解读：AI不会淘汰所有 SaaS，而是重新定义HR Tech的价值HRTech核心指南：AI 会不会让 HR SaaS 没价值了？Harvard Business Review 最新文章给出了一个很有意思的观点：AI 不会淘汰所有 SaaS，而是重新定义它们的价值。未来真正值钱的，不是 AI 功能，而是 Operational Intelligence（运营智能）——也就是基于真实业务数据持续提升组织判断能力。对于 HR Tech、HR Leader 和投资人来说，这可能是未来几年最值得关注的趋势之一。推荐一读。
解读 Harvard Business Review：AI's Impact on SaaS Will Be Uneven
过去一年，几乎所有 HR Tech 厂商都在发布 AI 功能。从 AI 招聘助手、AI 面试官，到 AI HRBP、AI Agent，整个 SaaS 行业似乎都在进入一个新的竞争阶段。
不少企业也开始提出一个问题：当 AI 能够编写代码、自动完成流程、快速生成应用之后，SaaS 还有价值吗？
Harvard Business Review 最新发表的文章《AI's Impact on SaaS Will Be Uneven. Here's What Leaders Need to Know》中，Harvard Business School 教授 Christopher Stanton 给出了一个值得整个 SaaS 行业思考的答案：
AI 并不会让所有 SaaS 都失去价值，它真正改变的是不同 SaaS 的价值结构。
对于 HR Tech 企业、投资人以及企业 HR 来说，这一观点值得深入理解。
AI 不会平均冲击所有 HR SaaS
很多人认为，大模型出现之后，大量软件最终都会被 AI Agent 所替代。
Christopher Stanton 并不认同这种观点。
他认为，AI 的影响并不是平均发生的，而是取决于两个关键因素：
第一，软件主要解决的是规则明确、流程固定的任务（Deterministic Tasks），还是需要预测、判断和决策支持的任务（Predictive Tasks）。
第二，软件依赖的是企业自己的内部数据（Internal Company Data），还是大量跨客户、跨行业积累形成的共享数据（Pooled Data）。
这两个维度共同决定了一款 SaaS 产品未来的竞争力。
流程自动化软件，将最先受到 AI 冲击
如果一个 SaaS 产品主要负责流程执行，例如审批、通知、数据录入、报表生成、信息查询等标准化工作，那么 AI 将大幅降低这些产品的技术门槛。
随着 AI Agent、低代码开发平台以及自然语言工作流不断成熟，这类软件越来越容易被企业内部快速搭建，或者直接整合进现有平台。
这并不意味着流程管理没有价值，而是意味着流程本身将越来越难形成长期竞争壁垒。
未来企业购买软件，不再只是为了把纸质流程搬到线上，而是希望软件能够帮助组织做出更好的决策。
真正的竞争壁垒来自 Operational Intelligence
文章提出了一个非常重要的概念——Operational Intelligence（运营智能）。
这里的 Operational Intelligence，并不是简单的数据分析，也不仅仅是 AI 模型，而是企业通过大量真实业务运行过程中积累的数据、经验和场景，不断提升判断能力的一套智能体系。
作者认为，这类产品未来将成为 SaaS 中最具竞争力的一类。
原因在于，大模型能够学习公开知识，却无法天然拥有企业多年运营过程中形成的大量真实案例、边缘场景和业务经验。
这些数据和经验，正是企业决策过程中最有价值的部分。
未来的软件，价值将来自“判断”而不是“功能”
过去，大多数 HR 软件强调的是功能覆盖。
招聘系统能够管理职位和简历。
学习系统能够管理课程。
绩效系统能够完成考核流程。
这些能力未来仍然重要，但已经不足以形成明显差异。
真正具有竞争力的软件，需要能够帮助企业回答更复杂的问题。
例如：
哪些候选人在未来更有可能取得成功？
哪些员工存在较高离职风险？
哪些技能将在未来两年成为组织能力短板？
哪些岗位更适合内部流动而不是外部招聘？
这类能力并不是增加几个 AI 按钮就能够实现，而是依赖长期积累的数据、算法以及真实业务经验。
企业采购 SaaS 的标准正在发生变化
Christopher Stanton 提醒企业，在 AI 时代评估 SaaS，不应再只关注产品功能，而应该重新思考几个问题：
这款产品真正创造的是流程价值，还是决策价值？
它依赖的是企业自己的数据，还是拥有跨客户、跨行业积累形成的数据优势？
