-
自动化
HR部门不会消失，但一批HR岗位会先被压缩：Anthropic的2030推演，正在重写HR岗位价值
HRTech核心解读：Anthropic一套面向 2030 年的 AI 经济情景模型显示：最极端情形下，GDP 比无 AI 路径高 32.4%，但认知型岗位工资下降、失业率升至 17.9%。这份研究真正值得 HR 看的是：未来不该只讨论“哪些岗位会消失”，而要开始按任务重构工作、技能和内部流动。很值得转给团队一起看，HRTech拆解到HR岗位哪些会消失，哪些更有前途！
如果 AI 真的能够完成一半甚至更多的知识工作，企业里的 HR 部门会变成什么样？
The Anthropic Institute 最新发布的《Economic Scenarios for Transformative AI》没有专门讨论 HR，但它提供了一套非常适合重新审视 HR 职业的框架：未来真正被 AI 改变的基本单位，并不是一个完整的“岗位”，而是岗位里面的一项项任务。
Anthropic 用一句非常重要的话概括了这一逻辑：The economy is made out of tasks.
在它设定的 Substantial Scenario 中，到 2030 年，AI 已经具备完成一半知识工作的能力，而且其中大部分可以自主完成，只是企业并不会马上把 AI 应用到所有这些工作上；在更激进的 Extreme Scenario 中，AI 在绝大多数知识工作任务上的生产率超过人类，几乎都可以自主完成，同时几乎不再产生新的知识型人类任务。
如果把这个框架放进今天的企业 HR 部门，一个越来越清晰的趋势就出现了：HR 并不会作为一个职业整体消失，但 HR 部门内部不同岗位的价值会发生非常剧烈的重新排序。
一些今天大量存在的事务型 HR 岗位，很可能被明显压缩；一些岗位不会消失，但工作内容会被重新定义；还有一批目前看起来并不是 HR 部门人数最多的岗位，未来反而可能越来越重要。
这或许才是 Anthropic 这份报告对 HR 从业者最现实的启示。
一、Anthropic真正提醒我们的，不是“多少岗位消失”，而是“多少任务不再需要人做”
Anthropic 为 2026—2030 年美国经济设计了 Modest、Substantial 和 Extreme 三种情景。它特别强调，这些是用于理解不同技术发展路径的 scenarios，而不是对未来的确定预测，也没有给任何一种情景赋予发生概率。
但三种情景之间的差异非常值得企业管理者关注。
在 Modest Scenario 中，到 2030 年，美国 GDP 比没有 AI 的路径高 1.6%；在 Substantial Scenario 中高 8.3%；在 Extreme Scenario 中则高出 32.4%。
问题在于，经济增长并不意味着所有知识工作者都会同步受益。
在更激进的情景中，越来越多的经济增长流向资本，而不是劳动。在 Extreme Scenario 下，劳动收入占 GDP 的比例下降到 45.2%，资本收入占比则提高到 54.8%。同时，知识型工作受到大规模自动化冲击，整体失业也可能显著上升。
这背后真正发生的，并不是某一天企业突然宣布“这个职业不存在了”，而是一个岗位内部越来越多的任务逐渐被 AI 接管。
当被接管的任务积累到一定比例之后，企业才开始问第二个问题：这个岗位还需要这么多人吗？
这对于 HR 自身同样成立。
二、第一批被压缩的，很可能不是HR这个职能，而是“事务型HR”
先看今天最常见的 HR Assistant、HR Coordinator、HR Administrator。
这些岗位承担了大量企业不可缺少、但高度流程化的工作，包括新员工入职资料、员工信息维护、证明文件、面试安排、会议协调、政策通知、假期查询、员工 FAQ、离职流程、基础数据整理以及各种 HR 系统操作。
问题在于，如果按照 Anthropic 的 task-based framework 去拆解，这些任务中的很大一部分都具备几个共同特点：规则明确、重复频率高、数字化程度高、主要依赖文本和信息处理，而且异常情况相对有限。
这正好是 AI Agent、HRIS 和 workflow automation 最容易进入的区域。
所以未来更可能发生的事情，不是企业宣布“取消 HR Operations”，而是原来 5 个人承担的事务型工作逐渐变成 1—2 个人管理系统、处理异常，再由 AI 和自动化流程完成大量标准工作。
这会首先冲击 HR Assistant、HR Coordinator、HR Administrator，以及 HR Shared Services 中大量 Tier 1 类型的岗位。
这些岗位不会一夜之间消失，但企业为每 100 名、500 名或者 1,000 名员工配置多少事务型 HR，可能会明显下降。
这其实就是 Anthropic 模型所描述的 automation 真正进入企业之后的典型路径：岗位并不是突然消失，而是岗位内部能够交给 AI 的任务越来越多，最终改变 headcount economics。
三、招聘可能成为HR内部最早经历大规模岗位重构的职能之一
如果把 Recruiter 拆开来看，一个招聘岗位实际上包含十几种甚至几十种任务：写 JD、寻找候选人、搜索数据库、筛选简历、发送 outreach、安排面试、回答候选人问题、整理 interview notes、生成候选人 summary、跟踪流程、制作 offer，以及与 Hiring Manager 沟通和判断候选人。
这些任务的 AI 曝露程度完全不同。
其中，JD 撰写、candidate sourcing、简历初筛、候选人匹配、outreach 文案、Scheduling、基础 screening 和 candidate FAQ，都属于 AI 很容易参与甚至自动完成的任务。
因此最先承压的，很可能是 Recruiting Coordinator、Talent Sourcer、Volume Recruiter，以及主要依靠简历筛选和流程推进产生价值的初级 Recruiter。
但这并不意味着 Recruiter 会消失。
相反，Recruiter 可能会出现非常明显的两极分化。
过去，一个 Recruiter 的价值可以体现为“我能找到很多候选人”“我一天能处理多少份简历”“我管理多少个 requisitions”。未来这些能力的稀缺性会迅速下降，因为 AI 搜索和处理候选人的能力越来越强。
真正升值的会是另外一部分能力：理解业务到底需要什么人、挑战 Hiring Manager 不合理的要求、判断候选人的潜力与组织适配性、影响高端人才、理解人才市场，以及把人才数据转化成管理层决策。
因此未来真正有价值的 Recruiter，会越来越像 Talent Advisor，而不是“招聘流程操作员”。
这恰恰符合 Anthropic 的模型逻辑：AI 首先接管的是 task，而不是整个 occupation。最终剩下的人类任务往往更加复杂，也更加依赖 judgment、relationship 和 accountability。
四、HRBP不会消失，但“流程型HRBP”会越来越危险
HRBP 可能是未来几年 HR 内部分化最剧烈的岗位之一。
今天很多企业虽然设有 HRBP，但 HRBP 实际承担的工作仍然包括大量流程推进：解释 HR policy、推动 Performance Review、跟踪 headcount、协调 recruitment、传递总部政策、组织 talent review、处理基础员工问题。
如果一个 HRBP 的主要价值是“知道公司流程怎么走”，那么 AI 对这个岗位的冲击会越来越大。
因为员工未来并不需要为了了解 PTO、Benefits、Promotion Policy 或 Performance Process 找 HRBP。AI 可以连接企业内部 HR policy、HRIS 和 knowledge base，在几秒钟之内回答大量标准问题。
真正不会轻易被替代的 HRBP，是另一种 HRBP。
当一个 BU Head 问：“AI 进入之后，这个部门未来到底需要多少人？”“我们是不是有太多管理层级？”“销售团队为什么一直招不到合适的人？”“哪些岗位未来三年应该减少，哪些技能应该提前建设？”“这个组织应该怎么重新设计？”这些问题已经不再是流程问题，而是 Business + Organization + Talent Decision。
这种 HRBP 的价值反而会提高。
所以未来 HRBP 很可能分成非常清楚的两类：流程型 HRBP 被压缩，战略型 HRBP 升值。
HRBP 真正的门槛也会随之改变。懂劳动政策、懂招聘流程、懂绩效流程依然重要，但已经不够。未来优秀 HRBP 必须拥有更强的 Business Acumen、Data Literacy、Organization Design、Workforce Planning 和 AI Literacy。
换句话说，HRBP 不会因为 AI 消失，但 AI 会迫使 HRBP 回到这个岗位原本应该承担的战略角色。
五、Payroll和Benefits不会简单消失，但“操作价值”会迅速下降
Payroll 和 Benefits 是另外两个容易被简单判断为“会被自动化”的 HR 领域。
如果只看工资计算、数据录入、eligibility check、enrollment、员工 FAQ 和 plan comparison，AI 和自动化确实可以承担越来越多工作。
但 Payroll 真正困难的部分从来不是按下“发工资”按钮，而是 multi-state taxation、classification、compliance、audit、异常情况、系统整合以及不断变化的劳动法规。
Benefits 也是一样。
员工“我的 deductible 是多少”“什么时候 open enrollment”“这家医院是不是 in-network”这些信息查询型任务，未来越来越没有必要依靠 Benefits Administrator 人工回答。但医疗成本控制、Plan Design、Broker Management、Vendor Negotiation、ACA/ERISA Compliance、Employee Communication 和 Benefits Strategy 的专业价值并不会因此消失。
所以这两个岗位真正发生的是 value migration：从 administration 向 expertise 迁移。
未来企业可能需要更少的人“操作福利”，却更需要能够回答“公司一年花几百万美元福利预算，怎样设计才能真正控制成本并提高员工价值”的人。
这也是为什么 AI 对 HR 的影响不能简单理解成“自动化=岗位消失”。同一个岗位内部，一部分任务贬值，另外一部分任务反而可能因为复杂度提高而更加昂贵。
六、L&D也会经历一次非常彻底的价值重构
企业培训领域同样会出现明显分化。
课程资料整理、PPT 制作、培训通知、基础 e-learning 内容、考试题目、培训总结等工作，AI 已经可以非常高效地完成。这意味着大量以“制作培训内容”为主要工作内容的 L&D 岗位，未来价值会下降。
但企业真正需要的并不是更多课程，而是员工能否形成未来需要的能力。
特别是在 Anthropic 所描述的知识工作快速变化情景下，真正困难的问题不是“给员工上一门 AI 课”，而是：哪些工作正在发生变化？哪些技能正在贬值？哪些新能力正在升值？一个员工如何从正在减少的工作转移到新的工作？
