履歷投出去，系統只回一封「已收到您的應徵」的罐頭信，接下來就沒有下文。這種石沉大海的經驗，幾乎每個投過履歷的人都遇過，而問題常常不在求職者的工作能力，而在履歷用的字眼跟職缺說明的字眼對不上。企業收到履歷的數量遠遠超過人力看得完的範圍，大多數公司早就把第一輪篩選交給應徵者追蹤系統（ATS，Applicant Tracking System）處理：履歷一進系統就被拆解成純文字、填進標準欄位，再依關鍵字命中程度排序，排名太後面的履歷，HR 根本沒機會打開來看。
AI 履歷健檢做的事，其實是把這套企業端的比對邏輯搬到求職者自己手上。做法是把履歷全文與目標職缺說明一起貼給 ChatGPT、Claude、Gemini 這類生成式 AI，請它模擬 ATS 的比對方式，抓出關鍵字沒對上、成就描述太空泛、格式可能被扣分的地方，在投出去之前先做一次體檢。這件事值得花時間做，因為哈佛商學院與 Accenture 合作的《Hidden Workers》研究發現，約 99%的財星 500 大企業已經在用 AI 或自動追蹤系統篩選履歷。履歷用詞對不對，決定的不只是排名，而是它有沒有機會被人看到。
ATS 怎麼處理履歷，決定了求職者能不能用生成式 AI 反過來補上關鍵字、量化成就句與格式上的漏洞。
AI 履歷健檢是什麼？模擬 ATS 的比對邏輯
多數中大型企業，尤其是外商與連鎖品牌，一年收到的履歷動輒成千上萬份，人力資源部門不可能每一份都親自讀過一遍。應徵者追蹤系統的出現，就是為了解決這個量的問題，企業先把職缺說明拆解成一組關鍵字條件，包含職稱、必備技能、經驗年資、學歷或證照要求，再讓系統自動比對每一份進來的履歷。
履歷送進系統之後，第一步是被解析成純文字，原本的排版、字型、圖示都會被拆掉，只留下文字內容，再依系統設定的欄位分類（工作經歷、教育背景、技能）填進標準格式。第二步是拿這份被解析過的文字，跟職缺的關鍵字條件逐一比對，命中越多、命中的位置越吻合（例如職稱、必備技能都對上），分數就越高。第三步是依分數排序，排在後面的履歷，實際上等於還沒有人看過就已經被系統判定不夠相關。
求職者自己也能用生成式 AI 模擬這套邏輯，因為 AI 讀得懂職缺說明用的專業詞彙，也讀得懂履歷描述的工作內容，兩邊都是它能理解的語意；只要下對指令，它就能扮演一個粗略版的 ATS，先幫忙抓出哪裡對不上。
這套自我體檢分成三段具體操作：先比對關鍵字有沒有對齊，再把職責敘述改寫成有數字的成就句，最後檢查格式與內容層面最容易被扣分的地方。
履歷石沉大海，通常是用詞沒對上職缺
石沉大海最常見的原因，不是能力不夠，而是履歷寫的詞跟職缺說明寫的詞，在系統眼裡是兩件不同的事。企業自己也承認這個問題確實存在，同一份《Hidden Workers》研究指出，88%的受訪雇主坦承，他們的招聘系統會把用詞沒有精準對上職缺描述的合格候選人直接篩掉，即便這些人具備該職位所需的能力。換句話說，不是能力被否定，而是履歷的表達方式先一步被系統擋下來。
這套僵化的篩選機制，讓美國約 2,700 萬名具備工作能力與意願的人，被研究者稱為「隱形工作者」，原因就是他們明明有能力勝任，卻連被 HR 看見的機會都沒有。這些人裡有不少人的履歷內容並沒有問題，只是恰好撞上另一種常見的過濾條件。研究發現，美國約半數企業設有自動排除規則，只要申請者近 6 個月內有工作空窗，就會直接被擋在門外，不管空窗期間實際發生了什麼事。
這也是為什麼先做一次體檢這麼重要，因為關鍵字有沒有對齊職缺原文的用詞，以及空窗期有沒有先在履歷裡做交代，都是投遞前可以自己檢查、自己調整的事，不必等到系統判定出局才發現問題出在哪裡。空窗期跟用詞落差一樣，都是常見卻容易被忽略的扣分成因。
