HR 不再只需要一個分數，而是需要看懂「為什麼這個人讓人覺得適合或不適合」
面試結束後，主管看著履歷和面試紀錄，說了一句：
「我覺得他不太適合。」
HR 問：
「是哪裡不適合？」
主管想了一下，回答：
「說不上來，就是感覺不太對。」
這樣的對話，在招募現場並不少見。
對 HR 來說，真正困難的地方往往不是沒有候選人資料，也不是沒有面試分數，而是很多面試判斷停留在「感覺」。當判斷無法被說清楚，HR 就很難比較候選人、很難和用人主管對齊標準，也很難知道下一輪面試到底該追問什麼。
這也是為什麼 AI 面試的下一步，不應該只是更會評分，而是要更懂互動。
HR 真正缺的不是分數，而是可解釋的面試證據
過去談到 AI 面試，很多人第一時間想到的是「自動評分」。
候選人錄製一段影片，系統分析他的回答內容、語音、表情與眼神，最後產生一個分數或一份報告。這樣的做法確實能提升效率，尤其在大量招募、初步篩選或標準化流程中，AI 可以幫 HR 節省許多時間。
但如果 AI 面試最後只是多給一個分數，對 HR 來說仍然不夠。
因為 HR 真正需要回答的，往往不是：
這個候選人得幾分？
而是：
為什麼這位候選人讓人覺得溝通清楚？
為什麼另一位候選人履歷很好，但面試時說服力不足？
面試官說「感覺不適合」，這個感覺來自哪裡？
候選人是真的能力不足，還是只是表達方式沒有展現出能力？
下一輪面試應該針對哪一段內容追問？
這些問題，才是 HR 在招募現場真正需要處理的問題。
分數可以排序，但分數不一定能解釋。
分數可以篩選，但分數不一定能幫助面試官討論。
分數可以看起來很客觀，但如果它無法說明依據，就可能只是另一種黑箱。
所以，下一代 AI 面試真正要提供的，不是更多分數，而是更清楚的面試證據。
傳統 AI 面試的限制：它會評分，但不一定懂面試
傳統 AI 面試系統大多採用一種「輸入到輸出」的邏輯。
候選人提供一段回答影片，系統從中擷取多種資料，例如：
- 回答內容
- 關鍵字與語意
- 語速與音調
- 停頓與音量變化
- 表情變化
- 眼神方向
- 頭部穩定度
接著，模型把這些資料轉換成分數、標籤或分析報告。
這種方法可以稱為：
從觀察資料到評估結果。
它的價值很明確：快速、標準化、容易比較，也能協助 HR 處理大量候選人資料。
但是，它也有一個很大的限制：它容易把面試看成一段可以被「評分」的靜態表現。
然而，真實面試從來不是靜態的。
一位候選人可能一開始很緊張，但後面越講越穩。
一位候選人可能語氣很有自信，但內容其實缺乏具體證據。
一位候選人可能回答不華麗，但邏輯清楚、經驗扎實。
也有人表達流暢，卻沒有真正回答到問題。
如果 AI 只看最後分數，它很可能錯過這些過程中的細節。
更重要的是，如果 AI 只是把候選人轉換成一個分數，它可能只是把人的主觀判斷，換成另一個看起來更科技的黑箱。
真正有價值的 AI 面試，應該幫 HR 看懂分數背後發生了什麼。
真實面試不是一張考卷，而是一段互動
面試不是考卷。
候選人不是只是在回答問題，而是在一段互動中建立信任、展現邏輯、傳達自信、處理壓力，並試圖讓面試官理解他的能力。
同樣一句話，用不同語氣說出來，效果可能完全不同。
同樣一段經歷，用不同結構表達，給人的專業感也會不同。
同樣一項能力，如果候選人在說明時眼神閃爍、語速混亂、內容跳躍，面試官可能會產生不同的理解。
在面試中，很多判斷其實來自多種訊號的組合：
- 他說了什麼？
- 他怎麼說？
- 他是否回答到問題？
- 他是否能舉出具體例子？
- 他是否能在壓力下維持穩定？
- 他的聲音、表情與內容是否一致？
- 他是否能逐步建立信任感？
- 他是否讓面試官想進一步了解？
這些都不是單一分數可以完整描述的。
因為面試真正重要的，不只是候選人最後得幾分，而是他如何在一段互動中逐步建立信任、展現能力，或失去說服力。
這也是 AI 面試需要進化的地方。
下一代 AI 面試要理解「互動狀態」，而不是只看結果
如果我們把面試看成一段互動，就會發現 AI 不應該只問：
這位候選人表現好不好？
而應該進一步問：
這位候選人的表現是如何形成的？
哪些回答讓人覺得清楚？
哪些地方開始失焦？
哪些訊號支持「穩定」或「不穩定」的判斷？
哪些內容值得下一輪面試進一步追問？
這位候選人是能力不足，還是只是沒有把能力表達出來？
這就是下一代 AI 面試的核心：理解互動狀態。
所謂互動狀態，不是只看候選人的單一表現，而是觀察他在面試過程中的變化。例如：