这使得 L&D 的价值中心会从 Content Production 转向 Capability Building。
真正升值的 L&D，不是最会做课程的人，而是能够完成 skills gap analysis、设计 reskilling architecture、推动 manager capability，并帮助组织实现 workforce transition 的人。
而且 Anthropic 自己在 2026 年关于 worker retraining 的研究也提醒，面对显著劳动力市场变化，“培训”并不是万能答案。职业转换存在明显摩擦，员工即使愿意学习，也不代表可以迅速进入完全不同的职业。
这对企业 HR 的含义非常直接：未来真正需要建立的，不只是 Learning Platform，而是 Skill Graph + Internal Mobility + Workforce Planning。
七、真正升值的第一类HR：Workforce Planning与Organization Design
如果说哪些 HR 岗位最可能因为 AI 而升值，我认为 Workforce Planning 和 Organization Development 会排在非常靠前的位置。
原因并不复杂。
过去的 Workforce Planning 很多时候只是根据业务增长率计算明年需要增加多少 headcount。但进入 AI 时代以后，问题变成了：如果 AI 可以完成一个岗位 30%、50% 甚至 70% 的任务，我们到底还需要多少人？
这已经不是传统 headcount planning，而是 Work Design。
比如一个 Customer Service 团队原来有 500 人，AI Agent 可以完成 60% 的标准咨询之后，剩余员工应该是多少？留下的人应该处理什么问题？Manager span 应该怎么变化？职位等级怎么设计？剩下的工作应该重新组合成什么岗位？
再比如一个 100 人的软件团队，如果 Coding Agent 显著提高工程师生产率，公司究竟应该减少 Junior Engineer，还是保持人数并提高研发速度？如果 Junior Position 大量减少，未来 Senior Engineer 从哪里培养？
这类问题没有哪个 AI 软件可以直接替 CEO 做决定。
它需要 Workforce Planning、Finance、Business Leader 和 HR 一起重新设计组织。
所以从 Anthropic 的 task-based framework 往企业内部继续推演，未来 HR 非常核心的一项能力将是：
Task → Skill → Job → Organization → Headcount
谁能够把这条链条建立起来，谁就开始真正参与 AI 时代的组织设计。
八、真正升值的第二类HR：People Analytics会从“做报表”变成“做决策”
People Analytics 也会出现明显两极分化。
今天大量 People Analyst 的工作仍然是导数据、做 Excel、制作 Dashboard、统计 turnover、headcount、time-to-hire，再生成月报。
这些工作本身高度适合 AI。
未来 CEO 并不需要一个 Analyst 花两天告诉他“今年离职率是 14.2%”。AI 几秒钟就能给出这个结果。
真正有价值的问题是：为什么离职率上升？哪些团队异常？哪些员工存在风险？这个问题到底和 manager、pay、workload 还是 career opportunity 有关系？如果调整组织结构，会产生什么后果？
因此基础 reporting 的价值会下降，而 Workforce Intelligence、Predictive Analytics 和 Decision Science 会升值。
未来好的 People Analytics 团队不是 HR 的“数据部门”，而是组织决策部门。
九、真正升值的第三类HR：Total Rewards可能比今天更重要
Anthropic 这份报告中，有一个经常被忽略、但对 HR 极其重要的结果：AI 可以让社会整体变得更富裕，但经济增长并不会自动平均流向劳动者。
在 Extreme Scenario 中，资本收入占 GDP 的比例升至 54.8%，劳动收入占比下降到 45.2%。Anthropic 因此直接提出一个核心问题：如果 AI 创造了巨大的生产率收益，如何确保这些收益能够被更广泛地分享？
这个宏观问题进入企业之后，其实就是 Total Rewards 问题。
假设一个原来 100 人的部门，通过 AI 变成 70 人，同时产出提高 30%。企业获得了更高 Productivity、更低 Labor Cost 和更高 Margin。
那么剩下的 70 名员工获得什么？
如果他们承担了更复杂的工作，需要管理 AI Agent，需要承担更大的责任，却仍然按照原来的岗位价值支付工资，那么组织内部会形成新的收益分配矛盾。
因此 AI 时代可能会出现新的 skills premium、AI productivity incentive、profit sharing、equity compensation，以及完全不同的 Job Architecture。
未来 Total Rewards 面对的问题不只是“市场上这个岗位多少钱”，而是：当 Human + AI 共同创造价值之后，人应该拿多少？
这会让 Compensation、Job Architecture 和 Total Rewards 重新进入企业 AI 战略的核心位置。
十、Employee Relations、Labor Relations和复杂人才判断，反而可能更加重要
还有一类岗位，AI 可以提供帮助，但很难承担最终责任。
比如 Employee Relations。
AI 可以整理调查材料，可以帮助搜索政策，可以分析文件，可以生成 interview questions，但涉及 harassment、discrimination、termination、performance disputes、workplace conflict 等问题时，真正困难的从来不是“找到信息”，而是理解 context、判断风险、处理人与人的关系，并承担决策责任。
Labor Relations 更是如此。
谈判、工会关系、集体协议、员工情绪和劳资冲突，本质上属于高度情境化的人际和组织问题。
同样，Executive Assessment、Succession Planning、Leadership Development 也不是简单的信息处理任务。
AI 可以告诉企业一个人有哪些数据表现，但“这个人是不是下一任 CEO”“两个候选人谁更适合带领正在转型的业务”，依然属于复杂 judgment。
所以未来企业真正稀缺的 HR 能力，很可能从 Execution 转向 Judgment、Orchestration 和 Accountability。
十一、AI最终可能让HR部门变得更小，但也更专业
如果把这些变化放在一起，未来企业 HR 的组织形态其实已经可以看到一些轮廓。
过去很多公司的 HR 部门是一个“金字塔”：下面有大量 Coordinator、Administrator、Recruiter、Shared Services 和执行人员，中间是 Manager、HRBP，上面是少数 HR Director 和 CHRO。
AI 会逐渐压缩这个金字塔的底部。
未来更可能出现的是：更少的事务型 HR，一套更强的 HR Technology 和 AI infrastructure，再加上一批专业程度更高的 HRBP、Organization Development、Workforce Planning、People Analytics、Total Rewards、Employee Relations 和 Change Management 人才。
也就是说：
HR 部门可能变小，但 HR 的专业门槛会变高。
这与 Anthropic 当前看到的劳动力市场早期信号也并不矛盾。Anthropic 2026 年对 AI labor-market impacts 的研究发现，AI 实际使用距离理论上能够完成的工作仍然有明显差距，目前尚未观察到高 AI 暴露职业出现系统性失业增长，但已经看到一个值得继续观察的信号：高暴露职业中，年轻劳动者的招聘可能正在放缓。
这意味着真正的变化很可能不是“明天大量 HR 被裁掉”，而是未来几年企业开始逐渐减少 entry-level、transactional 和 coordination-heavy 的岗位。
而这恰恰可能带来另一个长期问题：如果初级岗位减少，未来高级 HR 从哪里成长出来？
这是所有知识工作行业都将面对的问题。
十二、对今天的HR从业者来说，真正危险的不是不会用AI
很多人现在把 AI 时代 HR 的个人竞争力理解为“会不会使用 ChatGPT”“会不会写 Prompt”。
这可能严重低估了真正的变化。
AI 工具使用很快会成为类似 Excel、Email 一样的基础能力，本身不会形成长期职业壁垒。
真正决定一个 HR 是否升值的，是 AI 把他的基础任务拿走以后，他还剩下什么。
如果一个 HR 的核心价值是：“告诉我流程，我负责执行。”那么风险最高。
如果一个 HR 的价值是：“出现复杂情况，我可以判断应该怎么处理。”那么相对安全。
而未来真正稀缺的 HR，应该能够进一步回答：“业务准备发生变化，我可以告诉公司应该如何重新设计组织、岗位、技能、人才和 AI 的组合。”
这三种 HR，对应的实际上就是三个不同层级：
Process Executor → Professional Judgment → Organization Architect。
未来几年，越来越多 HR 的职业迁移，很可能就在这三个层级之间发生。
HRTech观察：AI不会先消灭HR，而是先重新给HR定价
Anthropic 这份报告最大的价值，不是告诉我们 2030 年会有多少人失业，而是让我们重新理解工作的基本结构。
一个岗位从来不是一个不可分割的单位，而是一组任务。
当 AI 开始拿走其中一部分任务之后，岗位剩余部分的价值就会发生变化；当越来越多任务可以被自动化之后，岗位数量才开始改变；当整个公司的岗位结构发生改变之后，组织设计、人才结构和薪酬体系也必须随之改变。
因此，对 HR 来说，真正的问题从来不是：
“AI 会不会取代 HR？”
而应该是：
“AI 拿走我的一半工作之后，剩下的一半工作值多少钱？”
对于 HR Assistant、HR Coordinator、HR Administrator、Recruiting Coordinator、Talent Sourcer、基础 Reporting Analyst 和大量 Shared Services 岗位，这个问题已经越来越现实。
对于 HRBP、Recruiter、L&D、Payroll、Benefits 和 HR Generalist 来说，未来则是一场非常明显的重新分化：事务处理能力正在贬值，专业判断和业务咨询能力正在升值。
