人選自動媒合排序流

🎯 這條流程解決什麼

人力媒合最耗時的環節，從來不是「找得到人」，而是「在一大堆人裡找出最對的那幾個」。一家經營有年的派遣或人力公司，人才庫裡動輒躺著幾百、上千筆人選資料，每一筆都有技能、經歷、地區、薪資期待、可上工時間等好幾個面向。當一個新職缺進來，顧問要在這片資料海裡撈出真正合適的人選，靠的往往是自己的記憶與手動翻找——記得某某人好像住那附近、印象中誰做過類似的工作。這種方式不只慢，還充滿盲點。

純人工媒合的代價有兩面。一面是漏掉好人選：人才庫裡明明有非常適合的人，但顧問記不得、沒翻到，這個人就這樣被埋沒，職缺也遲遲補不滿。另一面是推錯人傷信任：為了趕快交差，把資格其實不太符合的人推給客戶，客戶面試後發現落差，對顧問的專業判斷打折扣，下次需求就不一定再找你。而這整個翻找、比對、排序的過程，一個職缺可能就要花掉顧問半天到一天。職缺一多，顧問整天都在「翻資料」，根本沒時間做媒合真正有價值的事——判斷適配度、跟人選溝通、跟客戶協調。這條流程要解的，就是把「翻資料找人」這件苦工自動化，把顧問的時間還給判斷與溝通。

導入後的改變

導入前，每來一個職缺，顧問就要重新進人才庫大海撈針，憑記憶與手動篩選，慢、容易漏、品質還因人而異。導入後，職缺一建立，系統就自動完成初篩、比對、算分、排序，幾分鐘內把一份「已排好序、附帶媒合理由」的推薦名單送到顧問面前，顧問從「翻資料的人」變成「做判斷的人」。

效益估算上，最直接的是媒合前置作業的工時。原本一個職缺要花半天到一天翻找比對，導入後縮短到顧問花十幾分鐘檢視系統推薦的名單，前置作業工時可省下約八成。第二是媒合品質的穩定，因為系統用一致的標準把人才庫每一筆都比對過一遍，不會像人工那樣漏掉沒印象的好人選，能更完整地把合適的人撈出來，提高職缺的填補率。第三是顧問產能的釋放，省下來的時間能讓每位顧問同時處理更多職缺、把心力花在跟人選與客戶的溝通上，整個媒合團隊的吞吐量隨之提升。

流程怎麼運作

整條流程對應 frontmatter 的五個節點，由「新職缺建立」即時觸發，也可用「每日排程」定期把現有職缺對人才庫再比對一次（因為人才庫每天都有新人加入）。

第一步是新職缺觸發。當客戶的職缺在系統建立、或排程時間到，流程啟動，拉出該職缺的需求條件——職類、地區、技能要求、薪資範圍、上工時間等。

第二步是撈取人才庫。系統先依職類與地區等硬條件，從 ATS 或人才資料庫初步篩出一份候選清單，把明顯不符的人先排除，縮小後續精算的範圍，提升效率。

第三步是AI 算適配分。AI 比對節點針對初篩出的每一位人選，逐面向比對其技能、經歷、薪資期待與可上工時間跟職缺需求的吻合度，綜合算出一個適配分數。分數背後是多個維度的權衡，而不是單一條件的有無。

第四步是排序推薦名單。系統把人選依適配分數高低排序，產出一份推薦名單，並為每一位標註「為什麼推薦」的媒合理由（例如技能高度吻合、地點就近）以及「需要留意」的風險（例如薪資期待略高於職缺、可上工時間稍晚）。

第五步是交給顧問確認。系統透過 Slack 或 Email 把這份名單推給負責的顧問，由顧問人工檢視、結合對人選的了解做最終判斷後，才實際聯繫人選。系統到推薦為止，拍板的是人。

需要的工具與串接重點

平台用 n8n 或 Make 串接。ATS 或人才資料庫是核心資料源，串接重點是人才資料的欄位要結構化、夠完整——技能、地區、薪資期待、可上工時間這些欄位若平時就有好好維護，比對才會準；若資料是自由文字的履歷，可能需要先做欄位抽取。Google Sheet 可作為推薦名單的輸出與顧問批註的工作區，方便顧問直接在上面標記與回饋。

AI 比對節點是流程的大腦，設定時要明確定義各維度的權重（技能、地區、薪資、時間哪個更重要），並要求它輸出「分數＋理由＋風險」三件套，讓顧問不只看到排名、更看得到為什麼。Slack 與 Email 負責把名單推給對的顧問，建議依職缺或顧問分流。整條流程的關鍵原則是「AI 只排序、不錄用」——把顧問人工確認設成不可跳過的最終關卡。更多串接設定可參考 自動化指南。

常見錯誤與注意事項

第一，AI 適配分數只是輔助排序的參考，絕不能當成錄用與否的唯一依據。分數高不代表這個人此刻有意願、狀態合適，分數低也可能只是某個欄位資料沒更新。務必由顧問人工檢視人選的完整背景、確認其資格與當下意願後再聯繫，避免把演算法的排序當成決定。AI 不取代顧問對人選的專業判斷與直接溝通。

第二、也是格外重要的：要警惕演算法偏誤造成的不當篩選。媒合涉及就業機會，若比對規則或歷史資料本身帶有偏見，可能在無意間對特定族群造成不公平的排除。設計權重與規則時要避免使用與工作能力無關的因素，並定期檢視推薦結果是否出現系統性偏差，必要時人工修正。

第三，人才資料屬於高度敏感的個人資料。蒐集、儲存與使用都必須已取得當事人同意、並符合《個人資料保護法》的規範，做好權限控管與去識別化，僅供媒合之必要使用，不得外流或挪作他用。把人選資料丟給 AI 比對時，也要留意資料的保護與使用範圍。

台灣中小企業情境案例

北部一家中型派遣公司，人才庫裡累積了約一千五百筆人選，五位顧問每天被各種職缺追著跑。過去每接到一個新職缺，顧問就得在系統裡靠關鍵字搜尋、再憑印象一個個看，找對一組人選常常要耗掉大半天，忙起來還會把資格不符的人硬推給客戶，被打槍幾次後客戶就有點不信任。導入這條流程後，職缺一建立，系統幾分鐘內就把一份排好序、每位都附上推薦理由與風險提示的名單推到顧問的 Slack。顧問只要花十幾分鐘看過、挑出最合適的兩三位、確認意願後就能聯繫客戶。一段時間下來，職缺的填補速度明顯加快，因為系統不會漏掉人才庫裡那些顧問沒印象的好人選，推給客戶的人選品質也更穩定，客戶的信任度回來了。

延伸應用

這條流程是派遣媒合自動化的中樞，前後都能接。往前，職缺需求可以由客戶職缺需求收集建檔的流程自動帶入，讓「職缺一進來就自動開始媒合」真正無縫——相關串接可在 工作流清單 找到。往後，媒合成功、人選確定上工後，可接續人選到職通知與報到的流程，把報到通知、文件準備自動跑起來。

再擴充下去，這套比對邏輯也能反過來用——當人才庫新增一位優秀人選時，主動比對所有開放中的職缺，看看哪個職缺特別適合他，做「人找缺」的反向媒合。把媒合、出勤、計薪、報到等派遣流程串成一套完整的自動化系統，可逛 食譜庫 探索更多搭配組合。

流程圖

用到的工具

更多「專業服務」工作流

瀏覽全部工作流藍圖 → 自動化工作流中心 → AI Skills 食譜庫 →