这些数据是否经过真实业务场景持续验证？
AI 是否只是增加了交互方式，还是能够持续提升企业的判断质量？
这些问题，将比是否拥有 AI Chat、AI Copilot 或 AI Agent 更重要。
对于 HR Tech 行业意味着什么？
对于 HR Tech 企业来说，未来竞争的重点可能不再是谁拥有更多 AI 功能，而是谁拥有更深的数据积累和行业理解。
能够持续沉淀招聘、组织、绩效、薪酬、技能、员工体验等真实运营数据，并将这些数据转化为企业可以直接应用的管理洞察，才更有可能建立长期竞争优势。
未来，HR Tech 的价值也将逐渐从"流程数字化"转向"运营智能"。
软件不仅需要告诉企业发生了什么，更需要帮助企业理解为什么发生，以及下一步应该采取什么行动。
HRTech 观点
AI 正在降低软件开发的门槛，却没有降低企业管理的复杂度。
未来，真正难以复制的，不会是某一个 AI 功能，而是长期积累形成的数据资产、业务经验和管理判断能力。
对于 HR Tech 行业而言，这篇文章释放出的一个重要信号是：AI 时代真正值得投资的，不一定是功能最多的软件，而是能够持续输出 Operational Intelligence（运营智能）的产品。
未来企业采购 HR Tech，也许最应该问的不再是：
"这个产品有没有 AI？"
而是：
"如果去掉 AI，它是否仍然拥有别人无法复制的运营智能？"
你觉得呢，欢迎讨论！
观点
2026年07月07日
观点
DeepSeek 招 HR，真正的信号是 AI 公司正在重新定义 HRDeepSeek 最近发布的 HR 团队招聘信息，表面上看是一次普通的职能岗位补充，但如果放在 AI 公司组织扩张的背景下看，它释放出的信号并不简单。它不是在寻找传统意义上的招聘执行者，也不是单纯补充人事运营人员，而是在为一家 AGI 导向的技术公司搭建更长期的人才识别、组织服务和文化承载能力。你觉得呢
HR 不再只是支持部门，而是 AI 公司的人才基础设施
这份 JD 最突出的特点，是将 HR 直接放进 AGI 叙事之中。岗位描述里反复出现“AGI”“长期主义”“人类潜能”“人才土壤”“共建者”等关键词，这说明 DeepSeek 对 HR 的定位并不是后台支持，而是组织能力的一部分。对于 AI 公司来说，真正的竞争不只是模型、算力和数据，也包括能否持续吸引、识别、保留并激发顶尖人才。技术突破背后，最终还是人的密度、协作方式和创新环境。
这也意味着，AI 时代的 HR 不再只是处理流程、发布岗位、安排面试和完成入职，而是要参与构建公司的人才系统。谁能识别未来可能成长为关键人才的人，谁能建立长期人才关系，谁能让高潜人才进入组织后真正发挥作用，谁就在参与一家 AI 公司的核心能力建设。
招聘 HR 的能力正在从“招人”转向“人才情报”
在招聘 HR 方向中，最值得关注的是“系统性 Mapping”“海内外高潜人才”“长期、真诚的互动”“准确识别能力特质与职业诉求”。这不是传统招聘专员的工作语言，而更接近 Talent Intelligence。DeepSeek 想要的不是只会在招聘平台上筛简历、推流程的人，而是能够理解技术人才市场、判断人才潜力、建立候选人网络，并长期经营人才池的 HR。
更重要的是，JD 中提到要识别“尚未被市场验证、却蕴含巨大潜力的人才”。这句话很关键。很多公司的人才策略是抢已经被大厂、论文、title 和薪酬证明过的人，但真正有长期竞争力的组织，往往需要更早地发现那些还没有被市场充分定价的人。这样的招聘 HR，本质上更像“人才投资人”：既要懂人，也要懂技术组织的成长逻辑。
招聘闭环被拉长，Quality of Hire 变得更重要
这份 JD 还明确要求招聘 HR 跟踪候选人入职后的融入情况，协助解决初期适应问题，确保招聘成果真正落地。这说明 DeepSeek 对招聘结果的理解，不只是 offer 数量和入职人数，而是候选人进入组织后的适配、留存和实际贡献。
这对 HR 是很大的能力升级。过去很多招聘团队的 KPI 停留在招聘周期、到岗率和 HC 完成率，但在高密度人才组织中，真正重要的是 Quality of Hire。一个关键人才是否适应团队节奏，是否理解公司使命，是否能与现有研发文化协作，都会直接影响组织效率。招聘不再是交易，而是人才进入组织后的持续转化过程。
综合服务 HR 不是行政人事，而是 People Operations
另一个方向“综合服务 HR”也值得注意。它覆盖入职、档案、考勤、薪酬、福利等基础人事流程，但 JD 同时强调要运用自动化工具和 AI 能力持续优化流程，提高效率和员工体验。这意味着 DeepSeek 并不希望这个角色停留在传统事务型 HR，而是希望其成为 People Operations 的建设者。
