想進一線公司上班?Google的獵才方法,一次揭露!
想進一線公司上班?Google的獵才方法,一次揭露!

當時是2013年,Google的應徵者多達一百萬到三百萬人,錄取率約0.25%。哈佛大學 2012 年入學申請共34,303人,2,076人錄取,錄取率6.1%。也就是說,要讀哈佛已經很難,但錄取Google還要比哈佛難將近25倍。

Google 的徵才策略起源於賴利.佩吉(Larry Page)與謝爾蓋.布林(Sergey Brin)這兩位創辦人,再加上元老級員工、技術基礎設施部門副總霍茲勒(Urs Hölzle)的建議,為召募體制奠定基礎。大家的初衷是希望找到最聰明的人才,後來漸漸調整策略,因為高智商只是先天優勢,不代表富創意或有團隊精神。

1. 尋求共識與客觀標準,由兩組人馬把關

兩位創辦人深知徵才要有「共識」重要性,他們認為只靠一名面試官,無法每次都找到最佳人選,因此常常一起面試應徵者;他們認為徵才應有「客觀標準」,過程最好由中立的審查官嚴格把關。

這個責任由兩組資深主管平分,一組是產品管理與工程方面的主管,另一組則為業務、財務等其他領域的主管,最後的審查官正是執行長佩吉,每個應徵者都得通過他這一關。

**為什麼要分兩組人馬把關?目的只有一個:堅守創辦人設下的最高水準。**無論是創辦公司或籌組團隊,大家都希望找到跟自己一樣聰明有趣、有幹勁和熱情的人才。前幾個人能達到這個標準,但日後換他們找人時,未必會秉持同樣標準,原因倒不是他們意圖不軌或能力不夠,而是對於人才的期望,見解不一致。

影響所及,下一代的員工素質會比這一代略低。隨著企業規模成長,大家在徵才時的誘惑愈來愈多,或是純粹幫忙,或是做人情,於是考慮錄取朋友或客戶小孩。這樣一來,難免會在人力素質上妥協,小公司時網羅的是優秀人才,公司成長後卻只找到中庸之才。

2. 建立應徵者追蹤系統,避免隱惡揚善

Google為了找到人才,跟其他企業一樣進行資歷查核,但也**建立起一套應徵者追蹤系統,自動比對應徵者與既有員工的履歷。**這時可能發現應徵者跟某個Google人是某校同屆校友,或是同時期在微軟共事過。若是如此,該名員工會自動收到電子郵件,詢問是否認識應徵者並徵詢意見。

這個策略的構想是,應徵者提供的查核名單人選當然會隱惡揚善,直接問內部員工應該能得到更誠實的答案,也能剔除「對上拍馬屁,對下擺臉色」的人。

3. 徵聘委員會審查,選人做到客觀公正

最後,Google會將每位應徵者的相關資訊彙整,製成一份長達50頁的召募報告,由「徵聘委員會」審查。Google內部有許多徵聘委員會,每個均由熟悉該職缺工作、但又無直接利害關係的人員所組成。

以線上業務人員的徵聘委員會為例,成員包括現任業務人員,但不包括業務團隊的主管與其他日後會直接共事的人,目的是做到客觀公正。

4. 增加內部推薦獎金、優化原有制度

Google發現員工是真的熱愛工作,並希望跟其他人分享。許多優異的應徵者都是由現任員工推薦,這樣維持了十年,一度有逾半數新進員工都是推薦而來,效果很好。2009年Google更將推薦獎金提高到4,000美元。

為了讓推薦制度可以更完善、有效的運行,Google也加強了推薦制度的服務品質。除了大幅減少每個應徵者的面試次數外,應徵者在48小時內就會接到電話通知,而推薦人每週會收到面試進度的資訊。

5. 用「輔助回想」技巧,增加推薦人次

要推薦適合人選時,大家通常心裡會有優先名單,但很少會把認識的每個人都列入考量,也不清楚公司究竟有哪些職缺。Google效法行銷公司的技巧,開始採用「輔助回想」(aided recall)的做法。

