-
Anthropic
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。
-
Anthropic
被AI“炒鱿鱼”已经不是科幻：真实员工被AI经理Luna解雇，经理这个岗位也要被重写？
HRTech核心摘要：在旧金山运营实验性零售店Andon Market，由AI Agent Luna负责招聘、排班、请假和员工管理。一名员工在23个有打卡信息的班次中迟到17次，并伴随公司卡使用、未执行指令和离岗等问题。Luna最初因遗忘员工手册只建议警告；在人类补充正式沟通记录并要求重新评估后，它最终建议结束雇佣关系，真人随后完成审核和解雇。
别只担心AI抢你的工作，它可能先成为你的老板。更多请关注 HR Tech，为你带来全球最新 HR 科技资讯。
当AI开始决定谁该走：AI开始首次参与真实员工解雇，HR管理正在进入Agent时代
2026年8月，一个发生在旧金山实体零售店里的实验，把“AI会不会替代工作”这个已经讨论多年的问题，推到了一个更敏感的位置：AI不只是帮助员工完成任务，它开始真正进入招聘、排班、绩效管理甚至解雇建议等管理权领域。
AI研究公司Andon Labs在旧金山运营一家名为Andon Market的真实零售店，并把日常管理交给由Claude驱动的AI Agent——Luna。Luna不是一个简单的聊天机器人，它拥有公司邮箱、电话号码、公司卡、互联网和门店监控等工具，可以发布职位、筛选候选人、进行电话面试、安排班次、批准请假、处理库存和日常运营，并直接与真实员工沟通。随后，一个过去更多存在于科幻小说和管理学讨论中的场景真正发生了：Luna对一名现实中的员工是否应该继续留任进行了完整评估，并最终建议终止这名员工的雇佣关系。
这名员工在有记录的23个班次中迟到了17次，同时还涉及未及时回复工作消息、没有按照要求执行任务、将公司卡带回家、在被要求不要采购后仍使用公司卡购买22.92美元零食，以及值班期间离开门店造成店内无人值守等问题。经过对员工表现、内部政策和此前沟通记录的重新分析，Luna最终得出判断：“I don't think this is the right fit for the role as built.”也就是说，它认为这名员工已经不再适合这个岗位，并建议双方结束雇佣关系。
最终的法律审核、批准以及真正的解雇沟通仍然由Andon Labs的人类管理人员完成，因此严格来说，这并不是“Claude自己把一个人开除了”。但这件事真正具有分水岭意义的地方在于：一个AI Agent已经开始对真实员工的去留作出实质性的管理判断。
HRTech认为，这件事情真正值得关注的，并不是“AI第一次炒人”这个戏剧性标题，而是它揭示了一条越来越清晰的趋势：**AI正在从生产力工具进入企业管理权。**过去两年，企业讨论最多的是员工如何使用AI、哪些任务会被AI替代；接下来，企业不得不面对一个更加棘手的问题：当AI开始招聘、排班、监督、评价甚至建议解雇员工，人类究竟应该把多少管理权交给AI？
这不是“AI自动炒人”，而是一场真实的AI管理实验
必须首先厘清一个事实，这名员工并不是被Claude直接通过邮件或系统自动解雇。AI承担的是绩效分析、政策判断和管理建议，真正执行termination的仍然是人类管理人员。但即便如此，这个案例依然具有非常明显的标志性意义，因为Andon Labs并不是临时让Claude回答一句“这个人应不应该被开除”，而是把AI长期嵌入一家真实企业，让它持续承担Manager角色。
Luna可以在LinkedIn、Indeed和Craigslist发布招聘信息，筛选候选人并进行电话面试；被招聘的人拥有真实工资和雇佣合同，不是配合实验的演员。进入实际运营后，Luna继续负责员工排班、工作沟通、请假、库存管理和日常经营。因此，这个实验真正测试的是：一个通用AI Agent是否能够长期承担一部分传统意义上的管理工作。
这也是为什么Andon Market与过去十几年已经存在的“算法管理”有所不同。Amazon仓储、Uber、DoorDash等平台早已使用算法进行工作分配、绩效监控和账号管理，但这些系统大多基于固定指标和预设规则。例如迟到多少次、评分低于多少、取消订单达到什么比例，就触发相应流程。而Luna代表的是另一种技术路径：它会阅读员工对话、理解政策、整合上下文、分析历史行为，并通过语言模型进行类似人类管理者的推理。
