人力精簡法務：當解僱的理由是一套演算法

新出現的不是裁員，而是名單是怎麼定的

人力精簡是很老的法律業務。新的是名單怎麼產生。給績效打分的系統、排班調度的工具、自動評定能力等級的人事平台，如今都站在選人這一步的上游。等這次終止勞動契約被拿去爭議時，公司要拿出來的是決定的依據，而依據長在模型裡面，說明起來並不輕鬆。

監管正朝這個位置移動。美國方面，加州公民權利委員會規則於2025年10月1日生效，把僱傭領域的自動化決策系統納入反歧視法的適用範圍。伊利諾州HB 3773自2026年1月1日起施行，禁止會對受保護群體產生不利結果的AI使用，並要求在僱傭決定中使用AI時履行告知義務。科羅拉多州人工智慧法自2026年6月30日起進入執法階段，把僱傭相關的AI系統列為高風險，要求風險管理流程、年度影響評估與向應徵者告知權利(Reuters)。歐盟AI法同樣把影響招募、晉升、解僱的僱傭系統定為高風險，要求有文件紀錄的治理與人的監督。

市場訊號是同時到的。英國律師事務所高偉紳在2025年11月表示，在AI使用增加的背景下將倫敦的財務、人資與IT職位裁減10%(The Guardian)。這說明賣法律服務的這一側也在發生同樣的事，所以這個領域不是站在旁邊看別人的產業。

在台灣，勞動基準法對雇主終止勞動契約設有法定事由，業務緊縮或虧損等情形下的資遣還要走預告期間、資遣費，以及就業服務法所定的資遣通報。實務上，雇主是否已盡安置與迴避義務、選定被資遣者的標準是否具備合理性，都會被拿出來檢視。這裡的第二件事和演算法正面相遇。企業得在勞動事件程序中說明留任與資遣的順序怎麼定的，而如果這個順序有相當一部分來自自動產生的分數，說明的難度就變了。台積電、聯發科這類把人事評估平台鋪到各條業務線的大型科技公司，制度與工具之間的落差本身就容易成為爭點。

從裁員實務，到解釋演算法

第一是資遣實務本身。業務緊縮或虧損怎麼舉證，安置與迴避義務有哪些做法會被認可，預告與通報在什麼時點怎麼走，勞資爭議調解到訴訟的流程如何推進。新的監管疊上來，骨架仍然在這裡。

第二是把系統拆開看的能力。把公司內部觸及招募、配置、考核、排班、解僱判斷的工具全部找出來，弄清楚每一個吃進什麼、吐出什麼，人的判斷究竟在哪一步真正介入。不需要自己訓練模型，但要能向研發和人資提出準確的問題。設計在名單定稿前先跑一次的不利影響檢測，也屬於這項能力。

第三是契約與供應商管理。人事工具從外部採購時，訓練資料來源、模型變更時的通知、偏差檢測結果的提供、歧視性輸出的責任分擔都要落進契約。採購時沒有這些條款，爭議發生後公司能說清楚的東西會急遽減少。

第四是跨法域應對。集團內境內主體與境外主體共用一套人事系統很常見，而各法域要求的文件與告知並不一樣。判斷哪一個法域的標準最嚴，然後按那個標準來設計，是經常要做的取捨。

從勞動法一般實務起步

起點是勞動法一般業務。在事務所的勞動團隊或企業法務部承接工作規則修訂、懲戒、薪資相關諮詢，把勞動法制與爭議解決程序摸熟。這個階段如果能以法務審查的身分進入一次人事系統採購專案，後面的路會快很多。

中段是完整跟完一個人力精簡專案。進入決定規模與篩選標準的會議，設計說明與協商的程序，再處理隨後提起的申請。把自動化工具審查疊加上去，專業領域就出來了。整理一份公司在用的人事工具清單並給每個工具標上風險等級，這件事目前多數企業都沒有，做出來本身就是資產。

到資深階段，顧問工作的性質從事後應對轉向事前設計。在執行之前決定篩選標準怎麼定才經得起後面的爭議，哪些判斷必須留人在環，哪些紀錄從什麼時候開始保存。能用同一套語言同時對人資長與研發團隊講清楚的律師目前還不多。往前的路，一是轉入企業內部兼任AI治理，二是在事務所組建橫跨勞動與技術監管的團隊。