而对于 Workforce Planning、Organization Development、People Analytics、HR Technology、Total Rewards、Employee Relations、Change Management 和真正战略型的 HRBP 来说，AI 反而可能创造一个比过去更大的舞台。
因为当 AI 开始重新定义工作的时候，企业最终一定需要有人重新设计工作。
这可能就是未来 HR 最重要的角色变化：
从管理“人和岗位”，走向设计“Human + AI 的工作系统”。
HRTech认为，未来真正优秀的 HR，不一定是最会使用 AI 的 HR，而是最懂得如何重新划分 人做什么、AI 做什么，以及组织应该因此如何改变 的 HR。
Anthropic 的研究并没有宣布 HR 的终点，但它已经给出了一个非常清楚的方向：AI 不会简单地消灭 HR，它会先重新给每一种 HR 工作定价。
-
自动化
【美国】仓库劳动力管理与智能平台Takt获得925万美元A轮融资，用于扩展其AI和自动化能力
HRTech概述：Takt是一家整合劳动力、自动化和机器人数据的仓库劳动力管理与智能平台，公司宣布完成由 Ballast Point Partners 领投的 925 万美元A轮融资。本轮融资是 Takt 获得的首笔机构融资。Takt是一个仓库劳动力管理与智能平台，它将劳动力、自动化和机器人数据整合到一个单一模型中，真实反映运营的实际运行状况。运营方利用 Takt 进行劳动力规划、绩效管理与激励、员工参与度提升、运营成本分析，并在工作进行过程中持续优化绩效。
Takt 是一家整合劳动力、自动化和机器人数据的仓库劳动力管理与智能平台，公司宣布完成由 Ballast Point Partners 领投的 925 万美元 A 轮融资。本轮融资是Takt 获得的首笔机构融资。Takt 成立于 2021 年，目前为北美及国际市场上的 100 多个仓库提供支持，服务对象包括《财富》500 强零售商、全球品牌以及北美部分最大的第三方物流供应商。今年，公司新增的仓库数量超过了以往任何一年。
本轮 A 轮融资将用于推动与一线仓库管理、机器人及物料搬运系统的更广泛集成；拓展订单协调、资源调度和工程工具领域；以及开发一套 TaktAI 智能代理，使其从单纯解释变化原因转变为主动采取行动，在主管设定的范围内，根据实时订单状况重新平衡劳动力配置。Takt 还将继续在英国、欧盟和亚太地区拓展业务。
行业痛点：仓储多系统数据割裂，运营决策存在滞后性
分拨中心在过去十年间吸收了大量新技术 —— 包括 “货到人” 系统、自主移动机器人、分拣系统和语音技术 —— 而每套系统都会产生各自的数据。劳动绩效数据存储在一个地方，自动化吞吐量数据存储在另一个地方，考勤数据则存储在第三个地方。主管们只能手动重建每班次的运营情况，而等到全貌拼凑完成时，这一班次早已结束。
产品核心理念：将人力与自动化视作统一运营体系
“仓库产生的数据量比以往任何时候都多，但负责绩效的人员仍然难以及时发现运营中的偏差，从而及时调整结果，”Takt 联合创始人兼首席执行官Glynn LoPresti表示，“这并非报告层面的缺口，而是建模层面的缺口。Takt 通过将人力、自动化和机器人技术视为一个整体运营体系来弥补这一缺口。”
平台能力：多系统集成 + AI 实现当日运营动态调整
Takt 可与仓库管理系统、考勤系统、机器人及物料搬运控制系统以及自研应用程序集成，随后根据工程化劳动标准持续衡量相关活动。运营团队利用 Takt 制定劳动力计划、设定目标和激励措施、指导员工，并将绩效与成本及盈利能力挂钩。TaktAI 通过综合模型进行推理，识别结果的变化趋势及其原因，从而使主管能够在问题恶化之前采取当日调整措施。
落地实践：头部物流企业上线后收获可量化业务成效
北美最大的第三方物流服务商之一 Kenco 选定 Takt 作为其劳动力管理和仓库智能系统，并在 19 个配送中心全面部署。在某家消费品（CPG）客户的单一站点，每托盘平均成本下降了 15%，相当于每年节省 229,000 美元。ODW Logistics 用 Takt 取代了旧有的劳动力管理系统，报告称员工绩效提升了 29%，员工留任率提高了 39%。
投资方视角：看重产品真实落地效果与规模化复制能力
“仓库的运营方式变化速度快于用于衡量其绩效的技术，正是这一差距吸引了我们进入这一领域，”Ballast Point Partners 合伙人、新加入 Takt 董事会的Sean Barkman表示。“Takt 最突出的优势在于其成效。Kenco 已将 19 个配送中心在该平台上实现标准化，计划再扩展至 30 个，并且能够逐个站点展示具体成果。除非产品切实有效，否则企业级运营商绝不会以如此速度扩大部署规模。”
关于 Takt
Takt 是一个仓库劳动力管理与智能平台，它将劳动力、自动化和机器人数据整合到一个单一模型中，真实反映运营的实际运行状况。运营方利用 Takt 进行劳动力规划、绩效管理与激励、员工参与度提升、运营成本分析，并在工作进行过程中持续优化绩效。Takt 目前为北美及国际市场的零售商、电商品牌和第三方物流服务商提供支持，服务范围覆盖 100 多个仓库。更多信息请访问 www.takt.io。
关于 Ballast Point Partners
Ballast Point Partners 总部位于佛罗里达州坦帕市，是一家成立于 2002 年的后期风险投资和成长型股权基金，致力于为快速增长的私营企业提供扩张资本，尤其侧重于佛罗里达州、美国东南部和德克萨斯州的企业。Ballast Point Partners 的合伙人团队在多个行业（包括软件、技术驱动型商业服务及医疗保健）的投资与高增长企业建设方面，累计拥有超过 90 年的经验。Ballast Point Partners 通过四只基金管理着超过 5.5 亿美元的资产，致力于进行 500 万至 1500 万美元规模的初始股权投资。如需了解更多信息，请访问 www.ballastpointpartners.com。
HRTech行业观察总结
从 HRTech 行业视角来看，Takt 本轮融资代表垂直场景劳动力管理赛道正在受到资本关注。传统人力系统大多聚焦通用人事、薪酬绩效模块，而仓储物流这类劳动密集型行业，对人力、设备、机器人联动的一体化运营管理有着极强的刚需。企业不再只满足于基础考勤、薪资核算，更希望把人力绩效、设备运行数据打通，实现实时人力调度、产能优化、员工留存提升，真正把人力数据转化为业务成本与效率收益。这也预示未来人力科技会进一步走向行业深耕，面向制造、物流等垂直领域的场景化解决方案会迎来更多发展机会。
当下越来越多垂直领域的 HR 科技创新产品不断涌现，如何高效触达目标企业 HR 群体，也成为众多人力科技机构共同面对的课题。希望让更多企业 HR 准确了解你的产品与服务能力？HR 科技机构免费入驻面向 HR 科技及人力资源服务机构，通过机构资料提交帮助机构完善行业展示、连接目标用户，并进入相关内容、图谱、活动或合作场景。提交机构资料，申请加入 HR 科技云图。了解更多 / 立即参与：https://www.mapofhrtech.com/Register/join/
更多HRTech活动安排：https://www.hrtechchina.com/Public/html/event/eventlist.html
-
自动化
AI裁员背后的需求陷阱:企业省下了工资，却可能同时摧毁自己的客户
HRTech核心摘要：一篇很有意思的 63 页论文《The AI Layoff Trap》提出：AI 裁员最大的风险，也许不只是员工失业，而是一场企业无法主动退出的“自动化军备竞赛”。逻辑很简单：企业用 AI 替代员工，可以获得全部人工成本节约；但员工失去收入以后，也会减少消费，而这部分需求下降却由整个市场共同承担。因此，对一家企业最理性的选择——继续自动化——可能最终成为整个行业的不理性选择。论文认为竞争越激烈、AI 越强，这种“过度自动化”反而可能越严重。技能培训和 UBI 可以缓解后果，却不一定改变企业继续自动化的动力。
真正值得 HR 关注的问题已经变成：AI 替代工作的速度，是否正在超过新工作创造和员工重新吸收的速度？
当越来越多企业开始讨论“用AI减少多少人”“一个AI智能体可以替代几个岗位”“今年还能削减多少人工成本”时，一个看起来完全符合商业逻辑的问题正在出现：如果每一家企业都通过AI裁员降低成本，最后谁来购买这些企业生产的产品和服务？
2026年6月，University of Pennsylvania 的 Brett Hemenway Falk 与 Boston University 的 Gerry Tsoukalas 更新了一篇名为《The AI Layoff Trap》的论文。两位研究者没有继续讨论那个已经被反复争论的问题——“AI到底会不会抢走人的工作”，而是提出了一个更值得企业管理者警惕的经济学假设：
即使每一家企业都足够理性，也清楚大规模失业最终可能削弱消费需求，市场竞争仍然可能迫使所有企业不断自动化和裁员，最终进入一场没有赢家的“AI裁员陷阱”。
这对于正在制定AI战略的CEO、CHRO和企业管理者来说，可能比“AI会替代哪些岗位”更加值得关注。
企业看到的是降本，但市场承担的是需求下降
论文最核心的逻辑其实并不复杂。
假设一家企业原来需要100个人完成一组工作，现在通过AI自动化，其中20个人的工作可以被机器完成。对于这家公司而言，账非常容易算：减少20个人的工资、福利和管理成本，同时保持甚至提高产出。
于是AI投资回报率看起来非常漂亮。
但问题在于，被裁掉的20个人不仅仅是企业成本表上的20项人工费用，他们同时也是消费者。
当员工失去工作后，如果他们没有迅速找到新的工作，或者新的收入明显低于原来的收入，他们的消费能力就会下降。住房、餐饮、旅行、软件订阅、汽车、零售商品乃至各种企业服务的需求都会受到影响。
可是，这部分损失不会全部落到裁掉他们的那家公司身上。
一家企业能够获得自己裁员产生的全部成本节约，但它只承担整个社会消费需求下降中的一小部分，其他损失会分散到竞争对手和整个市场。
这就是论文所定义的**“需求外部性”**：企业承担的AI裁员成本，小于整个市场真正承担的成本。
因此，对于单家公司来说，“继续自动化”可能始终是正确选择；但当所有企业都这么做时，整个市场可能走向并非最优的结果。
最危险的地方：没有企业敢成为那个“不裁员的人”
这篇论文真正有意思的地方就在这里。
如果所有公司都知道大规模裁员可能削弱未来消费需求，大家是不是可以共同放慢自动化速度？
理论上似乎可以，现实中的竞争逻辑却未必允许。
假设同行通过AI把成本降低30%，你的企业仍然维持原有员工规模，那么对方可能拥有更低价格、更高利润率和更大的技术投资空间。即使你相信整个行业最终可能因为裁员过多而受到伤害，你依然没有动力首先停止自动化。
换句话说：
不是企业不知道风险，而是企业知道风险以后仍然可能不得不继续。
论文进一步指出，在其模型中，竞争越激烈、市场中的企业数量越多，每家公司需要自行承担的需求损失比例越小，过度自动化的激励反而越强；在极端情况下，这种竞争甚至会演化成类似经济学中的“囚徒困境”：所有企业都选择更激进的自动化，但最终企业所有者和员工都可能比更克制的自动化状态更差。
论文中的模拟图尤其值得注意。在作者设定的一组参数条件下，竞争均衡下的自动化率已经超过能够使企业整体利润最大化的水平。也就是说，问题已经不再只是“企业通过裁员把利益从员工转移给股东”，而是自动化继续推进之后，连企业所有者本身也可能开始受损。