对快速成长的 AI 公司来说，基础人事流程看似普通，实际上决定了组织扩张的稳定性。员工能否顺利入职，薪酬福利是否准确，问题响应是否及时，跨城市团队服务是否一致，都会影响员工对组织的信任感。AI 公司越强调长期主义，越不能忽视这些基础体验。真正好的 HR Ops，不是把流程做复杂，而是用系统、工具和服务意识，让组织在扩张中保持清晰、稳定和高效。
AI 公司正在要求 HR 自身也变得 AI-native
这份 JD 的另一个重要信号，是 HR 不只是服务 AI 公司，还要主动使用 AI 工具改造自己的工作。综合服务方向明确提出自动化和 AI 能力，这意味着 AI-native 组织不会允许 HR 仍然停留在传统手工流程中。未来 HR 的价值，不是简单地“更有人情味”，而是在效率、数据、体验和判断之间找到新的平衡。
招聘可以借助 AI 做人才 mapping、简历分析和候选人关系管理；HR Ops 可以用自动化工具优化入职、档案、薪酬福利和员工问答；HRBP 则需要用数据和组织洞察支持更复杂的人才决策。AI 不会让 HR 消失，但会让低效、重复、缺乏判断力的 HR 工作被重新定价。
真正的启发：HR 也要进入下一代能力模型
DeepSeek 这份 HR 招聘信息最值得关注的地方，不在于它招了几个 HR，而在于它呈现了 AI 时代 HR 能力模型的变化。未来优秀的 HR，不能只会执行流程，也不能只会讲文化，而是要同时具备人才洞察、组织理解、数据意识、系统化能力和长期主义。
AI 公司正在重新定义人才，也正在重新定义 HR。对 HR 从业者来说，这既是压力，也是机会。真正有价值的 HR，不会只是“支持业务的人”，而会成为理解技术变革、识别关键人才、建设组织土壤的人。DeepSeek 招 HR 的背后，看到的是一个更大的趋势：在 AI 时代，人才不是资源部门管理的对象，而是公司最核心的生产力系统。
观点
2026年06月29日
观点
HRTech 特约评论：当 AI 账单开始衡量人效，企业会迎来新的 ROI 时代，还是新的 Token 歧视？HRTech核心概述：HR系统从 SaaS 订阅到 Token 账单：HR AI 正在把人效管理推向新阶段！当 token 消耗开始被用于观察员工行为、衡量工作效率、分配 AI 权限甚至影响绩效判断时，企业也必须警惕一种新的组织风险：Token 歧视。更多前沿观察，请关注 #HRTech
企业购买 HR AI 软件，正在从“买一套系统”变成“购买一套持续消耗的智能基础设施”。过去 SaaS 的成本主要由席位、模块和年费决定，使用越深入，边际价值通常越高；但 AI 软件正在引入另一套逻辑：模型调用、token 消耗、上下文长度、agent 执行和超量计费。对 HR 来说，这不是单纯的技术账单，而是一个会同时影响预算、人效、权限、公平性和组织治理的新管理议题。AI 账单正在成为新的人效报表，但企业必须警惕，它也可能变成新的员工审判书。
HR AI 采购正在从“买软件”变成“买持续消耗的算力账单”
过去 SaaS 的逻辑是“用得越多越划算”。企业购买系统以后，更多员工登录、更多流程上线、更多数据沉淀，通常意味着软件价值被放大。但 AI 软件的成本逻辑不完全一样。AI 功能背后涉及模型调用、token 消耗、数据处理、上下文窗口、agent 执行和算力成本，使用越多，账单可能越高。如果企业没有提前问清楚 token 成本、调用上限、超量计费、模型等级、上下文长度、API 成本转嫁和毛利率安排，很可能会出现“买的时候像 SaaS，结账的时候像云账单”的情况。
这对 HR 部门尤其重要。HR 过去并不是最擅长看懂云成本和技术账单的部门，但未来 HR AI 的成本结构会越来越接近云服务。一个看起来很简单的 AI 助手，背后可能区分基础模型、高级模型、按次调用、按 token 计费、按 workflow 执行计费、按 agent 自动化任务计费。如果 HR 只被产品 demo 打动，而没有理解背后的成本结构，后续很容易在预算上失控。
AI 让“普通员工 ROI”第一次变得更容易被观察
过去我们讨论人效，经常遇到一个难题：普通员工的 ROI 很难衡量。销售可以看 revenue，客服可以看 ticket，工程可以看 pull request、bug fix 和 release cycle，但大量 HR、运营、市场、财务、法务、行政和分析岗位的价值并不总是直接体现在收入或产量上。他们的贡献往往是降低风险、减少错误、提升协同、缩短沟通、改善体验、提前预警。这些价值真实存在，却很难被清晰记录、比较和复盘。
