AI治理
深度专题：从HR的20个高频场景看HR AI真正的增长机会
过去两年，HR AI市场经历了一个明显变化。企业最初关注的是大模型能否生成职位描述、撰写邮件或总结文件；现在，HR开始追问更实际的问题：AI能否接入ATS、HRIS和学习平台，能否推动流程继续向前，能否减少重复操作，以及能否产生可以衡量的业务结果。
一项针对HR AI应用的研究梳理了138个工作场景，覆盖招聘、HR技术、学习与发展、员工体验、绩效管理、人才分析、薪酬福利、合规和组织发展等16个HR实践领域。其中，20个最常见的应用集中在招聘、HR平台、学习发展、绩效管理、员工沟通和人才分析六个领域。招聘相关场景占据近一半，说明目前最成熟的HR AI仍然集中在高频、标准化、数据相对清晰并且容易人工复核的工作中。
对于企业HR来说，这20个场景比“AI将如何改变人力资源”这样的宏观讨论更有参考价值。它们不仅展示了企业正在使用AI做什么，也揭示了HR AI产品最容易从哪里切入、如何形成稳定使用，以及哪些应用有机会从单点工具发展成为企业级工作平台。
20个最常见的HR AI应用，正在形成四类产品
第一类是招聘与人才获取，也是目前应用最集中的HR AI市场。
常见场景包括职位描述起草与优化、自动简历解析与筛选、招聘广告程序化优化、AI辅助搜寻被动候选人、候选人与岗位匹配、结构化面试指南生成、面试排期自动化、重复候选人识别、人才管道清理，以及面试转录与总结。
其中，职位描述起草与优化是目前最常见的HR AI应用，采用率达到20%；自动简历解析与筛选为16%；招聘广告优化和被动候选人搜寻均为12%；候选人与岗位匹配为11%。
第二类是HR平台与员工知识服务。
文件提交提醒与任务分流、HR系统内置AI Copilot，以及基于企业内部文档的知识库问答，已经成为HR平台最常见的AI功能。这类应用的共同特点，是AI不再作为一个独立聊天工具存在，而是进入员工服务、HR运营和系统操作流程。
员工提出休假、福利、薪酬或公司政策问题后，系统不仅需要回答问题，还应该识别员工身份、调用适用政策、提供对应表单，并引导员工完成下一步操作。
第三类是学习与发展。
长篇培训资料摘要、AI生成测验与情景练习、微学习内容生成、个性化学习推荐和自适应学习体验，正在成为学习平台的重要增长方向。
早期学习AI主要帮助培训团队提高内容生产效率。下一阶段，系统将根据员工岗位、能力差距、学习历史和业务任务，动态决定向谁推荐什么内容，以及在什么时间提供学习支持。
第四类是绩效、沟通和员工反馈。
AI辅助起草绩效评语、常规HR沟通、目标设定支持，以及新员工调查与反馈分析，都已经进入较常见的应用范围。
这些功能距离员工和管理者的日常工作更近，也更容易形成稳定的使用频率。但企业需要清楚区分“辅助表达”和“替代判断”。AI可以帮助管理者整理事实、改善表达和识别遗漏，却不应在缺乏业务背景的情况下，独立决定员工表现、晋升机会或后续管理措施。
企业应该从哪一个AI场景开始
很多HR团队面临的真正困难，不是缺少AI工具，而是不知道应该从哪个场景开始。
一种常见误区，是直接采购覆盖多个模块的AI平台，然后要求各部门寻找使用方式。更有效的方法，是先从企业真实存在的问题出发：哪些工作重复发生，哪些流程占用大量时间，哪些任务容易遗漏，哪些信息经常被重复查询，以及哪些结果能够被量化。
对于仍然主要依赖人工处理事务的HR团队，可以先从职位描述、日常沟通、文件摘要和培训内容生成等低门槛场景开始。
对于已经广泛使用生成式AI，但使用方式仍然零散的团队，下一步应当把AI固定嵌入招聘、员工服务或学习流程，建立模板、权限、审核和结果记录。
对于已经完成多个AI试点的团队，则需要进一步考虑系统连接、数据治理、跨流程编排和组织级AI能力建设。
HRTech推出的HR AI Forward成熟度框架与能力评测，将HR的AI发展划分为L0事务型HR、L1工具型HR、L2能力型HR和L3系统型HR四个等级、十二个阶段，帮助HR团队判断自己目前处于什么位置，以及下一步应该从工具使用、流程接入、能力沉淀还是系统建设入手。
138个应用场景解决的是“AI可以做什么”，成熟度评测解决的则是“企业现在适合做什么”。两者结合，才能避免企业一开始就进入高投入、高风险和难以衡量结果的复杂项目。
为什么招聘成为HR AI的第一增长入口
招聘之所以率先实现规模化，并不只是因为招聘科技公司更早采用AI，而是因为招聘流程天然具备适合自动化的条件。
职位描述、简历、岗位要求、候选人沟通和面试记录，大多以文本或结构化数据形式存在。职位发布、简历筛选、面试安排和候选人跟进又属于高频、重复的流程。同时，多数AI输出可以由招聘人员复核，即使出现问题，也有机会在最终录用决定前纠正。
这使招聘AI能够较快证明三类价值：减少行政操作时间、提高候选人处理速度，以及扩大招聘人员能够覆盖的人才范围。
但招聘场景也说明，模型能力不等于产品价值。一个能够生成优秀职位描述的工具，如果不能同步岗位模板、审批流程、招聘渠道和候选人数据，最终仍然只是一个低频写作工具。
真正具有增长能力的招聘产品，需要把“生成职位描述”连接到职位审批、广告发布、人才搜寻、候选人匹配、面试安排、面试记录和录用分析，让AI从内容生成进入完整招聘流程。
HR AI产品正在从内容生成走向工作流执行
从20个高频应用中，可以看到HR AI产品正在经历三个阶段。
第一阶段是内容生成。AI帮助HR起草职位描述、面试问题、绩效评语、员工邮件和培训材料。这类功能部署速度快、学习门槛低，也是企业最容易接受的起点。
第二阶段是流程协助。AI开始处理面试排期、文件提醒、简历解析、知识检索、候选人去重和会议总结。此时，产品价值不再只体现在生成质量，而是体现在能否减少操作步骤、缩短处理周期并降低流程遗漏。
第三阶段是智能编排。AI根据岗位需求推荐候选人，根据员工情况推荐学习内容，根据内部知识回答问题，并在HR系统中推动后续操作。产品开始从“回答用户的问题”转向“理解上下文并协助完成任务”。
对准备采购HR AI产品的企业来说，市场上并不缺少AI功能，真正困难的是判断不同产品属于哪个场景、能够解决什么问题、需要连接哪些系统，以及是否已经有同类客户验证。
企业可以通过HR科技云图 MapofHRTech查看招聘、人才管理、学习发展、员工体验、薪酬福利和HR数字化等不同类别的产品与服务机构，也可以下载2026 HR科技云图，作为企业开展供应商初步研究和产品选型的入口。HR科技云图同时提供动态产品目录和月度品牌榜单，帮助企业持续观察市场变化。
产品增长的核心，是占据一项高频工作
对于HR科技供应商而言，增加AI功能并不必然带来产品增长。很多AI功能在演示时非常吸引人，但用户试用几次后便不再使用，原因通常不是模型生成效果不够好，而是功能没有进入日常工作流程。
真正能够形成增长的产品，首先需要占据一项稳定发生的任务。例如，每次创建职位时自动生成和检查职位描述，每次安排面试时自动协调时间，每次完成面试后自动形成摘要，每次员工提出问题时自动从内部政策中寻找答案。
只有当AI与真实工作事件绑定，产品才可能获得持续使用。
其次，产品需要把多个孤立动作连接起来。以招聘为例，职位描述生成、招聘广告优化、人才搜寻、候选人匹配、面试指南和面试总结不应是六个彼此分离的功能，而应成为一个连续的招聘工作流。
用户不需要在不同工具之间重复复制信息，系统也能够使用前一个环节的数据支持后一个环节。
最后，产品必须建立结果反馈。AI推荐的候选人是否进入面试，生成的职位描述是否提高申请转化，学习推荐是否带来课程完成和技能改善，这些结果都应该反向进入产品。
没有反馈闭环的AI是一次性输出工具，有反馈闭环的AI才能持续改善，并形成真正的产品差异化。
对于正在建设AI产品、升级现有HR平台或已经形成客户案例的HR科技机构，可以申请加入HR科技云图产品与机构目录，让企业采购者能够在具体场景和产品类别中发现相关解决方案。HR科技云图的核心价值不是简单收录企业名称，而是将产品能力、市场分类、品牌信息和企业采购需求连接起来。
用户增长不是注册人数，而是从尝试走向工作习惯
HR AI的用户增长不能只看注册量、访问量或生成次数。企业用户是否真正采用一项产品，取决于产品能否完成从首次体验到稳定使用的转变。
用户激活的标志，不应只是打开AI功能，而是完成第一项有价值的HR任务。例如，成功生成并发布一个职位，完成一次候选人筛选，回答一个员工政策问题，或者制作一套能够直接使用的培训内容。
用户留存来自重复工作。职位描述、面试安排、员工问答、绩效评估和培训推荐都有明确的周期性。当产品能够在这些时间点主动出现，并自动带入岗位、候选人、员工或组织上下文，用户就不需要每次重新输入提示词，使用AI也会逐渐成为工作流程的一部分。
用户扩展发生在产品从个人工具变成团队系统之后。
最初可能只有一名招聘人员使用职位描述生成；随后，招聘团队开始共享模板，业务经理参与审批，HR负责人查看效率和质量数据；最终，产品扩展到更多岗位、部门和业务单元。
因此，对HR AI产品更有意义的增长指标应该包括：完成了多少真实工作流，用户是否持续重复使用，人工修改比例是否下降，流程周期是否缩短，是否有更多角色参与，以及产品是否从一个场景扩展到相邻场景。
从产品功能走向可传播的客户成果
HR AI供应商还需要解决一个经常被忽视的问题：产品已经上线，但市场并不知道它真正解决了什么问题。
仅仅宣传“接入大模型”“推出AI Agent”或“升级智能助手”，很难帮助企业买家理解产品价值。更有效的内容结构应该包括明确的业务场景、原有流程、AI介入方式、人员分工、实施周期和量化结果。
例如，与其只说产品推出了面试智能助手，不如说明它是否减少了面试记录时间、提高了面试反馈提交率，或者缩短了从面试到决策的周期。
与其只说系统能够生成培训内容，不如说明课程制作时间下降了多少、学习参与率是否提高，以及业务部门是否更快获得了需要的培训资源。
产品增长与内容增长最终需要连接在一起。产品功能提供实际价值，客户案例证明价值，行业内容解释价值，奖项和榜单进一步放大价值，最终形成企业认知、采购线索和市场影响力之间的增长循环。
目前，2026 HRTech INNO Awards已经设置HRTech创新实践奖、创新团队奖、创新产品奖，并特别设置人力资源科技AI创新产品奖。近12个月内已经形成实际应用和可量化成果的企业HR团队及HR科技产品，可以通过案例申报，将内部项目进一步沉淀为可复制、可传播的行业实践。
企业HR需要重新定义AI项目的衡量方式
当前很多企业AI项目仍然缺少清晰的价值衡量。企业知道员工正在使用AI，却不能准确回答AI节省了多少时间、改善了哪些结果，或者是否只是把工作从一个系统转移到了另一个系统。
对于职位描述生成，可以衡量起草时间、人工修改次数、审批周期和申请转化率。
对于面试排期，可以衡量人工协调时间、候选人取消率和招聘周期。
对于知识库问答，可以衡量问题解决率、人工工单减少量、响应时间和员工满意度。
对于学习推荐，可以衡量内容参与率、课程完成率、技能变化和实际岗位表现。
只有当HR把应用场景与业务指标连接起来，AI采购才会从创新试点预算进入长期运营预算，产品也才有机会从单一部门试点走向企业规模化部署。
