it_recruitment
ByMarcin Sawicki

從廚房到提示詞——為何招募流程看不見AI人才

招募人員曾對我說過一句令我難忘的話：從履歷和面試中，你其實很難判斷一個人是否真的適合某個職位。直覺扮演著舉足輕重的角色——無論你怎麼稱呼它。她當時談的是那些普通、定義明確的職位。那些存在多年、有著固定職責清單的傳統崗位。

現在，想像同一位招募人員收到了一份應徵資料，來自一個在餐廳輪班工作的人。他在閒暇時間建立自然語言處理系統、經營一個關於人機協作的部落格，並且能夠在與語言模型的單次對話中，從一個原始想法走到一個可運作的應用程式原型。

這個人沒有資訊科學學位。沒有在科技公司工作的經驗。他的履歷上寫的是：「餐飲服務人員。」

問題是：那位招募人員甚至會打開這份履歷嗎？

第二個問題，或許更為重要：這個人甚至知道自己應該投遞這份履歷嗎？

招募是盲目的——這不是比喻

在談到AI這個主題之前，有必要先理解招募本身的問題規模。

2025年TestGorilla的一項研究，對象為美國一千名人力資源與招募主管，呈現出一幅難以稱之為樂觀的圖景：

  • 58%的招募人員承認，他們難以核實應徵者在履歷上聲稱的技能。
  • 47%的人無法有效評估應徵者與企業文化的契合度。
  • 46%的人認為他們目前使用的人才搜尋工具根本無效。

但這只是開始。2025年SHRM的報告顯示，招募成本和填補職缺所需的時間，在過去三年間雙雙攀升——而這恰恰是企業大規模推出AI人力資源工具的時期。SHRM的Nichol Bradford直言不諱：「AI軍備競賽對任何一方都沒有好處。」

應徵者用AI生成完美的履歷和求職信。企業用AI篩選這些履歷。結果如何？雙方都在玩一場遊戲，而真正的能力在過程中迷失於夾縫之中。

Gartner於2025年3月的研究又增添了另一個維度：在2025年第一季的調查中（2,918名受訪者），只有26%的應徵者相信人工智慧會在招募過程中公正地評估他們。與此同時，在另一項2024年第四季的調查中（3,290名受訪者），超過39%的應徵者承認自己在求職時也使用了AI——用來改寫履歷、生成招募問題的答案、製作作品集。

我們面對的是一個沒有人信任任何人、而每個人都在用相同工具「套招」彼此的局面。

正是在這樣的背景下，關於AI能力的問題浮現了——那種真實的、深層的、難以衡量的能力。

提示詞工程的三段生命

要理解我們現在身處何處，需要回到2023年。

ChatGPT剛剛橫空出世，震撼了整個世界。科技媒體宣告了一個新職業的誕生：提示詞工程師——「AI低語者」。Anthropic發布的職缺年薪高達375,000美元。不需要資訊科學學位（雖然需要基本的程式設計能力）。簡而言之，你只需要懂得如何與語言模型對話。

聽起來像是一場夢。2023年4月，Indeed上「提示詞工程師職缺」的搜尋量攀上頂峰。然後開始下滑。持續地下滑。

在2025年微軟對31個國家31,000名員工進行的調查中，提示詞工程師職位在企業計劃於未來12至18個月內創建的崗位中，排名倒數第二。微軟AI at Work首席行銷長Jared Spataro直截了當地說：「兩年前，所有人都說提示詞工程師將會是炙手可熱的工作。但你現在不再需要完美的提示詞了。」

OpenAI執行長Sam Altman甚至更早就預見了這一點——早在2022年，他便說過五年內將不會有人從事提示詞工程。模型將變得足夠強大，你只需說出你想要什麼即可。