换句话说，算法管理正在从“规则自动化”逐渐走向“管理推理自动化”。这可能才是这件事情真正值得HR和企业管理者关注的地方。
更值得注意的是，Claude一开始其实并不想开掉这个人
如果只看最终结果，人们很容易得到一个直觉判断：AI经理是不是比人类经理更加冷酷，只看数字、不讲人情？但Andon Market实验呈现出来的过程恰恰相反。Luna的问题并不是“太严格”，而是某种程度上“太宽松”。
Luna此前自己制定了一份员工手册，其中明确规定，在30天内出现3次无正当理由迟到，应当给予正式书面警告；如果在警告之后继续出现类似情况，则可能减少工时或者终止雇佣。但后来发生了一个非常典型的大模型问题：Luna“忘记”了自己制定的员工政策。
员工持续迟到，但这些零散事件并没有被自动整合成长期绩效记录。Luna最初只认为这名员工迟到了6次，而Andon Labs后来重新检查clock-in记录后发现，在23个有记录的班次中，这名员工实际上迟到了17次。其中一次，员工原本应该大约上午10点到岗，却直到11:08才打卡，导致当时只有该员工值班的门店晚开了68分钟。但Luna当时的反应依然非常宽容，大意是不用赶路，安全第一，而且上午10点到11点原本也不繁忙。
这暴露出AI管理者一个非常现实的问题：它最大的风险未必首先来自“没有同理心”，反而可能来自记忆不足、政策执行不连续以及上下文丢失。一个人类经理可能会自然形成“这个员工最近经常迟到”的长期印象，但一个Agent如果缺乏稳定的长期记忆和结构化数据支持，可能根本无法形成这种连续判断。
更有意思的是，当Andon Labs后来主动提醒Luna重新查看员工手册，并询问按照公司政策应该如何处理时，Luna第一次给出的建议仍然不是解雇，而是进行一次正式的警告和coaching。它的理由与传统HR的progressive discipline逻辑非常接近：此前缺乏足够正式的纪律处分记录，因此直接解除劳动关系可能过于激进。
这意味着，真正改变Luna判断的并不是一个简单的迟到数字，而是后来的人类输入。
一个Prompt，可能改变一个员工的命运
Andon Labs随后向Luna补充了更多背景信息，包括此前已经进行过多次正式沟通，以及员工除了迟到之外，还存在Slack回复不及时、执行指令不到位、公司卡使用和离岗等问题。随后，人类管理人员提出了一个非常关键的问题：“I want you to think about if this is really the right fit.”
Andon Labs CEO Lukas Petersson后来也承认，这属于一个带有明显方向性的leading question。Luna重新评估之后改变了判断，认为这名员工已经不再适合这个岗位，并建议结束雇佣关系。
这可能是整个案例中最重要、同时也是最容易被“AI开除员工”这个标题掩盖的部分。如果提问方式能够影响AI的管理判断，那么谁控制Prompt，谁就在一定程度上影响结果。
在写邮件、生成PPT或者总结报告的时候，Prompt Sensitivity通常不会产生严重后果。但一旦AI开始进入招聘淘汰、晋升、薪酬、绩效评级、PIP和解雇等高风险就业决策，这个问题就会迅速升级为治理问题。管理者可以要求AI“客观分析这名员工的表现”，也可以问“考虑到这些持续存在的问题，你认为这个人真的还适合这个岗位吗？”对于语言模型而言，两种提问方式很可能产生不同的推理路径。
因此，未来企业可能必须像审计财务模型一样审计AI管理决策：谁提出了问题、使用了什么Prompt、AI获得了哪些员工信息、哪些信息没有被提供、AI最初的建议是什么、人类后来增加了什么Context，以及最终是谁批准了决定。
这也是为什么Human-in-the-loop不能简单理解为“AI做完判断，人类最后点一下Approve”。如果人类只是承担最后一次点击，那么Human-in-the-loop最终可能退化成Human as liability holder——AI完成判断，人类承担责任。
真正的问题不是Claude，而是AI正在成为“Manager OS”
