跨國企業如何在招募中有效運用 AI

1. 基本資訊

這篇文章由 Julia Stefanie Roppelt、Andreas Schuster、Nina Sophie Greimel、Dominik K. Kanbach 與 Kakoli Sen 發表於 2025 年的 International Journal of Information Management，題目是〈Towards effective adoption of artificial intelligence in talent acquisition: A mixed method study〉，DOI 為 10.1016/j.ijinfomgt.2025.102870。文章聚焦在一個很實務的問題：企業導入 AI 到 talent acquisition 時，雖然期待效率提升，但也可能同步帶來 harmful forms of practice，這些風險到底有哪些、又是被什麼因素催化出來。

2. 研究問題

作者的研究問題很明確：多國企業，特別是 MNCs，如何在 talent acquisition 中有效採用 AI，同時把負面後果壓到最低。更細一點說，文章想回答三件事。第一，AI adoption 後在 TA 場景裡可能出現哪些 harmful forms of practice。第二，這些 HFP 是被哪些 technological factors、individual factors 與 organizational factors 直接或間接推動。第三，這些因素之間是否存在中介關係，讓 adoption 問題不只是技術選型，而是組織與個體條件一起決定的結果。

3. 理論基礎

理論上，本文主要建立在 adoption theory，特別是 TOE 與個體接受視角的整合。作者認為，只用組織層次的 technology adoption 模型還不夠，因為 AI 在 TA 的效果會同時受到技術成熟度、員工技能與態度、以及 change management 與 training 等組織條件影響。這個理論選擇很重要，因為它把 AI adoption 從「要不要用」推進到「怎樣才算有效採用」，並進一步把有效採用界定為不只是提升效率，也要避免 bias、privacy breaches 與 efficiency loss 等傷害。

4. 研究架構

整體架構是先質後量的 mixed-method 設計。第一階段，作者透過 42 位 TA experts 的深度訪談，建立 Adoption of AI in TA: Framework on Negative Consequences。第二階段，再用 303 份有效問卷做量化驗證，檢驗 TF、IF、OF 與 HFP 之間的直接效果與中介效果。整體模型的核心是：TF → HFP、IF → HFP、OF → HFP，同時 TF 也會影響 IF 與 OF，再由這兩者部分中介 TF 對 HFP 的影響。

5. 假設邏輯

作者提出的邏輯很完整。技術層面若存在 explicability 不足、validation 不足、不可依情境調整、或介面不夠 user-friendly，就更容易引發 HFP。個體層面若員工缺乏 AI 相關技能、對 AI 有誤解、或抱持抗拒與風險感，也可能放大錯誤使用與判讀偏誤。組織層面若缺乏 change management、training、upskilling、流程重設與制度支援，則更難有效吸收 AI，負面後果更容易浮現。因此作者假設 TF 與 IF 會正向促進 HFP，OF 會負向抑制 HFP；同時 TF 會透過 IF 與 OF 的中介，進一步影響 HFP。

6. 方法

研究採 mixed-method 設計。質性部分，作者訪談 42 位來自不同國家與產業、且多數位於 MNC 脈絡的 TA 專家，並用 grounded theory approach 建構概念框架。量化部分，蒐集 303 位歐洲樣本，使用 PLS-SEM 檢驗理論模型。方法上的亮點有兩個。第一，這不是泛泛的 adoption survey，而是先透過訪談把 HFP 與 driver 做厚描，再進一步量化驗證。第二，作者特別把 MNC context 拉出來，因為跨國企業在 applicant volume、流程標準化與在地法規調整上，確實面對比較特殊的 adoption 壓力。

