AI 面試官問了那題，我當場愣住

為什麼 AI 面試官會問這種題？企業的盤算其實很務實

後來我訪問了一位在大型企業做人資的朋友，她講得很直白：「你以為我們想用 AI 面試？我們是沒得選。」她說，一個熱門的初階職缺，動輒收到三百到五百份履歷，人資團隊可能只有兩個人。如果每一場初面都要真人視訊四十分鐘，光第一輪就要花掉兩、三個月，而且每位面試官問的問題都不一樣，標準浮動，還可能因為「這個人講話比較討喜」而錄取了一個其實不適配的人。

AI 面試解決的，正是這種「規模化」與「標準化」的問題。它把職缺拆解成幾項核心職能——比如溝通表達、問題解決、抗壓性、團隊協作、誠信——然後針對每一項職能設計題庫。所有求職者面對的是同一組題目、同樣的作答時間、同一套評分邏輯。對企業來說，這不只是一種「科技感」的展示，而是實實在在的成本控制與風險管理。

更現實的一點是：很多公司根本不是自己開發 AI 面試系統，而是直接採購市面上的服務。這些系統通常會附帶一份「候選人報告」，裡頭有逐字稿、語速分析、情緒曲線、關鍵能力雷達圖，還會給一個整體推薦分數。人資只要看分數排序，就能決定哪十個人進下一輪。效率高得驚人，也冰冷得驚人。

所以回到那第六題：它之所以難，不是因為它故意刁難，而是因為它是一道「被設計來篩選職能」的題目，而不是一道「被設計來認識你這個人」的題目。這兩者的差別，就是 AI 面試讓人渾身不對勁的根源。

二、AI 面試官的技術邏輯：它到底在評估什麼？

被嚇到之後，我開始認真研究這套東西。不研究還好，一研究才發現，很多求職者對 AI 面試的想像，其實跟實際運作方式有很大的落差。有人以為 AI 會「讀心」，有人以為它在判斷你「是不是在說謊」，也有人以為它会因為你長得好看而加分。這些大多是想太多，但也不能怪大家，因為企業通常不會告訴你評分標準是什麼。

語音、語速與微表情：被量化的「軟實力」

目前主流的非同步 AI 面試系統，大致會分析三個層面的訊號。

第一層是語音與語言。系統會先把你的回答轉成逐字稿（自動語音辨識，ASR），然後做自然語言處理。它會看你用了多少「具體名詞」與「數字」，因為這通常代表你的回答有沒有實際內容；它會看你回答的長度與結構，因為這代表你的表達有沒有組織；它會看你用了幾次「我們」和幾次「我」，來推測你是團隊型還是個人型；它甚至會計算你停頓的次數與長度，判斷你的流暢度與自信程度。

第二層是聲音特徵。語速多快、音量穩不穩、語調起伏大不大、有沒有過多的「呃」「就是說」「那個」。這些在人類耳朵裡聽起來只是「講話習慣」，但在模型裡，它們是可以被轉成數值的特徵向量。有些系統甚至會做情緒辨識，把你整段回答切成好幾段，標記哪裡是「平穩」、哪裡是「緊張」、哪裡是「振奮」。

第三層是影像。如果你開鏡頭（多數系統會要求），它會分析你的眼神有沒有看鏡頭、頭部有沒有頻繁轉動、臉部表情的變化幅度、坐姿的穩定度。這裡要特別澄清一個常見誤解：多數系統並不是在判斷你「有沒有說謊」。撒謊偵測在學術上本身就充滿爭議，商業系統通常不敢把話講這麼滿。它做的比較像是「行為特徵的統計描述」：這個人在回答壓力題時，語速變慢了三成、眼神偏移了五次、嘴角下降了——然後把這些拿去跟「高績效員工的歷史樣本」比對。

聽起來很科學，對吧？問題是，這整套邏輯的基礎，是「假設過去表現好的員工，在面試時都有某種共同的行為特徵」。這個假設有沒有問題，我們後面再談。但至少你要知道：AI 面試官不是在理解你，它是在比對你。你回答的內容會被解析成關鍵詞與語意向量，你的行為會被解析成特徵數值，然後一起丟進一個你永遠看不到的評分模型裡。