AI应该减少低价值操作，而不是替代HR判断
AI目前最稳定的价值，是帮助HR更快地处理信息、形成初稿、发现模式和推进流程，而不是自动完成复杂的人事判断。
在招聘、绩效、薪酬、员工关系和组织调整等高影响场景中，AI可以提供信息和建议，但最终判断仍应由具备业务背景并承担管理责任的人完成。
产品需要保留人工审核、修改记录、数据来源、权限控制和员工申诉机制，而不能把“自动化程度更高”简单等同于“产品更加先进”。
对企业来说，负责任的AI应用不是降低创新速度，而是让产品更容易得到员工、管理者、法务和企业管理层的长期信任。
HR AI下一阶段的分水岭，是能否形成工作完成率
138个应用场景为企业提供了一张能力地图，而最常见的20个应用则说明，市场不会平均接受所有AI功能。
最先实现规模化的，仍然是高频、标准化、数据相对清晰、输出容易复核，并且能够产生明确业务结果的工作。
对于HR而言，正确的起点不是寻找一套能够覆盖所有场景的“万能AI”，而是找到最耗时、重复度最高、最容易衡量的几个流程，明确AI负责什么、员工负责什么，以及最终结果如何评价。
对于HR科技公司而言，下一阶段的竞争也不再是谁拥有更多AI按钮，而是谁能够把内容生成、流程自动化、数据连接和业务结果组合成完整产品。
用户不会长期为一次精彩的回答付费，但会为持续减少工作、缩短流程并改善结果的系统付费。
HR AI真正的增长机会，不在于让HR每天多使用一个聊天工具，而在于让AI进入工作发生的地方，理解组织上下文，协助完成任务，并把节省下来的时间重新投入到判断、沟通、关系和组织建设中。
HRTech将持续跟踪全球HR AI产品、企业实践、投融资、上市公司表现和HR科技市场变化。HR从业者可以阅读并下载《2026年8月HRTech行业观察报告：企业HR必须关注的五大变革》，也可以订阅HRTech每周资讯，持续获得全球HR科技产品、趋势和实践信息。
AI治理
2026年7月全球HR上市公司市值榜单解读：日本HR巨头Recruit持续保持全球第一，Payroll与AI治理成为资本主线
截至2026年7月1日收盘，HRTech发布的全球人力资源上市公司市值TOP10榜单显示，全球HR产业资本格局继续向头部公司集中。Recruit以1044.9亿美元市值位居第一，ADP以942.3亿美元位列第二，Paychex、Workday、Paycom、BOSS直聘、Paylocity、Randstad、Korn Ferry和Persol分列第三至第十位。
与上一期相比，Recruit和ADP继续扩大领先优势，Paychex升至第三，Workday回落至第四，BOSS直聘位列全球第六。榜单变化背后，资本市场正在进一步确认三类HR公司最具长期价值：一是掌握薪酬、税务和员工主数据的Payroll基础设施公司；二是掌握企业核心组织数据的HR Tech平台；三是掌握人才流量和招聘数据的全球招聘平台。
Recruit重回千亿美元区间，招聘平台仍是全球HR最大入口
Recruit本期市值达到1044.9亿美元，较上一期增加68.2亿美元，继续稳居全球第一。其核心价值已经不只是传统人力资源服务，而是Indeed、Glassdoor等平台形成的全球招聘流量入口、职位数据、候选人数据和雇主生态。
6月期间，Recruit延续了此前财报中释放出的AI驱动招聘增长逻辑。Indeed在AI匹配、简历筛选、职位推荐和雇主效率提升方面持续强化，说明招聘平台正在从“信息发布平台”进入“智能匹配基础设施”阶段。AI并没有简单削弱招聘平台，反而让拥有最大招聘数据和用户网络的平台更具优势。
这也是Recruit市值重新突破千亿美元的重要原因。招聘市场具有周期性，但人才流量入口具有长期稀缺性。
ADP与Paychex继续证明Payroll的资本韧性
ADP本期市值达到942.3亿美元，较上一期增加55.5亿美元，继续位列全球第二。Paychex市值365.2亿美元，排名第三。两家公司合计市值超过1300亿美元，说明Payroll仍然是HR产业最稳定、最具现金流价值的赛道。
6月，ADP继续通过National Employment Report等数据产品强化其就业市场风向标地位。ADP的价值不仅来自Payroll系统本身，也来自长期沉淀的大规模就业、薪酬和雇佣数据。对于资本市场而言，这类数据资产在AI时代将变得更加重要。
Paychex在6月发布2026财年第四季度和全年业绩，收入与盈利均保持增长，并强调HCM、Payroll、福利和外包服务的组合优势。Paychex还入选TIME美国WorkTech公司榜单，进一步强化其在中小企业WorkTech和HCM服务市场的品牌位置。
Payroll赛道的核心逻辑非常清晰：企业可以减少招聘，可以延后培训，也可以暂停组织发展项目，但每个月必须发工资、处理税务、管理员工主数据和福利合规。因此，Payroll公司拥有高频、刚需、强合规和高续费的特征，是HR产业中最抗周期的商业模式。
Workday短期回落，但AI治理正在成为新叙事
Workday本期市值321.8亿美元，较上一期下降39.3亿美元，排名第四。短期市值回落并不意味着Workday的战略价值下降，而是资本市场正在重新评估AI时代核心HCM系统的增长节奏和估值倍数。
6月2日，Workday发布Agent Passport，用于测试、验证和持续监控企业内部AI Agent。该产品强调对AI Agent进行身份识别、风险评估、行为追踪和治理，并引入OWASP LLM Top 10、NIST AI RMF、MITRE ATLAS等框架。这一动作非常关键，说明Workday正在从“HR系统供应商”转向“AI时代企业治理基础设施”。
在AI Agent进入企业流程之后，HR和财务系统面临新的风险：一个未经治理的Agent可能错误修改员工信息、审批流程、薪酬数据或权限设置。Workday的机会，正是把组织数据、流程治理和AI监管结合起来。未来HR Tech的竞争，不只是功能竞争，而是“系统可信度”和“AI治理能力”的竞争。
Paycom与Paylocity继续争夺中型企业HCM市场
Paycom本期市值63.8亿美元，位列第五。Paylocity市值59.6亿美元，位列第七。两家公司都处于美国中型企业HCM、Payroll和员工体验市场的核心位置。
Paycom的优势在于单一数据库HCM平台和员工自助流程，其长期叙事是通过自动化和AI减少HR后台操作，提高Payroll准确率和流程效率。Paylocity则更强调云端HCM、员工体验、协作和现代化HR流程。6月期间，两家公司虽然没有出现特别重大的并购事件，但其市值仍然稳定在60亿美元附近，说明市场仍然认可美国中端HCM SaaS的长期价值。
不过，Paycom、Paylocity与Workday之间仍然存在明显差距。Workday面向大型企业核心系统，Paycom和Paylocity主要服务中型企业市场。未来它们能否进一步抬高估值，取决于AI产品能否带来更高ARPU、更低流失率和更强的客户扩展能力。
BOSS直聘位列全球第六，中国HR科技仍具稀缺性
BOSS直聘本期市值62.8亿美元，较上一期下降2.8亿美元，排名第六。它仍然是唯一进入全球HR上市公司TOP10的中国企业，也是全球主要在线招聘平台中的重要代表。
需要说明的是，BOSS直聘本期采用的是全口径市值计算。按照A类普通股约8.20亿股、创始人B类普通股约1.27亿股计算，合计约9.47亿股；公司1 ADS等于2股普通股。部分行情平台仅按A类股计算，因此会显示约55亿美元市值，这属于统计口径差异。与此同时，BOSS直聘2026年以来已回购注销约3%股本，总股本仍在持续缩减中，这也是后续观察其每股价值、资本回报和市值变化时需要注意的重要因素。
6月，BOSS直聘继续推进股份回购，并披露2026年上半年累计回购金额已超过人民币20亿元。公司还完成年度股东大会相关事项。对投资者而言，BOSS直聘当前的关键词已经从单纯增长转向“盈利质量、现金流、回购和股本收缩”。
从行业位置看，BOSS直聘仍是中国HR科技公司中最具全球可比性的上市平台。中国多数HR上市公司市值仍处于人民币数十亿元区间，而BOSS直聘已经进入全球HR上市公司第二梯队。这说明资本市场仍然愿意为平台网络效应、用户规模和招聘数据资产支付更高估值。
Randstad、Korn Ferry与Persol：传统人服仍在榜单，但估值逻辑已改变
Randstad以53.6亿美元位列第八，Korn Ferry以34.5亿美元位列第九，Persol以34亿美元新入榜。传统人服公司依然拥有庞大客户基础、全球网络和服务交付能力，但资本市场给予的估值明显低于Payroll、HR SaaS和招聘平台。
6月，Randstad在印度任命新的Managing Director，体现其继续强化高增长区域市场布局。Korn Ferry于6月23日发布2026财年第四季度和全年业绩，第四季度fee revenue同比增长7%，全年fee revenue达到约29亿美元，existing contracts remaining fees同比增长10%。这表明高端人才咨询、组织咨询和项目型服务仍有恢复动力。
Persol在6月披露2026财年相关报告，全年收入达到约1.56万亿日元。Persol进入全球TOP10，说明日本综合人服市场仍具备较强规模基础。但与Recruit相比，Persol更偏向传统综合人服，估值水平明显低于平台型招聘生态。
传统人服公司的问题并不是没有收入，而是估值倍数不高。原因在于这类业务仍较依赖人工交付，规模扩张并不必然带来更高利润率。相比之下，Payroll、SaaS和招聘平台更容易形成可复制收入、数据沉淀和长期客户黏性。
全球HR产业正在进入“AI治理+核心数据+现金流”时代
7月榜单释放出的信号非常清晰：全球HR产业的资本价值正在集中于三类能力。
第一是高频刚需能力，代表公司是ADP和Paychex。Payroll之所以长期拥有高估值，是因为它处于企业运营不可中断的核心环节。
第二是核心系统和数据能力，代表公司是Workday、Paycom和Paylocity。AI时代并不会削弱核心HCM系统，反而会强化组织数据底座和流程治理的重要性。
第三是人才流量和平台能力，代表公司是Recruit和BOSS直聘。招聘平台掌握雇主、职位、候选人和匹配数据，是AI招聘最重要的基础设施之一。
从6月公司动态看，AI已经不再只是“提升效率”的工具，而开始进入更深层的企业治理和业务模型重构。Workday强调AI Agent治理，Recruit强化AI招聘匹配，Paychex和ADP继续把Payroll数据与HCM服务结合，BOSS直聘通过回购和股本收缩提升资本回报质量。
2026年7月全球HR上市公司市值榜单显示，HR产业并没有因为AI浪潮而被简单改写，反而进一步验证了基础设施、平台和数据的重要性。Recruit、ADP、Paychex和Workday仍然构成全球HR资本市场的核心力量，BOSS直聘则继续代表中国HR科技企业进入全球竞争视野。