这是“AI裁员陷阱”最反直觉的地方。
AI越强，问题可能反而越严重
通常我们会认为，现在AI还有很多缺陷，未来模型能力更强、成本更低、智能体更成熟以后，企业和员工就会找到新的平衡。
这篇论文给出了完全不同的推演。
作者认为，更强的AI可能进一步扩大企业之间的自动化竞争。每家公司都会担心：如果自己不部署，而竞争对手率先使用更先进的AI，对方就可能获得成本和市场份额优势。
于是AI能力每提升一个阶段，都可能触发新一轮自动化。
论文将其描述为一种“红皇后效应”：大家不断加速奔跑，不一定是为了到达更好的地方，而首先是为了避免被竞争对手甩在身后。作者的模型显示，更高的AI生产率并不会自动消除这种需求外部性，反而可能扩大过度自动化与集体最优之间的差距。
这也解释了为什么未来真正推动企业减少岗位的力量，可能不仅来自AI自身能力，而来自同行之间的竞争压力。
一家企业宣布通过AI把运营成本降低20%，很快就会成为另外几十家公司董事会讨论的案例。
于是，“我们真的需要减少这些岗位吗？”很容易变成另一个问题：
“如果竞争对手已经这么做了，我们还能不做吗？”
现实中的Block，只是论文用来说明趋势的一个案例
论文在开篇引用了Block作为现实背景案例。作者指出，Block在2026年2月裁减了接近其约10,000人规模一半的员工，并引用CEO Jack Dorsey关于AI使许多岗位变得不再必要的判断。需要强调的是，这是论文引用的现实案例，并不是论文通过实证研究证明Block裁员产生了所谓“需求外部性”。
这个区别非常重要。
《The AI Layoff Trap》本质上是一篇经济理论论文，而不是一项对几百家公司进行追踪以后得出的实证结论。它建立的是一种可能发生的机制，而不是宣布“AI裁员已经让美国经济进入需求危机”。
作者自己也承认，模型目前采用的是单一行业、单一时期以及对称企业等简化设定，而现实经济显然更加复杂。
因此，我们不应该把它解读为“AI裁员必然导致经济衰退”。
但是，它提出的问题依然非常重要。
真正决定结果的变量，可能不是裁掉多少人，而是这些人多久能够重新进入经济循环。
HR真正应该关注的指标：AI替代速度 vs. 人才再吸收速度
历史上的每一次技术革命都消灭了大量旧任务，同时创造新的工作。
所以真正的问题从来不是“旧岗位会不会消失”。
真正的问题是：
新任务和新岗位创造得够不够快？
论文使用一个非常关键的变量来描述这个过程：被替代员工失去的工资，有多少能够通过重新就业、转移支付或其他收入来源恢复。
如果一个软件工程师的部分工作被AI自动化，但三个月以后转向AI产品管理、智能体运营或新的软件岗位，而且收入没有下降，那么他的消费能力基本没有消失。
相反，如果大量员工被裁掉以后，需要一年甚至两年才能重新就业，而且收入明显下降，那么自动化与劳动力重新吸收之间就会形成越来越大的时间差。
从HRTech的角度看，这可能意味着企业未来衡量AI转型，不能再只有一个简单指标：
“AI帮助我们减少了多少人。”
更完整的指标体系应该至少包括：
AI自动化了多少任务、多少员工完成内部转岗、多少员工获得新技能、多少新的工作任务被创造、被替代员工多久重新获得工作，以及人均生产率增长最终有没有转化成新的业务增长。
换句话说，未来真正需要管理的不是单独的“自动化率”，而是：
AI Automation Speed 与 Workforce Reabsorption Speed 之间的差距。
这可能是未来几年观察AI就业影响最重要的指标之一。
培训有用，但论文认为培训本身还不够
对于HR来说，一个自然反应是：既然AI会替代部分工作，那就进行技能提升和再培训。
论文并没有否定这个方向。
相反，作者认为，再培训能够提高被替代员工重新获得收入的比例，因此可以降低自动化造成的需求损失。当员工能够快速进入新的、更高价值的岗位时，“AI裁员陷阱”会明显减弱。
但作者同时指出，如果技能培训不能真正转化为重新就业和收入恢复，仅仅提供课程并不能完全消除问题。
这对于今天企业的AI培训是一个很现实的提醒。
真正重要的不是完成了多少小时AI培训，而是培训以后工作有没有发生变化。
员工是不是承担了新的任务？是不是进入新的岗位？是不是获得了更高的生产率？企业是不是因此创造了新的业务？
这也是为什么AI时代的企业学习与发展正在从“培训完成率”逐渐走向“工作重构”。
HRTech一直强调，企业评估AI成熟度时，不能只统计员工使用了多少AI工具。使用率不等于能力，AI普及也不等于组织转型。真正的AI转型发生在任务、流程、岗位和组织运行方式开始改变的时候。
《The AI Layoff Trap》又给这个判断增加了一层宏观含义：工作重构不仅决定企业能不能获得AI回报，还可能决定劳动者能不能重新进入新的价值创造循环。
UBI也解决不了？论文给出了一个颇具争议的结论
论文还比较了六种可能的政策工具，包括技能提升与再培训、全民基本收入、资本收入税、员工持股、企业间协商以及自动化税。
在作者建立的特定模型中，再培训和员工持股可以缩小问题，但无法完全消除外部性；全民基本收入能够改善失业者生活并支撑消费需求，却没有改变企业决定“下一个岗位是否应该被自动化”的边际激励；资本收入税同样没有直接改变企业的自动化决策。
论文认为，在这一模型框架下，唯一能够直接修正这项需求外部性的工具，是一种类似环境污染税逻辑的**“庇古式自动化税”**：如果一家企业通过自动化把部分需求损失转嫁给了其他企业，那么就对这一外部成本收费，使企业重新承担完整的社会成本。
这个建议显然会引发巨大争议。
现实世界里如何定义“一个岗位被AI替代”？AI辅助员工和AI取代员工如何区分？企业使用软件几十年来一直都在减少人工流程，什么才算“AI自动化”？不同国家税制不同，会不会迫使企业把相关业务转移到海外？
作者自己也承认，实际执行自动化税需要识别企业层面的自动化行为，存在明显的监管和测量难题；单一国家实施还可能推动AI活动向其他地区转移。
因此，“要不要征收AI自动化税”未必是这篇论文最值得企业关注的结论。
真正值得关注的是它背后的逻辑：
我们今天对于AI投资回报率的计算，可能漏掉了一些成本。
从“裁掉多少人”，转向“重新设计多少工作”
过去一年，关于AI与就业的讨论经常陷入两个极端。
一种观点认为AI将迅速替代大量白领岗位。
另一种观点认为历史上的技术进步最终都会创造更多工作，因此不必过度担心。
《The AI Layoff Trap》提供了第三种观察方式。
长期来看，新工作最终可能依然会出现；真正危险的可能是中间这段过渡期。
如果AI替代任务的速度远远超过企业创造新任务、员工重新学习技能以及劳动力市场重新配置的速度，那么即使长期最终出现新的就业平衡，短期和中期仍然可能出现巨大的结构性摩擦。
这对HR意味着什么？
未来CHRO最重要的工作可能并不是决定“哪些岗位可以裁掉”，而是帮助企业回答另外几个问题：
哪些任务应该交给AI？哪些任务仍然应该由人完成？被自动化释放出来的人应该流向哪里？新的Human + AI工作流程如何设计？企业能否通过AI创造新的业务，而不只是减少人工？
这就是AI时代“工作重构”和传统意义上的“裁员降本”最大的区别。
前者试图用AI重新设计价值创造方式。
后者只是把AI当成更便宜的劳动力。
真正好的AI转型，不应该只是让企业需要更少的人，而应该让企业能够创造过去无法创造的价值。
如果AI最终只是不断提高“每10亿美元收入需要更少员工”这个指标，那么企业确实可能获得一段时间非常漂亮的利润率。
但如果AI能够帮助企业创造新的产品、新的客户需求、新的职业和新的工作任务，那么技术带来的生产率提升才有可能重新转化成下一轮经济增长。
这也许才是《The AI Layoff Trap》对于企业真正重要的提醒。
AI时代的问题已经不再只是：
“AI能够替代多少工作？”
更重要的问题正在变成：
“当AI替代旧工作以后，我们能不能足够快地创造新的工作和新的需求？”
如果答案是否定的，那么每一家公司的AI战略可能都完全理性，但所有企业加在一起，却可能正在跑向一个并不理性的终点。
而这，才是真正的“AI裁员陷阱”。
来源：Brett Hemenway Falk & Gerry Tsoukalas，《The AI Layoff Trap》，arXiv:2603.20617，当前版本日期 June 3, 2026。本文为 HRTech 基于论文内容所做的研究解读；论文属于理论模型研究，其结论不应被直接理解为对现实经济已经发生大规模“过度自动化”的实证证明。
-
自动化
【意大利】金融科技初创公司Smartwage获得200万欧元种子前轮融资，利用AI将企业福利转化为实际消费
HRTech概述：意大利金融科技初创公司Smartwage宣布完成200万欧元种子前轮融资，公司致力于革新传统企业福利体系，通过其平台让员工能够将福利额度用于任何商户。本轮融资由Step Fund领投，该风险投资基金由Alternative Capital Partners SGR管理。本轮融资总额为200万欧元，其中包括100万欧元的初始投资，以及Step Fund承诺的额外100万欧元，后者将根据Smartwage的现金需求和开发里程碑分批拨付。
意大利金融科技初创公司Smartwage宣布完成200万欧元种子前轮融资，本轮融资由Step Fund领投，该风险投资基金由Alternative Capital Partners SGR管理。
技术布局：AI+合规支付筑牢核心壁垒
Smartwage首席技术官Felice Cupane表示：“我们设计Smartwage时将其视为一个可扩展的技术基础设施，能够将受监管的支付与人工智能整合到一个统一的系统中。我们的目标是通过自动化、数据分析和持续的模型优化来简化监管流程。本轮融资将使我们能够进一步投资于架构、安全以及人工智能系统的增强。”
团队与市场：瞄准意大利福利蓝海
Smartwage成立于2024年，由Marco Gambardella（首席执行官）、Felice Cupane（首席技术官）及Francesco Varuzza（首席运营官）联合创立，核心团队兼具技术、运营及市场经验。据公司披露，在意大利市场，企业福利已成为企业实现税收优化、提升人力资本价值的核心工具之一，目前包含福利、餐券在内的市场规模已突破70亿欧元，但市场覆盖率尚不足50%，存在巨大的数字化升级空间。
行业痛点：20%福利预算被浪费
Smartwage指出，当前意大利企业福利市场存在显著痛点：传统福利运营模式灵活性极低，强制要求员工在有限的关联供应商网络内消费，导致每年超过20%的企业福利预算未能被有效使用，既造成企业成本浪费，也无法真正满足员工多样化需求。与此同时，行业数据显示，采用结构化福利解决方案的企业，生产力最高可提升30%，每新增一项福利服务，员工人均收入平均增长2.1%，这一趋势在欧洲800亿欧元规模的福利市场中同样适用（欧洲市场占全球市场的32.59%）。
解决方案：AI赋能，重构福利体验
为破解传统福利模式的弊端，Smartwage打造了差异化解决方案：通过整合受监管的数字支付工具（涵盖银行卡、银行转账等多种形式），打破供应商网络限制，让员工可自主选择任意商户使用福利额度；同时嵌入AI助手，充当“福利教练”角色，为员工提供福利使用建议，为雇主提供福利预算管控、效果分析等支持，将静态的福利发放转化为动态、个性化的福利管理系统，最大化福利投资对员工福祉的提升作用，同时减轻HR的福利管理负担。
