaskan.
• Audit sebelum pelancaran dan mengikut jadual. Kadar pemilihan peringkat kumpulan, pada setiap peringkat, bukan hanya pengambilan akhir.
• Ambil sampel penolakan. Bias bersembunyi dalam longgokan yang tiada sesiapa baca.
• Lindungi jalan keluar. Laluan rayuan dan laluan permohonan alternatif.
• Miliki keputusan. Seorang yang dinamakan meluluskan setiap hasil yang merugikan. Bias dalam AI menerangkan punca kecondongan jika anda perlu memaklumkan pasukan kepimpinan anda.

Kesilapan Lazim

• Menganggap "lulus audit pembekal" sebagai "selamat untuk kita." Audit meliputi sesuatu alat pada data tertentu. Keluarga jawatan dan kumpulan pemohon anda berbeza.
• Terlalu mempercayai susunan. Perekrut membaca sepuluh teratas dan mengabaikan yang lain, jadi susunan algoritma menjadi keputusan.
• Membiarkan satu pembaikan proksi menggantikan semakan bias. Membuang satu istilah berat sebelah, seperti yang dilakukan Amazon, tidak menghalang isyarat berkorelasi lain daripada melakukan kerja yang sama.
• Melatih menggunakan sejarah anda sendiri. Jika pengambilan lalu mengutamakan satu profil, model yang belajar daripadanya akan berbuat demikian juga.
• Soalan penapis penyingkir tanpa semakan. Penolakan automatik kerana jurang pekerjaan atau ijazah ialah tempat orang yang layak hilang.
• Mengabaikan notis kepada calon. Di sesetengah bidang kuasa, itu pelanggaran dengan sendirinya.
• Tidak pernah menguji semula. Saringan yang baik semasa pelancaran boleh menyimpang apabila keperluan berubah.