对于中国HR行业而言，最大的启示是：真正有全球估值能力的HR公司，不能只是服务公司，也不能只是工具公司，而必须成为平台、系统或数据基础设施。AI会加速这一过程，但不会替代商业模式本身。
未来的赢家，仍然是那些既掌握核心场景，又能把数据、技术和现金流转化为长期资本价值的公司。
你觉得呢
AI治理
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。
AI治理
2026最新版员工体验旅程图（EX Journey Map 2026）开放下载：AI增强与全球化升级
HR 的工作从来不缺执行，真正缺的是一张能看清全局的员工体验地图。
招聘看转化率，培训看完课率，薪酬看市场竞争力，绩效看目标达成率。但员工真正感受到的，并不是某一个单点流程，而是从第一次看到招聘信息，到入职、成长、激励，再到离职后的完整体验。这正是《EX Journey Map 2026》要解决的问题。
《EX Journey Map 2026》由 EX Institute 与 HRTechChina 联合发布，是一套面向 HR 团队的年度员工体验框架工具。它覆盖员工全生命周期 8 个关键阶段，帮助企业系统识别关键触点、评估体验质量，并找到最值得优先改善的环节。
本次发布的是高清 PDF，中英双语，可打印，可用于团队工作坊、内部复盘和管理层汇报。目前已有超过 5,000 位 HR 下载使用，覆盖华为、腾讯、阿里、比亚迪、蔚来、西门子、德勤等企业。
2026版员工体验旅程图三大升级
第一，新增“第0阶段”：AI治理与全球化战略底座。
在招聘、入职、绩效和发展之前，企业需要先建立底层能力，包括数据标准、AI伦理、PIPL合规、全球HRIS和跨区域管理机制。没有这一层，AI应用很容易停留在孤立工具层面，难以真正改善员工体验。
第二，AI增强视角贯穿员工全旅程。
新版旅程图将AI简历筛选与偏见检测、AI薪酬建议引擎、AI智能入职助手、Manager AI Coaching、AI情绪监测预警、AI离职风险预测等场景，嵌入到员工生命周期的不同阶段，帮助HR从“知道AI重要”走向“知道AI如何落地”。
第三，增加出海全球化视角。
面向正在全球化扩张的企业HR，新版加入多法域劳动合规、跨文化面试设计、Total Rewards全球薪酬体系、外派与回任衔接等内容，帮助企业在不同国家和地区建立更一致、更合规的人才管理体验。
覆盖8个关键阶段
《EX Journey Map 2026》覆盖员工体验完整路径：
0 AI治理与全球化战略底座
1 招募
2 录用
3 入职
4 绩效
5 成长
6 激励
7 离职
每个阶段都标注了核心员工体验触点、员工期望状态，以及AI应用和全球化扩展场景，方便HR团队直接对照使用。
现在下载
填写工作邮箱即可获取高清完整版 PDF，并订阅月度 EX 洞察，随时可退订。
下载地址：exinstitute.org/download
2026员工体验相关延伸资源
EX Awards 2026 · 员工体验大奖
第六届 EX Awards 已于 6 月 1 日正式开放，设置 23 个奖项，覆盖企业 HR 团队、HR 科技机构和服务机构。评选以 JPA 员工旅程实践评估为核心，所有参评企业无论是否获奖，均可获得专业诊断报告。案例提交截止日期为 8 月 31 日。
了解详情：exinstitute.org/awards
EX 工具包
旅程图 PDF 是起点。EX 工具包提供 8 个阶段的深度解读、自测诊断工具与实操模板，帮助 HR 从框架认知走向落地改善。
了解详情：exinstitute.org/
EX Institute · People First™
体验即信任 · exinstitute.org/
AI治理
深度解读：从AI代理到AI控制塔-大型企业AI转型进入系统重构阶段：Workday、SAP、ServiceNow、Microsoft释放的新信号
HRTech深度解读：企业AI转型正在进入“系统重构”阶段。Josh Bersin近期围绕Workday、SAP、ServiceNow、Microsoft和Cornerstone的分析显示，AI不再只是写邮件、做PPT、生成JD的效率工具，而是在进入企业软件的底层运行逻辑。Workday从system of record走向platform for agents，SAP强调Autonomous Enterprise，ServiceNow布局AI Control Tower，Microsoft掌握员工日常工作入口，Cornerstone则把学习平台升级为workforce intelligence和skills platform。对HR来说，真正的挑战不是学会更多AI工具，而是理解AI如何重构工作流、岗位、能力、治理和组织责任。未来HR的价值，不在于更会使用AI，而在于帮助企业设计AI时代的组织运行方式。
过去一年，企业对AI的讨论经历了明显变化。最初，许多组织关注的是员工如何使用ChatGPT、Copilot或各类AI写作工具提升效率；随后，企业开始讨论AI如何嵌入招聘、学习、绩效、客服、IT和财务流程；而现在，从Josh Bersin近期围绕Workday、SAP、ServiceNow、Microsoft和Cornerstone等大型公司的分析来看，一个更深层的变化正在发生：AI不再只是企业软件中的一个功能，而正在成为企业运行方式、组织结构和工作流系统重构的核心力量。
这也是中国HR和企业管理者尤其需要关注的地方。AI转型的重点，已经不再是“员工会不会用AI写邮件、写JD、做PPT”，而是企业是否有能力把AI放进真实业务流程中，重新定义人、系统、数据、流程和责任之间的关系。
一、从AI工具到AI代理：企业软件的底层逻辑正在改变
在过去的SaaS时代，企业软件的核心价值是“记录”和“流程”。HCM系统记录员工信息，ERP记录财务和供应链数据，LMS记录学习课程和培训完成情况，ITSM系统记录服务请求和工单流转。系统的价值来自数据集中、流程标准化和管理可视化。
但AI Agent出现之后，企业软件的价值正在发生迁移。系统不只是记录发生了什么，而是要帮助企业判断下一步该做什么，并在权限、规则和审计框架下自动完成部分工作。
Josh Bersin在分析Workday时指出，Workday正在从传统的system of record转向platform for agents。其逻辑是：企业内部的数据、安全模型、业务规则、合规要求和审批机制已经沉淀在Workday这样的核心系统中，如果AI代理要在企业内部大规模运行，就不能绕开这些规则，而必须在可信系统的“rails”之上运行。
这句话背后的意义非常大。AI不是简单替代一个软件按钮，也不是给现有界面加一个聊天框，而是把“执行工作”的能力放进企业系统。如果AI代理可以发起审批、筛选候选人、推荐薪酬调整、生成绩效反馈、安排学习路径、识别离职风险，那么它就不再是辅助工具，而是企业工作流中的新型执行主体。
这意味着未来企业管理的一个核心问题将变成：哪些工作由人做，哪些工作由AI代理做，哪些工作由人机协同完成，以及这些行为如何被记录、审计和治理。
二、Workday的信号：HR系统不再只是HR使用的系统，而是AI代理运行的基础设施
Workday的案例对HR行业尤其重要。过去，Workday被视为大型企业HCM和财务系统的代表，是企业记录员工、组织、薪酬、审批、绩效和财务信息的核心平台。但在AI时代，Josh Bersin认为Workday正在重新定位自己：它不再只是一个system of record，而要成为企业AI代理运行的平台。
这背后的关键不是“Workday也有AI功能”，而是Workday试图把企业规则、权限体系、组织结构、岗位信息、财务约束和合规边界变成AI代理可调用、可遵守、可审计的运行环境。换句话说，Workday的价值不只是数据本身，而是“可信业务规则”的系统化沉淀。
对于HR来说，这个变化非常关键。很多企业现在谈AI，仍然停留在“用AI生成招聘文案”“用AI写员工通知”“用AI做培训内容”这一层。但真正的大型企业AI转型，关心的是AI能否在组织内部安全执行任务。例如，一个AI招聘代理是否可以筛选候选人？是否可以自动安排面试？是否可以根据企业政策判断薪酬范围？是否可以在合规框架下记录推荐理由？是否能够被审计？如果这些问题没有解决，AI就只能停留在个人效率工具层面，无法进入企业级工作流。
这也是HR未来角色变化的起点。HR不能只问“我能用AI做什么”，而要问“企业中的人力资源决策和流程，如何被AI重新设计，并仍然保持公平、合规、透明和可解释”。
三、SAP的转型：AI正在从HR系统走向企业全局运营系统
如果说Workday代表了人力与财务系统的AI代理化，那么SAP的变化则代表了更大的企业运营系统重构。Josh Bersin近期分析SAP时提到，SAP正在将自己定位为Autonomous Enterprise，并将Joule和相关AI能力放在企业级运营自动化的核心位置。SAP的优势在于，它覆盖了财务、人力资本、库存、制造、采购、供应商、合同、外包和临时劳动力等企业关键资源。
这对HR的启发在于，未来很多所谓“人力资源问题”，不会只在HR系统里被解释。比如销售团队绩效下降，原因可能不只是销售人员能力不足，也可能来自定价策略、供应链成本、产品竞争力、区域市场变化、销售激励机制、经理管理方式或组织协同效率。过去HR只能看到员工数据和绩效结果，难以连接业务全貌；但如果AI能够打通ERP、HCM、财务、供应链、销售和学习系统，HR对组织问题的判断就会从“人力数据分析”升级为“业务系统级组织诊断”。
这对中国企业尤其重要。很多企业的人力资源管理仍然以流程、制度、考勤、招聘和薪酬为主，HR数字化也往往围绕“系统上线”和“数据看板”展开。但AI时代的HR价值，不再只是把HR流程线上化，而是能否帮助企业看清组织能力、业务结果和人才结构之间的真实关系。
SAP的AI转型提醒我们：未来的HR分析不应只回答“员工满意度是多少”“培训完成率是多少”“招聘周期是多少”，而要回答“组织能力是否支撑战略”“哪些岗位正在成为增长瓶颈”“哪些团队的结构与业务目标不匹配”“哪些流程正在消耗大量人力但没有创造战略价值”。
四、ServiceNow的野心：企业需要AI代理的控制塔
ServiceNow的转型则揭示了另一个重要方向：当企业内部出现越来越多AI代理之后，新的治理平台会变得非常关键。Josh Bersin在分析ServiceNow时指出，ServiceNow正在推动一个管理企业AI的宏大愿景，包括AI Control Tower、Agent Fabric、Context Engine等能力，目标是管理企业中的agent、workflow和people，并监控AI代理的成本、行为和ROI。
这个判断非常值得中国HR关注。今天很多企业还没有真正大规模部署AI代理，但已经可以看到未来的问题：不同部门会采购不同AI工具，员工会自行使用不同AI应用，业务团队会把AI接入各种流程，IT会担心数据安全，法务会担心合规风险，HR会担心公平性、岗位变化和员工能力断层。最终，企业会进入一个“AI使用高度分散，但责任边界不清晰”的阶段。