投资方视角：契合HR科技投资趋势
Step Fund合伙人Michele Novelli对此次投资表示高度认可，他强调：“我们投资的核心是Smartwage极具价值的核心团队，其能力已得到充分验证。当前意大利市场存在明显悖论——62%的员工难以维持生计，却有20%的福利预算被浪费，50%的员工缺乏专门的福利计划，而Smartwage的技术解决方案直观、易用，恰好能解决这一关键痛点。”他进一步补充，此次投资完全契合Step Fund的核心投资理念，即聚焦人工智能驱动的行业深度转型，而企业福利数字化正是HR科技领域的重要转型方向。
未来规划：深化福利科技布局
借助本轮融资资金，Smartwage明确了三大发展方向：一是加速数字平台的研发迭代，优化产品功能与用户体验；二是强化市场推广策略，扩大品牌影响力，挖掘意大利福利市场的蓝海潜力；三是持续训练优化AI模型，提升福利匹配的精准度与监管流程的自动化水平。此外，Smartwage还获得了意大利种子轮前投资及开放创新领域的领先运营商Zest的支持，双方通过战略服务协议，在公司治理、财务规划及投资者网络建设等方面展开深度合作，为企业长远发展保驾护航。
HR科技视角总结
从HR科技赛道来看，Smartwage的融资与布局精准击中了企业福利管理的核心痛点——效率低下、体验不佳、预算浪费，其以AI技术为核心、以合规支付为基础的解决方案，不仅重构了企业福利的使用场景与管理模式，更贴合当前HR科技“数字化、个性化、轻量化”的发展趋势。此次融资不仅彰显了资本对企业福利科技细分赛道的认可，也为意大利乃至欧洲HR科技行业提供了新的发展思路：未来，企业福利管理将进一步摆脱“形式化”困境，向“员工导向”转型，而AI、大数据等技术的深度应用，将成为HR优化福利管理、提升人力资本价值、降低管理成本的核心抓手，推动企业福利从“成本支出”向“价值投资”转变。
-
自动化
HR的AI能力成熟度框架 HR AI Forward：四级十二阶成熟度模型的定义、分层与跃迁路径
核心摘要：本文系统介绍 HR AI Forward 成熟度框架（HR AI Forward Maturity Framework）的理论基础、分层逻辑与跃迁路径。该框架将 HR 从业者的 AI 能力划分为四个层级（L0 至 L3）、十二个发展阶段，以工作方式的实际变化为核心判断维度，而非以工具知识或使用频率为标准。文章重点阐释 L1 到 L2 的关键跃迁机制，探讨能力成熟度分层在 HR 专业发展实践中的应用价値，并说明评测系统与能力凭证体系的设计逻辑。强烈推荐了解，请关注 #HRTech
一、背景AI 时代 HR 能力标准的缺失
当前，AI 技术在人力资源领域的渗透速度已明显加快。越来越多的 HR 从业者开始使用 AI 工具处理招聘文案、面试记录、员工沟通和数据分析等日常任务。然而，在工具应用日趋普及的同时，一个核心问题始终未能得到清晰回答：在 AI 使用这件事上，什么叫做真正具备能力？
这一问题的缺失，正在带来两种典型困境。
第一，HR从业者层面的困境：缺乏参照系，自我评估偏差普遍存在。大多数从业者无法准确判断自己的 AI 能力处于什么水平，倒向于将「频繁使用 AI」等同于「具备 AI 能力」，而忽视了工作方式是否发生实质变化这一核心维度。
第二，组织层面的困境：缺乏语言，能力识别与培养路径难以建立。在没有共识标准的前提下，组织既难以区分真实能力与表面工具熟悉度，也难以为不同能力阶段的员工设计有针对性的发展路径。
HR AI Forward 成熟度框架的提出，正是为了回应上述困境：建立一套以工作方式为核心判断维度的 HR AI 能力分层标准，使能力发展变得可见、可判断、可推进。
二、框架核心判断逻辑
HR AI Forward 成熟度框架的核心判断逻辑，可以用一句话概括：
AI 是否已经真正进入了一个人的工作方式。
这一判断看似简单，但在操作层面需要区分若干种经常被混为一谈的状态：偷尔试用 AI 与稳定使用 AI；在单一任务中使用 AI 与能将 AI 能力迁移到多个场景；用 AI 加速现有任务与用 AI 重构一类工作的整体处理方式；将 AI 作为个人提效工具与开始在流程与系统层面运用 AI。
基于此，框架明确区分了三类不应作为核心评估维度的内容：
· 不测量 AI 理论知识。了解机器学习原理、熟悉大语言模型架构，是理论认知，不等同于工作能力。
· 不测量提示词技巧。提示词写作是能力的表现之一，但单次表现出色不能说明一个人具备结构性的 AI 工作能力。框架关注的是一致性、可迁移性与整合度。
· 不测量工具熟悉程度。工具平台会持续迭代更新，对特定工具的熟悉度不具备持久价値。框架评估的，是跨工具情境下的持续工作能力。
三、四级十二阶模型：完整结构与定义
HR AI Forward 成熟度框架采用四个层级（Level）、每级三个阶段（Stage）的结构，共形成十二个发展节点。层级回答的是“从业者当前处于什么主导工作状态”，阶段回答的是“在该状态内，发展成熟度处于哪个位置”。两者结合，构成对个体能力状态的精准定位。
L0 · Traditional HR · 事务型HR
层级定义：AI 尚未以任何有意义的方式进入日常工作。从业者可能了解 AI，但实际工作仍依赖人工执行、经验积积累与既有流程。L0 并非失败状态，框架的作用不在于评判，而在于提供清晰度。
阶段代码
阶段名称
核心特征
L0-S1
Manual HR · 人工执行者
工作完全依赖人工与经验，AI 未进入日常
L0-S2
AI-Curious HR · AI认知者
已意识到 AI 的相关性，开始关注探索，尚未实际使用
L0-S3
Early Trial HR · 初步尝试者
已做过零散尝试，使用频率低，未形成习惯
L1 · AI-Enabled HR · 工具型HR
层级定义：AI 已进入工作，从业者有规律地使用 AI 工具处理多类任务，并开始形成对 AI 应用边界的基本判断。这是目前大多数积极使用 AI 的 HR 从业者所处的层级。L1 同时也是最容易产生能力误判的层级，“有规律地使用 AI”感觉上容易被等同于“具备 AI 能力”，但 L1 描述的工作的底层结构并未发生实质改变。
阶段代码
阶段名称
核心特征
L1-S1
Tool Starter · 工具入门者
在个别任务中使用 AI，仍以临时调用为主，缺乏持续性
L1-S2
Tool User · 工具应用者
在多类任务中有规律使用 AI，基本习惯开始形成
L1-S3
Structured User · 规范使用者
开始积累模板与复用方法，使用更有结构，但仍以个人工具使用为中心
L2 · AI-Ready HR · 能力型HR
层级定义：AI 已稳定进入工作方式，从业者形成了可复用、可迁移、可持续的能力体系。这是整个框架最重要的分水岭，也是区分“会用 AI 的人”与“真正将 AI 建立为职业能力的人”的核心阈値。在 L2，AI 不再是从业者在特定任务中主动切换使用的东西，而是已经成为默认工作方式的组成部分。
阶段代码
阶段名称
核心特征
L2-S1
Workflow Adopter · 流程接入者
AI 已固定整合进至少一个核心工作流程，结构性变化出现
L2-S2
Capability Builder · 能力构建者
方法开始跨场景迁移，可复用工作方式逐步建立
L2-S3
Ready Practitioner · 成熟实践者
AI 稳定整合进多个工作领域，持续输出高质量产出
L3 · AI-Native HR · 系统型HR
层级定义：从业者与 AI 的关系从使用者转变为设计者，开始构建 AI 赖以运行的结构、流程与系统。L3 是一个真实存在但相对稀少的进阶状态，对于当前大多数接触框架的从业者而言，它是中长期方向，而非近期目标。
阶段代码
阶段名称
核心特征
L3-S1
System Explorer · 系统探索者
开始搭建复杂 AI 协同结构，探索跨流程自动化应用
L3-S2
System Operator · 系统运营者
多个 AI 驱动流程进入运行状态，主动维护与优化
L3-S3
Native Leader · 原生引领者
推动组织层面工作方式重构，具备引领性与系统影响力
四、关键跃迁机制：从 L1 到 L2
4.1 为什么 L1 到 L2 是最重要的跃迁
在框架所有的跃迁路径中，从 L1 到 L2 是最重要、也最常被低估的一步。从 L0 到 L1 的跨越，本质上是“开始”：工具足够易用，场景清晰，初期收益立竿见影，动力维持相对容易。从 L1 到 L2 则是本质不同的挑战——它不因更多的工具使用而发生，不因更多的提示词练习而实现，而是需要从业者在思考和组织工作方式上完成一次结构性转变。
4.2 L1 为何容易成为停滞点
L1 停滞具有内在的心理机制：L1 的感觉是好的。有规律地使用 AI 带来真实的效率提升，“自己是会用 AI 的 HR”这种自我认知也有其合理性——但这种认知是不完整的。L1 没有提供的，是让 AI 能力得以复利积累的结构性基础：每一次 AI 使用基本独立，有效方法不能自动延续到下一次；在某个场景有效的方式，无法自然迁移到其他场景；能力存在于当下任务，但不会跨任务积累。
4.3 L1 到 L2 跨越的核心机制
L1 到 L2 的跨越，需要在以下四个维度发生结构性转变：
01 从任务级使用转向流程级整合。AI 不再只用于完成眼前任务，而是被整合进至少一个核心工作流程的运作逻辑本身。
02 从工具熟悉度转向方法论建立。L2 的核心能力不是熟悉某个工具，而是建立了一套可跨情境复用和迭代的工作方法。这需要主动复盘与提炼，而非被动的重复使用。
03 从被动调用转向默认行为。L1 中，AI 是“想到的时候才用”的选项；L2 中，AI 是面对任务时的默认工作组件，不再需要临时决定是否调用。
04 从单次会话转向跨会话积累。有效的 AI 使用经验，通过文档化、模板化、结构化方式被保留下来，形成可调用的方法库，而非随着会话结束而消散。
五、阶段细分的理论价値
框架采用四级十二阶结构，而非单纯四级分类，有其内在的理论必要性。
仅以层级为单位进行描述，会产生显著的精度损失。以 L2 为例，L2-S1（Workflow Adopter）与 L2-S3（Ready Practitioner）同属 AI-Ready HR，但两者处于非常不同的发展位置：前者刚刚出现结构性变化的第一个信号，能力尚不稳定；后者已在多个工作领域形成成熟的 AI 整合工作方式，并接近 L3 的能力阈値。
若对这两位从业者给出相同的论断与成长建议，两者都无法从中获得真正有针对性的指导。阶段细分的价値，在于让框架从“粗粒度分类工具”升级为“个体层面的精准诊断工具”。
六、框架的实践应用场景
6.1 个人发展应用
对个人 HR 从业者而言，框架的核心价値在于：提供一个诚实、外部化的能力位置判断，从而支持更有效的成长决策。自我评估在 AI 能力领域有已知的系统性偏差——使用频率高的从业者容易高估自己的能力成熟度。框架通过基于真实工作行为的结构化评估，减少这种偏差，帮助从业者明确当前真正处于哪个阶段，以及最値得优先投入的成长方向。
6.2 组织能力管理应用
对 HR 团队管理者或 CHRO 而言，框架提供了一套超越工具采用率的能力语言：识别团队整体的 AI 能力基线与分布；区分“工具使用活跃但能力成熟度仍在 L1”与“已形成稳定 AI 工作方式”的人员；为不同能力阶段的员工设计有针对性的发展路径，而非一刀切的 AI 培训项目。
6.3 能力凭证与专业信号应用