ATS 關鍵字比對只認職缺原文的用詞
前面提到的用詞落差，多數藏在 ATS 的關鍵字比對邏輯裡，這套比對邏輯很直白，幾乎不認同義詞、縮寫或換句話說的說法，履歷寫「Adobe Creative Suite」，職缺寫的是「Adobe Creative Cloud」，系統眼中這是兩件不同的事，即使兩個詞在人類看來根本是同一套軟體的不同名稱。這也是為什麼有些人明明具備職缺要的能力，履歷卻因為換了一種說法描述，就被系統判定沒有命中。
真正藏著關鍵字的地方，通常是職缺說明裡的職稱、必備技能、經驗年資與證照要求這幾個欄位，而不是散落在整篇職缺說明的形容詞裡。CareerOneStop 的履歷指南建議，求職者可以先掃描 10 到 15 則同類型的職缺公告，把重複出現的年資、硬技能、軟技能、證照與教育背景要求整理成一份核心資格清單，這份清單本身就是關鍵字比對的底稿。要做這段體檢時，做法很直接，把履歷全文與目標職缺說明一起貼給 AI，請它扮演 ATS 的比對邏輯，列出兩邊用詞對不上的地方；拿到落差清單之後，再回頭把履歷裡對應的說法，改成職缺原文使用的字眼，最後重新送一次比對，確認落差有沒有縮小。
履歷全文與職缺說明，一起交給 AI 下指令比對
操作上，先把履歷全文與想投遞的職缺說明完整貼給 ChatGPT 或 Claude，接著下達一個具體指令，請它扮演 ATS 的比對邏輯，列出兩份清單：第一份是「職缺說明裡出現、但履歷完全沒出現」的關鍵字，第二份是「履歷用了同義詞或換句話說，但職缺說明用的是另一種說法」的落差。指令要寫得具體，才不會得到一句籠統的「你的履歷看起來不錯」這種沒有用的回應。
這一步的重點不是要 AI 幫忙評分或給出一個總體印象，而是要它逐字比對兩份文件的用詞，產出一份可以照著改的清單。CareerOneStop 的履歷指南也提醒，關鍵字通常就藏在職缺公告裡明確標示「必備」或「加分」的技能字眼附近，下指令時可以特別請 AI 留意這幾個位置，比對出來的落差清單才會更貼近實際會被系統計分的重點，而不是泛泛地列出所有用詞差異。
比對結果出爐後，先補職缺原文用詞再重新送測
拿到落差清單之後，下一步是把履歷裡對應的說法，改成職缺原文使用的字眼，例如履歷原本寫「使用者體驗優化」，而職缺說明用的是「UX 優化」，就把履歷上的說法直接換成職缺原文的說法，而不是保留原本自己習慣的講法。這一步改動通常不大，但改的方向很明確，哪裡對不上，就照職缺的字眼調整。
改完之後，把調整過的段落連同職缺說明重新貼給 AI，再跑一次同樣的比對指令，對照改前與改後兩次 AI 給出的落差清單，確認原本列出來的落差有沒有變少、還剩下哪些沒補到。這一步是驗證，不是裝飾，如果改完落差清單幾乎沒有變化，就代表改的地方沒有真正命中系統看重的關鍵字，得回頭重新檢查是不是改錯了位置。CareerOneStop 也特別提醒，把關鍵字用白色字體藏進履歷、或不自然地重複堆疊同一個詞，並不會騙過系統，這種做法系統看得出來，反而會在格式與內容層面被扣分。
模糊的職責敘述，改寫成帶數字的成就句
另一種常見問題，是履歷寫的是負責什麼，而不是做出什麼具體成果。加州大學戴維斯分校的職涯中心提出一個實用公式，也就是行動動詞加上情境脈絡，等於具體成果，情境脈絡指的是時間長度、涉及人數、預算規模這類具體細節，成果則盡量用數字、百分比或金額量化呈現。
把單純的職責敘述改寫成這種成就句，靠 AI 幫忙很有效率，因為它擅長把零散的資訊重新組織成有邏輯的句子。但這裡有一個分寸得拿捏好，AI 只負責幫忙把敘述組織得更有力，數字必須是求職者自己提供的真實資料或合理估算，不能讓 AI 為了聽起來厲害而憑空捏造一個精確到小數點的成果數字，面試官只要追問這個數字怎麼算出來的，答不上來，反而比敘述平淡更扣分。