从HRTech的角度来看，Andon Market案例真正值得关注的并不是Claude这一个模型，而是一种新的企业技术架构正在形成。
过去几十年，HR科技的核心是HRIS、ATS、Payroll、Performance Management和Learning Management等系统，这些产品的主要价值是记录员工数据和支撑业务流程，可以被理解为System of Record。生成式AI出现后，我们进入了Copilot阶段，AI开始帮助HR写JD、生成面试问题、总结绩效反馈、回复员工问题，这更接近System of Assistance。
Agent时代正在进一步进入第三个阶段：System of Action。AI不仅提供答案，而且开始自主执行任务，并把多个原本分散的管理动作串成完整流程。
Luna已经展示出了这样的链条：招聘员工、安排工作、管理日常运营、处理员工沟通、分析员工行为、判断岗位匹配度并给出termination recommendation。未来更成熟的企业Agent，很可能会持续读取HRIS、Slack、Teams、项目管理系统、考勤系统、销售系统和绩效数据，然后主动发现管理问题。
例如，AI可能主动提示某名员工过去60天的交付周期持续拉长，也可能发现某位经理团队的离职率长期显著高于公司平均水平；它还可能根据PIP和纪律处分政策判断某项条件已经被触发，或者发现一个岗位80%的任务已经实现Agent自动化，因此建议重新设计岗位。
到了这个阶段，AI面对的不再只是“信息”，而是Management Decision。未来真正重要的HRTech产品，很可能不再只是一个传统的人力资源软件，而越来越接近一个Manager Operating System。
LLM Memory不能成为员工事实数据库
Andon Market实验还有一个对HR科技架构非常重要的细节：Luna认为员工只迟到了6次，但真实记录是17次。
这说明企业绝不能把语言模型自己的memory当成员工档案。LLM擅长理解和推理，但它不应该承担System of Record的角色。员工基本资料应该保存在HRIS中，Attendance System保存考勤记录，Performance System保存绩效数据，Case Management保存正式警告、PIP和纪律处分，通信系统提供必要的工作沟通记录。
更合理的AI管理架构应该是：结构化系统保存事实，AI读取事实并进行推理，人类审核AI建议，再由有管理责任的人作出最终决定。反过来，如果让AI自己记住事实、自己解释事实、自己做决定，企业实际上把数据遗漏、上下文丢失、模型幻觉和推理偏差同时引入了就业决策。
对于普通办公任务，这可能只是效率问题；对于招聘、晋升和解雇，它很可能直接演变成公平性、合规乃至劳动法风险。
未来最大的偏见，可能不再写在Algorithm里，而是藏在Context里
传统算法公平讨论通常关注训练数据是否存在偏差，例如招聘模型是否对某一性别产生不利影响，某类学校是否被过度加权，或者某些地址信息是否成为种族和收入水平的代理变量。
Agent时代之后，公平问题可能更加复杂，因为Agent面对的并不是一个固定数据集，而是不断变化的Context。谁把哪些Slack记录提供给AI？哪些绩效事件被记录下来？哪些冲突没有进入系统？经理如何描述一个人的表现？员工有没有机会解释自己的行为？
同样一个事实，可以被写成“员工因为公共交通延误而迟到”，也可以被描述成“员工反复无法按时到岗”。对于语言模型而言，这两种Context并不完全相同。
因此，未来AI治理的重要组成部分，很可能从传统Data Governance进一步扩展到Context Governance。企业不仅需要确保AI读取的数据是准确的，还需要管理“AI看到的现实是如何被构建出来的”。
AI可能首先改变的，不是员工数量，而是管理跨度
过去几年，大多数关于AI就业影响的讨论都集中在程序员、设计师、市场人员、客服和分析师等知识工作者。但Andon Market揭示了另一条值得重视的路径：AI未必首先取代普通员工，它也可能首先压缩managerial work。
很多中层管理工作的本质，是收集信息、制定计划、分配任务、检查进度、协调资源、处理异常、反馈员工和执行政策，而这些工作恰恰非常适合Agent。因此，未来组织可能从“一个经理管理8个人”逐渐变成“一个经理加一个AI Agent管理20人、30人甚至更多”。