框架也为能力可见性提供了结构支撑。对于达到 L2 及以上能力阈値的从业者，HR AI Forward 提供 AI-Ready Credential（AI就绪能力凭证）——一个可验证的正式能力凭证，用于在专业环境中展示已形成的 AI 工作能力，而非课程完成记录。
七、从框架到评测系统
理解框架的分层逻辑，是建立能力判断的前提；但准确定位个体在框架中的位置，需要系统化的评测工具支撑。
HR AI 能力评测与提升计划（HR AI Maturity & Growth Assessment）是基于本框架构建的配套评测系统。评测设计遵循以下原则：以真实工作行为为评估对象，而非知识测试；覆盖 AI 使用能力、数据能力、工作习惯、系统能力四个核心维度；通过 26 道题目，在 10 至 15 分钟内完成评估；输出精确到阶段（而非仅到层级）的个性化报告，包含位置定位、差距诊断、成长方向与行动建议。
八、HR AI Forward 成熟度框架
HR AI Forward 成熟度框架的建立，回应的是 AI 时代 HR 领域一个真实而紧迫的标准缺失问题。它以工作方式的实质变化为核心判断维度，以四级十二阶的结构提供精准的能力分层，以 L1 到 L2 的跃迁机制为核心洞察，为个人发展决策和组织能力管理提供了可落地的参照系。
框架的最终目标，不是给人贴标签，而是让能力发展变得可见、可判断、可推进——在 AI 加速重塑专业工作方式的当下，这是 HR 从业者最需要的那种清晰。
-
自动化
Anthropic报告炸场：AI时代第一批“失业高风险人群”出现——22-25岁年轻人、女性白领、知识工作者
Anthropic发布最新研究《Labor Market Impacts》（点击下载报告），通过分析Claude人工智能在真实工作中的使用数据，并映射到美国劳工部O*NET职业任务数据库，首次从“任务层面”揭示AI对劳动力市场的真实影响。研究显示，AI并不会立刻消灭大量岗位，但正在悄然改变岗位结构和职业机会分布。最先受到冲击的可能不是传统蓝领，而是三类看似稳定的人群：刚进入职场的22-25岁年轻人、在行政与运营等知识型岗位占比较高的女性白领，以及大量从事分析、内容与技术工作的知识工作者。当AI逐渐接管标准化认知任务时，企业的招聘标准、组织规模与人才成长路径都将被重新定义。Anthropic这份报告告诉我们：水位已经在变化了，变化首先发生在入口处，首先影响的是年轻人，首先体现在招聘减速而非裁员加速。这三个"首先"，就是HR领导人现在需要行动的三个方向。
过去一年里，关于人工智能是否会引发大规模失业的讨论几乎每天都在发生，但真正基于真实AI使用数据的研究却并不多。Anthropic最新发布的研究《Labor Market Impacts》（点击下载报告）提供了一个不同的观察视角。研究团队没有再做抽象预测，而是直接分析Claude人工智能在真实工作中的使用记录，并将这些任务映射到美国劳工部的O*NET职业数据库，从而判断AI究竟在替代哪些工作任务、又在改变哪些职业结构。研究结论并没有像很多人担心的那样宣告“就业崩塌”，但却揭示出一个更值得警惕的趋势：AI冲击劳动力市场的第一波风险人群画像已经开始显现。
这批最早受到冲击的人，并不是传统想象中的蓝领，而是三个看似稳定的群体：22-25岁的年轻职场新人、以知识型岗位为主的白领女性，以及大量从事知识工作的专业人才。 对企业HR和组织管理者而言，这个信号比“AI会不会取代所有人”更值得关注，因为它意味着未来劳动力市场的变化可能首先发生在职场入口、职业结构和组织效率层面。
AI首先改变的不是岗位，而是岗位里的任务结构
Anthropic研究最重要的贡献之一，是把AI影响从“岗位层面”拆解到“任务层面”。在现实企业中，一个岗位通常包含多个不同类型的任务，例如信息整理、报告撰写、数据分析、沟通协调和决策判断等。研究发现，当前AI并不会一次性替代整个职位，而是优先接管那些高度结构化、可文本化、可规则化的认知任务，例如内容初稿生成、数据总结、资料整理、文档改写和信息检索。
从宏观角度看，这种变化似乎并不会立刻减少岗位数量，但它会逐渐改变岗位内部的价值结构。当AI能够完成越来越多基础任务时，企业对人类员工的期待也会随之改变：组织更需要具备判断能力、复杂问题解决能力和跨部门协调能力的人，而不是仅仅能够完成标准化执行任务的人。这种变化看似温和，却正在悄悄改变整个职场的价值体系。
第一批风险人群：22-25岁的年轻人
在Anthropic的研究中，一个值得注意的现象是，高AI暴露职业中的入门级岗位招聘正在出现放缓迹象。这并不意味着企业已经停止招聘年轻人，而是意味着很多过去由新人承担的基础任务，例如资料收集、研究整理、报告初稿、数据分析等，已经可以由AI工具完成。
在传统职业路径中，年轻人进入职场往往依赖这些低风险、低复杂度的基础工作积累经验。但当这些任务被AI接管后，企业对新人岗位的需求自然会减少。对于很多组织来说，让一名经验丰富的员工借助AI完成这些任务，往往比培养新人更高效。
这意味着未来几年，一个重要变化可能出现：年轻人进入职场的门槛将明显提高。 企业可能减少大量基础岗位，而更倾向招聘能够直接创造价值的员工。对于刚进入职场的22-25岁年轻人来说，这种变化可能是AI时代最早显现的就业冲击。
第二类风险人群：女性白领
Anthropic研究还指出，高AI暴露职业中女性比例相对更高。这并不是因为AI专门针对某一性别，而是因为很多女性比例较高的职业，如行政支持、市场营销、内容编辑、人力资源运营等，本身就包含大量文本处理、资料整理和流程协调等任务。
这些工作正是当前大型语言模型最擅长的领域。AI可以在几秒钟内完成报告草稿、邮件回复、数据总结和会议纪要等任务，而这些工作在许多企业中长期由行政、运营或HR团队承担。因此，在AI渗透的早期阶段，女性占比较高的知识型岗位可能更容易受到影响。
对企业HR而言，这种变化带来的挑战不仅是岗位调整，还涉及职业发展路径与组织公平。如果企业减少大量支持型岗位，却没有提供新的成长路径，那么组织内部的职业结构和人才培养体系都将受到冲击。
第三类风险人群：知识工作者
过去几十年中，人们普遍认为知识型职业是最安全的职业类型，因为这些岗位依赖思考、分析和创造力。然而Anthropic研究却揭示了一个反直觉的事实：AI使用最密集的领域恰恰是知识工作，例如软件开发、数据分析、市场研究和管理咨询。
原因其实并不复杂。当前AI最擅长处理的是文本、代码和信息，这正是知识工作的核心材料。例如，程序员可以使用AI生成代码框架，分析师可以利用AI整理数据和报告，营销人员可以借助AI生成文案和市场洞察。AI并不会完全取代这些职业，但它显著提高了生产效率。
当一个高能力员工借助AI可以完成过去三个人的工作时，企业自然会重新思考团队规模。长期来看，这种效率提升可能导致知识型岗位数量增长速度放缓，甚至在某些领域出现减少。
AI冲击的真正核心：组织效率革命
Anthropic研究反复强调，当前AI对就业的影响仍然处于早期阶段，但它正在改变企业组织效率。AI可以让一个小团队完成过去大团队才能完成的工作，这意味着未来企业的组织结构可能发生深刻变化。
过去，一个部门可能需要二十个人完成复杂项目；未来，借助AI工具，五到八个人的团队就可能完成同样任务。这种变化不会立刻带来裁员浪潮，但会逐渐改变企业招聘策略。组织会更加谨慎地增加员工数量，而更愿意通过技术提升现有团队效率。
对于HR领导者来说，这意味着管理逻辑需要从“岗位数量管理”转向“任务与能力管理”。企业必须重新思考岗位设计、人才培养和绩效评估，因为AI正在改变工作的基本单位。
AI时代的人才竞争规则正在改变
Anthropic的研究并没有宣称AI会迅速摧毁就业市场，但它清楚地展示了一种正在形成的趋势：AI正在改变哪些人更容易获得机会。未来职场的竞争将不再只是学历或经验的竞争，而是人与AI协作能力的竞争。
能够有效利用AI工具的人，将在效率和产出上远远领先于不会使用AI的人。与此同时，那些依赖标准化任务的岗位将逐渐减少，而需要判断力、创造力和复杂沟通能力的岗位将变得更加重要。
对HR而言，这意味着企业的人才标准必须升级。招聘时需要关注的不只是专业技能，还包括员工是否具备利用AI提升工作效率的能力。培训体系也需要调整，让员工学会在AI环境中工作，而不是把AI当成简单工具。
真正需要警惕的不是AI，而是组织准备不足
Anthropic研究最值得深思的地方，并不是它描绘了某种灾难性的就业未来，而是它提醒企业：AI对工作的影响已经开始，但大多数组织还没有真正准备好。
很多企业仍然停留在试用AI工具的阶段，而没有系统性地思考岗位设计、流程优化和组织治理。如果企业继续用过去的管理方式应对AI时代，那么效率提升带来的红利可能无法释放，反而会造成新的组织混乱。
对HR领导者来说，现在最重要的问题不再是“AI会不会取代员工”，而是“企业如何重新设计人与AI的分工”。只有在组织层面重新定义岗位结构、人才培养和管理机制，企业才能真正利用AI带来的生产率革命。
Anthropic的研究揭示了一个正在形成的现实：AI不会突然毁掉就业市场，但它正在慢慢改变谁更容易获得机会。 当年轻人、女性白领和知识工作者成为第一批高风险群体时，企业和HR必须开始思考新的职场规则，因为AI时代的劳动力市场已经悄然启动转型。
-
自动化
2026HR大趋势:AI 涨潮之下,人力资源如何保住战略地位？
HRTech概述：Visier 在最新发布的《Trends 2026: The Business Case for Humans in the AI Era》指出：在 AI 加速渗透组织运作的背景下，“人”的价值正在被重新定义，而企业真正的竞争力，将来自能否把技术能力与人的洞察结合起来。报告认为，AI 不是终点，而是放大管理效能、提升决策质量、强化组织韧性的工具。2026 年 CHRO 的领导力核心，就是帮助组织进入“以人驱动、以 AI 增强”的新周期。
推荐阅读了解，视频解读可以访问视频号：HRTech
在过去一年里，AI 的力量正在全面渗透人才管理、组织运营与商业决策。对于 HR 而言，这既是巨大的机会，也是前所未有的压力：AI 工具越来越聪明、生成越来越快、影响决策的力度越来越强。当企业高层问出“AI 能不能直接替代一部分 HR 职能？”时，CHRO 与 HR 领导者必须拿出更具战略性的答案。
Visier 最新发布的《Trends 2026》提出了一个清晰却反常识的观点：**越是 AI 加速的时代，HR 越要靠“人”的洞察能力、判断能力、组织力来创造差异化价值。**换句话说，AI 涨潮之下，真正被放大的不是技术，而是 HR 的战略高度。
以下内容基于报告核心数据、案例与趋势洞察，结合北美、中国与欧洲 HR 场景进行深入解读。
经理体验，将成为新的员工体验
AI 工具的普及正在改变管理者的工作方式。Visier 指出，在大多数组织中，经理是企业战略落地的“最后一公里”，但他们往往缺乏实时数据、缺乏洞察工具，导致管理动作延迟甚至失效。
研究数据显示：
当员工认为自己的经理“非常有效”时，他们对企业目标的理解度显著提升。
新员工的高质量 onboarding 能让生产力提升 50%，并将满意度提升到 2.6 倍。
若经理不是有效教练，高潜人才的离职风险提高 2.7 倍。
这些数字清晰传递一个信号：无论 AI 走多远，企业绩效的可持续性仍然取决于人，而不是工具。
引用报告中的一句话尤为关键：
“Experience alone isn’t enough.”