用行動動詞加情境脈絡再加具體成果的公式下指令
實際操作時，先把履歷裡一段偏抽象的職責敘述整理出來，例如「負責社群經營」或「協助專案執行」，再補上幾個關鍵背景資訊：做了多久、牽涉多少人或多少預算、有沒有具體的結果數字。把這段敘述連同背景資訊一起貼給 AI，下指令請它依行動動詞加情境脈絡加具體成果的公式，把原本的職責描述改寫成一句成就句。
指令下得越具體，AI 改寫出來的句子就越貼近真實情況，而不是空泛地套用「優化了流程」「提升了效率」這種聽起來厲害卻沒有內容的說法。舉例來說，假設履歷裡原本只寫「負責社群經營」，把時間長度、規模與成果這些背景資訊補齊，例如經營品牌粉絲專頁 1 年、粉絲數從 2,000 成長到 6,000、貼文互動率同步提升，AI 改寫出來的成就句就會自然帶出這些具體數字，而不是停留在「負責」這個模糊的動詞上。
職責敘述改寫前後的對照範例
以前面「負責社群經營」這個例子延伸來看，改寫前的句子多半只交代做了什麼，例如「負責社群經營，發布貼文」；改寫後的句子則會補上時間長度、規模與具體成果，例如「經營品牌粉絲專頁 1 年，粉絲數從 2,000 成長到 6,000，貼文互動率同步提升」。差異不只是字數變多，而是讓人一眼看出這件事實際做出了什麼改變。
如果手上沒有精確到小數點的數字，可以請 AI 用估算範圍表達，像是「約」「數十位」「一倍以上」這類說法，依然比完全沒有數字的模糊敘述更有說服力；但不要反過來要求 AI 幫忙掰一個看起來精準、卻答不出根據的數字，那種數字面試官一問細節就會被拆穿。
格式解析失敗、用詞落差與在職空窗期最容易被扣分
不是只有關鍵字沒對到才會被扣分。格式讓系統讀不懂、用詞上的落差，以及在職空窗期沒有交代，都是常見卻不會主動跳出警告的扣分成因。履歷可能連一次不合格的提示都沒收到，就已經被排到排序的後段。
這幾種扣分成因的共通點，是它們都不會讓履歷明顯出錯，反而更容易被忽略：排版看起來完全正常、用詞聽起來也很專業、空窗期就只是沒特別寫出來而已，問題全都發生在系統看得到、但求職者自己看不到的地方。
排版太花俏，ATS 直接判定解析失敗
有些排版在人眼裡很好看，對系統來說卻等於讀不懂：雙欄排版、文字方塊、用圖示或能量條取代文字敘述、把聯絡資訊放進頁首頁尾，都可能讓系統解析失敗，原本完整的內容變成一團亂碼或直接漏讀。CareerOneStop 的履歷格式指南建議，版面用單欄、靠左對齊的簡潔設計，並使用「工作經歷」、「教育背景」、「技能」這類業界標準的區段名稱，避免用太有創意的說法取代這些標準用語，連同表格、文字方塊、圖示、雙欄排版這些容易干擾系統解析的元素，一併避開。
要檢查自己的履歷有沒有這類問題，可以把履歷的文字內容貼給 AI，請它依照 ATS 的解析邏輯，抓出格式層面可能解析失敗的地方。AI 雖然看不到履歷實際的排版樣式，但能從文字結構判斷區段命名是不是標準說法、內容有沒有被過度精簡成一堆關鍵字堆疊而失去語意，這些線索同樣能反映出排版是不是踩了容易被系統誤判的地雷。
職稱與關鍵字的用詞落差一樣會被判定沒對上
這裡談的不是操作步驟，而是用詞落差為什麼會發生。同一個職務，在不同公司可能有完全不同的稱呼，例如「軟體工程師」、「後端工程師」、「應用程式開發工程師」，實質工作內容相近，但字面上是三個不同的職稱。如果履歷沿用前一份工作的職稱寫法，而不是投遞職缺公告裡使用的說法，系統比對時就很容易判定兩邊不相符，即使做的事情其實高度重疊。
