文章專區

Take Home Message
• 企業導入AI 協助人力資源管理時，雖然幫助企業提高效率及節省人力成本，但也隨之產生了許多疑慮。
• 在日本，企業使用AI引發了諸多疑慮。人力銀行Rikunab 在未向求職者充分說明的情況下，分析出個別求職者的錄取辭退機率，並將該數據出售給企業；IBM 的日本子公司使用AI 協助主管進行績效考核，因分析過程不透明而引發工會的質疑。
• 未來臺灣在訂定相關法規時，可以參考西班牙於2021 年制定的《騎士法》以及西班牙外送平臺Just Eat與工會簽訂的備忘錄，制定確保AI透明性的法律，並建立勞資間對談的AI 委員會，以確保企業使用AI時不會侵害勞工的權益。

人工智慧（artificial intelligence, AI）正在快速地改變人力資源管理的模式。相比於依賴主觀判斷的傳統人事管理模式，利用AI 的新型態人力資源管理是以數據分析為基礎， 透過更加客觀且科學化的方式來實現更高效的管理。然而，伴隨著這些便利性與高效性，此種新型態的人力資源管理模式也引發了許多疑慮。以下將先介紹實際發生在日本的兩起案例，說明新型態的人力資源管理模式引發的問題，再概述西班牙針對雇主在使用AI 協助人力資源管理時需要遵守的相關立法，最後提出未來臺灣可能的監管方向。

案件一
Rikunabi 事件

AI 預測求職者辭退錄取通知的機率會產生什麼問題？

日本人力銀行Rikunabi 是以大學生求職者為主要對象的求才平臺（類似臺灣的104 人力銀行），多數的日本大企業透過Rikunabi 來徵才，且求職者僅能透過Rikunabi 遞交履歷，因此Rikunabi 的市占率在日本高居第二，僅次於同為人力仲介的Mynavi。日本企業從二次大戰期間即確立「新卒一括採用制度」（應屆畢業生同時錄取制度）。簡單來說，與有職缺才會招聘的歐美企業不同，多數的日本企業會在應屆畢業大學生在學期間進行數次筆試與面試，並在學生畢業前對欲採用的學生發出錄取通知（日文為「內定」）。在法律上，當應屆畢業生獲得錄取通知時，只要沒有在指定的期限內辭退錄取通知，該學生與企業間的勞動契約即成立，而實際就職期間則是在畢業後的隔月（日本學生通常是3 月畢業，因此是4 月正式入職）。此種制度可以確保多數的學生不用擔心「畢業即失業」的問題。然而，對於企業來說，花費大量時間與勞力後，精選出的求職者在得到錄取通知後卻選擇到其他企業就職，將對企業的人事規劃造成重大Rikunabi 事件案件一影響。2019 年8 月，日本經濟新聞社揭露，Rikunabi 未經平臺求職者同意，分析了求職者的網站瀏覽紀錄等資料，預測出求職者辭退企業給予錄取通知的機率。且Rikunabi 將預測出的個別求職者錄取通知辭退率出售給包括住友電裝、COLOWIDE 等知名大企業。儘管購買辭退錄取通知數據的企業皆聲稱，該資料並不會作為是否錄用求職者的最終判斷基準，然而實際運用情況不得而知。針對Rikunabi 在未向求職者充分說明下分析並出售求職者的辭退錄取率，日本的個人情報保護委員會及厚生勞動省職業安定局局長皆對Rikunabi 與購買上述數據的企業進行了行政指導與勸告。Rikunabi 則於事件發生後即刻結束該項服務，並請求購買數據的企業刪除相關資料，也在官方網站上發布道歉聲明，並制定了防止類似事件再發生的對策。然而，我們在此需要特別注意的是，Rikunabi 事件可能僅是企業使用AI 引發疑慮的冰山一角。由於日本目前尚無針對AI 的相關立法，因此在絕大多數的情況下，勞工或是求職者往往並不知道自己是否被AI 分析，也不了解分析結果將如何被運用。

案件二
日本IBM子公司的AI績效考核事件

企業利用AI 來進行績效考核會產生什麼問題？

本事件起因於美國國際商業機器股份有限公司（ International Business Machines Corporation, IBM ）的日本子公司使用該公司開發的AI 系統watson，以協助個別主管進行績效考核。對此，由日本IBM 子公司員工組成的工會質疑watson 在績效評估過程中的不透明性，並就該AI 系統在績效管理中所依據的個人資料種類、評估基準等問題，向公司提出團體協商的要求。在協商的過程中，公司方拒絕提供任何關於waston 的評估標準、使用的資料種類，以及主管拿捏AI 建議的準則等相關資訊。本案最後並無進入司法審查，勞資雙方在去（2024）年8 月1 日達成和解，和解案中公司方承諾向工會公開waston 在績效考核中考量的所有項目，並說明這些項目與考核結果之間的關聯性。

從上述的兩起案例可以看出，雖然比起傳統的管理方式，使用AI 的新型態人力資源管理具有許多優勢，但這種新型態人力資源管理方式也暗藏著許多隱憂。

利用AI 協助人力資源管理時的優勢與風險

AI 可以應用於勞資關係中的各個階段，例如在勞動關係開始前的徵才階段，雇主可透過蒐集來的數據分析出求職者是否符合公司的徵才標準；在勞動關係存續中，雇主也可透過數據分析預測勞工是否能充分擔任特定工作，或是預測勞工是否有離職的跡象。相比傳統人力資源管理仰賴負責人有限的知識與資料來進行預測與判斷，使用AI 的人力資源管理則透過分析大量數據，實現了傳統方式無法企及的精準性與效率，大幅提升整體的管理水準。目前更有許多論文指出，部分科技公司已開始利用搭載AI 的高效能監視器，在面試或工作期間蒐集求職者與勞工面部表情的微妙變化及呼吸的節奏等數據。透過分析這些數據，企業可以更加精準地掌握求職者在面試中面對特定問題時是否表現出不安，或者勞工是否出現疑似過勞或憂鬱症等徵兆。

然而，隨之而來的是更多的風險，在使用AI 進行預測的過程中，雇主可能有意地透過蒐集間接資料，推測出勞工或求職者的隱私資訊，例如是否感染愛滋病等敏感訊息。此外，即使雇主無不法意圖，但若用於訓練AI 的學習數據樣本數過少，或多數的數據具有相同屬性（例如學習的數據大多來自男性提供時），就可能產生代表性不足的問題。此種情況最終可能導致部分求職者將長期被排除於勞動市場，或使女性勞工喪失升遷機會，加劇就業歧視，甚至進一步擴大社會不平等的問題。……【更多內容請閱讀科學月刊第666期】