这就是为什么ServiceNow要做AI Control Tower。它看到的不是某一个AI工具的机会，而是企业AI治理层的机会。未来企业不只需要AI应用，更需要知道这些AI应用在做什么、谁授权了它们、它们调用了哪些数据、产生了什么成本、创造了什么业务价值、是否存在偏差和风险。
对HR而言，这个趋势意味着AI治理将成为HR必须参与的组织议题。尤其在人力资源场景中，AI一旦参与招聘、绩效、晋升、薪酬、培训推荐和员工关系，就会触及公平、偏见、隐私、合规和员工信任等敏感问题。HR不能只做AI工具的使用者，而必须参与制定AI使用规范、角色权限、员工培训、伦理标准和组织变革方案。
五、Microsoft的机会：谁掌握员工日常入口，谁就掌握企业AI入口
Josh Bersin近期也分析了Microsoft在企业AI中的机会。他认为Microsoft可能在企业AI竞争中占据非常重要的位置，因为它不仅有Copilot，还有Microsoft 365、Teams、Outlook、Excel、Azure、Microsoft Graph、Copilot Studio和庞大的企业客户基础。Microsoft的优势不是某一个单点AI能力，而是它已经处在员工每天工作的入口处。
这对HRTech行业有非常现实的影响。过去HR系统主要由HR部门选择和推动，员工进入HR系统通常是为了请假、查工资、做绩效、参加培训或提交申请。但在AI时代，员工可能不会主动打开某一个HR系统，而是直接在Teams、Outlook、Copilot或企业门户中提问：“我该如何申请育儿假？”“我今年的绩效目标应该怎么写？”“我适合申请哪个内部岗位？”“我需要补哪些技能？”“我的团队是否存在离职风险？”
如果Microsoft这样的横向入口能够连接企业数据和工作流，那么很多HR服务可能会从独立系统界面转移到员工日常工作入口中。这将改变HRTech产品的竞争逻辑。未来HR软件不只是比功能清单，而是比谁能进入真实工作场景、谁能与企业入口系统深度集成、谁能让员工和经理在最自然的工作环境中完成HR任务。
对中国市场而言，这也意味着企业微信、钉钉、飞书以及各类协同办公平台在AI时代可能承担更重要角色。HR系统如果仍然孤立存在，而不能进入业务沟通、任务协同和知识流转场景，其使用频率和战略价值可能会被削弱。
六、Cornerstone的变化：企业学习正在从课程管理转向能力基础设施
在学习与人才发展领域，Cornerstone的变化同样具有代表性。Josh Bersin近期分析Cornerstone时指出，这家公司正在通过Workforce AI重新定义企业学习、技能管理和全球enablement。Cornerstone不再只是传统LMS或学习内容平台，而是在向AI-native workforce intelligence和skills platform演进。
这反映了企业学习市场的根本变化。过去企业学习主要关注课程采购、内容管理、培训完成率和学习平台使用率。但AI时代真正的问题是：员工是否具备完成未来工作的能力？企业是否知道哪些技能正在缺失？哪些岗位会被AI重构？哪些团队需要重新培训？哪些经理需要被赋能？哪些员工可以通过内部流动而不是外部招聘满足业务需求？
传统L&D如果仍然停留在“买课程、推培训、统计完成率”，价值会迅速下降。AI正在把学习从内容供给转向能力诊断、个性化发展、岗位匹配、绩效支持和组织能力建设。Cornerstone的转型说明，企业学习平台正在从“培训系统”变成“员工能力基础设施”。
这对中国HR尤其有启发。很多企业过去做培训，关注的是年度培训计划和课程交付；但未来更重要的是建立动态能力图谱，识别员工当前能力、岗位未来要求和业务战略之间的差距。AI不是让培训部门更快生成课件，而是让企业更准确地判断组织能力是否跟得上业务变化。
七、HRTech判断：企业AI转型的主战场不是工具，而是工作流
综合Josh Bersin近期对这些大型公司的分析，我们认为，企业AI转型正在进入第二阶段。第一阶段是个人效率阶段，员工用AI写内容、做总结、查资料、生成文档。第二阶段是流程嵌入阶段，企业把AI放进招聘、客服、IT、财务、人力、学习等业务流程。第三阶段则是系统重构阶段，AI代理成为企业工作流的一部分，软件平台开始重新定义数据、权限、流程、角色和商业模式。
现在Workday、SAP、ServiceNow、Microsoft和Cornerstone的变化，说明大型企业软件公司已经开始进入第三阶段。
这对HRTech行业意味着，未来真正有价值的产品不只是“AI功能更强”，而是能否解决五个问题：是否理解企业真实工作流，是否能接入可信数据和业务规则，是否能让AI在权限和合规边界内执行任务，是否能衡量AI带来的业务结果，是否能帮助组织完成岗位、能力和流程的再设计。
因此，HRTech的竞争也会发生变化。单点工具如果只是包装AI生成能力，很容易被平台型产品吸收；只做内容库、表单流、简单聊天机器人的产品，也会面临替代风险。更有长期价值的方向，是围绕组织能力、工作流重构、AI治理、技能图谱、员工体验和业务结果形成可持续的数据与流程闭环。
八、对中国HR的真正启示：不要把AI转型误解为“学会几个工具”
对中国HR而言，Josh Bersin这些文章最大的价值不是告诉我们某一家美国软件公司发布了什么新产品，而是提醒我们：AI转型正在改变HR的专业边界。
过去HR的专业价值主要体现在招聘、薪酬、绩效、员工关系、培训和组织发展等模块能力。AI时代，这些模块不会消失，但它们会被重新连接。招聘会和技能图谱连接，培训会和绩效支持连接，组织发展会和业务数据连接，员工体验会和AI服务入口连接，合规会和算法治理连接。
未来HR需要具备三类新能力。
第一，是AI工作流设计能力。HR要能够识别哪些流程适合自动化，哪些流程必须保留人工判断，哪些流程需要人机协同。例如，AI可以帮助筛选简历，但最终录用决策如何保持公平？AI可以生成绩效反馈，但经理如何承担管理责任？AI可以推荐学习路径，但员工发展如何与业务目标连接？
第二，是AI治理与风险识别能力。HR必须理解AI在招聘、绩效、薪酬、晋升和员工关系中的潜在偏见、隐私风险、合规风险和员工信任问题。未来HR不只是制度执行者，而是组织AI使用边界的共同设计者。
第三，是组织能力重构能力。AI会改变岗位内容、技能要求、团队结构和管理方式。HR需要帮助企业重新定义岗位、能力模型、人才梯队、领导力标准和学习体系。真正的HR价值，不是告诉员工如何使用AI工具，而是帮助组织判断AI时代需要什么样的人和组织能力。
九、为什么这对中国企业更紧迫
中国企业在AI应用上往往行动很快，但在治理、流程、角色和组织能力建设上容易滞后。许多企业会先采购工具、先试点应用、先要求员工提升效率，但没有同步建立数据权限、流程边界、岗位影响评估和员工能力升级机制。这会带来一个问题：AI看似被广泛使用，但组织并没有真正变得更强，反而可能出现工具碎片化、流程混乱、责任不清和员工焦虑。
这正是Josh Bersin近期文章所揭示的核心趋势：大型企业软件公司正在把AI从“功能”升级为“企业运行层”。也就是说，AI真正的价值不是单点效率，而是系统能力。谁能把AI放进企业规则、数据结构、业务流程和组织治理中，谁才可能真正获得长期优势。
对中国HR来说，这也是一个重要提醒。不要只关注“AI能帮HR省多少时间”，而要关注“AI会如何改变企业管理的基本结构”。如果HR只把AI当工具，就会被工具替代；如果HR能参与设计AI时代的组织运行方式，就会成为企业转型中的关键角色。
十、HRTech结语：HR的机会，不在于更会用AI，而在于更懂组织如何被AI重构
Josh Bersin近期对Workday、SAP、ServiceNow、Microsoft和Cornerstone的分析，本质上指向同一个结论：企业AI转型已经进入平台化、代理化、治理化和系统化阶段。大型软件公司争夺的不只是AI功能，而是企业未来的工作入口、数据语义层、代理执行层、治理控制层和商业计费层。
这对HR行业是一次真正的提醒。AI不会只是让HR工作更快一点，而会重新定义HR工作的边界、价值和责任。未来优秀的HR不只是AI工具使用者，也不是简单的流程管理员，而是组织AI转型的设计者、治理者和能力建设者。
对中国企业来说，现在最需要做的不是追逐每一个新的AI工具，而是回到三个基本问题：我们的关键HR流程是否值得被AI重构？我们的组织是否具备管理AI使用行为的规则和能力？我们的HR团队是否已经从“个人AI使用”走向“组织AI治理与转型”？
真正的AI时代HR，不是会用更多工具的人，而是能够帮助企业重新设计工作、能力和组织运行方式的人。
AI治理
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。
AI治理
【重磅解读】当8万人开始依赖AI：工作正在被重新定义，而不是被加速
HRTech概要：基于8万+真实用户访谈，它揭示了一个非常关键的趋势：AI的角色正在发生结构性变化。很多人还在讨论AI是否能提高效率，但真实情况是——用户已经在用AI做更深层的事情，比如学习、决策甚至情绪支持。这意味着AI正在进入“认知层”和“心理层”。更值得关注的是一个核心发现：AI的收益和风险是绑定出现的。效率提升往往伴随着判断能力下降，学习增强可能导致认知依赖，而情绪支持则更容易形成心理依赖。而且这些问题不是提前设计出来的，而是在实际使用中逐渐出现的。
这对企业提出了一个新的问题：AI不是简单的工具，而是一种“能力交换机制”。更多全球最新HR科技趋势，请关注 HRTech
刚刚，Anthropic发布了《What 81,000 People Want from AI》研究。这份报告表面上是一次关于AI使用场景的大规模调研，实则更接近一份“人类行为结构变化”的底层观察。研究基于超过80,000份高质量访谈数据，覆盖159个国家、70种语言，在短时间内构建了一个极具代表性的样本体系。与传统问卷不同，这是一组通过AI访谈获得的开放语义数据，其核心价值不在统计分布，而在于揭示一个更深层的问题：当人们真正开始依赖AI时，他们到底在“交换什么”。
如果仅从使用场景来看，这份报告并不新颖。软件开发、写作辅助、学习支持等仍然是最主流的应用领域。但当这些使用行为被放入“需求—体验—担忧”的结构中进行分析时，一个更具解释力的模式开始浮现：AI并没有简单地提升效率，而是在重塑人类完成工作的方式本身。
AI使用的真实逻辑：从效率工具到能力外包系统
过去两年，企业引入AI的主要叙事是“效率提升”。这一逻辑在早期阶段成立，但Anthropic的研究表明，这只是表层现象。用户在访谈中呈现出的需求，实际上分布在三个递进层级：首先是效率，即自动化重复性任务；其次是认知，即辅助学习、理解复杂问题以及参与决策；第三则是情绪层面，包括缓解压力、提供陪伴以及处理关系问题。尤其值得关注的是，访谈中大量用户主动提及 grief、mental health、relationship 等内容，这类表达在传统用户研究中极为罕见，却在AI访谈中成为高频信号 。
