當 AI 開始預測離職，人資的兩難

當 AI 告訴你「這個人可能會走」，人資的處境其實比表面上看起來複雜得多。以下三種兩難，是實務上最常被討論、也最難有標準答案的課題。

兩難一：預防離職，還是加速離職？

理論上，預測的目的是「留住人才」。但實務上，很多時候人資心裡的盤算是：「如果這個人本來就想走，我是不是該早點準備接班人？」這就形成了第一個兩難：預測結果究竟該用來「挽回」，還是用來「布局」？

假設模型顯示某位資深工程師離職機率很高，人資可以有兩種反應。第一種是積極介入：找主管會談、了解需求、調整待遇或工作內容，設法把人留下來。第二種是消極布局：開始盤點職務代理人、啟動招募、安排知識轉移，甚至在心里把這個人「提前當作已經離職」。問題是，第二種做法一旦被員工察覺，很可能產生反效果——「公司是不是已經放棄我了？」這種被貼標籤的感受，反而可能成為壓垮駱駝的最後一根稻草，讓原本還在猶豫的員工下定決心離開。

更微妙的是，有些企業會把預測結果直接交給直線主管，但主管的反應未必符合人資的期待。有的主管可能過度緊張，對高風險員工百般討好，造成團隊內部的不公平感；有的主管則可能反向操作，開始冷落或邊緣化高風險員工，心想「反正他遲早要走」。這些行為都會回過頭來影響員工，讓預測從「預防工具」變成「自我實現的預言」。人資的兩難在於：你無法控制預測結果被如何使用，卻必須為使用後的後果負責。

兩難二：數據隱私與員工信任

第二個兩難，圍繞著「資料從哪裡來」。離職預測模型的準確度，高度依賴資料的廣度與深度。問題是，當企業蒐集的資料愈來愈細，員工的隱私界線就愈來愈模糊。出勤紀錄、績效考核這些還算「公務資料」，但如果是滑鼠移動軌跡、系統停留時間、內部通訊軟體的活躍度，甚至是電子郵件回覆速度與語氣分析，這就已經踩進了許多人心中「被監控」的紅線。

多數企業在導入這類系統時，會在員工手冊或隱私政策中加註「公司得蒐集與分析員工行為資料以優化管理」，但這種「埋在條文裡」的告知，往往無法真正取得員工的理解與同意。員工可能直到某天被人資約談，才驚覺「原來公司一直在算我會不會離職」。這種資訊不對等，一旦曝光，對勞資信任的傷害極大。員工會開始想：「我請特休，是不是會被當成想走的訊號？」「我上求職網站，會不會被記錄？」當職場變成一個處處被預測的環境，員工的自然行為也會被扭曲，反而讓模型收到的資料失真。

從法規面來看，台灣的《個人資料保護法》要求蒐集個資應有特定目的、並告知當事人，且不得逾越必要範圍。離職預測是否屬於「人事管理」的必要範圍，其實有討論空間。歐盟的 GDPR 更進一步，對「自動化決策」設下較高門檻，要求企業在進行影響員工權益的自動化判斷時，必須提供人為介入與解釋機制。換言之，企業不能只說「這是 AI 算的」就兩手一攤，而必須能說明「為什麼這樣算」以及「員工如何申訴」。這對許多習慣「系統跑出報表就拿來用」的企業來說，是相當大的治理挑戰。

兩難三：演算法偏見與公平性

第三個兩難，是演算法偏見。機器學習模型是從歷史資料中學習模式，如果歷史資料本身反映了既有的不平等，模型就可能把這些不平等「學進去」，甚至放大。舉例來說，如果過去公司裡女性員工的離職率較高（可能因為育兒壓力、升遷天花板或職場文化），模型就可能把「女性」當成高風險特徵，導致女性員工被過度關注、過度標籤，甚至影響升遷與資源分配。同樣的偏見也可能出現在年齡、身心障礙、地域或學校背景上。

更棘手的是，這類偏見往往不容易被發現。模型不會告訴你「我用性別當特徵」，它可能透過「科系」「社團經驗」「工作型態偏好」等代理變數間接學到性別或年齡的訊息。人資若沒有具備足夠的資料素養，很容易把模型輸出當成客觀中立的「科學結論」，而忽略了背後可能存在的結構性歧視。這不僅有倫理問題，也可能觸法。

於是，人資陷入第三重兩難：為了提升預測準確度，模型需要大量特徵；但特徵愈多，偏見與隱私風險就愈高。若要嚴格排除敏感特徵，模型準確度可能下降，實用性打折；若要追求準確，又可能犧牲公平與隱私。這不是單純的技術取捨，而是價值選擇。

三、當預測成為自我實現的預言

前面提到的三種兩難，其實都指向一個更根本的問題：預測本身會改變被預測的對象。這在社會科學裡稱為「反身性」（reflexivity），在離職預測的場景裡，它可能以三種方式發生。

第一種是「標籤效應」。當主管知道某位員工被列為高風險，即使主管沒有明說，態度與互動方式也可能悄悄改變：變得更謹慎、更少交辦重要任務、更常試探性地問「最近還好嗎」。員工感受到這些微妙變化，可能開始不安、猜測，甚至真的開始騎驢找馬。預測在此時變成了一種「暗示」，把原本不確定的人推向了離職。