经验不再能保证优秀管理，而 AI 能把差距放大。未来，能熟练使用数据、洞察团队动态、与 AI 共事的“增强型经理”，将成为组织的绩效关键点。
AI 是“副手”而非“船长”
当企业投入巨额预算建设 AI 能力时，一个尴尬现象随之浮现：超过 80% 的企业仍未看到显著财务回报。
尽管：
71% 企业已采用生成式 AI
78% 领导者预计明年增加 AI 预算
52% 认为 agentic AI 最值得投资
但多数项目仍处在成本投入高、业务价值不明确的状态。真正能产生 ROI 的 AI 应聚焦在：
提升人才效率（如自动生成分析、简化 HR 查询）
优化业务决策（实时洞察与预测）
释放管理者时间（减少行政工作）
Visier 的案例显示，一个拥有 2.8 万员工的组织，通过 AI Agent “Vee”每月能节省 466 小时，折合 35,000 美元成本，全年节省高达 42 万美元。
但报告也强调：
“AI 的最佳价值是增强，而不是替代。”
这对 CHRO 们释放出一个重要信号：你的战略不是让 AI 取代人，而是让 AI 让人做得更好。
劳动力规划，从“兴趣项目”变成必须能力
近年来，企业经历：
冗余岗位自动化
复合技能岗位爆发性增长
招聘紧缩与高成本 rehiring
技能快速老化
Visier 数据显示，某些复合技能岗位（如 Financial Systems Analyst）增长高达 338%，而传统岗位则加速消失。
如果组织不能提前规划，后果非常真实：
裁错人、裁过头
高成本紧急回聘（5% 裁掉的员工被重新雇用，且成本更高）
部门技能断层导致业务中断
更重要的是，世界经济论坛预测：
AI 将取代 9,200 万岗位
但同时创造 1.7 亿新岗位
HR 不应盯着“被替代”，而应盯着“新增需求与技能差距”。
战略劳动力规划，将正式成为 CHRO 的核心KPI。
GenAI 让人人都成为“数据驱动决策者”
在北美与欧洲的大多数组织中，最大的问题不是“没有数据”，而是：
85% 的企业无法有效利用数据
仅 23% 的高管会在战略中纳入员工数据
造成管理者普遍“数据焦虑”与“洞察缺口”。
而生成式 AI 正在打破这一壁垒。
像 Visier Vee 这样的对话式 AI，让业务负责人、HRBP、经理都能用一句自然语言提问，例如：
“过去 6 个月销售团队的离职率趋势？”
“财务部门的技能缺口最大的岗位是什么？”
“我应该怎样调整团队资源？”
报告显示，AI 能为企业带来：
实时会议中的数字校验
80% 以上的 HR 查询被自动处理
将数据真正嵌入日常决策流
这意味着：People Analytics 不再是少数专家的能力，而是每位管理者的必备武器。
五大趋势：
第一，经理体验将成为新的员工体验。经理被视为企业战略落地的“最后一公里”，AI 工具可帮助他们减少行政负担、掌握实时指标，从而提升团队绩效、保留核心人才。
第二，AI 将成为“副手”而非“船长”。尽管高达 71% 的企业已投入使用生成式 AI，但真正显著的财务回报仍有限。企业需要选择可衡量 ROI 的场景，以“AI 辅助 + 人类判断”为主线推动效能提升。
第三，劳动力规划从“兴趣项目”变成关键战略能力。随着岗位被重塑、技能需求快速变化，企业必须进行持续化、数据驱动的规划，否则将面临成本上升、裁员失误等风险。
第四，生成式 AI 将扩展 People Analytics 的边界。依靠自然语言交互，数据将从分析团队走向每一位业务领导者，使决策真正实现实时化、可操作化。
第五，HR 技术栈面临全面重构压力。从过去追求“效率与整合”，走向衡量是否能创造业务价值。能够连接 HR 数据与业务数据、支持 AI 决策的平台将成为主流。
HR 技术栈将被“重构”，而非“整合”，过去十年，HR Tech 的主旋律是：
“减少系统、降低成本、整合平台。”
但 2026 年开始将迎来新转折：
“不是更少工具，而是更多价值。”
企业的关注点从：效率、省钱
转变为：
效能
增长
决策质量
战略价值贡献
Visier 报告指出，拥有先进 People Analytics 的企业，不仅成本降低，更能显著提升财务表现与创新能力。
因此未来的 HR 技术趋势是：
HR 数据与业务数据全面打通
AI 嵌入关键决策流程
架构可扩展、能处理跨系统数据
CHRO 与 CIO 协同成为常态
换句话说：HR 技术不再是“后台工具”，而是业务操作系统的一部分。
AI 不会取代 HR，但会取代不懂 AI 的 HR
2026 的核心命题不是：“AI 会不会取代 HR？”
而是：“HR 能不能在 AI 时代提升自己的战略能力、数据能力与组织影响力？”
未来的领先 HR 将具备：
用 AI 做决策，而不是被动应对
用数据讲故事，而不是凭经验做选择
用技术增强经理，而不是只做后台支持
引领企业建立“人机协作”的文化，而不是盯着流程数字化
最终，HR 能否坐上决策桌，取决于是否能回答这个问题：
在 AI 涨潮的时代，你为组织带来的不可替代价值是什么？
The Visier 2026 Trends Report
-
自动化
AI并购潮下的人力资源科技重构：揭示HCM市场的4个惊人真相
在AI浪潮与资本力量的双重推动下，全球人力资源科技（HRTech）市场正经历前所未有的并购潮。Workday、ADP、SAP、Deel、Dayforce等巨头正通过收购AI平台、薪资系统与编排工具，全面重塑人力资本管理（HCM）的未来格局。
表面上，这是一场AI驱动的技术竞赛，实则是一场关于“系统编排（System Orchestration）”的深层战争——谁能让企业的HR、财务与IT系统自动协同、实时行动，谁就掌握了未来。私募基金的深度介入进一步加速了这一重构，推动市场从“增长优先”转向“整合优先”。
AI只是开端，真正的竞争焦点，正在于让系统“动起来”的行动智能。
AI之外，真正改变游戏规则的是什么？
当前，人力资源（HR）领域的每一次对话似乎都离不开人工智能（AI）。从自动化招聘到员工体验，AI无疑是当下最热门的话题，重塑着我们对未来工作的想象。这股浪潮声势浩大，以至于我们很容易认为AI就是故事的全部。
然而，在这股显而易见的AI浪潮之下，一场更深刻、更具结构性的变革正在悄然发生。它关乎资本的流向、厂商的战略分野以及HR系统本质的进化。如果我们只关注AI，就如同只看到了冰山的一角。真正理解人力资本管理（HCM）市场的未来，需要我们潜入水下，看清那些正在重塑整个行业格局的底层力量。
本文将揭示四个出人意料的发现，它们共同描绘了一幅远比“AI革命”更宏大、更复杂的市场图景。
--------------------------------------------------------------------------------
1. 真正的战场不是AI，而是“系统编排”
尽管AI是热门话题，但HCM厂商竞争的核心已悄然转向“系统编排”（System Orchestration）。这不再是简单的流程自动化，而是赋予多个独立系统（如HR、财务、IT）自动协作、实时行动的能力。它意味着系统不仅能存储数据，更能基于数据触发跨部门、跨平台的行动。
正如RedThread Research联合创始人Stacia Garr的核心观点所指出的：“未来HCM的胜负不在于谁的AI更聪明，而在于谁能让系统之间自动行动、协同决策。”
顶级厂商的布局清晰地印证了这一点。它们正在积极投资于构建这种“系统之间的连接层”。例如，Workday接连收购了AI知识层Sana、对话式AI平台Paradox、低代码AI Agent构建器FlowiseAI、文档智能工具Evisort以及人才编排AI平台HiredScore；ADP在收购低代码工作流平台Sora之后，又收购了WorkForce Software以强化劳动力管理与编排能力；SAP则将数字采用平台WalkMe与人才招聘系统SmartRecruiters收入囊中。这些举动表明，未来的竞争优势将属于那些能够让组织内所有系统协同作战的平台。
2. 隐形推手：私募基金正在重塑行业格局
一个容易被忽视的真相是，私募基金（Private Equity, PE）已经成为HR科技领域最强大的力量之一。PE的深度介入正在显著加速行业的并购节奏，并从根本上改变了厂商的优先事项，使其更加关注盈利能力、规模化和高效整合。
具体的案例包括：
Thoma Bravo拟议的123亿美元私有化Dayforce的交易，预示着一场资本驱动的转型。
UKG 在Hellman & Friedman和Blackstone的支持下，本身就是合并的产物，并持续通过并购扩张。
Silver Lake 成为Qualtrics的新东家，推动其在体验管理领域的整合。
这种资本逻辑正推动市场从过去的“增长优先”转向“整合优先”。对于厂商而言，平台扩张、AI协同和交叉销售成为了投资回报的关键指标。对于采购者而言，这意味着需要更深入地理解厂商背后的资本结构，因为它直接影响着产品路线图、定价策略和客户支持的稳定性。
3. 厂商三分天下：三大新兴阵营正在形成
市场的演变并非趋于统一，而是正在分化为几个截然不同的战略阵营。理解厂商属于哪个阵营，对于企业做出正确的采购决策至关重要。目前，三大新兴阵营已清晰可见：
AI编排型 (AI Orchestration) 这类厂商的目标是成为组织的智能决策中枢，将AI能力嵌入到跨系统的工作流中。以Workday、SAP和ADP为代表，它们通过收购AI Agent构建器、人才编排AI和数字采用平台，致力于构建一个能够连接HR、财务乃至整个企业的智能一体化平台。