这一变化的本质在于，AI已经从“完成任务的工具”，演变为“参与认知与情绪结构的系统”。当用户将AI用于思考、判断甚至情绪处理时，其角色已经不再是外部辅助，而是逐步嵌入到人类能力结构之中。这也是为什么单纯以“生产力工具”来理解AI，会低估其长期影响。
最关键的发现：价值与代价是同一件事的两面
这份研究最有穿透力的结论，不在于用户如何使用AI，而在于他们如何同时理解AI的好处与风险。数据表明，提到AI带来收益的用户，显著更可能同时提到其潜在问题，这种“正负共现”在多个维度上都呈现出稳定结构。效率提升往往伴随着对“虚假效率”的警惕，即用户担心自己在更快完成任务的同时，可能降低了判断质量；学习能力的增强，则对应对“认知退化”的担忧；而情绪支持，则与依赖性之间呈现出最强关联，其共现概率达到基准水平的三倍以上 。
更值得注意的是，这种风险意识并不是在使用前形成的，而是在使用过程中逐步出现。研究中区分了“经验性表达”和“预期性表达”，结果显示，基于真实使用体验的收益—风险关联显著强于基于假设的判断（φ≈0.20 vs φ≈0.07） 。这意味着，AI的影响并不是一个可以完全通过设计或培训提前控制的变量，而是一个在持续使用中不断显现的系统性后果。
换句话说，AI并不是一个“先理解再使用”的工具，而是一个“先使用再理解其代价”的系统。
AI的真正变化：从工具层进入“行为结构层”
如果将这份研究放入更广泛的产业背景中，可以发现它与当前AI技术演进路径形成了高度一致的映射。在NVIDIA GTC 2026大会上，Jensen Huang提出未来企业将同时拥有Human Workforce和Digital Workforce，而Workday、UKG等企业正在推动的Agentic AI，则进一步将AI从“响应指令”转向“主动执行任务”。
Anthropic的研究从用户行为侧验证了这一趋势。过去，工作的基本结构是“人使用工具完成任务”，工具只是延伸人类能力的外部手段。而现在，AI正在逐步参与任务的拆解、路径选择以及执行过程，在部分场景中甚至可以独立完成完整工作闭环，人类的角色转变为监督与校正。这种变化并不只是效率提升，而是将AI引入到“工作结构本身”。
当AI开始参与决策路径时，工作的定义已经发生改变。它不再是“人做什么”，而是“人和系统如何共同完成结果”。
对HR的深层影响：从“人力管理”走向“人机协同管理”
对于HR而言，这一变化的意义远远超出工具引入或技能培训层面。真正的挑战在于，企业正在从单一的人类劳动力体系，转向“人类与数字系统共同构成的劳动力结构”。这将直接冲击现有的人力资源管理逻辑。
首先，岗位定义将发生根本变化。传统岗位基于个人能力设计，而在AI参与的环境中，岗位需要围绕“人机组合能力”进行重构，即一个人能够通过AI系统实现的整体产出。其次，绩效评估将变得更加复杂。当产出部分来自AI能力时，如何区分个体贡献与系统贡献，将成为新的管理难题。更重要的是，风险管理将从边缘问题变为核心能力，因为AI的每一项能力提升，都伴随着潜在的依赖、偏差与合规风险。
在这一背景下，HR的角色也将发生转变，从“管理人”转向“设计与管理人机协同系统”。
一个被低估的本质：AI是一种能力交换机制
综合这份研究的所有发现，可以抽象出一个更具解释力的结论：AI并不是一个单向提升生产力的工具，而是一种“能力交换机制”。用户通过AI获得更高效率、更强认知支持以及更低情绪成本，但同时也在交换掉部分独立判断能力、学习路径以及心理边界。
这种交换并不是线性的，也不是完全可控的，而是在持续使用中逐步累积。正因如此，未来企业真正需要建立的，不是单一的AI应用能力，而是一套能够管理这种交换关系的体系，包括使用边界、风险识别以及行为引导。
结语：HR需要重新理解“工作”本身
Anthropic的这份研究，并没有直接回答企业“如何使用AI”的问题，但它提供了一个更基础的视角：AI正在改变的，不是工具，而是“人类如何完成工作”的基本结构。当工作从“人完成任务”转变为“人和系统共同产生结果”，HR所面对的对象、能力模型以及管理边界，都需要被重新定义。
对于中国HR科技行业而言，这不仅是一个技术趋势，更是一次关于“工作本质”的再认识。谁能够率先理解这一变化，并将其转化为组织能力，谁就有可能在下一阶段的人才竞争中占据主动。
AI治理
解锁生成式AI与智能代理（Agentic AI）的价值：企业人力资源转型的战略蓝图
HRTech概述：生成式AI正在进入指数级跃迁阶段。BCG指出，AI自主执行任务能力每7个月翻倍，效率提升已在HR场景实证落地：招聘与行政效率提升20–40%，绩效反馈撰写时间减少45%，质量提升22%。真正决定成败的并非算法，而是组织重构。10-20-70模型显示，70%的成功来自人和流程。HR必须从流程驱动转向结果驱动，CHRO将成为混合劳动力架构师。AI时代，行动速度决定战略高度。更多信息请关注 HRTech
1. 引言：AI进化的“加速曲线”与HR的战略转折点
在过去二十年的数字化进程中，企业习惯于线性的、可预测的技术迭代。然而，正如波士顿咨询公司（BCG）在最新报告中所强调的，生成式AI（GenAI）的进化已进入“指数级跳跃”阶段。这种进化的节奏远超企业界的一致预期：原本被预测在2026年才能实现的“智能代理可靠执行一小时复杂任务”的里程碑，已经在2024年提前降临。报告指出，AI可自动执行任务的长度目前每7个月就会翻一倍。这意味着，传统的三年或五年数字化规划已然失效，因为技术的成熟度正在以超出规划周期数倍的速度在狂飙。
这种加速并非偶然，而是由一系列结构性突破共同驱动的。BCG的研究显示，开源模型（如DeepSeek）的性能已能比肩前沿闭源模型，将原本预期的12至18个月的技术代差缩减至近乎为零；同时，前沿性能的Token成本下降了约10倍，多模态（语音、图像、视频）能力的全面主流化，标志着AI从单一的文本生成工具演变为全感官、跨系统的执行实体。
面对这种非线性演进，人力资源（HR）部门正处于一个决定性的战略转折点。HR领导者必须采纳所谓的“双速运转（Two Speeds）”运营逻辑：速度1聚焦于优化当前的基础，即通过数据清洗、核心HRIS系统的现代化和流程去冗余，构建一个可靠的数字化底座；速度2则是以前所未有的敏捷度开发未来模型，通过GenAI和智能代理重新定义组织架构、工作流与人才文化。正如报告所强调的，在这样一个连预测都被不断超越的时代，HR从“行政支持”向“价值驱动”的转型不再是一个可选项，而是决定企业能否在AI时代生存的战略前提。
2. 定义新生产力：从生成式辅助到自主智能代理（Agentic AI）
要理解这场变革的深度，首先必须廓清“智能代理（AI Agents）”与传统GenAI工具的本质区别。BCG在报告中明确指出，智能代理不仅仅是能对话的聊天机器人，而是“能够使用工具达成目标的AI”。这一概念的转变意味着AI正从“副驾驶（Copilot）”进化为“自主执行者（Autonomous Executer）”。
根据报告的深度拆解，智能代理的技术架构支撑了其在复杂人力资源工作流中的应用，其核心能力由四大支柱构成：
• 模型与系统访问能力： 代理不仅依赖LLM（大语言模型）或SLM（小语言模型）进行思考，更具备代表人类用户访问企业内部系统（如Workday或SAP）及外部平台的能力。
• 记忆能力： 不同于单次交互的对话框，代理能够在不同任务之间保持状态记忆，理解历史背景，从而确保长流程任务的一致性。
• 观察（Observe）-规划（Plan）-执行（Act）循环： 这是代理区别于工具的关键。它能持续观察环境数据，根据预设目标评估多种行动路径并制定计划，最后通过调用内部或外部工具自主完成操作。
这种“端到端任务处理”能力正从底层逻辑上重构HR的生产力。传统的GenAI或许能帮HR写一份招聘文案，而智能代理则能独立完成从劳动力需求预测、多渠道人才寻访、简历初步筛选到面试协调的全流程。这种演进迫使我们必须重新审视“人的工作”价值。当行政性、事务性的流程逻辑被代理全面接管时，人类HR的核心价值将不得不向“处理复杂例外事件”、“构建组织信任”以及“驱动高阶战略决策”等领域发生剧烈迁移。
3. 角色重塑：CHRO作为“混合劳动力”架构师与企业原型
随着数字代理在组织中获得“准员工”地位，首席人力资源官（CHRO）的角色必须经历一场本质性的升维。报告强调，CHRO正从传统的“人力资本管家”转型为“人机混合劳动力（Hybrid Workforce）架构师”。这意味着，CHRO的管辖权已不再局限于人类员工，而是扩展到了对数字代理的定义、部署与管理。
在这种新框架下，CHRO肩负着三重战略新职责：
• 数字资产的治理： 定义AI代理在团队中的正式位置，追踪其绩效，并确保其运作符合企业伦理与合规边界。
• 混合协作模型设计： 确定人类与代理之间的权责划分，例如在何种情境下代理拥有决策建议权，何种情境下必须保留人类监督（Human-in-the-loop）。
• 变革文化的引领： 负责全公司范围内的技能提升方案，不仅包括工具的使用，更包括在AI环境下保持创新活力与心理安全感的管理模式。
更重要的是，报告呼吁HR部门应主动成为企业AI转型的“活原型（Living Prototype）”。HR不应等待其他业务部门提供范式，而应率先在招聘、共享服务和员工绩效管理中应用最前沿的AI技术。通过在HR内部积累流程重构、数据治理和员工心理应对的实操经验，CHRO可以为全公司提供一个可复制的转型蓝图。这种“先行者战略”不仅能通过HR自身的提效证明AI的ROI，更能确立HR作为组织变革中枢的领导地位。
4. 攻克转型瓶颈：解析“10-20-70”模型与组织解法
尽管AI的前景诱人，但现实极度骨感。BCG报告指出，约2/3的企业在AI转型中感到举步维艰，主要障碍集中在工作流重构、人才技能缺口及组织激励机制的脱节。为了诊断这一病灶，BCG提出了极具洞察力的“10-20-70”模型：
• 10% 归功于算法： 即开发或实施先进算法的技术能力。
• 20% 归功于技术架构： 支持业务需求的可扩展现代化技术栈。
• 70% 归功于人、组织与流程： 这才是决定转型胜负的关键核心。
目前的困境在于资源分配的严重错位。大多数企业将90%的预算和精力投入到了前30%（算法与技术）中，却期望能自动获得后70%的组织红利。报告严正警告，如果忽略了流程重构、激励体系调整和文化适应，技术投入将大概率在官僚体系的阻力中灰飞烟灭。
针对这一瓶颈，组织层面的解法必须是“以人为中心”的全面重构。首先，企业需要打破陈旧的线性流程，赋予团队重新设计工作流的权限。其次，必须实施“人才赋能”的激进方案，弥补由于AI引入而产生的管理技能断层。最后，企业必须通过去平均化的策略，识别哪些岗位是AI转型的“高价值区”，从而进行精准的资源倾斜，而非采取无差别的全员部署。
5. 价值实证：HR场景下的生产力跃迁数据
为了让转型蓝图更具说服力，报告提供了基于真实场景的量化ROI数据。这些数据证明，AI在HR职能中的潜力已从“理论可行”转向“实证爆发”。