輔助回想是一種行銷研究技巧,研究人員會讓受測者看產品廣告或告知產品名稱,接著問對方是否對產品有印象,結果推薦人次增加了三分之一以上。

Google會針對特定職缺問大家有無推薦人選:「你有沒有跟哪個一流的財務人才共事過?」、「你認不認識優秀的Ruby程式設計人員?」他們把員工分成20或30人一組,請大家鎖定個人Google+、Facebook與LinkedIn裡的連絡人,有系統地尋找適合人選,召募人員也在旁待命,若有理想人選立刻追蹤。

原本問「有可以推薦的人才嗎?」,改成問「是否認識在紐約的業務高手?」。原本籠統的問題,現在變得更容易回答,也推薦人選的質與量都有提升。

6. 建立招募團隊、應徵者資料庫

Google組建了一支召募團隊,宛如公司內部的召募公司。他們的目標放在找到一等一的菁英,跟對方建立好關係。並研發出一款名為「gHire」的應徵者資料庫,再搭配各種工具篩選並追蹤應徵者,久而久之,成百上千的召募專員大軍得以找到理想人選,建立好關係,有時一等就等好幾年。

Google一方面設下高門檻,一方面聚焦資源於召募工作,他們確實找到不少菁英人才,前百名員工當中有的日後當上執行長(Yahoo!與AOL),有的投身創投業,有的成為慈善家。當然也有很多繼續為Google效力,主導重要專案。蘇珊.沃西基(Susan Wojcicki)就是一例,她先是主導產品廣告,後來更當上YouTube執行長。

事實上Google成立至今,前百名資深員工約有三分之一仍留在Google。綜觀新創企業,能堅守這麼長時間的元老員工已經少見,更難得的是,隨著Google員工人數從幾十人拓展到幾萬人,他們在個人與工作上仍舊不斷成長。

延伸閱讀:

  1. 只有聰明還不夠!成為Google重點栽培的人才,一定要有這4個能力
  2. 值得賣命的公司,找人時不會只看第一印象!Google的選才標準,跟你想的不一樣

(本文整理自《Google超級用人學:讓人才創意不絕、企業不斷成長的創新工作守則》,天下文化出版)

本文授權轉載自:經理人

關鍵字: #Google #人才
往下滑看下一篇文章
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻

當資料不能離開企業,運算就得靠近:AI 先改寫儲存架構

AI 帶來的第一個變化,不只是運算能力提高,而是企業必須重新決定資料放在哪裡。

儲存架構大致分為雲端與地端兩塊,QNAP 身為資料安全的守護者,長期發展的是地端網路儲存設備(NAS),並擴展至 25GbE、100GbE 高速網路交換器產品線,提供完整的儲存與高速網路基礎架構。威聯通科技(QNAP)總經理劉文義解釋,當資料因合規要求或敏感度不能上雲,就必須留在靠近使用者與應用的地方;運算需求一旦增加,承接資料的裝置也自然被推向地端 AI。

不能上雲的名單比想像中長。醫療業持有大量醫療個資,金融與保險業受到合規與法規限制,部分大學院校與設計公司也不希望資料被雲端存取。對這些組織而言,問題並不是雲端好不好用,而是一開始就沒有把核心資料全面上雲的選項。

qnap2.jpg
威聯通科技(QNAP)總經理暨威強電集團(IEI)董事長 劉文義
圖/ 數位時代

真正讓更多企業回頭計算的,則是長期成本。劉文義指出,資料上傳雲端可能免費,下載卻會按流量收費;當企業把一年、兩年、三年的費用加總回推,可能會發現,購買一台同等容量的 NAS,還能使用 7-10 年。資料規模愈大、存取愈頻繁,總持有成本的差距就愈值得評估。

這並不代表雲端與地端只能二選一。雲端仍適合模型訓練、程式開發與波動大的工作負載;地端則較適合高頻存取、對延遲敏感,或不能離開企業邊界的資料。企業真正要回答的,是每一類資料與任務應該放在哪裡。

依 QNAP 觀察,客戶過去關心的是需要幾 TB、幾 PB,或備份速度有多快;現在更常問的是,機器裡的資料要如何被 AI 活用。QNAP 也從 2021 年起,把公司發展定調在 AI 與高速網路的融合,試圖讓 NAS 從資料保存的位置,進一步成為資料被調用的位置。

當資料量持續擴大,搜尋與管理方式也會跟著改變。「在 NAS 裡放入 AI Agent 會越來越不可或缺。」劉文義舉例,當照片累積到 10 萬、20 萬張,要找出其中幾張特定畫面,已不可能只靠人工翻找。此時,能理解內容、接受自然語言指令的 AI 工具,會從加分功能逐漸變成必要條件。

從資料治理到地端推論:AI NAS 如何進入企業工作流?

