Google招募和選才過程大公開!想擠進厲害公司的大門,還要有「他」點頭
Google招募和選才過程大公開!想擠進厲害公司的大門,還要有「他」點頭

到底怎麼做才能在徵聘過程中,看見應試者的潛能、找到符合企業文化的優秀人才上車?這個大多數公司主管都苦惱的問題,Google是怎麼解決的?

前英特爾(Intel)執行長保羅‧歐德寧(Paul Otellini)曾對Google團隊這麼說:「我最印象深刻的是,你們的團隊打造出全球第一個人才複製機。透過這套系統,不但能網羅一流人才,還能隨公司的成長而擴大。」Google確實人才濟濟,員工離職後,有的成為了創業家,有的當上了雅虎(Yahoo)、Youtube、AOL的執行長。到底Google召募系統為什麼能在這些潛力股還沒發光發熱前,就看到他們的優秀?

有別於一般公司靠一、兩位面試官決定徵聘人選,Google創辦人賴瑞‧佩吉(Larry Page)和謝爾蓋‧布林(Sergey Brin)採用「團體戰」提高選聘的準確度。

應試者不僅要通過召募專員那一關,還得和未來的主管、同事、下屬進行面試,加上中立的「審查官」參與,最後執行長也會給予意見,當大家取得共識後,才會決定是否要錄取某一位應試者。

對佩吉和布林來說,人難免有偏見,也不容易次次都能客觀判斷,因此只靠一名面試官決定人選,很容易和優秀人才錯身而過。

員工推薦、建立召募團隊,提高人才媒合效率

《Google超級用人學》指出,為了找到好人才,Google曾嘗試過各種管道,像是在人力資源網站刊登廣告,但效果不佳。透過這種方式會吸引大量求職者,但光是前端在篩選履歷就花上大把時間。為了更有效率找到合適人選,他們現在主要透過以下3種方式主動出擊:

1. 內部推薦

向在職員工募集他們認為可以推薦的人才。在公司剛成立的10年裡,不少優秀的應徵者也都是由員工所推薦。只是,太過依賴內部推薦,造成員工都快用完社交圈裡的人選。另一個缺點是,員工並不知道有什麼職缺,在思考人選時也比較難有目標。

因此,Google改變做法,針對特定職缺請大家推薦。並且把員工分成20或30人一組,請大家搜尋自己的Facebook、LinkedIn等社群網站裡的聯絡人,召募人員同時在一旁待命,只要有理想人選就立刻追蹤。結果,推薦人次增加了三分之一以上。

2. 社群管道

鎖定一些頂尖企業,Google會將他們的所有員工列成名單,透過社群網站、網路上的報導,評估有誰有潛力成為Google員工。接著,再請該領域的專業人士,或是認識該名單人選的員工進一步評估,最後再接洽對方。

3. 建立應徵者資料庫

Google組織了一支召募團隊,同時也研發出一個叫「gHire」的應徵者資料庫。召募成員會透過網路資源與內部員工推薦,追蹤可能適合Google的潛在人選,先與他們建立關係,等待有職缺,或者對方點頭後再進行面試流程。每年錄取的新進員工中,有半數以上都是用這種方式找到的,且成本遠低於委外召募。

4次篩選,多元觀點避免選錯人

Google在創立初期,為求找到優秀人才,曾讓應試者最多參加25關的面試,為期超過半年以上。這不僅對應試者是折磨,也耗費面試官大把時間,而每增加一關面試,也只會增加1%的準確度。經過內部研究後,發現只要進行4場面試,大多為期6周,足以決定是否要錄取某人,準確率達到86%。

當一份履歷投到Google後,會先由召募專員進行分析。為了將人選放到適合的位置上,召募專員必須對所有職位的工作內容非常熟悉。Google業務包羅萬象,涵蓋了搜尋事業、網路服務、影片工作室、無人車到創投,萬一召募專員不夠清楚,很可能錯失適合其他工作的潛在人才。

履歷表經過初步篩選後, 召募專員會和應試者透過電話或視訊進行遠端面試 。最常使用的工具是Google Hangouts,除了能視訊交流外,雙方也能共享螢幕與電子白板,而技術類工作的應徵者能和面試官撰寫、檢討程式碼。在這個階段,目的是評估應試者解決問題和學習的能力。

通過了遠端面試,應徵者下一關是和未來主管、同事以及下屬面試。讓可能會與應徵者共事的團隊評估這個人適不適合,另一方面還能避免單一面試偏見以及主管任用親信的疑慮。

此外,還有一位 「跨職能面試官」 ,跟應試者求職的部門沒有直接相關。舉例來說,如果要面試一位業務,可能會請廣告團隊擔任面試官。由於跨職能面試官的專業背景不同,和應徵的人與缺人的團隊,並無直接利害關係,能夠提供中立的評估。

3關審查,由團隊決定最適合的人才

各階段篩選給面試者的評價(大約40~60頁,包括應試者背景資料細節、外部資料查核、面試官打的分數與各問題的回答),會綜合起來再經過3關的審查。

第一關是**「徵聘委員會」,他們會建議是否讓某應試者晉級。如果委員會決定不錄取某人,則流程到此為止;但若通過,委員會的回饋會納入資料,送到「資深領導人審查會」** 。

審查會每周召開一次,由部分高階主管評估每周的應試人選,而審查官在這個階段會提出建議,決定錄取與否。在這個階段往往可能想要取得更多資料,進一步評估某項特質。通過這一關,當周的錄取人選資料會送到執行長佩吉手上做最終決定,他點頭了才行。

延伸閱讀:

  1. 談 Google 管理,只看到免費飲料和員工福利?那可就搞錯重點了!
  2. 到底該不該離職?前Google職涯規畫師:想清楚這3點,就可以大膽跳出舒適圈

本文授權轉載自:經理人,出自《經理人月刊》2017 年 6 月號,封面故事:你也做得到的 Google 式管理

關鍵字: #Google
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