人工智慧將如何改變 HR 的工作方式？ 人工智慧有可能取代部分 HR 的職缺嗎？
人工智慧的應用漸趨普遍，越來越多"例行性事務" 及 "需人為主觀判斷"的工作內容將以 AI 取而代之，而傳統行政庶務等工作首當其衝，其中人力資源資源管理、客戶關係管理(客服)、生產與供應鏈管理等都將面臨被取代的挑戰，本篇文章將以人力資源管理為主題，深入探討人力資源該如何因應人工智慧來襲，又該如何搭上此波智能化的浪潮。
傳統人力資源管理將被取代
人力資源管理從傳統的架構，僅分Function：招募、訓練、薪酬、組織、員工關係等，一直到大企業採行的共享服務中心(Shared Service Center)，都不乏許多行政處理等事務，儘管購置 E 化的 HR 系統平台(HRM)，還是有許多工作內容十分繁雜，重複性相當高，也因此許多大型企業會建置 HR-IT 根據許多行政流程系統化，以避免 HR 於行政事務上消耗過多的時間，但制式化的系統卻經常無法處理變化萬千的人事議題，甚至是法規更動的議題。
人工智慧將提供更多 HR 的 Solution，其中應用潛力的領域如下：
(1) 人才招募 (Recruitment)
(2) 人員管理 (Personnel Management)
(3) 績效管理 (Performance Management)
(4) 薪酬管理 (Payroll Management)
(5) 其他跨 Function 的整合應用
以下將以人才招募及人員管理兩大議題，舉例人工智慧該如何應用、結合與延伸：
人才招募 x A.I.
能否找到適任的人選，一直是企業招募的課題，該如何透過公司內部成功的案例，透過 Benchmark 物色合適的人選，進而去複製成功的案例，相信是 HR 們最期待做到的一件事；但往往僅透過用人主管、面試人資的個人主觀判斷，無法精確的預測人選是否符合企業的核心價值，或候選人的忠誠等，然後透過大量的數據統計、機器學習、判斷預測，便能以科學的方法來解決這一部分的議題。
(壹) 履歷篩選
收到履歷後，HR 往往需要耗費大量的時間進行的篩選，不僅耗時，篩選過後的履歷有的甚至還會遭到用人主管拒絕，因此透過 AI 學習模型，便能為 HR 解決這棘手的問題，甚至是在前段即可省去大量的時間，透過資料的預先處理、整合、清理，並 Label 成功案例，便能透過機器學習模型完成 AI 履歷篩選的模型，如此一來，篩選出來的履歷不僅能符合用人主管的胃口，甚至能夠調整預測模型參數因應企業的人才策略，最後更能省去 HR 人工篩選履歷的時間，也能撇除掉一些人為判斷的偏誤。
(貳) 人才媒合
當候選人面試過後，用人主管往往面對的第一個難題為：這麼多人選，哪一個是對團隊最有價值的人才？也因此，HR 若能在此提出專業的建議，相信對用人單位會是一個重要的決策要素！因此須結合其他 Function 的數據，如人員歷史的績效成績、人才的薪資競爭力資料等，方能提供最專業的分析建議；人才的價值無非就是在：1. 專業能力 2. 態度與績效表現 3. 符合企業核心價值 等，透過結構化的專業能力評鑑(紙筆測試、實務操作、創新能力等)、過往公司內部人員的實例(歷史績效數據)、比對薪資競爭力於人員去留升遷等關聯性分析，進而交叉比對訓練機器學習模型，便能透過 AI 預測哪一位候選人才是最佳解。
人事管理 x A.I.
人員的管理跨足多個面向，從員工關係管理、薪酬管理、個人職涯考量，到職務內容規劃等，皆為人事管理等領域；其中，企業主關心的重點無非就是人員的離職、企業薪資競爭力、人才的培訓及養成等；僅憑傳統人力資源管理的工作方法，往往是治標不治本，舉例而言：離職面談中，有多少離職員工願意透露真實的離職原因、薪資競爭力為離職原因之一，但是其他影響員工離職的原因還有哪些？
(壹) 離職預測
過去，預測離職這門議題，往往僅能透過人資的「第六感」，從上班的專注力、與人互動的溫度、近期請假頻度、工作效率等觀察，但是有更多影響的因素是人資專員無法從上班時間得知的，例如家庭變故、員工生理狀況等，因此若要透過 AI 來達成離職預測，雖有難度，但絕非天方夜譚；最困難的議題會在於前端資料蒐集的步驟，到底什麼才是影響員工離職的重要因素，首先先蒐集各種層面可能影響員工離職的參數(例：薪資競爭力、居住地點、通勤時間、交通方式、家庭人員組成、假勤的數據、績效評比、上下班時間、信件往來的用字或效率等任何可能影響離職發生的數據)，再透過實際發生的離職交叉離職面談的原因，在進一步進行訓練機器學習模型，便能獲得 AI 的離職預測模型。
(貳) 晉升管理
多數企業對於一些關鍵職位(高職位)，仰賴外部的天降部隊，原因除了內部培訓幹部的困難度外，薪資該如何做調幅、適當職位的授權、座位的安排，甚至是與內部人員互動關係等都是相當繁雜的議題，也因為需要列入考慮的因素相當複雜， HR 再進行「晉升」的議題時，往往缺乏科學的操作方式與評判基準，而人工智慧也能在此派上用場；首要之務為確認預測的結果，例：1. 晉升後，績效表現是否會更好？2. 晉升後，薪資競爭力該如何進行調整，方能於員工有正向影響力 3. 那些人選需要優先晉升 等，選定一個預測的目標後，進行蒐集相關所需數據(歷史晉升數據、薪資競爭力數據、績效表現數據...等)，再丟入機器學習模型，便成達成 AI 於晉升相關的預測應用。
HR 的日常事務中，有許多事情是相當繁瑣的行政雜務，也有許多事情是仰賴人為直覺判斷的非科學流程，也因為這些因素，造就人力資源管理能夠融入豐富資料科學的應用領域！若有任何疑問或建議，我們相當歡迎讀者們，針對此議題來信與自由團隊做進一步探討喔！(Email: AI.Free.Team@gmail.com)