CareerOneStop 的履歷指南建議，求職者應該依照目標職缺公告裡使用的職稱與技能說法，調整履歷上的對應用詞，而不是照搬自己原本公司內部慣用的職稱；投遞不同職缺時，也應該針對各職缺公告個別調整用詞，而不是套用同一個版本重複投遞。另外要提醒一件事，調整用詞不等於誇大能力，為了塞滿關鍵字而列出自己其實不具備的技能，這種落差在面試現場一問就會被拆穿，反而比履歷平淡更傷。
在職空窗期與模糊經歷是內容面最常見的扣分
前面提過，美國約半數企業設有過濾條件，只要求職者近 6 個月內有工作空窗，就會被自動排除，這類僵化的篩選正是造成隱形工作者現象的主因之一。與其讓履歷上的空窗期一片空白、任由系統自己猜測背後的原因，不如用一兩句話簡短交代空窗期實際在做什麼，例如進修、照顧家庭、自由接案，把一段未知的空白轉成一件有交代的事實，系統與後續看履歷的人都更容易理解這段經歷。
模糊經歷也該歸進同一類扣分項，一段工作經歷即使沒有明顯的空窗期，只要缺乏具體的職責與成果描述，一樣容易被系統判定內容不足，連帶影響整體排序。把前面兩節提到的方法用回這裡，先確認職責敘述有沒有量化，再確認用詞有沒有對上目標職缺，說到底，空窗期與模糊經歷都是同一個原則的延伸，讓履歷裡的每一段經歷都講得清楚、講得具體，不留讓系統或 HR 自行腦補的空間。
AI 健檢抓不到的資格門檻還是要自己核對
前面三段體檢能處理的，是履歷寫得好不好的問題：用詞有沒有對上、成果有沒有量化、格式有沒有踩雷。但還有兩件事，AI 健檢本身處理不到，得靠自己再把關一次，這兩件事沒留意到，前面做得再仔細的體檢也可能白費。
每個職缺重新健檢一次，不能套用同一份 AI 建議
很多人做完一次體檢、改完一版履歷，就把這個版本原封不動投給所有職缺，這其實只解決了當初拿來測試的那個職缺的比對問題。不同職缺的職缺說明用詞不同，關鍵字的重點也不一樣，同一份履歷放到另一個職缺前面，系統一樣會判定用詞沒對上，回到體檢之前的狀態。
比較實際的做法，是保留一份涵蓋所有真實經歷與數字的基礎版履歷，每次要投遞一個看重的職缺前，針對那個職缺的說明重新跑一次三段體檢，重新比對關鍵字、重新檢查職責敘述有沒有量化、重新確認格式與空窗期有沒有交代清楚，再產出對應這個職缺的版本。這比從基礎版直接複製貼上多花一點時間，但換來的是每一次投遞，履歷都對著眼前這個職缺量身調整過。
AI 補的數字和經歷都要投遞前自己核對一次
生成式 AI 存在一個已知的限制，它有時候會產出聽起來很合理、實際上未經查證的細節，尤其是在幫忙把職責敘述改寫成量化的成就句時，AI 可能會自己補上一個看似合理的百分比或金額，而這個數字求職者自己其實從來沒有提供過。投出履歷之前，務必逐條核對這些經過 AI 改寫的數字與描述，確認自己真的做得出來、講得出細節，而不是照單全收。
另外，職缺公告裡明確列出的必備資格，例如特定證照、最低年資、語言門檻這類硬性條件，AI 不會主動幫忙核對求職者是不是真的符合，它只會依照履歷與職缺說明的文字去比對用詞，不會去查證某張證照是不是真的持有、年資是不是真的達標。這件事仍然得靠自己對照職缺公告，逐條確認清楚，體檢做得再仔細，也取代不了這一步最基本的核實。
履歷會不會被打開，很多時候在投出去之前就已經決定。關鍵字有沒有對上職缺原文的用詞、職責敘述有沒有量化成具體的成果、格式與空窗期有沒有先做好交代，這幾件事花時間做一次 AI 履歷健檢就能大幅改善。真正該提醒自己的是，AI 能幫忙抓出落差、幫忙把敘述組織得更有力，但數字要不要誠實、資格夠不夠格，答案終究得由自己核對。把這套體檢養成投遞前的固定習慣，履歷石沉大海的機率，自然會比放著不管低上不少。