- 表達是否越來越穩定？
- 回答是否逐漸聚焦？
- 語意是否前後一致？
- 聲音是否在壓力題中明顯變化？
- 表情與回答內容是否一致？
- 是否能在追問中補充具體證據？
- 是否能讓面試官更理解他的能力？
這樣的 AI，不只是判斷候選人「好不好」，而是協助 HR 理解候選人的表現「如何形成」。
也就是說，AI 面試的價值不應只是給結論，而是提供可解釋的觀察證據。
HR 可以得到什麼好處？
如果 AI 面試從「評分」進化到「互動理解」，對 HR 的價值會變得更直接，也更實用。
一、讓面試討論更有依據
傳統面試討論中，常常會出現這類說法：
「我覺得他滿穩的。」
「他好像不太有自信。」
「我覺得他講話沒重點。」
「他感覺不太適合我們團隊。」
這些感覺不一定錯，但如果沒有具體證據，就很難討論。
互動理解型 AI 可以協助 HR 把模糊感受轉換成更具體的觀察，例如：
- 哪一題回答最清楚？
- 哪一段回答開始偏離問題？
- 哪些回答有具體案例？
- 哪些內容只是概念描述，缺乏行動證據？
- 候選人在壓力題中的語速與語意是否有明顯變化？
這樣一來，HR 和主管討論候選人時，就不再只是交換感覺，而是可以基於共同證據討論。
這對 HR 來說非常重要。
因為好的招募決策，不只是選出一個人，而是讓團隊能夠說清楚為什麼選他，或為什麼不選他。
二、讓不同面試官更容易對齊標準
不同面試官常常有不同偏好。
有的人重視自信。
有的人重視邏輯。
有的人喜歡積極表達。
有的人覺得太積極反而不穩重。
有的人看重經驗深度。
有的人更在意文化適配。
這些差異會讓 HR 在彙整面試意見時變得困難。
同一位候選人，可能在 A 主管眼中「很積極」，在 B 主管眼中卻「太強勢」。
一位表達比較慢的候選人，可能被某些人認為「不夠敏捷」，但其實他只是思考比較謹慎。
AI 的價值，不是替面試官決定誰對誰錯，而是提供一套更一致的觀察框架。
例如大家可以一起討論：
- 回答是否有結構？
- 是否有具體案例？
- 是否能回應問題核心？
- 是否在不同題目中維持穩定？
- 是否能清楚說明自己的角色與貢獻？
- 是否有需要下一輪驗證的疑點？
當 HR 有了這樣的共同語言，就更容易讓面試官對齊標準，降低單純依賴個人偏好的風險。
三、讓下一輪面試更知道該問什麼
很多時候，AI 面試最有價值的地方，不是直接告訴 HR 誰應該錄取，而是幫 HR 找出下一輪應該追問什麼。
例如：
候選人談專案成果時很流暢，但沒有說清楚自己在團隊中的實際角色。
這時下一輪就可以追問：
「你在這個專案中具體負責哪些決策？」
「哪些部分是你主導，哪些部分是團隊共同完成？」
候選人談領導經驗時很有自信，但缺少具體案例。
下一輪可以追問：
「你曾經如何處理團隊衝突？」
「有沒有一個你帶領團隊達成目標的具體例子？」
候選人在壓力題中語速變快、回答變散。
下一輪可以追問：
「當時你面對壓力時，如何整理優先順序？」
「你通常怎麼處理不確定性？」
這就是互動理解型 AI 對 HR 的實際價值。
它不是只產生一份報告，而是讓 HR 更快找到面試的下一步。
四、幫助 HR 區分「能力不足」與「表達不佳」
在面試中，有一個常見但很難處理的問題：
有些候選人其實有能力，但不擅長表達。
也有些候選人很會表達，但內容不一定扎實。
如果只看表面表現，很容易誤判。
一位候選人可能語速較慢、表情不多，但回答內容很完整，能清楚說明問題、行動與結果。
另一位候選人可能語氣自信、反應很快，但回答缺乏細節，無法具體說明自己的貢獻。
互動理解型 AI 可以協助 HR 把不同層面拆開來看：
| 觀察面向 | HR 可以理解什麼 |
|---|---|
| 語意內容 | 候選人是否真的有經驗與能力 |
| 回答結構 | 候選人是否能清楚組織資訊 |
| 聲音穩定度 | 候選人是否能穩定傳達想法 |
| 表情與眼神 | 候選人是否自然、投入、一致 |
| 時間變化 | 候選人是越講越穩，還是逐漸失焦 |
這能幫助 HR 避免兩種風險：
第一，錯失不擅表達但能力扎實的人。
第二，被表達流暢但內容空泛的人誤導。
這也是 AI 面試從「評分」走向「理解」後，對人才判斷最重要的幫助之一。
五、從招募延伸到人才訓練與發展
當 AI 能理解面試互動，它的價值就不只在招募。
因為面試其實也是一種表達場景。
而企業內部有很多場景，都需要員工具備良好的表達、溝通與說服能力。