AI 的出现让这个问题开始发生变化。AI 使用天然会留下数据痕迹：谁在使用、用了什么模型、消耗多少 token、调用多少次、用于什么任务、生成内容是否被采纳、是否进入后续工作流、是否减少返工、是否提高质量、是否缩短交付周期。过去隐藏在员工日常工作中的过程性劳动，第一次可能被系统化捕捉。换句话说，AI 不只是提高效率的工具，它也让效率提升这件事本身变得更可观察。
这意味着，未来 HR 对人效的关注在 AI 时代确实可能更容易衡量。你花掉的 token，是否真的转化成了更高质量的产出、更快的交付和可复盘的 ROI？AI 账单正在把过去模糊的人效问题，变成一张可以被追踪、过程可见、可以比较和审计的新报表。
AI 人效的关键不是“用了多少”，而是“是否产生真实产出”
但这里必须明确一个核心观点：token spend 本身不是 ROI。一个员工消耗了很多 token，不代表他效率高；一个员工消耗很少 token，也不代表他没有价值。真正要看的，是 token 是否嵌入了正确的业务场景，是否改善了任务结果，是否减少了低价值劳动，是否提升了组织整体产出。
比如，一个 HR 团队使用 AI 生成员工政策问答、候选人沟通模板、绩效校准摘要和薪酬分析初稿，如果这些内容被经理采纳，减少了重复沟通，提高了响应速度，降低了政策解释错误，那么 AI 支出就是有效投入。市场团队用 AI 做内容草稿、竞品分析和客户分层，如果最终提高了内容产出效率和转化质量，也可以形成可解释的 ROI。工程团队用 AI 辅助代码生成和问题排查，如果代码 review 通过率提升、bug 减少、release cycle 缩短，那么 token 成本可以被视为生产力投资。
反过来，如果某个员工 AI 使用量很高，但输出质量低、返工率高、同事审核负担增加，甚至生成内容带来合规或事实错误，那么高 token 消耗就不是能力增强，而可能是低质量工作的放大器。这也是未来 AI 人效管理最重要的分水岭：企业不能只看使用频率，而要看使用结果；不能只看成本消耗，而要看产出质量；不能只看个人行为，而要看任务链路和业务结果。
企业需要建立 AI ROI 治理，而不是简单做 AI 使用监控
未来真正有价值的不是 AI 使用监控，而是 AI ROI 治理。监控回答的是“谁用了多少”，治理回答的是“为什么用、用得是否值得、如何优化、是否公平”。如果企业只做监控，很容易把 AI 管理变成新的员工压力源；如果企业做治理，AI 账单就可以成为优化组织能力和资源配置的工具。
比较合理的路径应该分三层。第一层是 use case ROI，先衡量具体场景是否产生价值，而不是一开始就评价个人。比如招聘 JD 优化、客服工单摘要、薪酬分析、代码辅助、员工政策问答等场景，都应该先建立 baseline，比较使用 AI 前后的时间、质量、成本、错误率和满意度变化。第二层是 team ROI，判断哪些团队真正把 AI 嵌入了工作流，哪些团队只是表面使用。第三层才是 individual enablement，也就是识别哪些员工是高质量使用者，哪些员工需要培训，哪些使用行为存在浪费或风险。
这套逻辑很重要，因为它避免了企业把 AI 账单直接变成绩效审判工具。AI 人效分析的正确方向不是“用系统证明谁不行”，而是“用数据发现哪里需要更好的工具、培训、流程和管理支持”。企业真正应该关心的是组织整体效率是否提升，而不是简单把每个员工的 token 消耗拉出来排名。
“Token 歧视”可能成为 AI 时代新的组织风险
随着 AI 账单和人效数据逐渐连接，一个新的风险也会出现：Token 歧视。所谓 Token 歧视，并不是说企业不能管理 AI 成本，而是指企业可能基于 token 使用量、AI 支出水平或模型访问权限，对员工形成简单化、标签化甚至不公平的判断。
一种情况是，高 token 消耗员工被默认视为低效。管理者看到某个员工花费高，就直接认为这个人浪费资源，却没有分析其任务复杂度、岗位性质、业务贡献和产出质量。另一种情况是，低 token 使用员工被默认视为落后。员工可能因为不常使用 AI，被贴上“不够 AI native”的标签，但实际上他的工作可能更依赖判断、沟通、经验和风险控制。还有一种情况是，企业只给高绩效、高职级或核心部门开放高级模型，普通员工只能使用基础工具，久而久之，AI 权限本身会变成一种新的组织资源差距。