7. 結果

研究結果分成兩層。質性階段辨識出四種可能的 HFP：biased decision-making、employee displacement、data privacy breaches 與 efficiency reduction。但進入量化驗證後，真正穩定落在 HFP 構念中的主要是 bias、privacy 與 efficiency loss，而 employee displacement 沒有在量化模型裡充分載入。就結構路徑來看，TF 對 HFP 有顯著正向影響，IF 對 HFP 也有顯著正向影響，而 OF 對 HFP 有顯著負向影響。作者也驗證了 TF 對 IF 有顯著正向影響，表示技術缺陷或不成熟不只直接造成問題，也會改變員工的態度與能力表現。進一步地，IF 與 OF 都對 TF 和 HFP 之間關係形成部分中介，表示技術問題不是孤立存在，而是會透過人與組織條件被放大或緩衝。

8. 理論貢獻

這篇最大的理論貢獻，是把 AI adoption in TA 從單純效率或 acceptance 問題，推進到 effective adoption under risk of HFP。第一，它補上了先前文獻多半只談 motive、barrier 或 benefits，而少談 adoption 後負面後果機制的缺口。第二，它把 technological、individual、organizational 三層因素整合進同一模型，不再把 AI 失敗歸咎給單一技術或單一員工。第三，它指出 adoption success 的判準不該只看效率，也要看能不能壓低 bias、privacy breach 與 efficiency reduction。這讓 adoption theory 在 AI / HRM 脈絡裡更具體也更有風險治理意味。

9. 實務意涵

對企業管理者來說，這篇最實際的提醒是：導入 TA AI 不能只買工具或追求 automation。若沒有 validation、explicability、在地化調整、upskilling、training 與 change management，AI 很容易把既有問題放大，甚至變成新的風險來源。作者很清楚地把責任分成兩端。對 MNC 的 IT 與 TA managers 來說，要重做流程、訓練人、調整 job description，並建立 interpretation 能力；對 AI providers 來說，則要提高 explicability、可調整性與 user-friendliness，而不是只強調功能表現。這篇真正有價值的地方，是它把 adoption failure 的責任從「人不會用」改寫成「技術、人與組織共同配置失敗」。

10. 研究限制

限制方面，第一，量化樣本主要來自歐洲脈絡，雖然作者認為質性與量化結果未顯示明顯文化依賴，但跨文化與跨法規環境仍值得進一步重驗。第二，employee displacement 在質性階段很明顯，但在量化模型中未能穩定載入，表示這個後果可能更依賴特定產業、時間跨度或組織設計。第三，研究聚焦於 MNC 的 managerial perspective，沒有納入 candidate perspective，因此對 employer branding 或 candidate fairness experience 的掌握仍不完整。第四，資料仍是單時間點設計，對 HFP 的長期動態與 adoption 演化還不能說得太強。

11. 對我研究的啟發

這篇對我很有用，因為它把我目前偏重 human-GenAI interaction 與 micro-level cognition 的閱讀線，再往 organizational adoption / implementation / governance 拉高一層。我前面已經累積了 trust、anthropomorphism、cognitive style、creative phases、JD-R 與 algorithmic management；這篇提醒我，很多 AI 問題不只是 interaction 設計，而是 adoption architecture 問題。若我未來要把 human-GenAI collaboration 研究接到組織制度面，這篇可以當橋梁文，幫我問：哪些技術條件、哪些員工能力、哪些組織安排，會讓 AI 從 potential value 轉成 actual harm，或反過來成功被吸收。特別是它把 effective adoption 定義成「創造價值且避免 HFP」，這個 framing 很適合拿來擴充我後續的人機協作理論。

12. 整體評價

我認為這篇很值得在 backlog 中優先讀，因為它不只是說 AI 在 HR 很有潛力，而是很務實地把 adoption 的 dark side 也拉進來。它的強項是 mixed-method 設計、概念架構清楚，而且對實務操作很有指向性。若要挑剔，就是它仍偏 managerial perspective，與真實 candidate experience、長期就業替代效應之間還有距離；但作為我文獻池裡連接 AI adoption、治理與制度吸收能力的重要補位文，我認為很有價值。