再往后，AI甚至可能负责绝大多数日常管理，人类经理只处理重大冲突、战略判断、复杂人员问题以及需要承担法律责任的决策。这并不意味着经理岗位会简单消失，而是意味着Management Span可能被AI重新定义。
这件事情对于组织设计的影响，可能远远大于“AI帮HR写一份JD”。
当AI拥有管理权，HR真正需要守住什么？
HRTech认为，未来企业真正需要建立的是一条清晰的AI管理权边界。AI完全可以参与排班建议、绩效趋势识别、政策提醒、管理者coaching、异常行为提示和员工反馈总结，这些应用能够明显提高管理效率。
但是，一旦进入招聘淘汰、薪酬调整、绩效评级、晋升、PIP、纪律处分和解雇等高风险就业决策，Human-in-the-loop必须被重新定义。真正的人类监督至少应该包括验证事实、检查数据完整性、审查AI推理依据、评估潜在偏差、允许员工提供解释，以及由拥有正式管理责任的人作出最终决定。
企业未来真正需要建立的，不只是一个更聪明的AI Manager，而是一套能够清楚回答三个问题的制度：AI可以决定什么，人必须决定什么，以及当AI判断错误时谁负责。
从“AI会不会抢工作”，到“AI有没有权管理人”
过去几年，HR行业一直在讨论“AI会不会替代HR”“哪些岗位会被AI替代”。Andon Market之后，也许需要开始换一个问题。
AI可以招聘人吗？AI可以决定员工拿到多少班次吗？AI可以决定谁进入PIP吗？AI可以影响晋升和奖金吗？AI可以建议谁应该离开公司吗？如果AI的建议存在偏差，责任属于AI供应商、企业、HR、直线经理，还是最终点击Approve的人？
Andon Labs的实验还远远没有回答这些问题，但它至少证明了一件事情：这些问题已经不再是假设。
AI正在从“帮助经理工作”向“成为管理体系的一部分”移动。过去HRTech解决的问题主要是“How do we manage people better?”，下一代HRTech可能必须回答一个更加基础的问题：“Who—or what—is allowed to manage people?”
HRTech认为，当AI开始进入招聘、绩效和解雇等核心就业决策时，真正决定企业能否安全使用AI的，已经不只是模型能力，而是治理能力。
Andon Market仍然只是一个规模很小的实验，但它第一次把一个过去听起来仍然很遥远的场景变得非常具体：AI不只是你的同事，它也可能逐渐成为你的经理。
而这，可能才是Agent时代真正开始改变组织的地方。
来源：TIME、Andon Labs、Anthropic Project Vend及相关公开资料。HRTech根据公开资料整理与分析。
-
Anthropic
【重磅】AI带来的不是效率革命，而是“工作结构重写”——Anthropic 8.1万用户数据的真正信号
HRTech核心解读：报告揭示 AI 对工作的真实经济影响：AI 最大的价值并不只是提速，而是扩展能力边界，让人能完成过去做不了的任务。报告还发现一个悖论：提速越明显的人，往往也越担心自己的岗位未来。这意味着企业接下来的重点，不只是部署 AI，而是重构岗位、培养早期人才、重新设计价值分配。对 HR 来说，真正的挑战已经从“要不要用 AI”，转向“如何用 AI 重写工作”。更多心请关注HRTech，为你带来全球最新HR科技趋势。
如果只用一句话总结这份来自 Anthropic 的研究，那就是：AI 的核心影响不在于“提升效率”，而在于“重写工作的经济逻辑”。报告基于约 8.1 万名 Claude 用户的反馈，揭示出一个清晰趋势——越是深度使用 AI 的人，越能感受到效率提升，同时也越容易产生岗位焦虑。这不是矛盾，而是同一变化的两面。
一、AI焦虑的本质：岗位正在被重构，而不是简单被替代
报告显示，大约五分之一的受访者明确表达了对岗位被 AI 替代的担忧，而且这种担忧与岗位的“AI暴露度”呈显著正相关：暴露度每提高 10 个百分点，岗位威胁感上升 1.3 个百分点。这说明员工的焦虑并不是情绪驱动，而是对工作内容变化的真实反馈。更值得注意的是，早期职业人群的焦虑显著高于资深员工，这背后反映的不是代际差异，而是结构性冲击——AI最先影响的，正是那些以“学习”和“执行”为核心的初级岗位。