AI NAS 不是「多了 AI 功能的 NAS」,而是 NAS 在企業工作流裡換了位置。
依 QNAP 觀察,目前客戶大致分布在一條導入光譜上。人數最多的一群,仍在把資料集中、分類、清理與建立權限。這一步看似與 AI 無關,卻決定後續系統能不能找到正確資料、辨識版本,並把答案交給有權限的人。

中間一群開始建置私有的檢索增強生成(RAG)知識庫。RAG 並不是重新訓練一個模型,而是在模型回答前,先從企業的 SOP、合約、法規或技術文件中取回相關內容,再產生附有來源依據的答案。QNAP 以 Qsirch 的語意搜尋能力協助建構這類應用,協助企業建立私有知識庫;而走在最前面的少數企業,則已經嘗試地端推論與 AI Agent。

模型的選擇權,QNAP 刻意留給客戶。知識庫背後採用哪一個模型,可由企業依需求決定,不綁定單一 AI 供應商。QNAP 也以 QuAgent AI 助理與模型情境協定(MCP)相關能力,讓管理者透過自然語言查詢狀態、調整設定,並讓 NAS 成為 AI Agent 可調用的資料節點。

不過,劉文義沒有把這條路說得太容易。他坦言,目前 NAS 硬體的 AI 運算能力仍有限。一般企業期待的應用,可能需要約 300 到 800 TOPS,甚至 1,000 TOPS,因此多數方案會以 NVIDIA 顯示卡補足算力;一張卡約需新台幣 10 萬至 12 萬元,一張算不完,就得配置 2 張或 4 張。

「整體成本可能是過去單獨一台 NAS 的 5 倍到 10 倍,並不是大部分中小企業都能接受。」除了硬體,使用者還需要 AI 應用的 Know-how、程式背景與開發資源,這些都是落地成本。

QNAP 則是透過算力分級讓各規模與需求的企業都可以有適合的解決方案。在 Computex 2026 搶先亮相的 QNAP AI NAS 中,一類是採用含有 iGPU 與專屬 NPU 的處理器平台,以一百多 TOPS 的範圍,可順暢使用 AI 應用程式;另一類機種則可安裝 1 張或 2 張 NVIDIA 顯示卡,處理更大的運算量。

同時 QNAP 也在軟體端也持續開發,目標是讓 NAS 裡的資料更有效率地被 AI 工具調用,讓資料成為有價值的知識。

從規格走到現場:能源公司如何導入私有 LLM?

本地 AI 實際落地部署會是什麼模樣?劉文義舉了一家約 50 多人的能源公司為例。這家公司原本想用 NAS 搭配雲端 AI 建置內部資料庫,但很快遇到兩個瓶頸:一是員工查詢時明顯出現卡頓;二是專利、技術與合約都高度敏感,高層不願上傳至公有雲,擔心機密資料會有外洩的疑慮。

後來,該公司導入 QNAP AI NAS 的旗艦機種 QAI-h1290FX,搭配顯示卡與全快閃 SSD,在地端部署私有大型語言模型,把數十年來封存的靜態檔案交給 AI 調用,進行跨檔案摘要與精準搜尋。員工因此省下翻找合約與報告的時間,核心機密也能留在企業內部。

這個案例說明,若任務範圍明確,有些應用不必動用雲端大型模型,地端運算量就可能足以支應。

但不同企業的資料量、查詢方式與模型大小不同,導入前仍需要概念驗證(POC)與技術人員評估。

而且,資料留在地端並不等於自動安全。企業仍要處理帳號權限、網路隔離、備份復原、漏洞修補與日常維運。地端的價值,是讓資料邊界與控制權回到企業手上;相對地,安全責任也會更直接地回到企業。

哪些企業現在該做,哪些再等?先看重複性與三個條件

能不能導入地端 AI,不只由產業標籤決定,也要看工作是否重複,以及場景能不能被清楚定義。劉文義觀察,第一批走進來的,除了受法規限制的醫療、金融與保險業,也包括利用地端 AI 加速資料處理的科技業,以及會計、律師等有大量重複文書工作的專業服務業,因為效益較容易被看見。