例如：
- 新人面試訓練
- 業務提案訓練
- 主管溝通訓練
- 內部晉升簡報
- 領導力發展
- 高潛力人才培育
- 客戶簡報與談判訓練
如果 AI 能分析一個人在面試中的語意、聲音、表情與互動狀態，它也可以協助員工理解自己在其他溝通場景中的表現。
例如：
- 我的回答是否太發散？
- 我的簡報是否有說服力？
- 我的語速是否影響理解？
- 我的表達是否缺少具體證據？
- 我在壓力下是否容易失去結構？
- 我是否能讓聽眾快速掌握重點？
因此，下一代 AI 面試不只是招募工具，也可能成為人才發展工具。
它可以從「幫企業篩選人才」，進一步延伸到「幫企業培養人才」。
從 Scoring Engine 到 Interaction Understanding Engine
如果用一句話描述 AI 面試的演進，我們可以說：
過去的 AI 面試是 Scoring Engine，未來的 AI 面試會走向 Interaction Understanding Engine。
也就是說，AI 面試不只是評分引擎，而是互動理解引擎。
兩者的差異可以這樣理解：
| 過去的 AI 面試 | 下一代 AI 面試 |
|---|---|
| 產生分數 | 提供可解釋證據 |
| 分析單次回答 | 理解整段互動 |
| 看最後結果 | 看狀態變化 |
| 協助初步篩選 | 協助判斷與追問 |
| 偏向黑箱模型 | 偏向可解釋決策支援 |
| 招募工具 | 人才互動分析平台 |
這個轉變非常關鍵。
因為 HR 不只是需要知道「誰比較高分」，更需要知道「為什麼這個人值得進一步了解」。
當 AI 能把面試中的語音、語意、表情、眼神與時間變化整合起來，並轉換成可以討論的證據，AI 面試就不再只是自動化流程的一部分，而會成為 HR 判斷、追問與人才發展的重要支援系統。
為什麼這和世界模型有關？
要讓 AI 真正理解互動，它不能只看單一時間點的表現，也不能只對整段影片做平均分數。
它需要理解一件事：
面試中的狀態，是會隨時間變化的。
候選人可能從緊張變得穩定。
回答可能從清楚變得發散。
信任感可能逐漸建立，也可能在某個回答後下降。
說服力可能來自內容、聲音、表情與結構的共同作用。
這種「理解狀態如何形成與變化」的能力，正是世界模型思維開始進入 HR 場景的原因。
在自駕或機器人領域，世界模型用來理解環境如何變化。
例如車輛、道路、行人與障礙物之間如何互動，某個行動可能導致什麼結果。
而在 HR 場景中，我們關注的不是車輛與道路，而是人的表達、信任、壓力、說服力與互動狀態如何形成。
這代表 HR AI 的下一步，不只是分析候選人「現在看起來如何」，而是理解：
他的表現是如何一路變成這個樣子的？
哪些訊號影響了面試官的理解？
哪些地方可以被追問、驗證或改善？
這也是世界模型進入 HR 與社會互動場景的起點。
AI 面試不是替 HR 做決定，而是讓 HR 更懂人
在人力資源場景中，AI 的使用必須特別謹慎。
因為面試與人才評估，關係到人的工作機會、職涯發展與組織決策。AI 不應該成為自動淘汰候選人的黑箱系統，也不應該用單一分數取代完整的人才判斷。
真正成熟的 AI 面試，應該扮演的是決策支援角色。
它協助 HR 整理資料。
它協助面試官看見細節。
它協助團隊對齊標準。
它協助指出值得追問的地方。
它協助企業降低主觀誤差。
它也協助候選人與員工理解自己可以如何改善表達。
但最終的判斷，仍然應該由人來做。
AI 的價值不是取代 HR，而是讓 HR 更有依據地理解人。
結語：未來 HR AI 的價值，是讓面試變得更可理解
AI 面試的第一階段，是讓企業能更有效率地處理大量面試資料。
但下一階段，AI 面試不能只停留在「更快產生分數」。
真正重要的是，它能否協助 HR 看懂面試過程中發生了什麼，能否把模糊的感受轉換成具體的證據，能否讓面試官更容易討論候選人，能否讓下一輪面試問得更準，也能否讓企業更公平地理解人才。
AI 面試的下一步，不是更快把人排成高低，而是幫助 HR 更清楚地理解人。
當 AI 能把面試中的語音、語意、表情、眼神與時間變化，轉換成可以討論、可以追問、可以改善的互動證據，AI 面試就不再只是招募流程中的自動化工具，而會成為企業理解人才、培養人才與提升面試品質的重要基礎。
這也是我們將世界模型引入 HR 與社會互動場景的起點。
AI 面試的下一步，不是更會評分，而是更懂互動。