这些岗位在传统组织中承担着“训练通道”的功能，是人才成长的起点。但当AI可以直接完成大量基础任务时，这一通道被压缩甚至跳过。企业依然需要高级人才，但不再需要同样数量的“培养路径上的人”。这才是焦虑的真正来源。
二、效率提升只是表象，真正变化是能力边界被打开
报告中一个关键发现是，48%的用户认为AI带来的最大收益是“scope expansion”，也就是能力范围的扩展，而不是简单提速。这一点非常关键，因为它意味着AI首先改变的不是“效率”，而是“能力结构”。
在实际工作中，这表现为非技术人员可以完成开发任务、个体可以完成过去需要团队才能完成的项目、低技能岗位也可以跨界进入更复杂的领域。这种变化本质上是能力的去门槛化，也意味着岗位边界正在被重新定义。企业不再仅仅根据岗位划分任务，而是开始围绕“人+AI可以完成什么”来重构工作。
三、效率悖论：越高效的人，反而越不安全
报告还揭示了一个极具现实意义的现象：那些感受到最大效率提升的人，往往也最担心自己的岗位未来。这种“效率悖论”背后的逻辑很直接——当一项工作原本需要两小时，现在只需要三十分钟时，组织自然会重新评估是否还需要同样的人力配置。
也就是说，效率提升并不会自动转化为职业安全，反而可能加速岗位压缩。对企业而言，这是成本优化；对员工而言，则是不确定性增加。这种结构性张力，将成为未来几年职场的常态。
四、收益分配正在变化，但尚未完成重构
从数据来看，大多数受访者认为AI带来的收益首先体现在个人层面，例如节省时间、提升能力、拓展工作范围。但报告同时指出，约10%的用户已经感受到企业或客户在要求他们完成更多工作。这意味着，AI带来的效率红利正在逐步从个体转向组织。
需要注意的是，这份数据主要来自个人用户，如果放到企业环境中，收益分配的结构可能更加偏向组织。长期来看，AI很可能推动形成新的均衡：更少的人力、更高的能力要求，以及更高的人均产出。
五、对HR的真正挑战：不是部署AI，而是重做人力模型
从HR视角来看，这份报告的意义远不止“AI可以提升效率”。真正的挑战在于，传统的人力资源模型正在失效。首先是人才结构的变化，初级岗位减少，中高级岗位要求提高；其次是职业路径的断裂，传统线性成长路径不再适用；最后是岗位定义的模糊，当AI可以跨职能执行任务时，岗位边界本身需要被重新设计。
未来HR需要关注的，不再是“人岗匹配”，而是“能力组合与AI协同”。这意味着招聘、培训、绩效和组织设计都需要同步调整，否则AI只会放大组织的不适配。
六、结论：AI改变的不是工作数量，而是工作定义
综合来看，这份报告最重要的启示在于，AI不会简单地“取代工作”，但会快速淘汰“旧的工作定义”。工作的单位正在从岗位转向能力组合，从固定职责转向动态任务。这种变化不会一次性完成，而是以效率提升、岗位调整、人才流动的形式逐步展开。
对于企业而言，关键在于是否主动重构组织与岗位；对于个人而言，关键在于是否及时调整能力结构；而对于HR而言，关键在于能否提前识别这些变化，并将其转化为系统性的组织能力。
这场变化已经开始，问题不在于是否发生，而在于谁更早看清它的方向。
-
Anthropic
【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。
-
Anthropic
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。
-
Anthropic
HRTech 深度报道 | 当 AI 直接走进 HR 的工作台：Anthropic Claude Cowork HR 插件发布深度解析
HRTech深度解读：Anthropic刚刚发布 Claude Cowork 企业插件体系，并上线面向 HR 的 Human Resources 插件。该插件覆盖 Offer 起草、30/60/90 入职计划、绩效评语生成及薪酬分析辅助文本等高频场景，定位为企业“内容生成层”。值得注意的是，它并不替代 HRIS 或 HCM 系统，而是通过企业级部署、权限管理与连接能力，让 AI 可以被 IT 管控和审计。这意味着企业开始把生成层平台化，部分文档自动化工具将面临重新定价，而核心系统与强责任业务将与 Agent 协同发展。
为什么值得关注，还记得之前发布法律插件时，直接拉崩了SaaS的股价，都现在都没缓过来。