從某種意義上說，他是對的。但也只是某種意義上。

因為真正發生的事情是這樣的：提示詞工程師這個職稱基本上消失了。但與語言模型有效協作的能力不僅存活下來——它成為了市場上最搶手的能力之一。

只不過，沒有人知道如何衡量它、在哪裡尋找它，或者該為它支付多少薪酬。

Indeed的經濟學家Allison Shrivastava說得好：「提示詞工程作為一項技能，依然絕對有其價值。但它不是一份全職工作。」Fast Company的一位評論者將提示詞工程比作成為「Excel達人」或「PowerPoint高手」——是一項有價值的能力，但不是企業會為之設立專屬職位的東西。

它被吸收進了其他職位之中。

問題在於，當一項能力被「吸收」之後——它就變得隱形了。它不會出現在職稱裡。它不會出現在ATS系統的篩選條件中。它不會進入職位要求清單，因為沒有人知道該如何描述它。

於是我們突然面對這樣一種處境：一家公司迫切需要一個能夠與AI有效協作的人，但職缺說明上卻寫著「熟悉AI工具者佳」——這句話的含義，幾乎等同於什麼都沒說。

紙製天花板——由紙構成的玻璃天花板

在招募的世界裡，有一個術語完美地描述了這個問題：「紙製天花板」。不是玻璃，不是混凝土——是紙。因為決定誰能被看見的，是學位、證書和履歷上的那幾行字。

數據是無情的：87%的科技業雇主表示，由於技能缺口，他們難以填補職缺。與此同時，正式學歷要求持續縮小人才池，阻礙了那些透過自學或非正式學習路徑獲得技能的人進入這個領域。

LinkedIn指出，在2019年至2022年間，取消學歷要求的職缺發布增加了36%——但這在整體中仍屬少數。

正如分析師在2025年的文章《超越履歷》中所寫：一位來自印度的自學程式設計師，或一位來自奈及利亞的行銷人員，可能僅僅因為履歷上缺乏聲望——沒有知名大學、沒有可識別的公司、沒有熟悉的職涯軌跡——而被忽視。

但有一個特別值得關注的案例：總部位於紐約的非營利組織Pursuit。Pursuit專門為低收入工作者提供培訓——這些人沒有大學學位，往往完全沒有任何科技業經驗——讓他們走上IT職涯。從歷史數據來看，他們的畢業生平均薪資增幅達400%——從約18,000美元躍升至每年90,000美元。2025年，Pursuit針對相同背景的學員推出了新的AI導向培訓計畫。

四百個百分點的增幅。從體力勞動到科技業。不需要MIT學位，不需要Google實習經歷。

然而，Pursuit是個例外——一個積極在兩個世界之間架橋的組織。大多數本可走上同樣旅程的人，甚至不知道這座橋的存在。

因為他們怎麼會知道呢？

一個整個職業生涯都在尋找體力工作的人，一個認為晉升意味著在班次中多付出幾個小時辛苦努力的人，一個從未與IT世界有過任何接觸的人——這樣的人，要如何得知自己可以從翻漢堡跨越到用提示詞建構系統？

這不是缺乏才能的問題。這是缺乏資訊的問題——缺乏「這條路存在，而且是可以走的」這樣的資訊。

進入AI世界的障礙不是技術性的——它是資訊性的，也是社會性的。

沒有人告訴那些在餐飲業、物流業或製造業工作的人：「嘿，你下班後用ChatGPT在做的那些事——那是一項真實的、市場認可的能力。」

於是這些人沒有投遞應徵。而招募人員也不知道他們應該去尋找這樣的人。

氛圍編程——新的均衡器，還是新的幻覺？

2025年2月，Andrej Karpathy——OpenAI的創始成員、特斯拉前AI負責人——發布了一篇文章，改變了人們對程式設計的思考方式。他稱之為「氛圍編程」（vibe coding）：一種開發者用自然語言描述專案，由語言模型生成程式碼的方式。不需要手動撰寫每一行程式碼。不需要在語法上苦苦鑽研。取而代之的是——對話、迭代，與AI「共振」。

這個術語登上了《韋氏詞典》的熱搜榜。柯林斯詞典將其評選為2025年年度詞彙。2025年春季，「vibe coding」的搜尋量暴增了6,700%。Y Combinator透露，其2025年冬季孵化批次中，有25%的新創公司擁有超過95%由AI生成的程式碼庫。