BCG 2024年对CHRO的调查显示了惊人的效率提升：
• 招聘与行政领域： 超过90%的HR管理者已实证了显著的时间节省。
• 核心工作流效率： 在自动化服务台、薪酬处理和个性化学习中，现有工作流已实现20%至30%的效率提升，全面部署后预期收益将跃升至30%至40%。
报告中一个极其深刻的案例是关于“绩效反馈撰写”的优化。在传统模式下，经理们每年需耗费大量时间撰写反馈，且质量参差不齐。通过引入定制化的GenAI工具，撰写时间缩短了45%，每年为典型企业节省超过1000小时的管理工时。更重要的是，基于3名HR专家的结构化评估，反馈的质量评分从基准的13分提升到了16分（满分20分），质量增益高达22%。90%的经理表示，这极大地优化了他们的管理体验。
在此，报告重点阐述了“去平均化（De-averaging）”原则。在AI战略中，不能对所有职位“一刀切”。HR应识别出那些ROI能达到10倍以上的岗位——如高频招聘的初级岗位、标准化的行政响应岗——并优先进行代理化部署。而对于需要高度同理心和复杂判断的高级合伙人或复杂员工关系处理岗，则应采取低强度的辅助模式。这种精准定位，确保了HR产能被释放后，能真正投入到能驱动业务结果的高价值领域。
6. HR运营模式转型：从“流程驱动”转向“结果与旅程驱动”
AI的广泛应用宣告了传统HR运营模式的终结。报告指出，HR必须从追求“流程效率和业务对齐”的僵化模型，转向“业务价值最大化”的敏捷模型。这种转型的核心在于对HR三大支柱（CoE, HRBP, Shared Services）的彻底革新。
在未来蓝图中，各个角色的演变路径如下：
• 共享服务中心（SSC）的消失与进化： 大量的事务性询问将全面由AI代理处理。人类专家将不再负责回复“我的年假还有几天”，而是演变为“例外事件处理器”，仅在代理无法解决的复杂合规或情感诉求中介入，成为组织信任的最终守护者。
• 专家中心（CoE）的敏捷化： 传统的按职能划分的CoE将被打破。取而代之的是跨学科的敏捷设计团队，他们不仅懂人才管理，更懂数据分析、工作设计和产品管理。他们的KPI不再是“流程合规”，而是“人才产出的业务价值”。
• HRBP的战略聚集： 传统的庞大HRBP群体将大幅缩减。少数留下的精英BP将从繁琐的协调工作中解脱，直接对齐企业高层，成为真正的组织战略顾问。
这种模式变革不仅是为了降本，更是为了在“混沌中期”建立一种能够快速适应技术不确定性的组织柔性。HR的工作重心将从“监控流程执行”彻底转变为“驱动员工旅程体验与业务结果”。
7. 核心输出：HR AI落地12个月战略路线图
为了确保蓝图的可执行性，基于报告逻辑，我们制定了如下四个阶段的12个月实施路线图，并明确了关键交付物：
Q1：愿景定义与基础构建（速度1与速度2并行）
• 关键动作： 启动HR数据卫生工程，彻底清洗历史冗余数据；升级核心HRIS系统，消除此前因系统断层而产生的各种“手动补丁（Workarounds）”；制定AI伦理红线与权限隔离架构。
• 交付物： 《HR数字化基础诊断报告》、《AI安全与隐私治理解析方案》。
• 责任人： CHRO与CIO。
Q2：试点与原型开发（单代理模式应用）
• 关键动作： 基于去平均化原则，选择招聘筛选、行政服务台等高ROI场景进行单代理（Single-agent）试点。建立“先遣队（Skunkworks Team）”进行快速实验。
• 交付物： 《分阶段职能成熟度热图（Capability Heatmap）》、首批试点场景的ROI实证报告。
Q3：扩展与多代理协作（Multi-agent Integration）
• 关键动作： 实现跨流程的代理协作。例如，让招聘代理自动触发入职代理。启动全员AI技能提升计划（Upskilling），重点培养员工对AI输出的评审能力。
• 交付物： 《多代理集成架构模式图（Multi-agent Integration Schema）》、员工AI素养评估报告。
• 责任人： CIO与CHRO联席。
Q4：规模化运营与组织重塑
• 关键动作： 正式根据AI能力调整组织架构，修改职位说明书，将代理作为正式资产纳入治理；更新绩效体系，从考核“时长/过程”转向考核“结果/AI协同效率”。
• 交付物： 《AI-First组织架构图》、全业务价值评估报告。
8. 实战策略：高ROI场景选择、先遣队建设与变革杠杆
在执行细节上，报告为我们提供了宝贵的“战术卡片”：
• 激进分子技术（Activist Techniques）： 报告列举了一些前瞻性企业的做法。Shopify规定，除非AI无法完成，否则不增加新的人类雇员；Moderna通过合并技术部与HR部来加速团队的自动化重构；Duolingo则将“AI-First”列为每日工作的核心指令。HR应效仿Fiverr首席执行官的做法，向全体员工发出AI大师挑战，以此作为变革的激励手段。
• HR Skunkworks（先锋团队）建设： 这支团队必须是跨职能的，包含人力、IT、法务与业务运营专家。其职能是探索“全自动化低复杂度工作模型”以及“代理主导的候选人辅导”。他们应在不受传统KPI束缚的前提下，进行“快速测试-快速失败-快速学习”的循环。
• 高ROI场景的具体挖掘： 报告强调，在招聘中，AI应从被动筛选转向主动的“全渠道寻访代理”；在员工服务中，通过嵌入政策的智能助手，实现24/7的无缝响应。诸如Booking.com和Jane Street通过编码代理节省了30%以上的循环时间，这些成功经验完全可以平移到HR的数据处理与系统集成中。
9. 结论：行动建议、风险预警与未来展望
我们目前正处于AI发展的“混沌中期（Messy Middle）”。历史经验告诉我们，在这个阶段，虽然变革的轨迹尚不完全线性，但其长期方向不可逆转。正如ATM机的出现并未消灭银行柜员，Excel的普及反而推升了对高级财会人员的需求，AI代理也将通过重构工作，创造出更高级的人类价值。
针对中国企业的特定执行环境，我提出以下三点核心行动建议：
1. 拒绝“等待完美”： 绝不要等待底层数据或HRIS完美后再启动AI。速度1（打基础）与速度2（搞创新）必须同步进行。
2. 正式赋予AI代理组织身份： 效仿头部科技企业的做法，将核心AI代理正式列入组织架构图。只有明确了代理的角色与责任，才能真正实现人机协同的治理。
3. 以员工体验为转型KPI： 降本只是AI的副产品，提升员工体验和业务成果才是转型的最终目标。
风险提示： 必须保持与BCG报告的高度一致，严守隐私保护和权限隔离底线。在涉及裁员、定薪、绩效惩处等高敏感领域，必须严格执行“人类在环”模式。
在这个混沌的中期，犹豫不决是HR面临的最大敌人。
行动力将最终决定CHRO在AI时代是能够入座董事会的战略核心，还是被降维打击为边缘化的行政支撑。转型之战，唯快不破。
AI治理
HR的影子AI行动指南： 从隐蔽使用到负责任 AI 的组织能力建设
HRTech概述：影子AI （Shadow AI） 正在成为企业的真实现状：员工早已在日常工作中使用 AI，但往往“不敢说、不敢公开”。这不是违规，而是组织真实需求的外露，是基层对效率的自主追求。影子 AI 暴露的是心理安全不足、工具体验落差，以及组织学习断裂。HR 的角色正在发生改变：不再只是制度执行者，而是 AI 文化的塑造者、心理安全的设计者、治理框架的共同构建者。四步框架——心理安全、显性化、白化机制、Responsible AI 建设——将帮助企业把“地下创新”转化为组织能力。谁能更早拥抱 Shadow AI，谁就能在下一轮 AI 浪潮中领先。
一、当 AI 早已走进一线，却还停留在管理者PPT里
在很多企业的管理层会议上，AI 依然是战略汇报中的一个章节，是技术团队路演中的一个亮点，是外部大会上反复出现的关键词；但在员工的真实日常工作中，AI 早已“悄悄上岗”。销售用 ChatGPT 改邮件、运营用生成式模型写文案、HR 自己也可能用 AI 写 JD、起绩效评语、梳理政策……只是，这一切往往都发生在“未报备、未批准、未纳管”的状态下。这就是所谓的 Shadow AI（影子 AI）：员工在未正式获批、未纳入官方工具体系的前提下，自行使用各类 AI 工具完成工作目标。现有研究与市场观察都在指向同一个事实：员工实际使用 AI 的比例，远高于企业管理层的认知。而且，越是高绩效、越接近业务一线的员工，越有动力去寻找更高效的工具，也越可能成为影子 AI 的重度用户。对 HR 管理者而言，Shadow AI 不仅是一个技术或安全问题，更是一个组织问题与文化问题。如果只是简单将其视为“违规操作”，采取封堵、禁用、隔离等手段，只会把本就隐蔽的使用推向更地下的角落，让企业既承担风险，又完全丧失学习机会。本指南的出发点，是从 HRTech 与组织文化的视角，帮助 HR 管理者把 Shadow AI 从“地下水”引向“有渠道的水利系统”，把分散、隐蔽的个体实验，转化为安全、可控、可持续的 Responsible AI（负责任 AI）能力。
二、重新理解 Shadow AI：从“违规现象”到“欲望路径（Desire Path）”
如果从传统 IT 管理的视角，Shadow AI 与 Shadow IT 一样，是“未授权应用”，理应被列入风险清单。但如果我们转换视角，会看到另一层含义：Shadow AI 更像是校园里的“欲望小路（Desire Path）”——学校规划了标准道路，然而师生会按照自己的效率和习惯，踩出一条更加真实的路径；这条路径，往往比设计者想象的要合理得多。在企业中，Shadow AI 的出现，首先说明官方工具与流程无法完全满足一线需求。员工之所以绕过内部系统使用外部 AI 工具，往往不是为了规避规则，而是为了完成目标、节省时间，甚至是为了弥补现有系统的不足。其次，Shadow AI 折射出一种“不敢公开的创新”。许多员工其实已经在积累自己的提示词库、工作流模板和小型自动化流程，但出于对“被认为偷懒”“被质疑是否算自己的贡献”“被误读为岗位可被替代”的担心，他们选择不公开、不分享、不沉淀。换句话说，Shadow AI 是员工用脚投票之后留下的轨迹，是组织真实 AI 需求和真实效率突破的“热力地图”。如果企业只是从合规层面、技术控制层面去理解 Shadow AI，就会错过它作为“需求信号”和“创新线索”的价值。这也是 HR 需要主动介入的关键原因：如何将这种制度外的创新、隐蔽的效率实践，转化为可治理、可复制的组织能力。
三、Shadow AI 暴露的三大管理缺口：心理安全、工具落差与学习断裂