工廠也是可預期的場景。一條生產線可能有 10 台、20 台機器,每台處理與儲存資料的 Protocol 都不同,需要相對應的儲存裝置;生產過程累積的影像與紀錄可能要保存 3 年到 5 年。當企業要跨設備調用這些資料,AI Agent 與地端資料節點就有發揮空間。

「重複性資料處理越多,或重複性動作越多的產業,越容易透過導入 AI 提高工作效率。」反過來說,較傳統、人力密集,或仍高度依賴人工判斷的製造業,短期內未必能快速導入地端 AI。

依 QNAP 提供的資料,企業也可用「高頻、大量、敏感」三個條件做第一輪判斷:資料是否被頻繁調用?規模是否大到雲端傳輸與長期費用開始變得明顯?內容是否涉及個資、法規、智慧財產或商業機密?三個條件愈集中,地端部署愈值得評估;三者都不成立時,使用雲端 API 往往更簡單,也可能更划算。

可以先等的企業,大致也有三種。第一,資料仍分散、版本混亂、權限不清,急著上 AI 只會把混亂放大,先完成集中與治理,效率就可能先提升。第二,找不到一個具體且反覆發生的業務痛點,只因為「別人都在做」而採購,設備很可能變成昂貴的展示品。第三,使用量仍小、需求偶發,現階段雲端的彈性反而更有優勢。

因此,POC 不應只驗證「模型答不答得出來」,還要回答三個問題:資料由誰負責,誰可以存取?導入後能節省多少查找時間、傳輸成本或人工作業?正式上線後,誰負責資料、模型與資安維運?只有當效益與責任都能被量化,才適合從展示走向正式部署。

企業願意把部分資料留在自己的機房,動力最終仍回到資料主權。QNAP 的主要市場分布在歐洲、美洲與亞太,其中歐洲占比將近一半,而歐洲也正是全球推動資料主權的最大動力。

QNAP 的產品已取得 ISO 27001、ISO 27017 與 ISO 27018 等多項認證,並滿足 GDPR、HIPAA 等資料保護與法規遵循需求;累積至今,已售出約數百萬台裝置,協助企業打造智慧、安全的儲存方案。

至於普及時間點,劉文義提出一個明確的價格與效能交會點:地端應用若要順暢運作,運算量可能至少要達到 300 至 600 TOPS,甚至 800 TOPS,同時價格要落在新台幣 5 萬至 8 萬元。目前符合這些條件的硬體方案仍很有限。

qnap3.png
「AI NAS 不是多了 AI 功能,而是改寫了資料在工作流的位置。」威聯通科技總經理劉文義坦言,地端算力成本高昂,QNAP 透過「算力分級」與開放模型架構,助企業逐步建構私有 RAG 知識庫與 AI 團隊。
圖/ 數位時代

「預測約兩、三年後,應該很快會看到符合一般大眾期待、具備合理 CP 值的產品。那個時間點,就會是 AI 落地最蓬勃發展的時候。」在此之前,企業真正能先做的,不是搶著買最大的模型或最昂貴的顯示卡,而是把資料治理、使用權限與高價值場景準備好。

QNAP 以「資料煉油廠」比喻自己的角色:原油再多,沒有整理、提煉與配送的過程,也無法成為可用的能源。這個定位也點出地端 AI 的競賽條件——不是誰先買到算力,而是誰的資料先準備好被調用。模型會持續更換,但企業自己的資料層則會長期存在。

AI NAS 不是把模型塞進儲存設備,而是在資料必須留在企業內時,讓搜尋、推論與管理靠近資料的地端節點。

QNAP World Tour 2026 台北場將於 2026 年 9 月 18 日(五)舉行,現場將聚焦 AI 應用、儲存備份、網通產品、資安與監控,並安排 Live Demo,適合 IT 管理者、系統整合商與企業決策者參加。

活動地點:新板希爾頓酒店|如意 AB 廳

活動時間:09:20–16:00

地址:新北市板橋區民權路 88 號 2F

立即報名:https://bnex.tw/9f7my4

2026 QNAP 台灣企業資安韌性大調查,填問券抽好禮,倒數計時:https://www.surveycake.com/s/q4abw

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
台達電全解讀
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