從關鍵字比對到語意理解：評分模型的進化與極限

如果你以為 AI 面試還停留在「聽到關鍵字就加分」的階段，那你有點低估它了，但也有點高估它。

早期的系統確實很笨。你只要在回答裡塞進「團隊合作」「主動積極」「解決問題」這些詞，分數就會漂亮。那時候網路上還流傳一種「AI 面試通關攻略」，教你怎麼把關鍵字塞好塞滿。這種做法現在已經不太管用了，因為系統改用語意模型，會判斷你是在「真的講一個故事」，還是在「堆砌形容詞」。你用了一堆漂亮詞彙，但沒有具體的人、事、時、地、物，分數反而會被拉低。

現在比較先進的做法，是用「評分規準」（rubric）來拆解每一題。比如那題「團隊成員隱瞞錯誤」，系統背後可能掛著四個評分維度：誠信與透明（有沒有選擇揭露）、問題解決（有沒有具體處理步驟）、人際敏感度（有沒有考慮當事人的處境）、反思能力（事後有沒有學到什麼）。你的回答會被逐句對應到這些維度，再由模型給分。

但這裡就是極限所在了。語意模型可以判斷你有沒有「提到」反思，卻很難判斷你的反思是「真的」還是「背來的」。它可以分析你的語調平穩，卻無法分辨那是「從容」還是「麻木」。它可以統計你笑了幾次，卻不知道你那個笑是「緩和氣氛」還是「心虛」。換句話說，AI 面試官很擅長把「可觀測的行為」變成數字，卻很不擅長處理「數字背後的意義」。

理解這件事，對求職者其實是好事。因為它代表你不需要「演得很完美」，你需要的是「讓你的回答在結構上、內容上、表達上，都容易被解析」。這兩件事，差別很大。

三、求職者該如何準備 AI 面試？三個實戰技巧與一個心態調整

好，來到大家最想看的部分。我被那場面試洗臉之後，痛定思痛，開始有系統地準備。後來我又面了三家使用 AI 初面的公司，進了兩家的下一輪，最後拿到一個 offer。我不敢說我的方法多神，但至少是從實戰裡磨出來的，而且邏輯上站得住腳。

技巧一：用 STAR 加上「數字錨點」，把答案結構化

STAR 法你應該聽過：情境（Situation）、任務（Task）、行動（Action）、結果（Result）。這是結構化面試的標準回答框架，也是 AI 最容易解析的敘事結構。因為它天然具有時間順序、角色定位、因果關係，模型在抽取「事件」「行動」「成果」時會輕鬆很多。

但我要加一個東西：數字錨點。這是我吃虧之後學到的。AI 在評估「具體性」時，對數字特別敏感。同樣一句「我幫公司省下不少成本」，跟「我重新談了三家供應商的合約，把單月採購成本從 48 萬降到 41 萬，降幅約 14%」，後者在模型眼裡的「資訊密度」高太多了。

所以我的做法是：每次準備一個故事，我都會逼自己寫下三個數字。時間（做了多久）、規模（影響多少人／多少錢／多少流程）、結果（改善幾％、節省多少、縮短幾天）。就算那個數字是概估，只要合理、講得出來，就比空泛的形容詞好。要注意，是「合理的概估」，不是「掰出來的漂亮數字」。AI 也許分不出真假，但下一輪的人類面試官分得出來，而且一旦被抓到，整場信用就毀了。

另外一個小技巧：講故事的時候，刻意把「我」和「我們」分清楚。AI 在判斷個人貢獻時，會看你有沒有把團隊成果跟個人行動區隔開。你可以說「我們團隊最後達成目標，其中我負責的是數據清理與簡報製作」，而不是從頭到尾都說「我們」——後者在模型裡很可能被判定為「貢獻度不明」。

技巧二：控制語速與停頓，練習「對著鏡頭說話」

這聽起來很基本，但很多人忽略。AI 面試沒有互動，你講話的節奏完全由自己控制，這既是自由，也是陷阱。因為緊張的時候，人會加速；加速之後，咬字變糊、句子變長、邏輯變亂，而這些全部都會被記錄下來。

我的做法是：正式面試前，一定先用手機錄三題自問自答，然後做兩件事。第一，聽逐字稿（現在很多免費工具可以轉），看看自己有沒有講出一些「嗯」「就是」「對啊」這類填充詞，統計一下頻率。第二，看自己講話時的臉，觀察眼神有沒有亂飄、有沒有一直摸頭髮、有沒有在講到關鍵句時突然低頭。

你會發現，人在沒有聽眾的時候，表情其實比想像中更「不設防」。而 AI 面試最大的心理壓力，就是「沒有人給你反應」。所以你要練的，不是練到像主播一樣完美，而是練到「即使沒有人回應，你也能穩定地把一段話講完」。