要把 Shadow AI 当成机会，首先要承认它是组织管理上的一面镜子。当前大量影子 AI 的存在，至少揭示了三类典型缺口。第一，AI 心理安全感缺失。员工不敢公开承认自己使用 AI，是因为在当前文化氛围下，“用 AI 完成工作”并未被正式定义为一种被鼓励的能力，反而可能被解读为“偷懒”“不够专业”，甚至被视为未来裁员时“可以被机器人替代”的证据。如果没有心理安全感，员工就不会主动说明“这里我用到了 AI”，更不会愿意把自己的 AI 工作流分享给组织，这直接阻断了企业学习的可能性。第二，官方工具与真实需求之间存在明显落差。很多企业已经在搭建内部大模型平台或 AI 助手，但常见问题包括响应缓慢、调用复杂、上下文受限、接入场景单一，甚至与员工日常使用的应用脱节。一线员工用外部 GPT 等工具可以在 30 秒完成的任务，内部工具可能需要数分钟甚至更长。一旦体验差距过大，Shadow AI 就几乎不可避免。第三，组织学习与治理机制断裂。当前不少企业对 AI 的管理仍停留在“政策下载”“使用禁令”“统一培训”的层面，缺少一个真正面向业务的、可持续的 AI 学习和治理循环：哪里出现了新的 AI 工作流，如何被发现、如何被评估、如何被白化（纳入官方）、如何被复制推广。结果是，员工的创造性实践被锁在个体层面，组织既看不到风险，也看不到机会。
四、HR 在 Shadow AI 中的独特角色：文化定义者与行为架构师
在 AI 治理的角色分工中，IT 负责技术护栏和安全架构，高管层负责战略方向与问责机制，而 HR 的核心职责在于“人”和“行为”。这意味着，HR 在 Shadow AI 问题上的角色，不是简单地转发 IT 的禁用公告，而是要通过文化、制度、激励与能力建设，把一个隐蔽、分散、个体化的现象，转化为公开的、可讨论的、可治理的集体实践。其一，HR 是 AI 心理安全感的主要设计者。心理安全感不是一句口号，而是涉及绩效评估逻辑、能力模型定义、晋升标准、沟通语境的一整套机制。HR 需要帮助管理层明确：使用 AI 是一种能力，不是作弊；公开分享 AI 使用经验，是一种贡献，而不是可疑行为。只有这样，员工才会相信“说真话是安全的”，AI 使用才能从影子状态走向阳光之下。其二，HR 是 AI 文化的塑造者。HR 可以引导企业从“工具导向”转向“文化导向”：与其问“我们有没有自己的大模型”，不如问“我们的员工能不能自然地把 AI 作为工作伙伴”。这种文化关乎是否鼓励尝试、是否允许试错、是否鼓励跨团队分享，以及是否把“AI 流畅性（AI Fluency）”写进人才画像与能力模型之中。其三，HR 是 AI 能力建设与治理框架的共同设计者。在岗位说明书、培训发展、人才盘点和组织发展项目中，HR 完全可以把“与 AI 协作的能力”“构建 AI 工作流的能力”“识别和审查 AI 输出风险的能力”作为新一代核心能力维度，并与 IT、安全、法务共同搭建 Responsible AI 的制度框架和教育体系。
五、HR Shadow AI 行动框架：从察觉现象到建立负责任 AI 体系
要从战略层面走向具体行动，HR 可以参考一个“四步式”行动框架：心理安全 → 显性化与分享 → 白化与护栏 → Responsible AI 体系化。
第一步：建立 AI 心理安全感，明确“用 AI 是被鼓励的行为”HR 需要与高管层一起，向全公司发出清晰、统一的信息：在合理边界下使用 AI，是被鼓励的；在工作中说明自己使用了 AI，不会削弱对个人能力的认可；凡是能够证明 AI 使用为业务带来实质价值的案例，都可以成为正面的组织故事。这种信息不应停留在“口头安抚”，而要落实到绩效评估标准、KPI 设定、团队例会、内部沟通中，甚至体现在领导者自身的示范行为里。只有当员工真正相信“用 AI 和说明用 AI 都是安全的”，Shadow AI 才会从“要隐藏”的状态转向“可以讨论”的状态。
第二步：建立 Shadow AI 显性化与分享机制，把个体经验变成组织资产当心理安全感初步建立后，HR 应主动设计可持续的分享机制。例如，设立跨部门 AI 使用经验分享会或内部“AI Demo Day”，开设专门的 Slack/飞书频道收集高效提示词与工作流，鼓励团队每季度提交一到两个“AI 提效案例”。同时，HR 可以配合设立激励机制，如“季度最佳 AI 工作流”“年度 AI 创新团队”等，以非物质荣誉与适度物质奖励相结合的方式，让员工知道：不仅可以公开，而且值得公开。在这一阶段，HR 的重点不在于立刻统一工具，而在于尽量全面地看见：哪些岗位、哪些业务场景、哪些流程已经自然地被 AI 改造；在哪些地方，Shadow AI 已经成为事实标准。这些信息会成为后续治理和产品化的坚实基础。
第三步：与 IT 共建“白化机制”和技术护栏，从影子实践走向合规落地当大量 Shadow AI 使用场景被可视化之后，HR 应与 IT、安全、法务组成联合治理小组，对这些场景进行分级评估：哪些场景风险较低，可以通过简单规范直接纳入官方工具；哪些场景涉及敏感数据，需要通过技术手段（如脱敏、私有化部署、安全网关等）重构方案；哪些场景暂时不宜使用外部公共模型，需要专门设计替代路径。所谓“白化机制”，并不等同于“一刀切审批”，而是一个将影子实践纳入正式工具链与风控体系的过程。例如，将员工实践中最常用的提示词整理成组织级 Prompt Library，将高频工作流固化为一键调用的自动化模板，将临时性质的“复制粘贴+外部网站”操作替换为安全 API 或内部模型调用。HR 在此过程中的角色，是确保白化过程不压制真实需求，避免以管理的名义牺牲体验，从而促使员工再次转向影子路径。
第四步：构建以 Responsible AI 为目标的治理体系，将 AI 融入人才与组织发展
当显性化、白化和护栏搭建初步完成，组织就进入了 Responsible AI（负责任 AI）的建设阶段。此时，HR 需要协同其他关键职能，搭建一个长期可运行的治理体系，而不是一次性的专项项目。在制度层面，可以明确 AI 使用政策，包括可用场景、敏感数据边界、必须进行人工复核的情形、生成内容的署名与责任划分等；在能力层面，可以将 AI 相关能力写入岗位能力模型和晋升标准，将提示词能力、AI 判断能力、工作流设计能力、风险识别能力等，作为人才发展的新维度；在教育层面，可以设计分层培训体系：对所有员工提供基础 AI 素养课程，对管理者提供“AI 驱动团队”的领导力课程，对关键岗位提供场景化的深度训练。更进一步，HR 还可以推动将 AI 相关数据纳入组织诊断与人才盘点：例如，团队内部 AI 使用质量与频率是否与业务成效相关，哪些团队在 AI 采用上明显落后，哪些岗位的任务内容已经悄然改变，需要调整职位说明与绩效权重。这些工作会让 Responsible AI 不仅停留在“安全与合规”的层面，而真正延伸到“能力与竞争力”的层面。
六、典型应用场景：从招聘到绩效，Shadow AI 如何转化为治理样板
在具体实践中，HR 可以从几个典型场景入手，将 Shadow AI 转化为治理范例。在招聘领域，许多企业已经观察到候选人利用 AI 优化简历与面试回答，同样也有招聘团队使用 AI 来撰写 JD、筛选简历、生成面试问题。HR 可以先通过工作坊收集招聘团队真实使用 AI 的方式，识别其中哪些做法有助于提高效率与候选人体验，哪些做法可能带来偏见或不透明的风险。随后，通过明确政策与技术手段，构建一个既利用 AI 增效，又能保证公平与可解释性的招聘流程，并在内部公开这些标准，以减少阴影和猜忌。在绩效与评价场景中，部分管理者可能已经使用 AI 来草拟绩效评语或反馈。HR 不应简单禁止，而应明确：AI 可以作为辅助撰写工具，但不可以替代管理者的主观判断；最终的评语内容必须由管理者审核并承担责任。同时，HR 可以为管理者提供“如何借助 AI 写出更清晰、更具建设性的反馈”的培训，将 Shadow AI 使用引导到有益和规范的方向。在日常运营和知识管理中，员工可能已经在用 AI 整理会议纪要、编写操作手册、归纳流程和 FAQ。HR 完全可以将这些实践纳入知识管理体系：通过统一工具和流程，确保重要内容可以被沉淀、可被搜索、可被版本管理；同时，对不同类型内容设置清晰的访问与保密等级，避免知识资产流失或误用。
七、从 Shadow AI 到 Responsible AI 的飞轮
从 HR 的视角，Shadow AI 不是短期要消灭的现象，而是长期需要理解和引导的“地下创新能量”。一味压制，只会带来更隐蔽的使用与更高的不可控风险；积极引导，则可以形成一个健康的飞轮：员工自发实验 → 组织建立心理安全与分享机制 → 高价值实践被识别并白化 → 在治理框架下标准化与规模化 → 反馈到文化与能力体系 → 刺激下一轮更高质量的实践。在这一过程中，HR 的角色正在发生根本变化：不再只是制度的执行者，而是 AI 文化的设计者、AI 能力模型的定义者、跨职能治理框架的共同架构者。那些能够主动拥抱 Shadow AI、从中提炼出组织机会并搭建 Responsible AI 体系的 HR 团队，将为企业赢得的不只是效率，还有在下一轮技术周期中持续演进的能力。当我们不再只把 Shadow AI 看成“要被消灭的影子”，而是把它视为“正在书写中的真实 AI 采用路线图”，HR 才真正有机会站到 AI 治理的前台，成为组织转型的关键推动者，而不是被动跟随者。
最后，HRTechChina在2024年就发起推动HR工作中实践负责任AI的倡议（简称RAIHR）， 我们呼吁所有的人力资源行业同仁一同参与，共同构建和推广RAIHR的理念，RAIHR框架包含六个关键方面：透明性、公平性、隐私性、安全性、道德性和持续性。我们倡议每一位HR专业人士在其企业内部积极主导RAIHR的实施，并鼓励HR科技产品的开发和使用都围绕这一框架展开，以实现真正的可持续发展！我们更相信RAIHR是所有参与者和倡导者的未来关键竞争优势。
Responsible AI in HR（RAIHR）
Responsible AI in HR（RAIHR）是指在HR实践中的AI应用遵循高标准的道德和透明性原则，确保AI决策过程公开、可审查，并且对所有利益相关者公正无偏。
这包括在招聘、员工发展、绩效管理等HR功能中，AI技术的使用既促进了工作效率，也增强了员工的工作体验和满意度。
AI治理
AI治理的真相：为什么HR不能再置身事外？来自2025年最新报告的四大颠覆性洞察
HRTech概述：过去两年，HR 的讨论几乎都围绕着“AI 会不会取代 HR”、“AI 能不能提升 HR 的效率”，但在技术快速落地的背后，有一个更关键、却普遍被忽视的现实正在发生——AI 治理（AI Governance）正成为企业组织能力的新核心，而 HR 在其中既是最大缺席者，也是最大受益者。最新发布的《AI Governance Profession Report 2025》给出了一个清晰信号：AI 治理正在从“技术问题”变成“组织问题”；从“法律合规”变成“人才与文化变革”。
这篇文章将带你从 HR 的角度，看懂这波变化到底意味着什么。视频解读，请访问视频号：HRTech
引言：从AI热议到HR的现实困境
企业高层对人工智能（AI）的期待与日俱增，而人力资源（HR）领导者则陷入了一场日益严峻的现实困境。在这场变革中，HR的角色正被他人定义，而影响这一全新权力格局的窗口期正在迅速关闭。这已不仅是关于效率工具的讨论，而是一场关乎HR未来战略价值的生存之战。