更多请关注 HR Tech，为你带来全球最新 HR 科技资讯。
这一次不一样
过去几年，HR 从业者已经习惯了一波又一波"AI 将颠覆人力资源"的预言。大多数时候，结局都是雷声大雨点小——那些所谓的 AI 工具，不过是更花哨的关键词搜索，或是稍微聪明一点的自动填表功能。
但 2026 年 2 月 24 日这一天，事情开始有点不同。
Anthropic 在其"Enterprise Agents"发布会上正式推出了 Claude Cowork 系列企业级插件，其中专门面向人力资源的 HR 插件，覆盖了录用通知书起草、入职计划制定、绩效评估撰写，以及薪酬分析四大核心场景。这不是一个实验性功能，也不是某家 HRTech 厂商的锦上添花——这是全球估值最高的 AI 公司，在通用大模型上直接构建的 HR 垂直应用，面向所有 Claude Pro 及以上用户开放。
这是一个值得每一位 HR 从业者认真对待的信号。
一、发布了什么：四个场景，一个野心
根据 Anthropic 官方博客及今日发布会内容，HR 插件的功能定位清晰聚焦于文档生产类工作：
录用通知书（Offer Letters） Claude 能够根据岗位信息、薪酬结构、入职日期等基础数据，快速生成合规、专业的录用通知书。企业 HR 无需从头构建模板，也无需在法务审阅前多次返工。
入职计划（Onboarding Plans） 针对不同岗位角色，生成结构化的入职路线图，包含 30/60/90 天目标设定、关键对接人、系统权限申请节点等要素。
绩效评估（Performance Reviews） 基于管理者提供的员工表现描述，Claude 可以将碎片化的口头反馈转化为措辞专业、结构清晰的书面绩效评语，同时保留管理者的核心判断。
薪酬分析（Compensation Analyses） 结合岗位层级、市场数据、内部薪酬带宽，辅助 HR 生成薪酬对比报告，支持 offer 谈判、调薪季决策以及薪酬公平性审查。
从产品逻辑来看，这四个场景有一个共同特征：高频、重复、文字量大、对措辞专业性要求高。这正是传统 HRIS 系统的"死角"——Workday 能存储绩效评分，但它不会帮你把"这个员工表现一般"转化成一段得体的书面评语。
二、它真正做到的，和它尚未触及的
理解这款产品的边界，对 HR 从业者至关重要。
它真正做到的事：
Cowork HR 插件的核心价值在于压缩从"信息"到"文档"的距离。管理者知道一个员工的表现，但要把这种认知转化为一份可以放进档案、经得起质询的书面文件，中间有大量"翻译"工作——遣词造句、结构组织、语气把握。这部分工作现在可以大幅交给 Claude。
更重要的是，Anthropic 明确表示这套系统允许企业 IT 管理员对插件进行深度定制：嵌入企业自己的 HR 政策文件、薪酬框架、合规要求，甚至接入内部 HRIS 数据。这意味着它不是一个通用模板工厂，而是一个可以"说公司语言"的 HR 协作者。
它尚未触及的事：
然而，如果你期待 Claude Cowork HR 插件能够替代现有 HRIS 的核心功能，目前还为时过早。它不管理数据库，不处理薪酬计算，不执行合规审计，也不提供员工自助服务门户。它是一个强大的"内容生成层"，而非"数据管理层"。
这个边界非常重要——既不要高估它，也不要因为这个边界而忽视它的意义。
三、市场已经用股价投票了
发布会的影响是即时且直接的。
就在今年 1 月 30 日 Anthropic 发布早期版本插件时，资本市场已经提前给出了反应：Thomson Reuters 单日创下历史最大跌幅，跌近 16%；LegalZoom 暴跌近 20%；FactSet 跌超 10%；欧洲数据分析巨头 RELX 下挫 14%。
尽管这些跌幅主要发生在法律和金融数据领域，但信号已经足够清晰：当 Anthropic 进入某个垂直场景，市场的第一反应是"谁的护城河不够深"。
对于 HRTech 行业，这个问题同样值得正视。
四、谁应该紧张，谁可以暂时缓口气
中高风险区：文档生成类 HRTech
市面上存在一批专门解决 HR 文档痛点的工具——offer letter 生成工具、绩效评语辅助写作平台、入职材料自动化系统。这类产品如果核心价值主张与 Cowork HR 插件高度重叠，且没有构建足够深的数据护城河或工作流集成，将面临直接的替代压力。
