AI招募快速擴張，年輕人第一份工作會更難找嗎？

 

AI招募擴張，年輕畢業生卡在第一輪篩選

截至今年9月26日，美國企業正把履歷初審、預錄面試與背景比對交給演算法。對剛畢業的年輕人來說，求職入口已經變成機器評分：履歷中的技能、學歷與關鍵字，先決定人資會否看到本人。

紐約聯準銀行數據顯示，22至27歲大學畢業生失業率升至5.7%，較兩年前同齡族群高出一個百分點，未充分就業率更逼近42%。這批人接受過高等教育，卻有大量勞動力落在兼職、短期工作，或與所學落差甚大的職位。

Seton Hall大學學生編輯Michela DiLorenzo訪談同學後發現，部分原先規劃直接攻讀研究所的學生，開始選擇打工存錢、延後升學。有人投出50份履歷只拿到2次面試，也有人送出上百份申請仍未收到回應。求職摩擦已從競爭職缺，提前到爭取被看見的機會。

 

企業與求職者同時使用AI，初階求職走向演算法競賽

企業採用AI篩選有明確的成本誘因。人資部門面對大量履歷，軟體可以快速比對技能與職務需求，縮短初審時間。LinkedIn今年初調查顯示，約66%的招募人員計畫提高AI在面試前篩選的使用比例。

求職者也在使用相同武器。81%的受訪者已經使用，或計畫使用AI撰寫履歷、調整求職信與模擬面試。企業以演算法選人，學生以生成式AI調整表達方式，形成一場AI篩選AI生成內容的競賽。

這套機制容易產生新的雜訊。大量高度相似的履歷湧入後，企業會加強關鍵字、學歷與經歷門檻；求職者為了通過篩選，又會進一步優化文字。最後可能出現履歷格式愈來愈完整，人與職務的適配程度卻未必同步提高。

對提供人力資源軟體的公司而言，企業採用率上升代表需求成長；對企業客戶而言，投資報酬要看招募速度、留任率與人才品質。若工具只能減少人資閱讀時間，卻提高錯殺潛力人才的比例，導入效益就會打折。

 

招募轉弱有多項原因，AI尚未被確認為主因

年輕人失業率升高，時間上與生成式AI普及重疊，但現有研究尚未支持單一因果。紐約聯準銀行分析職缺貼文後發現，美國整體招募確實放緩，高度暴露於AI的入門職位未呈現特別集中的萎縮。

企業調查也顯示，多數公司傾向透過員工再訓練導入AI，大規模削減徵才的情況相對有限。現階段較穩健的判讀是，AI帶來部分影響，景氣循環、產業調整與融資環境也同時壓縮新人職缺。

截至今年9月26日，美國長天期公債殖利率與房貸成本仍處高檔，生活成本維持壓力。企業資本支出大量流向AI、半導體與高成長技術，相關職缺也偏向資深工程師及具備專業經驗的人才。資本支出成長與新人就業改善沒有同步發生，這是AI投資潮容易被忽略的分配效果。

Revelio Labs觀察到，AI導入速度較快的企業，徵才活動反而較積極，但新增需求多集中於資深職位。生產力提升可以推動企業成長，職涯起點的人卻可能因經驗不足，先被自動篩選系統排除。

 

AI技能正從履歷加分項目轉成早期職涯門檻

Handshake分析早期職涯族群履歷發現，2026屆畢業生提到AI技能的比例，已達2022屆的兩倍。其中約74%連結到實際專案經驗，顯示部分學生開始把AI能力轉化成可檢查的作品。

雇主需求也快速上升。NACE調查顯示，今年春季有16.5%的職缺描述明確要求AI技能，高於去年秋季的10.5%；約28%的雇主正在尋找能於工作中運用AI的早期職涯人才。短短半年增加6個百分點，反映企業對新人技能組合的要求正在加速改寫。

學生端仍有明顯落差。NACE今年調查中，近三分之一應屆畢業生認為AI技能對未來職涯幾乎沒有重要性，逾半數沒有刻意培養相關能力，也未在求職過程使用AI工具。倫理疑慮與被取代的焦慮可以理解，但企業招聘標準已經向前移動。

能展示的專案經驗比技能標籤更有辨識度。履歷寫上熟悉生成式AI，資訊含量很低；若能說明如何利用AI整理資料、改善流程、完成分析，並交代成果與限制，演算法和人資才有足夠依據評估。

 

AI勞動市場的風險落在人才入口與教育落差

這輪變化對投資人的提醒很直接。AI基礎建設支出可以先反映在晶片、伺服器與雲端需求，生產力紅利則需要企業流程、人才訓練與組織調整配合。兩者的時間差可能很長，受益族群也會高度分化。

企業若要兼顧效率與人才多元性，需要持續檢查篩選模型。過度倚賴關鍵字、學歷與既有經驗，可能把具備學習能力、溝通能力與跨領域潛力的新人擋在門外。學校也需要把AI素養帶進各科系，讓商管、設計、人文與工程學生都能累積可展示的應用成果。

接下來可追蹤三組證據：入門職缺占比是否持續下降、AI技能要求是否繼續快速增加，以及採用自動篩選的企業能否維持新人留任率與人才品質。AI投資潮已經進入勞動市場的分配階段；教育與招募制度若調整太慢，年輕人的職涯入口將持續收窄，世代所得差距也可能進一步擴大。