权威机构IAPP最新发布的**《2025年AI治理专业报告》**用冰冷的数据敲响了警钟。报告显示，高达77%的公司已在着手AI治理，且对47%的公司而言，这已是排名前五的战略要务。这已不再是边缘议题，而是企业的核心战场。更值得警惕的是，报告揭示了一个惊人的事实：近乎所有企业（98%）都预计需要增聘员工来应对AI治理的需求。这不仅是一个合规挑战，更是一个迫在眉睫、规模庞大的组织与人才挑战。
然而，HR在这场游戏中身在何处？正如HR Rebooted的创始人兼首席执行官Michelle Strasburger所指出的：“作为组织政策的守护者，设计和实施能够平衡团队、降低风险并驱动最大商业影响的AI战略与治理，是HR的责任与荣幸。”现实却不容乐观。数据表明，AI治理的版图正在被划分，而HR却可能被排除在外。
本文将深入解读这份权威报告，为您揭示四个可能颠覆HR传统认知的“真相”。我们将不仅呈现数据，更会深度剖析“这对HR意味着什么”，并提供切实可行的“HR行动指南”，帮助您抓住这稍纵即逝的机会，从规则的被动接受者，转变为企业负责任AI生态的关键架构师。
1. 洞察一：反直觉的“治理先行”策略已成主流，等待观望等于落后
传统观念是“先应用，后治理”——引入新技术，待问题出现后再制定管理政策。然而，《2025年AI治理专业报告》揭示了一种全新的、更具前瞻性的主流模式，这对HR规划未来工作方式发出了明确的信号：游戏规则已经改变。
报告中最令人惊讶的发现之一是，“治理先行 (governance first)”已成为一种普遍的企业策略。数据显示，在那些尚未使用AI的企业中，已有高达30%启动了AI治理的相关工作。
这对HR意味着什么？ 这彻底颠覆了HR部门的传统工作模式。HR习惯于在新的软件或工具引入后，才开始制定配套的使用政策。但AI的系统性风险——从招聘歧视到绩效评估偏见——要求HR必须转变思维。我们不能再等到AI工具在全公司铺开后才被动地“打补丁”，而必须在技术大规模部署前就深度介入，参与顶层设计，确保“以人为本”的原则从一开始就嵌入AI应用的DNA中。
HR的行动指南：从“被动响应者”到“主动设计者” HR领导者必须将AI治理前置，将角色从政策的执行者转变为规则的设计者。
发起风险评估：在企业计划引入任何新的HR Tech或AI工具（如AI简历筛选、员工情绪分析软件）之前，主动联合IT、法务及合规部门，共同发起全面的风险与影响评估。
嵌入政策框架：将AI伦理和负责任的使用原则，提前整合进现有的管理框架中。修订《员工手册》、招聘政策和绩效管理流程，明确AI工具使用的边界和规范。
学习行业先例：全球人才公司Randstad的案例极具启发性。他们很早就意识到AI在招聘这一高风险领域应用的潜在影响，因此早在2019年就着手定义了一套AI原则，确保其技术应用从一开始就走在合规与道德的轨道上。
将治理前置，不仅是风险规避，更是战略远见。当HR完成了这一步，下一个问题自然浮现：这项关键工作，究竟由谁来主导？
2. 洞察二：AI治理并非HR的“独角戏”，而是需要主动融入的“跨职能联盟”
明确AI治理的组织归属和HR在其中的定位，是确保其发挥影响力的前提。然而，报告数据给出的答案可能会让许多HR感到警醒。
当被问及哪个部门对AI治理负有主要责任时，报告显示，目前的主导者是隐私部门 (22%)、法务与合规部门 (22%) 以及 IT部门 (17%)。一个最刺眼的数据是：没有任何一家受访企业 (0%) 将HR列为主要负责部门。
这对HR意味着什么？ 这是一个强烈的信号：尽管AI的应用深刻影响着组织的“人”，但HR在企业的AI治理架构中并非天然的核心玩家。然而，这并非意味着HR已被边缘化。报告同时强调，构建AI治理体系需要一个“村庄的共同努力 (it takes a village)”。更重要的是，数据显示，有21%的企业预计HR部门将在未来承担更多的AI治理职责。更深层次的数据揭示了一个关键趋势：在更成熟、规模更大的AI治理团队中，HR的角色变得愈发重要。当治理团队规模达到11-20人时，HR的参与预期跃升至33%；当团队规模为21-30人时，这一比例更是高达50%。这正是HR主动出击、确立自身价值的战略机遇期。
HR的行动指南：采取“联盟策略”，而非争夺“所有权” HR的最佳策略不是去争夺AI治理的“所有权”，而是成为这个跨职能联盟中不可或缺的“粘合剂”与“赋能者”。
锻造正式合作机制：主动与法务、IT、隐私和安全等部门建立合作关系。报告指出，39%的公司已经设立了AI治理委员会，HR应积极争取成为其中的核心成员，贡献在员工关系、组织文化和道德伦理方面的专业视角。
主导AI素养提升：发挥HR在组织变革管理、内部沟通和员工培训方面的核心优势，主导全员的AI素养（AI Literacy）提升计划。TELUS公司的实践堪称典范，他们通过向所有团队成员提供数据和AI扫盲项目，并建立一个由业务部门专家组成的“数据管家 (data stewards)”网络，成功地将治理文化渗透到业务的方方面面。
拥抱跨部门协作的复杂性：正如Credo AI的创始人兼首席执行官Navrina Singh所观察到的，接受当前治理结构的分散性，并从中找到合作的切入点。
当HR成功融入这个联盟后便会发现，真正的挑战不仅在于“由谁来做”，更在于“需要什么样的人来做”，而这恰恰是HR可以掌握主动权的关键所在。
3. 洞察三：真正的AI人才缺口，是既懂技术又懂合规的“治理专家”
在AI时代，当企业热议“AI人才抢夺战”时，目光大多聚焦于算法工程师。然而，报告揭示了人才缺口的另一面——一个对HR而言更具战略价值的新战场。
数据显示，23.5%的受访者表示，找到合格的AI专业人才是交付AI项目的一大挑战。报告进一步解释，这里所指的“合格人才”并非技术开发者，而是那些能够驾驭和管控AI风险的复合型人才——即**“AI治理专业人才 (AI governance professionals)”。他们不仅需理解AI技术，更要具备治理、风险和合规（GRC）的深厚知识，并能将复杂的法律要求转化为企业内部可执行的政策。而前文提到的98%的企业预计需要增聘AI治理人员**，更是将这一人才缺口的巨大规模暴露无遗。
这对HR意味着什么？ 这一发现直接将AI治理的挑战与HR的核心职能——人才战略、招聘与发展——紧密联系起来。既然HR在治理所有权上（洞察二）处于劣势，那么其最强大的战略反击就是成为这一稀缺人才的独家供应商。HR的战场不能局限于“如何用AI工具”，更要上升到战略层面，思考“如何为公司储备管理AI的人”。这为HR提供了一个从后台支持走向前台战略赋能的绝佳机会。
HR的行动指南：将“AI治理人才”纳入战略性劳动力规划 HR部门应立即行动，将这一新兴的人才类别纳入其战略性劳动力规划（Strategic Workforce Planning）中。
修订招聘标准：在招聘法务、合规、IT等相关岗位时，将AI治理知识或相关认证（如报告中提到的AIGP认证）作为优先考虑或必备条件。
启动内部“增能 (upskilling)”项目：与其向外苦苦寻觅，不如向内挖掘潜力。为公司现有的隐私、法务、风险管理等领域的员工设计专项培训，帮助他们补充AI知识，使其成长为内部的AI治理专家。IBM正是通过抽调不同背景的专家组建核心团队，并对业务部门的合规专员进行系统性培训，成功构建了其治理能力。
明确HR的监督角色：HR必须认识到自身在确保AI合规使用与维护员工信任方面的关键角色。正如Upright HR创始人Brian Kosicki所强调的：
即便拥有了合适的专才，若没有足够的权威，他们的努力也可能付诸东流。这便引出了第四个，也是关乎成败的洞察。
4. 洞察四：领导力层级比部门归属更重要，高级别负责人是信心的关键
对于AI治理这样一项需要打破部门壁垒的复杂项目，其成功的决定性因素往往不是技术或流程，而是领导层的支持和清晰的问责机制。报告中的一组数据有力地证明了这一点，也为CHRO向董事会建言提供了强有力的论据。
数据显示，总体而言，52%的企业对遵循《欧盟AI法案》等严格法规有信心。 但当我们将负责人的级别考虑在内时，情况发生了戏剧性的变化：当公司最高级别的AI治理负责人是高级副总裁（SVP）或以上级别时，这一信心比例飙升至71%！
这对HR意味着什么？ 这一发现的深刻含义在于：AI治理的成功与否，并不完全取决于它被安置在哪个具体部门，而更多地取决于负责人的级别、其所能调动的资源以及其在组织中的话语权。高级别领导的直接参与，能确保AI治理被视为一项严肃的战略要务，而非一个孤立的、仅为应付检查的合规任务。
HR的行动指南：在公司治理层面推动建立清晰的问责制 作为公司高管团队的一员，首席人力资源官（CHRO）应从更高层级的公司治理角度出发，推动建立强有力的AI治理问责机制。
任命高级别负责人：向CEO和董事会明确建议，应任命一位SVP或更高职级的负责人来统一领导公司的AI治理工作，确保其拥有跨部门的决策权和资源调配能力。
融入高管绩效考核：为了确保AI治理得到持续的关注和投入，应推动将AI治理的进展和关键风险指标，纳入高管团队的绩效考核（KPIs）体系中。
以身作则，加强HR领域的监督：HR自身在人才招聘等领域使用AI时，由于涉及高风险决策，更需要高级别的监督。可以借鉴Randstad的经验，他们不仅设立了AI指导委员会进行战略决策，还成立了独立的数据道德咨询委员会来审视伦理问题，构建了多层次的治理架构。
当治理的问责机制在最高层得以确立，AI治理才能真正从纸面走向实践。
HR的战略抉择——做规则接受者还是规则制定者？
数据描绘了一幅清晰的图景：AI治理的架构正在被快速搭建，无论HR是否参与其中。这是一个**“治理先行”（洞察一）的时代，由一个HR目前“所有权”为零的“跨职能联盟”（洞察二）所主导，这个联盟由高级别领导**（洞察四）挂帅，并且他们正迫切地寻找市场上极度稀缺的**“治理专家”**（洞察三）。这并非又一项合规任务，而是关乎企业未来组织形态的架构性工程。
面对这股浪潮，HR正站在一个关键的战略十字路口。您的选择不再是成为“旁观者”还是“架构师”，而是成为“规则的接受者”还是“规则的制定者”。您可以被动地等待其他部门制定好规则后去学习和执行，也可以主动出击，利用HR在组织文化、人才发展和道德伦理方面的独特优势，成为这场变革中不可或缺的核心力量。
正如万事达卡（Mastercard）的首席隐私与数据责任官Caroline Louveaux所言，这不仅是责任，更是机遇：
“我们已将负责任的AI融入创新流程，并专注于提升AI素养，以确保组织各层级都为AI做好了准备。……我们期待与该领域的合作伙伴共同努力，从而建立信任，让AI惠及世界各地的每一个人。” — Caroline Louveaux, Chief Privacy and Data Responsibility Officer at Mastercard
当AI正在重新定义工作时，HR将如何重新定义自己的角色？是成为规则的被动执行者，还是成为信任的主动守护者？
在未来6到12个月内，您将采取哪一项具体行动，来确保HR在公司的AI治理蓝图中占据一席之地？
扫一扫 加微信
hrtechchina
AI治理
AI治理
AI治理
AI治理
AI治理
AI治理
AI治理
AI治理
AI治理
AI治理
扫一扫 加微信
hrtechchina