这类风险并不遥远。未来企业很可能会根据员工角色、绩效等级、部门预算和历史使用表现，分配不同的 AI 权限。高绩效工程师可以使用更强模型，普通支持岗位需要审批；核心业务部门可以调用更多 token，后台部门被严格限制；某些员工因为过去使用效率低，被降低模型权限。从商业角度看，这种资源分配可能有合理性，但如果缺乏透明规则和申诉机制，就可能放大组织内部的不平等。
HR 必须参与 AI 预算、权限和公平规则设计
AI 时代，HR 不能只做 AI 工具的使用者，也不能只做培训和推广部门。HR 必须进入 AI 治理的核心层，参与预算、权限、绩效解释、员工保护和组织公平规则的制定。因为 AI 账单表面上是 IT 和 Finance 的问题，但深层是组织能力和人才管理问题。
HR 需要和 Finance 一起看 AI 成本，判断不同团队、不同岗位、不同任务的 AI 投入产出是否合理；需要和 IT 一起看权限、数据安全、模型访问和系统集成；需要和业务部门一起看任务质量、流程效率和真实业务结果；还需要和 Legal 一起看合规、公平性、数据隐私和员工权益。AI 账单不应该只是一张费用报表，而应该成为企业理解组织能力、岗位变化和人才投资回报的新入口。
这也意味着，未来 HR 的专业能力会被重新定义。懂绩效管理还不够，HR 还要理解 AI 成本结构；懂培训发展还不够，HR 还要判断哪些岗位需要 AI enablement；懂组织设计还不够，HR 还要理解哪些流程会被 AI 改写；懂员工体验还不够，HR 还要防止 AI 权限和数据分析造成新的不公平。
HR Tech 供应商的竞争会从功能模块转向数据与治理能力
这场变化也会重塑 HR Tech 供应商的竞争逻辑。过去 HR 软件比拼的是模块完整度、流程自动化、用户体验、系统集成和服务交付能力。未来更重要的会是数据连接能力、权限治理能力、AI 成本解释能力、任务级 ROI 分析能力和行动闭环能力。
一个真正有价值的 HR AI 平台，不只是告诉企业“员工用了多少 AI”，而是帮助企业判断“AI 在哪里创造了价值，在哪里制造了浪费，哪里需要培训，哪里需要限制，哪里需要重新设计岗位和流程”。这也是为什么 Rippling Data Cloud 这样的方向值得关注。它背后的核心不是多一个 dashboard，而是把员工数据、组织结构、业务系统数据、AI 使用数据和权限管理放到同一层，从而让企业有机会回答过去很难回答的问题：AI 是否真的改变了某个员工、某个团队、某个岗位的真实产出。
未来 HR Tech 的竞争，可能不再只是 HCM、Payroll、Performance、Recruiting 各自模块之间的竞争，而会进入“组织数据操作系统”的竞争。谁能把人、任务、成本、产出、权限和 AI 使用连接起来，谁就更可能成为企业 AI 时代的管理基础设施。
人效可以被数据增强，但不能被 token 简化
尽管 AI 会让人效更容易被观察，但我们也必须保留一个基本判断：人的价值不能被简单压缩成一串 token 调用记录。很多高价值工作仍然很难被 AI 使用数据完整衡量。一个 HRBP 提前化解了一次管理冲突，一个财务人员发现了潜在合规风险，一个经理通过判断避免了错误决策，一个运营人员通过沟通挽回了客户信任，这些价值可能不会直接体现在 AI 账单里，但对企业同样重要。
因此，AI 人效分析只能增强管理判断，不能替代管理判断。它可以帮助企业看清过程、发现趋势、识别异常、优化资源，但不能成为评价员工价值的唯一依据。如果企业把 AI 账单作为控制工具，它可能制造新的焦虑和不公平；如果企业把 AI 账单作为能力建设工具，它就可以帮助组织看清哪些工作正在被 AI 重塑，哪些员工需要新的技能支持，哪些岗位应该重新定义，哪些预算应该重新分配。
AI 账单会成为新的人效报表，但企业不能让它变成员工审判书
AI 时代，人效确实会变得更容易衡量。token 可以被计算，ROI 可以被建模，流程可以被审计，任务结果可以被复盘，这是企业管理的一次重要进步。但越是容易衡量，企业越要谨慎定义衡量的边界。真正成熟的组织，不会用 AI 账单简单审判员工，而会用它重新理解工作、设计流程、配置资源，并推动员工能力升级。
未来 HR 面临的关键问题，不是“要不要衡量 AI ROI”，而是“如何衡量才不伤害组织”。当 AI 账单开始进入人效管理，企业必须同时回答两个问题：
第一，token 是否真的转化成了产出；
第二，衡量 token 的方式是否仍然尊重人的复杂价值。
只有同时回答好这两个问题，AI 才不会变成新的管理焦虑，而会真正成为提升组织能力的基础设施。
观点
2026年06月29日
观点