還有一個實用的小細節：回答前先深呼吸一次，開口時刻意放慢前五秒的語速。前五秒穩住了，後面通常就跟得上。另外，多數系統的倒數計時是看得到的，不要在最後十秒突然慌張收尾，寧可提前十五秒講完，留一點緩衝。長度不是愈長愈好，講得完整、有結論，比講到時間到被切斷好得多。

技巧三：事前模擬「情境題＋道德題」，建立自己的故事庫

回到那題讓我愣住的題目。我後來發現，這類題目其實有跡可循。它們大多繞著幾個核心衝突打轉：個人與團隊、效率與品質、誠實與和諧、短期利益與長期風險、規則與人情。你可以針對這五組衝突，各準備一個真實故事。

準備的方式不是背答案，而是「寫下來」。我會用一張表格，左欄寫情境，右欄寫我當時的選擇、理由、結果、以及如果重來我會怎麼做。寫完之後，試著用口語講一次，錄下來。講不順的地方，就是你需要補細節的地方。這樣做的好處是，當 AI 臨時丟出一個你沒準備過的情境，你腦中至少有一個「結構」可以套，不會像當初的我一樣空白三秒。

順帶一提，我後來在另一場面試被問到「你有沒有曾經為了完成任務，而做出讓自己不太舒服的妥協？」這題我直接套用準備過的故事，講了一個「為了趕上線，暫時接受了不夠完美的測試流程，但事後主動補了一份風險清單」的經驗。那次我講得很順，因為故事本來就是我的，只是換了個問法。

心態調整：把 AI 當成翻譯機，而不是審判者

最後，也是最難的：心態。

很多人被 AI 面試搞到自我懷疑，覺得「我是不是連機器都覺得我不行」。我懂那種感覺，因為我經歷過。但後來我想通一件事：AI 面試官不是在評價「你這個人值不值得被錄取」，它是在把你的回答翻譯成一份給人資看的摘要。它是一台翻譯機，不是法官。翻譯機翻得好不好，會影響人資看到什麼，但最終決定要不要用你的，還是人。

這個視角轉換很重要。因為它會讓你從「我要討好機器」變成「我要讓機器不要誤譯我」。前者會讓你焦慮、僵硬、想演；後者會讓你專注在表達清楚、結構完整、內容具體。而有趣的是，當你專注在後者的時候，你的表現反而更自然，也更接近你真正的樣子。

還有一件事要記得：AI 面試的評分通常只是「篩選門檻」，不是「最終排名」。很多公司是設定一個分數線，過了就進人類面試。也就是說，你不需要拿滿分，你只需要「不被誤判出局」。這個認知，會讓你輕鬆很多。

四、AI 面試的爭議與風險：那些企業不會告訴你的事

講完怎麼準備，我們也該談談另一面。因為如果只教大家「怎麼通關」，而不談這套制度的問題，那就有點像只教人怎麼在考試中拿高分，卻不問考題本身公不公平。

演算法偏誤與申訴無門：誰被系統性犧牲了？

第一個問題是偏誤。AI 是從歷史資料裡學的，如果一家公司過去的錄取者大多是某一種背景、某一種口音、某一種表達風格，模型就會學到「這樣的人比較適合」。這不是它惡意，而是它就這樣被訓練出來的。結果就是，講話比較慢的人、有口音的人、非母語者、內向的人、身心障礙者，可能在第一關就被刷掉，而且永遠不知道自己為什麼被刷掉。

第二個問題是申訴機制。真人面試，你還可以寫信問「請問我哪裡可以改進」；AI 面試，你連自己被打了幾分都不知道。有些系統甚至不保存逐字稿給求職者看。這種資訊不對等，讓「被演算法拒絕」變成一種無法驗證、無法救濟的經驗。你在論壇上看到的那些「AI 面試被刷」的貼文，底下永遠只能猜：「是不是我講太短？」「是不是我沒看鏡頭？」沒有人真的知道答案。

第三個問題是隱私。那些錄影檔存多久？存在哪裡？會不會被用來訓練模型？有沒有跨境傳輸？多數求職者在按下「同意」的時候，根本沒看完那串密密麻麻的條款。而這些影像與聲音，說到底都是生物特徵資料，一旦外流或濫用，風險比一般個資更高。