第二種是「資源排擠」。企業資源有限，當高風險名單被用來決定訓練資源、專案機會或加薪幅度時，被列為高風險的員工可能反而被排除在機會之外。這形成一種惡性循環：因為被預測會走，所以得不到資源；因為得不到資源，所以真的走了。模型準確地「預測」了離職，但這份準確，是企業自己參與製造出來的。

第三種是「資料污染」。當員工知道公司正在預測離職，行為就會改變。原本會在內部系統搜尋職涯資訊的人，可能改用私人裝置；原本會誠實填寫滿意度調查的人，可能開始給出「安全答案」。模型收到的資料愈來愈不可靠，預測品質隨之下降，形成另一種形式的兩難：你愈想預測，就愈預測不準。

這不是說預測沒有價值，而是提醒人資：預測不是發生在真空中的技術行為，而是一種會與員工互動、會改變組織氛圍的社會行為。如果人資只把模型當成「後台報表」，忽略了它對人的影響，那麼再先進的 AI，也可能成為組織信任的腐蝕劑。

四、企業該如何負責任地使用離職預測

談到這裡，問題已經不是「該不該用 AI 預測離職」，而是「怎麼用才不會傷人傷己」。以下幾個方向，或許可以作為企業導入時的參考框架。

建立透明與知情同意的機制

負責任的第一步，是把話說清楚。企業應該在導入前，向員工說明：我們蒐集哪些資料、用什麼方法分析、分析結果會被誰看到、會被用來做什麼決定、員工有什麼權利。這不是形式上的「告知」，而是實質的「溝通」。例如，可以舉辦說明會、發布白皮書、設置問答專區，讓員工有機會提問與表達疑慮。對於特別敏感的資料（如通訊軟體活躍度），則應採取更嚴格的同意機制，甚至開放員工選擇退出（opt-out）。

透明不代表全部公開，但至少要做到「可解釋」。當員工被列為高風險時，人資應該有能力用淺白語言說明「主要是哪些因素讓模型這樣判斷」，而不是兩手一攤說「AI 說的」。同時，也應提供申訴與更正機制，讓員工有機會補充說明或修正錯誤資料。這不只是法律遵循，更是建立信任的基礎。

人機協作，而非人機對立

第二個原則是：AI 是輔助，不是裁判。預測模型再準，也不該取代人資的專業判斷與同理心。比較健康的做法，是把模型輸出當成「觸發對話的起點」，而不是「採取行動的終點」。例如，系統跳出高風險警示後，人資不應直接約談或調整職務，而是先與直線主管討論、交叉比對近期狀況，再決定是否以及如何介入。介入的方式也應以「關懷」為出發點，而非「防堵」。

此外，企業應避免讓模型成為唯一的決策依據。升遷、調薪、資遣這些重大決定，必須由人為審議，且能提出獨立於模型之外的理由。模型可以用來「提醒我們多看一眼」，但不能用來「代替我們做決定」。這條界線若守不住，人資的專業性與員工的信任都會被侵蝕。

還有一點常被忽略：預測結果的「使用權限」應該分級。高風險名單若全面開放給所有主管，很容易造成標籤化與不當使用。較好的做法是限定少數受過訓練的人資或高階主管才能查看，並建立使用紀錄與稽核機制，確保資料不會被濫用。

把重點從「預測離職」轉向「理解留任」

最後，也是最根本的，或許是心態上的轉變。與其問「誰會走」，不如問「為什麼想走」以及「什麼讓人願意留」。前者是預測問題，後者是理解問題。AI 擅長前者，但真正能改變結局的，往往是後者。

企業可以把模型輸出的「關鍵影響因素」當成診斷線索，進一步透過質性訪談、焦點團體或脈絡分析，去理解員工真正的需求與痛點。例如，模型顯示某部門離職風險普遍偏高，與其逐一約談，不如檢視該部門的主管領導風格、工作量分配、升遷透明度與團隊氛圍。這些結構性問題，往往不是靠「預測＋個別關懷」能解決的，而是需要組織層級的調整。

換句話說，離職預測最理想的用法，不是拿來「抓誰要走」，而是拿來「看見組織哪裡出了問題」。當企業願意把預測當成一面鏡子，而不是一把尺，它的價值才會真正浮現。

五、結語：技術是工具，人才是目的

回到文章開頭那個場景：業務部王經理離職機率 87%。人資的兩難，其實不在於「要不要介入」，而在於「用什麼心態介入」。如果把員工當成需要被管理的風險因子，那麼預測只會讓人資變得更像監控者，讓職場變得更冷；如果把員工當成需要被理解的夥伴，那麼預測就可以成為開啟對話的契機，讓企業有機會在遺憾發生前，多做一點什麼。

AI 不會取代人資，但會重新定義人資的工作。當機器愈來愈會算，人資愈需要會問：這個數字代表什麼？它對當事人意味著什麼？我們這樣做，是在解決問題，還是在製造問題？這些問題沒有標準答案，卻正是人資專業價值所在。

技術是工具，人才是目的。離職預測可以幫企業看得更遠，但唯有把人放在中心，這份「看得更遠」才不會變成「傷得更深」。在人與演算法共存的時代，這或許是人資最難、也最重要的一課。

🏠 返回首頁