HR科技供应商责任被重新定义？Workday AI招聘歧视案释放重要信号HRTech概述：Workday 在加州 AI 招聘歧视诉讼中未能成功驳回核心主张。案件中指控其AI驱动的求职者筛选工具可能基于种族、年龄、残障、性别等受保护特征，对求职者产生不利筛选影响。法院允许 FEHA 相关主张及部分 ADA 残障歧视主张继续推进。Workday 否认指控，称其工具只评估岗位资格，不评估受保护特征。对 HR 来说，这起案件的重要意义在于：AI 招聘工具不再只是效率工具，也可能成为合规责任来源。未来企业采购 AI 招聘系统，必须重点关注偏见测试、数据留存、算法解释、供应商责任和候选人权利。更多请关注 HR Tech，为你带来全球最新 HR 科技资讯。
Workday AI招聘歧视案继续推进：HR科技进入“算法合规责任”新阶段
HRTech注意到，备受关注的 Mobley v. Workday Inc. 案件近期出现重要进展。美国加州北区联邦法院对 Workday 试图驳回 AI 招聘歧视诉讼的动议作出裁定，允许部分核心主张继续推进。需要明确的是，这并不意味着 Workday 已经被认定存在歧视，也不是案件的最终判决；但法院没有在早期阶段终结关键指控，说明围绕 AI 招聘工具的法律责任边界，正在进入更实质性的司法审查阶段。
案件核心：AI招聘工具是否只是“软件”，还是招聘决策链条的一部分
该案最初由 Derek Mobley 于 2023 年提起，原告主张 Workday 的算法化申请人筛选工具在招聘过程中可能对特定求职者群体产生不利影响，涉及年龄、种族、残障和性别等受保护特征。案件的关键不在于某一家雇主是否单独拒绝了某位候选人，而在于 Workday 作为 HR 科技供应商，其系统如果参与了候选人筛选、排序、推荐或拒绝流程，是否可能被视为招聘决策链条中的实际参与者。
这也是本案区别于传统就业歧视案件的核心所在。过去，HR系统通常被视为雇主使用的后台工具；但当系统开始通过算法对候选人进行匹配、评分、排序或筛选时，它的作用可能不再只是记录信息，而是影响候选人是否进入下一轮流程。法院此前也关注到，Workday 的工具如果代表雇主执行某些筛选功能，其责任问题不能简单因为“最终录用决定由客户作出”而被排除。
法院关注的重点：加州法律适用与“代理责任”
本次裁定中，一个重要问题是加州公平就业和住房法是否可以适用于相关主张。Workday 的抗辩方向之一是，部分求职者并非加州居民，也并非申请加州岗位，因此加州法律不应被扩展适用。但法院在前期意见中指出，如果原告能够主张 Workday 在加州设计、开发、运营相关工具，并通过这些工具代表客户执行涉嫌歧视性的筛选行为，那么相关行为与加州之间可能存在足够联系。
这一点对 HR 科技行业非常关键。它意味着法院关注的不是候选人或岗位是否一定在加州，而是涉嫌产生歧视影响的技术行为、系统运营和公司决策是否与加州存在实质关联。对于总部、研发、算法治理或产品决策位于某一司法辖区的 HR Tech 公司而言，法律风险可能不再局限于客户所在地或岗位所在地。
残障歧视与“代理变量”成为重要争议
本案中另一个值得 HR 特别关注的问题，是所谓“代理变量”。原告主张，一些表面上看起来中性的筛选因素，可能在实际效果上成为受保护特征的替代指标。例如，就业空档、职业路径中断、工作经历模式、测评结果等，可能与健康状况、残障经历、年龄或其他身份特征存在关联。如果 AI 系统将这些因素作为负面信号，就可能形成差别影响。
这对企业采购 AI 招聘工具有直接启发。合规风险并不只来自系统是否明确使用了“年龄”“种族”“残障”等字段，也可能来自模型是否通过其他变量间接识别或放大这些差异。换句话说，一个系统即使没有主动读取受保护特征，也不等于没有歧视风险。真正的审查重点，应当是模型输出结果是否对特定群体形成系统性不利影响。
发现程序显示：算法审计与数据控制将成为诉讼焦点
法院此前在一份证据开示裁定中也处理了 Workday 偏见测试数据、客户申请人数据、EEO-1 和 OFCCP 文件等争议。法院没有要求 Workday 交出部分受到律师—客户特权保护的偏见测试数据，也没有简单认定 Workday 控制客户申请人数据；但法院要求 Workday 生产 EEO-1 和 OFCCP 相关文件，因为这些文件可能与 Workday 对 AI工具潜在人口统计差异的认知有关。
这说明未来 AI 招聘诉讼的重点，很可能不仅是系统“有没有算法”，而是企业和供应商是否知道算法可能带来差别影响，是否做过偏见测试，测试结果如何保存，哪些数据受法律特权保护，客户数据由谁控制，以及供应商是否有足够的合规治理记录。
Workday 的立场与行业影响