基础设施整合型 (Infrastructure Integration) 这类厂商致力于打造覆盖HR、财务、IT的全球运营“基础设施”，控制着企业运转的核心命脉。以Deel和HiBob为例，前者通过收购全球薪资、支付、IT设备管理等公司，旨在成为“全球运营操作系统”；后者则通过整合薪资与财务规划（FP&A）工具，强化其在中端市场的人财一体化能力。
资本驱动型 (Capital-Driven) 这一阵营是第二节中讨论的私募基金力量的最直接体现。这类厂商在PE的支持下，更倾向于通过快速并购来整合市场、实现规模化盈利。以Dayforce和UKG为代表，它们的战略通常更侧重于市场整合和运营效率，通过捆绑产品和优化定价来实现资本回报。
4. 从“被动记录”到“主动行动”：HR系统的终极进化
HCM市场正在经历一场根本性的转变：HR系统正从一个存储员工信息的“记录系统”，演变为一个能够驱动组织决策和行动的“行动中枢”。
这个转变的深层含义是，系统不再仅仅是被动地存储数据，而是能够基于数据更快地理解、决策并触发跨系统行动，进而掌控工作流程的“连接性结构”（connective fabric of work）。例如，当AI识别到某位关键员工有离职风险时，未来的系统不仅会发出警报，还能自动同步提醒其主管，并主动推荐有效的留任策略和沟通话术。这标志着“行动智能”的到来。
Stacia Garr的理念精辟地总结了这一趋势：“未来的HR系统，不仅要看得见人，更要动得起组织。”
AI之后，决胜的关键是“行动力”
在AI的浪潮席卷之后，人力资源科技正迈入一个全新的“行动智能”时代。真正的变革不在于谁的数据更多或算法更优，而在于谁的系统能更快地理解、决策并触发有效的行动。竞争的关键已经从单纯的“智能化”转向了系统的“行动力”与“智能协同能力”。
这场以AI为名的重构，实则是一场关于系统行动力的全球竞赛。当你的HR系统开始拥有“行动力”时，你和你的团队准备好了吗？
-
自动化
【硅谷】Mercor完成3.5亿美元C轮融资，估值达100亿美元：引领“人类训练AI”的新劳动形态
HRTech概述：硅谷公司 Mercor 近期完成 3.5 亿美元 C 轮融资，估值约 100 亿美元。它所做的，就是将医生、律师、银行家等领域大牛纳入平台，帮助他们指导AI模型理解判断、意图与专业经验。这样的角色不是重复性劳动，而是“专家 → 训练师”的转型。
在AI浪潮加速重塑全球劳动力市场之际，总部位于旧金山的AI科技公司 Mercor 宣布完成 3.5亿美元C轮融资，由 Felicis 领投，Benchmark、General Catalyst、Robinhood Ventures 等共同参投。此轮融资使公司估值达到 100亿美元，较上一轮增长约五倍，成为AI经济领域增长最快的独角兽之一。
人机协作的新范式：从执行者到“AI训练师”
Mercor成立于2022年，由联合创始人兼CEO Brendan Foody 与CTO Alex Kovacs 创办，定位于“连接人类专才与AI经济”的桥梁。公司构建了一个覆盖全球的专业人才网络，现已拥有 3万多名专家，每天支付超过 150万美元 的报酬，净推荐值（NPS）超过 65。
这些专家来自医疗、法律、金融、工程等领域，他们通过Mercor平台为AI模型提供真实世界的知识、经验和判断力训练。Mercor的核心理念是——AI不取代人，而是由人来训练AI，让机器学习人类的判断、意图与品味。
CEO Brendan Foody在公司公告中表示：“AI的每一次进步，都会释放新的‘人类潜能’。我们看到越来越多的专业人士从重复性劳动中解放出来，专注于AI无法可靠完成的高价值工作。”
投资人押注“Human + AI”经济体
本轮融资的领投方 Felicis 创始人 Aydin Senkut 指出：“Mercor正在构建未来AI经济的基础设施，让人类智慧成为AI系统不可或缺的一部分。掌握专业知识、能够提供判断和反馈的专家，将成为AI时代最有价值的劳动力资源。”
Mercor的客户已涵盖多家前沿AI实验室和财富500强企业，广泛应用于医疗影像识别、金融分析、法律推理、企业智能体训练等领域。通过将专家的知识转化为模型评估与微调数据，Mercor帮助企业在保持合规与质量的同时，加速AI系统的落地和价值创造。
迈向“人类+智能体”的经济时代
Mercor表示，此轮融资将主要用于三大方向：
扩大专家网络规模，吸纳更多领域型人才；
优化匹配算法，提升专家与AI项目之间的匹配效率；
加速项目交付，强化人机协作流程与企业集成能力。
分析人士指出，Mercor正推动一种全新的劳动形态：人类不再是AI的竞争者，而是“AI训练师”。在未来十年，数以百万计的专业人士将以“教机器做事”的方式参与经济创造，让AI成为“被训练的学徒”，而非“取代者”。
人类潜能的再次解锁
随着AI逐步进入企业核心运营层，Mercor的模式代表了从“自动化”到“增强化”的转变——人机协作成为提升生产力的核心引擎。Foody认为，企业价值链将持续上移，“那些能把专业判断力转化为可学习标准的人，将成为AI经济中最具竞争力的群体。”
Mercor 融资历程一览：
2022 年（种子轮 Seed）：融资约 360 万美元，投资方包括 Y Combinator 与 General Catalyst。
2023 年（A 轮融资）：融资约 3,000 万美元，由 Benchmark 与 Felicis 领投，投后估值约 6 亿美元。
2024 年（B 轮融资）：融资约 1 亿美元，主要投资方为 Benchmark 与 General Catalyst，估值提升至 20 亿美元。
2025 年 10 月（C 轮融资）：完成 3.5 亿美元融资，由 Felicis 领投，Benchmark、General Catalyst、Robinhood Ventures 等参投，公司最新估值约 100 亿美元。
-
自动化
AI让“明星员工”跑得更快了，但企业该如何避免被甩出时代？
人工智能的浪潮正在改变一切：生产效率、创新速度、岗位结构——甚至连“优秀员工”与“普通员工”的界限，也被重新划定。
《华尔街日报》（Why AI Will Widen the Gap Between Superstars and Everybody Else）近期的一篇报道指出：AI 并不会让所有人变强，反而可能让强者更强、差距更大。这种“AI驱动的不平等”，正在成为未来职场最值得关注的风险之一。
一、技术的红利，为何被少数人收割？
AI 的普及表面上看是“全民赋能”，但它的使用门槛并不低。报道指出，AI 的复杂性、迭代速度与专业门槛，使得“超级个体”（Superstars）更容易脱颖而出。
他们懂算法逻辑、会用AI解决复杂问题，能够把技术转化为成果。而普通员工，即使有相同的工具，却因缺乏系统性知识、判断力与实践经验，难以将AI真正变成生产力。
这意味着：AI时代的竞争，不再是资源之争，而是“学习速度”的较量。
二、AI鸿沟的核心，不是技术差距，而是学习差距
这篇文章揭示了AI不平等的三个深层逻辑：
复杂性加剧AI技术的快速演化让学习曲线越来越陡峭。能跟上的人越来越少，掉队者越来越多。
持续学习成为壁垒超级员工持续更新技能，而大多数人仍停留在“等培训”的阶段。学习速度，成为新的分水岭。
技术民主化的反讽AI工具虽然更易获取，但这恰恰让顶尖人才能更轻松地做更复杂的事。同样的工具，不同的结果。
于是，组织内部形成了新的马太效应：AI让强者更快进步，让普通员工更快被替代。
三、风险不仅在个体，更在组织
这场AI鸿沟，不只是个人危机，更是组织风险。一旦企业内部的“AI学习差”扩大，将带来三大连锁反应：
协作失衡： 团队知识水平出现断层，协作效率下降。
心理焦虑： 普通员工感受到不公平与被边缘化，信任感削弱。
组织失衡： 创新能力集中在少数人手中，企业抗风险能力下降。
换句话说，AI不仅在重塑生产力，也在重塑组织结构与文化。
四、HR和企业领导者该如何应对？
文章结尾提出了三个方向，值得每个组织认真执行：
投资学习，而不是只买工具与其投入预算在AI软件订阅上，不如投入到系统培训与实战项目中。AI不是“会不会用ChatGPT”，而是“能否改变工作方式”。
建立终身学习文化推动员工形成“持续更新技能”的习惯，从一次性培训转向循环式学习。
从“个体精英”转向“集体智能”让AI成为团队共享的智力基础，而非个别明星员工的秘密武器。通过知识分享机制、AI应用案例库、跨部门学习小组，让“学习”成为组织的生产力。
五、AI不是决定差距的原因，态度才是
AI不会自动制造不平等，但它会放大一切差距——包括学习的速度、认知的高度与组织的格局。未来的职场，不会有“技术平均值”，只会有“学习分层”。
对于个人：越早开始使用AI，越早掌握未来语法。对于企业：越快建立AI学习体系，越能缩小组织内部的智力差距。
AI的门槛并非技术，而是心态。问题不是“AI会不会取代人”，而是“你是否还在等别人教你用AI”。
AI正在重新定义“生产力红利”的分配方式。在新的职场版图中，领先几个月的学习投入，就可能决定几年后的竞争格局。这既是时代的不公，也是一种机会。因为主动者，永远有先发优势。
扫一扫 加微信
hrtechchina