法規與倫理：國際趨勢與台灣的現況

國際上其實已經開始管了。歐盟的《人工智慧法》把「用於招募與員工評估的 AI 系統」列為高風險應用，要求必須有人類監督、技術文件、風險管理與透明度。美國紐約市則有規定，企業使用自動化就業決策工具時，必須每年做偏誤稽核並公開結果，還要事先告知求職者。伊利諾州更早就有法規，要求使用 AI 視訊面試的企業必須取得同意、說明資料保存期限與用途。

台灣目前沒有專法直接針對「AI 面試」，但相關規範散落在《個人資料保護法》與《就業服務法》裡。前者要求蒐集個人資料必須有特定目的、告知當事人，並確保資料安全；後者則禁止就業歧視。問題是，這些規範在實務上很難套用到 AI 面試，因為你很難證明「我被刷掉是因為演算法對我的口音有偏誤」。舉證責任在求職者身上，而求職者手上什麼資料都沒有。

我的建議很務實：面試前，花五分鐘看一下那家公司的隱私政策與 AI 使用說明。如果它完全沒提資料保存期限、沒提人工複核機制，你可以在面試後的感謝信裡，禮貌地問一句「想請教本次面談的資料保存政策與評估流程」。這不是找碴，這是正當的權利行使。而且，會認真回答這個問題的公司，通常也比較值得你去。

五、AI 面試之後，人味反而更值錢

寫到這裡，我想拉回一個比較大的視角。因為如果你只把 AI 面試當成一個「要克服的關卡」，那格局有點小。它其實是一個訊號，告訴我們：招募的邏輯正在改變，而這個改變，對某些人不利，對某些人反而有利。

混合模式正在成為主流

我訪談的人資朋友說，他們公司現在的流程是：AI 初面篩掉大約七成，剩下三成進人類面試。而人類面試官在面談時，會拿到那份 AI 報告，但主管們其實不太看分數，更常看逐字稿。「分數只是參考，我們想知道這個人講話有沒有內容。」她說。

這代表什麼？代表 AI 負責「量」，人類負責「質」。AI 幫你確認這個人有沒有基本表達能力、有沒有準備、回答有沒有結構；人類則負責判斷這個人有沒有溫度、有沒有判斷力、跟你共事會不會讓你每天想請假。所以，真正被淘汰的，往往不是「AI 面試考不好的人」，而是「只有 AI 面試考得好、但一開口就讓人覺得空洞的人」。

反過來說，有些人在 AI 面試裡表現普通，卻在真人面試裡大放異彩。因為真人面試允許你停頓、允許你修正、允許你說「這題我想一下」——而這些「不完美」，往往正是讓人覺得你真實的地方。

給正在求職的你：五個可以立刻開始的行動清單

最後，我把這兩個月的心得，濃縮成五件你今晚就能開始做的事。

我後來常想，如果當初那場面試，我在愣住之後不是硬講一個記錯時間軸的故事，而是直接說「這題我需要想一下，因為我遇過的狀況跟您描述的有點不同，我想確認一下——是希望我先講我的判斷，還是先講我實際做過的處理？」結果會不會不一樣？

我不知道。因為 AI 面試官不會回答我。但我知道，如果換成真人，這句話大概會讓對方眼睛一亮。而這，或許就是我們在 AI 時代最該守住的能力：不是講得更像機器，而是記得怎麼像個人一樣提問、怎麼像個人一樣誠實。

結語：那三秒的空白，後來教會我的事

那場面試的結果，我沒有進到下一輪。系統信寫得很有禮貌，說「本次職缺已有更合適的人選」。我當時有點悶，但現在回頭看，那三秒的空白，反而成了我重新理解求職這件事的起點。

AI 面試官不會心疼你，不會等你，也不會記得你。它只是把你講的話、你的表情、你的停頓，變成一組數字，送去給一個你可能永遠不會見到的人。這件事聽起來很冷，但換個角度想，它其實也把「面試」還原成它原本的樣子：一次資訊的交換，而不是一場人格的審判。

你不需要被它定義。你只需要讓它不要誤會你。然後，把真正的你，留給那個會看著你的眼睛、會點頭、會追問「後來呢？」的人類面試官。

至於那三秒的愣住——我現在覺得，會愣住，是因為你在乎。而一個會在乎的人，值得一個比進度條更有溫度的舞台。希望正在讀這篇的你，也能找到那個舞台。如果你也有被 AI 面試官問倒的經驗，歡迎在下面留言，我們一起把這些「愣住的瞬間」，變成下一次的面試養分。

```

🏠 返回首頁