Workday 否认相关指控，并表示其招聘 AI 工具不会作出录用决定，其技术只评估岗位资格，而不是种族、年龄或残障等受保护特征。这个立场也代表了很多 HR 科技供应商的常见抗辩逻辑：供应商提供工具，客户作出最终决定。但本案正在挑战的正是这一边界。如果工具在事实上影响了候选人能否进入面试、是否被推荐、是否被优先展示，那么“工具”和“决策”之间的距离会被重新审视。
对于 HR 和企业采购团队而言，这起案件的现实意义非常明确。AI 招聘工具不能只从效率、体验和成本角度评估，还必须纳入合规尽调。企业在采购和使用相关系统时，应重点关注供应商是否提供偏见测试机制、算法影响评估、审计记录、候选人解释机制、数据留存政策、人工复核流程，以及合同中关于歧视索赔、数据披露和责任分担的条款。
HRTech观点：AI招聘进入治理能力竞争阶段
Workday 案的长期影响，可能不在于某一项具体主张最终是否成立，而在于它正在推动市场重新定义 AI 招聘工具的责任边界。未来，HR 科技供应商的竞争力不会只体现在更快筛选候选人、更智能匹配岗位或更低招聘成本上，也会体现在能否证明系统公平、可审计、可解释、可治理。
AI 招聘不会因为诉讼风险而停止发展，但企业使用 AI 的标准会明显提高。对于 HR 来说，真正成熟的 AI 招聘采购，不是被产品演示中的“智能推荐”打动，而是能够问清楚算法如何影响候选人、如何监测差别影响、如何处理异常结果，以及一旦发生争议，企业和供应商分别承担什么责任。
Workday 案提醒整个行业：AI 招聘已经从技术创新阶段，进入算法合规和治理能力的检验阶段。
HRTech一直在倡导HR一定要在人力资源工作中实践负责任的人工智能，详情可以访问。
https://www.hrtechchina.com/raihr
观点
2026年06月25日
观点
麦肯锡《HR Monitor 2026》发布：HR职能进入人机协作时代的系统级转型（附录下载）2026 年，人力资源部门正在进入一个新的临界点。根据麦肯锡最新发布的《HR Monitor 2026》，在人工智能重塑工作方式、技能结构和组织运行模式的背景下，HR 的角色正在从传统的职能卓越（functional excellence），转向更深层的系统级转型（system-level transformation）。这份报告基于对欧洲、美国和中国等 10 个国家约 1,300 名 HR 专业人士和 5,500 名员工的调研，呈现出一个清晰信号：未来 HR 的核心价值，不再只是把招聘、培训、绩效和员工体验做得更高效，而是帮助企业重新定义工作、能力、人才供给和人机协作方式。
HR正在从支持部门变成组织转型的设计者
过去很长一段时间，HR 的专业化主要体现在流程、制度和模块能力上，例如招聘效率、培训体系、绩效管理、薪酬福利和员工关系。但在 AI 加速进入企业核心流程之后，HR 面临的任务已经发生变化。报告提出，HR 需要同时扮演两种角色：一是 AI 转型的组织架构师，参与设计岗位、任务和能力如何变化；二是企业内部的示范者，通过自身运营模式的重塑，率先展示 AI 如何真正嵌入工作流程。
这意味着，HR 不能再只停留在“服务业务”的位置，而要参与回答企业未来三到五年的关键问题：哪些工作会被自动化，哪些岗位会被重新组合，哪些技能会变得更重要，哪些员工需要重新培养，哪些流程可以交给 AI 代理（AI agents）完成。真正的 HR 转型，正在从事务效率问题，变成组织能力问题。
人力规划仍然过于短期，能力规划才是关键
报告中最值得警惕的数据是，只有 11% 的组织真正采用三年以上的长期人力规划。虽然不少企业已经开展人力规划，但多数仍停留在短期编制、岗位和预算层面，本质上还是“算人头”。在 AI 时代，这种规划方式已经不够用。因为 AI 改变的不是某一个岗位，而是岗位背后的任务结构和能力组合。
未来企业需要的不是简单的人头规划，而是能力规划（capability planning）。HR 需要建立更清晰的技能智能（skills intelligence），持续识别组织内部已经具备哪些能力、未来需要哪些能力，以及员工能否通过再培训和内部流动完成能力迁移。报告显示，虽然 85% 的组织已经建立技能分类体系，但只有 57% 将全组织人力规划与完整的技能记录结合起来。这说明很多企业虽然有技能数据，却还没有真正把它用于战略决策。
未来人才竞争的重点，不是会不会用AI，而是能否判断AI
随着 AI 接管越来越多重复性和执行性任务，未来技能的重心正在变化。报告显示，问题解决能力、创造力、数据分析与 AI、数字素养、推理能力等成为 HR 专业人士最关注的未来技能。其中，数字素养的排名上升尤其明显，反映出企业对“能够理解和使用 AI 输出”的人才需求正在增加。
