AI招聘篩選在香港：法律邊界與偏見風險

法律邊界、偏見風險與實際做法

AI履歷篩選工具的使用在香港企業中持續增長，其效率優勢顯而易見：處理大量申請的時間從數天壓縮至數分鐘。但這個效率優勢伴隨著兩個在香港法律環境下需要正視的問題：現行反歧視法律如何適用於AI產生的篩選結果，以及當前AI工具已記錄的系統性偏見問題。

香港法律框架下的AI招聘

香港《僱傭條例》（Cap. 57）目前未有針對算法招聘決策的具體條款。但《性別歧視條例》、《殘疾歧視條例》、《種族歧視條例》與《家庭崗位歧視條例》均適用於招聘流程——包括使用AI工具的情況。

適用的法律原則是間接歧視：若AI篩選系統產生對受保護類別申請人不成比例的負面影響，即使系統設計中並未明確以受保護特徵作為篩選條件，仍可能構成法律意義上的歧視。AI從歷史招聘數據中學習的過程，可能導致系統內化歷史決策中的偏見——若歷史數據中某類職位主要由特定群體擔任，模型可能對其他群體的申請人評分偏低。

香港立法會的研究指出，現有反歧視法律可能無法完整處理AI生成偏見的複雜性，相關法律回應尚在討論中。

同一原則在保險核保中的應用，可參考香港保險業AI輔助核保：監管框架與實際部署現況。

已記錄的偏見數據

現有研究對AI招聘工具的偏見問題提供了具體數據。華盛頓大學2024年研究發現，大型文本嵌入模型在履歷篩選中，85.1%的情況下偏向白人相關姓名，對非裔男性申請人在高達100%的測試情況中處於不利地位。

香港大學與中國科學院2025年5月發布的研究測試了五種主要LLM，發現模型系統性地對女性候選人的評分存在差異，並對非裔男性候選人的評分低於白人男性候選人。這些研究直接針對招聘評分場景，結論對在港部署AI招聘工具的企業具有直接參考意義。

PDPO對候選人個人資料的要求

AI招聘流程涉及大量申請人個人資料的收集與處理。PDPO的資料收集通知要求適用——申請人須被告知其資料的收集目的。若個人資料被用於原收集目的以外的新用途（例如將舊申請數據用於AI模型訓練），須取得資料當事人的明確同意。PCPD《人力資源管理實務守則》提供了招聘情境下的具體指引。

香港目前無強制披露要求

現行香港法律並無明確規定企業在使用AI進行招聘時須向申請人披露。PDPO的資料收集通知要求適用，但並非AI專屬規定。這與部分歐洲司法管轄區（如歐盟AI法規要求對高風險AI系統進行透明度披露）有顯著差距。在法規明確前，主動披露是合規風險管理的謹慎做法。

企業採用AI招聘工具的實際建議

模型部署前以本地實際申請數據進行偏見測試，而非單純依賴工具供應商提供的通用準確率指標。保留人工複核環節，尤其在最終錄用或拒絕決定的環節——AI篩選的功能是縮窄範圍，而非替代判斷。建立申請人申訴機制，使受AI篩選影響的申請人有途徑要求人工審核。

求職者一方使用AI撰寫申請材料的實際邊界，可參考AI寫求職信：結構優勢與個人化盲點的實際邊界。

小結

AI履歷篩選在香港的法律框架尚未完整定義，但現有反歧視法律已提供基本約束。已記錄的偏見問題是具體的，而非理論性的。採用AI招聘工具的企業，需在效率優勢與偏見風險管理之間建立明確的制度設計，而非假設工具的「客觀性」自動解決了人工篩選的偏見問題——實際數據顯示兩者的偏見模式不同，但均存在。