但氛圍編程真正革命性之處，與開發者無關。它關乎的是那些不是開發者的人。

LIT.AI網站描述了這樣一個案例：一位經驗豐富的HR招募人員，利用氛圍編程在數小時內建立了一個專業的求職面試應徵者評估應用程式。這個人帶來了自己的領域知識：他們理解哪些問題能揭示應徵者的素質、如何構建評估框架、哪些細節至關重要。AI則負責程式碼、介面和資料組織。

結果是：一個生產級工具，而傳統上這需要一個開發者團隊花費數個月才能完成。

這正是各條路徑交匯的時刻。

一位下班後建立NLP工具的廚師。一位創建應徵者評估應用程式的HR招募人員。一位透過與Claude對話，為公司自動化報表的物流工作者。

這些人不符合任何招募範本——因為這些範本根本還不存在。

氛圍編程承諾將軟體創作民主化。但它也有其陰暗面，值得坦誠地討論。

2025年7月的METR研究——一項隨機對照試驗——發現，有經驗的開源開發者在使用AI編程工具時，速度反而慢了19%，儘管他們自我評估認為快了24%。2025年12月，CodeRabbit對GitHub上470個拉取請求進行的分析發現，AI協同撰寫的程式碼包含的嚴重錯誤是手動撰寫程式碼的1.7倍——其中安全漏洞更多達2.74倍。

Fast Company在2025年9月的報導中描述了「氛圍編程宿醉」現象，引用了資深工程師的說法，他們描述在處理AI生成的程式碼時陷入了「開發地獄」。

因此，氛圍編程並非一扇魔法之門。但它確實是一扇不同的門——一扇在人類歷史上首次允許沒有正式資訊科學教育背景的人，建構真實工具的門。

而在這裡，根本性的問題出現了：就業市場準備好迎接那些走過這扇門的人了嗎？

改變的空間在哪裡？

史丹福大學研究人員與南加州大學合作進行的一項實驗，揭示了招募可能演變的方向。該實驗比較了兩種方法：傳統履歷篩選與AI主導的面試。經過AI面試的應徵者，在後續人工面試中的成功率達到53.12%——相比之下，傳統組別僅有28.57%。

這不是微小的效果。這幾乎是雙倍的有效性。

重要的是理解這種方法為何有效：因為它評估的是真實能力，而非紙上的宣言。正如研究作者所指出的，AI主導的面試「將偏袒特定背景的風險降至最低，為非傳統應徵者、轉職者和弱勢群體創造了公平的競爭環境。」

SSIR（史丹福社會創新評論）提出了一個更為激進的方法：用基於真實工作的任務取代履歷的「代理指標」——樣本、模擬、具有標準化評估標準的監督試驗專案。「一位資料分析職位的應徵者，應該展示他們能夠清理雜亂的數據、建立基本模型、驗證結果的可信度，並向非技術人員解釋其中的取捨。」

2025年Ipsos為Google進行的研究報告顯示，49%的招募主管開始使用正式的技能評估——技術測試、工作模擬、適配度評估。這已經接近一半了。

但「開始使用」並不等於「有效使用」。在意圖與實踐之間存在著一道鴻溝。而在這道鴻溝之中，藏著機會。

其中之一是以作品集作為履歷的替代方案。不是傳統的專案作品集——而是思考過程的作品集。一個記錄與AI協作的部落格。GitHub儲存庫不僅展示最終結果，還呈現迭代過程、除錯過程、與模型的對話過程。一段氛圍編程工作階段的記錄，讓人看到某人如何引導AI從一個想法走向一個可運作的原型。

其二是「現場氛圍編程工作階段」作為求職面試的新形式。Netclues公司已經在這樣做了：給應徵者一個需要解決的問題，讓他們使用自己選擇的AI工具，現場解決問題，招募人員評估的不僅是結果——而是思考過程、提示詞的品質、除錯能力、對AI錯誤的應對方式。