这也说明，AI 并没有让人的价值下降，而是改变了人的价值位置。未来更稀缺的不是机械执行能力，而是判断、解释、整合和决策能力。企业需要的人才，不只是会操作工具的人，而是能够在复杂业务场景中理解 AI 输出、提出正确问题、识别风险并做出判断的人。对 HR 来说，培训体系也不能再只围绕课程和平台建设，而要真正嵌入业务任务、绩效反馈和职业发展路径。
招聘市场趋稳，但慢招聘仍然是组织损耗
报告显示，全球劳动力市场总体趋稳，部分市场更偏向雇主。全球录用接受率从 2025 年的 56% 上升至 2026 年的 59%，招聘成功率从 46% 上升至 50%。但这并不代表招聘压力消失。相反，在申请量增加、候选人筛选复杂度提升的情况下，招聘效率正在成为新的竞争差异。
一个重要数据是，跨市场招聘周期中位数达到 70 天，平均招聘周期超过 90 天，而表现最好的前四分之一组织可以将流程压缩到 49 天左右。对于关键岗位和高需求技能而言，过长的招聘周期会直接增加候选人流失、招聘成本和业务等待成本。AI 可以提升简历筛选、技能匹配、面试协调和候选人沟通效率，但前提是招聘流程本身足够清晰。如果企业只是把 AI 叠加在混乱流程上，技术只会放大原有问题。
员工体验回到更现实的基本面
过去几年，企业谈员工体验，常常聚焦文化活动、福利包装、员工关怀项目和体验工具。但报告中的员工数据显示，在经济不确定性上升的环境下，员工关注正在回归基本面。影响员工留下来的前三项因素分别是薪酬、工作与生活平衡、岗位安全感，占比分别为 52%、46% 和 45%。附录最新版本2026员工体验旅程图提供下载
这对企业是一个重要提醒。员工体验不是“让员工开心”的项目集合，而是雇佣关系是否公平、稳定、透明和可持续。尤其在生活成本压力和就业不确定性并存的环境下，员工更关心薪酬是否合理、工作负荷是否可持续、管理沟通是否透明，以及组织是否提供足够的安全感。对于 HR 来说，改善员工体验不能只靠新增项目，而要回到薪酬公平、管理质量、工作负荷和组织信任这些底层问题。
HR运营模式正在进入新一轮重构
传统的三支柱模型，即 HRBP、专家中心和共享服务中心，仍然是许多企业 HR 组织的基础。但报告显示，这一模式正在进入混合过渡期。32% 的 HR 组织仍主要采用 Ulrich 模型，18% 仍处在更早期的 HR generalist 模式，34% 表示已经部分采用敏捷 HR 模式。也就是说，多数企业并不是已经完成转型，而是在旧模型与新模式之间寻找新的平衡。
未来 HR 运营模式的方向，可能不是简单取消三支柱，而是在其基础上加入更强的数据底座、跨职能协作、按任务流动的资源配置，以及 AI 代理驱动的员工服务。HR 的组织设计也将从“谁负责哪个模块”，转向“如何围绕员工旅程和业务场景配置人、流程、数据和技术”。
AI试点很多，真正规模化仍然有限
尽管 AI 已经成为 HR 领域最热的话题，但报告显示，全球只有 28% 的 HR 流程已经部署可运营的 AI 解决方案，37% 仍停留在试点阶段。中国在这一方面相对领先，43% 的 HR 流程已经进入 AI 运营使用阶段，另有 45% 仍处于试点阶段。这说明，企业并不缺 AI 试验，真正缺的是从单点试点走向端到端重构的能力。HR的AI能力成熟度测试很重要，点击可以参与测试。
HRTech 认为，这也是未来 HR 科技竞争的分水岭。单一工具型 AI 应用可以提升局部效率，但真正有价值的系统，必须能够连接员工数据、技能体系、招聘流程、学习发展、绩效管理和员工服务。未来的 HR 科技，不只是帮助 HR 更快完成任务，而是帮助企业更准确地理解组织能力，并更快完成能力重组。
HRTech观察：HR的下一场考试，是组织能力再设计
这份报告给 HR 领域最重要的启发是：AI 不会自动带来更好的 HR，也不会自动创造更强的组织能力。真正决定 HR 价值的，是能否把业务战略、人力规划、技能体系、员工体验、组织设计和 AI 工作流连接起来。未来领先的 HR 团队，将不再只是流程运营者，而是企业人机协作时代的组织能力设计者。
对于企业管理者和 HR 负责人来说，2026 年的关键问题不是“我们有没有 AI 工具”，而是“我们是否知道未来需要什么能力，哪些工作正在被重构，哪些员工需要转型，哪些流程可以被 AI 接管，以及 HR 自己是否已经准备好用新的方式运行”。这才是 HR 真正的转折点。
点击可以下载并阅读麦肯锡《HR Monitor 2026》完整报告。
观点
观点
观点
观点
观点
观点
观点
观点
观点
观点
扫一扫 加微信
hrtechchina
