如何定義候選人發掘假設

搜尋找來的候選人類型不對時，換個管道或多加幾個關鍵字，可能反而掩蓋了真正的問題：團隊對「相關人才會出現在哪裡、他們的公開證據會長什麼樣子」有一個從沒測試過的假設。

候選人發掘假設是針對一次搜尋、範圍明確、可以測試的說法。它寫清楚搜尋路徑、預期的背景、與工作相關的支持訊號，以及會削弱這個假設的觀察結果。它是一項測試，不是候選人配額，也不是招募預測。

把說法和證據分開

先用白話寫出假設：「做過這類工作的人，可能可以從這條路徑找到。」刪掉無法檢查的字眼。在職缺負責人把它定義成可觀察、與工作相關的訊號之前，「優秀的營運人才」、「文化契合」和「頂尖人才」都只是偏好。

用這個句型：

如果我們在 ［已定義的搜尋路徑］ 搜尋有 ［工作背景］ 的人，範圍限於 ［已核定的範圍］，預期 ［可觀察的訊號］ 出現的頻率足以達到 ［團隊設定的門檻］。如果出現 ［反證檢查］，這個說法就會被削弱。接著我們會 ［下一步行動］。

門檻由招募團隊決定。它是這次搜尋的決策規則，不是市場基準。在看結果之前就先訂好，才不會因為一份看起來不錯的個人檔案，就改變了標準。

用六個步驟定義測試

1. 只寫一個假設

選一個命題，例如：「負責過面向客戶 API 的可靠性工程師，即使職稱不是『platform engineer』，也可能被找到。」不要把職稱、地點、資歷和薪資的假設混在一起。一個可能因為四種原因而失敗的說法，沒辦法告訴你該修正什麼。

2. 描述預期的工作訊號

寫下審閱者可以具體指出的東西：負責過 on-call 值班系統、有文件紀錄的系統遷移、推出過的服務，或專業個人檔案裡寫明的職責。關鍵字、雇主名氣或職稱可以當線索，但不會自動成為「做過那項工作」的證據。

3. 設定證據門檻

用明確的層級，而不是看不出依據的「通過／不通過」標籤：

• 獲得支持：審閱過的紀錄中，出現已定義訊號的數量達到事先設定的最低數量，而且沒有尚未解決的硬性限制。
• 被削弱：訊號有出現，但低於最低數量，或只以模稜兩可的形式出現。
• 無法判定：現有來源沒有足夠的工作相關細節，可以用來測試這個說法。
• 被推翻：出現事先定義的反證模式，例如這條路徑一再找到另一種工作類型的人。

「無法判定」很重要。公開資料裡找不到證據，不代表這個人沒有這項能力；這代表你該去查證、換個問法，或不再依賴這個訊號。

4. 事先寫下反證檢查

寫下什麼情況會讓你不再替這個想法辯護：一再出現職稱相符、工作內容卻不符的紀錄；這條路徑無法滿足的硬性地點限制；或審閱者無法對訊號是否存在達成共識。檢查必須可以觀察，並對應到一個決定，而不是「結果感覺很弱」。

5. 進行可追溯的審閱

記錄搜尋路徑、審閱日期、來源、看到的原文措辭、你的解讀、未知事項和決定。重複的紀錄放在一起。如果證據規則影響重大，請具備專業知識的審閱者檢查邊界案例。目的是測試這個說法，而不是做出一份好看的名單。

6. 選擇下一步

如果獲得支持，就把這個說法保留為核定的搜尋路徑，並寫明哪些地方還需要由人查證。如果被削弱，只修改其中一部分，並記錄原因。如果無法判定，就問問看能不能由人經由正當流程查證缺少的事實。如果被推翻，就淘汰這個說法，並寫下取而代之的新問題。

候選人發掘假設工作表

把這張表複製到職缺紀錄裡。門檻和負責人由團隊自行設定。

範例：診斷失敗的假設

僅為範例：假設團隊預期優秀的基礎架構候選人會使用某個常見職稱。第一批審閱結果的職稱都相符，但大多數描述列的是處理工單，而不是負責正式環境。職稱這個假設因此被削弱；馬上加入更多職稱變化並不是解方。改為測試工作訊號，把不確定的紀錄留下來待查證，並問清楚「負責正式環境」到底是不是必要條件。

如果相關的負責經驗出現在好幾種職稱底下，這個說法在這次搜尋中就獲得支持。但這無法證明對方有興趣、有空、真的是作者，或工作表現如何。它只代表這個發掘假設值得保留，接下來由負責聯繫和評估的人去做他們的工作。

失敗分析：結果在告訴你什麼

讓 AI 的產出留在測試範圍內

Talent Summoner 是我們的產品，做 AI 人才搜尋、履歷排序，以及經你確認後才送出的聯繫訊息。它目前的人才搜尋流程（2026 年 9 月 2 日確認）從職缺描述出發，在 LinkedIn、GitHub 和其他公開專業來源的 2 億份以上個人檔案中搜尋，依照必備條件和加分條件交回排序後的候選人，並附上白話理由。你可以把這些結果當成一批審閱樣本，但排序結果不能證明這個說法成立。查看來源、查證重要事實、聯繫候選人、面試和做決定，仍然要由人來做。

如果你手上已經有履歷，候選人排序回答的是另一個問題：你提供的文件和職缺說明比起來如何。把它和發掘測試分開，才不會把一疊排序漂亮的履歷，誤當成「新候選人可以在哪裡找到」的證據。

英國 ICO 關於招募 AI 的指引於 2024 年 11 月 6 日發布，2026 年 9 月 2 日確認，提醒組織考慮資料保護影響評估（DPIA）、合法依據、書面記錄的責任分工、公平性與準確性的監控、透明度，以及只使用必要的最少個人資料。這是一般資訊，不是法律建議；請依你的組織和所在司法管轄區適用的規定處理。NIST 將它的 AI 風險管理框架描述為自願性指引，用來把可信賴性納入 AI 的設計、開發、使用和評估。這兩個來源都不會讓人才搜尋假設變成招募標準。

下一步

在工作表裡寫下一個假設、一個可觀察的訊號、團隊設定的門檻，以及反證檢查。指定決策負責人，然後開始一次人才搜尋，或用候選人排序測試手上現有的資料。在修改需求說明之前，先把結果記錄下來。