其三——或許也是最重要的——是關於「誰能與AI協作」這一敘事的轉變。目前普遍的假設是，AI能力屬於程式設計師和資料工程師的領域。但研究表明的是另一回事：與LLM最有效協作的人所具備的決定性特質，是解決問題的能力、適應力和學習意願——而非特定的技術技能。

Universum的《2025年人才展望》報告強調，在AI增強的環境中，這些「軟性」能力與硬性技術技能同樣關鍵。

SSIR的分析師還提出了一個他們稱之為「潛在專業知識」的概念。AI能夠幫助一名學生分析數據、幫助零售工作者生成程式碼片段、幫助高中畢業生製作出專業級的行銷素材。AI揭示了那些傳統招募體系所看不見的能力。

因此，問題不在於這些機會是否存在。問題在於誰將率先抓住它們——是企業、是應徵者，還是我們尚不知曉的、市場上全新的參與者。

結語

在某個餐廳廚房裡，有人剛剛結束了他的班次，脫下圍裙，坐到電腦前，開始了又一次與語言模型的對話。

他正在建構一個沒有人期望他建構的工具。解決一個沒有任何招募人員為之撰寫職缺說明的問題。創造一些沒有任何ATS系統能夠識別的東西。

這個人擁有企業們迫切尋找的能力。但他不知道自己擁有這些能力——或者他不知道有人願意為這些能力付費。

而企業也不知道，他們應該去尋找的，正是這樣的人。

這就是那道鴻溝。不是技術性的，不是教育性的——而是資訊性的，也是想像力的。

在有人填補它之前，AI人才將繼續消失在那片死角地帶——那個橫亙在他們來自的世界，與那個本可以珍視他們的世界之間的死角。

資料來源

  • TestGorilla，2025年——針對美國1,000名人力資源與招募主管的調查（betanews.com）
  • SHRM，2025年——「招募已然破碎。自動化與演算法無法修復它。」（shrm.org）
  • Gartner，2025年3月——應徵者對AI招募的信任度（unleash.ai）
  • 微軟，2025年——針對31,000名工作者關於AI職位未來的調查（salesforceben.com）
  • Fortune / Indeed，2025年5月——「這個六位數職位曾被預測為下一個大趨勢——它已經過時了」（fortune.com）
  • Fast Company，2025年5月——「AI已經在吞噬自身：提示詞工程正迅速走向消亡」（fastcompany.com）
  • Robert Half，2025年——「建構面向未來的科技團隊」（roberthalf.com）
  • LinkedIn，2022年——2019至2022年間取消學歷要求職缺的增長（linkedin.com）
  • 史丹福大學／南加州大學——比較AI與傳統招募的實驗（weforum.org）
  • Dice，2025年——「非傳統科技職涯路徑的崛起」（dice.com）
  • Pursuit / Stand Together，2025年——針對無學位工作者的AI計畫（standtogether.org）
  • 《超越履歷》——招募中由AI驅動的技能圖譜（virtualemployee.com）
  • Ipsos / Google，2025年——「在AI時代為職涯做好未來準備」（ipsos.com）
  • SSIR——「新的AI職涯階梯」（ssir.org）
  • Universum，2025年——《2025年人才展望》——AI環境中的軟性能力（來源：skywalkgroup.com）
  • 維基百科——氛圍編程（wikipedia.org）
  • LIT.AI——「氛圍編程：人機協作開發方法論」（lit.ai）
  • METR，2025年7月——開發者使用AI生產力的隨機對照試驗（wikipedia.org/Vibe_coding）
  • CodeRabbit，2025年12月——AI與人工程式碼品質分析（wikipedia.org/Vibe_coding）
  • Netclues——招募中的現場氛圍編程工作階段（netclues.com）
  • Anthropic，2023年——「提示詞工程師與館員」職缺，年薪280,000至375,000美元（businessinsider.com）
  • Sam Altman，2022年10月——關於提示詞工程未來的聲明

Similar Posts