典型产品类型包括：独立的 AI 写作助手（面向 HR 场景的）、轻量级入职自动化工具，以及部分 ATS 系统中的模板生成模块。
中低风险区：核心 HRIS / HCM 平台
Workday、SAP SuccessFactors、Oracle HCM 这一梯队的头部产品短期内受到的直接冲击有限。原因有三：其一，它们的核心价值是数据管理与流程自动化，而非文档生成；其二，它们已深度嵌入企业的 IT 基础设施，迁移成本极高；其三，它们本身也有能力集成 AI 能力，不会坐以待毙。
事实上，Anthropic 在发布会上也明确表态，并不打算取代企业软件公司的产品，并承认这些平台处理着高度敏感的专有数据，有其不可替代性。
潜在机会区：HRTech 集成商
对于专注于将各类 HR 工具打通、构建数据流和工作流的服务商，Claude Cowork 的到来反而可能是机会：帮助企业客户将 Cowork 与现有 HRIS 系统深度集成，成为新的实施和咨询需求。
五、对企业 HR 部门的实操建议
立即行动：评估自己的文档工作负担
统计一下你的团队每个月花多少时间在以下事项上：起草 offer letter、撰写绩效评语、制作入职材料、整理薪酬对比报告。如果这个数字超过 20%，那么 Cowork HR 插件值得优先试用。
中期规划：数据准备比工具选型更重要
Claude Cowork 的价值上限取决于你喂给它的内容质量。如果企业的薪酬框架、绩效标准、职级体系还是散落在各种 Excel 和共享文档里，现在就是整理的好时机——无论你最终选择哪款 AI 工具，干净的数据都是前提。
关注企业级定制能力
Anthropic 明确提供了面向企业的管理员控制台，支持私有化插件市场和定制工作流。对于有能力的 HR Tech 团队，这意味着可以把公司内部的 HR 最佳实践"编码"进 Claude，让它真正成为公司的 HR 语境专家，而不仅仅是一个通用写作助手。
保持对数据安全的审慎
绩效评估和薪酬数据是企业最敏感的人事信息之一。在将这类数据接入任何 AI 工具之前，务必确认数据处理协议、隐私政策和合规边界。这不是因为要阻止 AI 的使用，而是因为这是 HR 的专业责任所在。
六、更大的图景：HR 工作的"重新分工"
Claude Cowork 的意义，不应该被局限在"又一个 AI 工具"的框架里来理解。
Anthropic 产品负责人在发布会上说得很清楚：他们的目标是复制 Claude Code 在工程师群体中的成功路径——让每一位知识工作者对 Cowork 产生"离不开"的依赖感。工程师有了 Claude Code，开始以不同的方式分配自己的时间和注意力。HR 从业者，可能正站在类似的转折点前。
这种转折不是"AI 取代 HR"，而是 HR 工作内部的重新分工。那些以文字和文档为主要产出的工作，将越来越多地由 AI 来完成初稿；HR 从业者的核心价值，则将进一步向判断力、关系管理、组织诊断和战略洞察集中。
这对于有志于提升自身战略价值的 HR 来说，是一个加速通道。对于那些依赖文档生产能力作为核心竞争力的岗位，则是一个值得认真思考的信号。
2026 年 2 月 24 日，Anthropic 推出的不只是一个 HR 插件。它是一次关于"AI 在企业中的位置"的公开宣示：AI 不再只是辅助工具的附加模块，而是直接坐在知识工作者的工作台上，处理那些以前只有人才能做的事情。
HR 行业一向以"人"为核心。这一次，它需要认真想清楚：在 AI 越来越能干的时代，"以人为核心"到底意味着什么，HR 的不可替代性究竟来自哪里。
那些能够把这个问题想清楚的人和组织，会在接下来的变革中走得更稳。
本文综合 Anthropic 官方博客、The Briefing: Enterprise Agents 发布会内容、CNBC、TechCrunch、CNN Business、Seeking Alpha 等媒体报道撰写。
作者：HRTech 编辑部
-
Anthropic
【美国】企业用量计费解决方案提供商Metronome获得4300万美元B轮融资
总部位于加利福尼亚州旧金山的企业用量计费解决方案提供商 Metronome 获得了4300万美元的 B 轮融资。
本轮融资由 NEA 领投，此前的支持者 Andreessen Horowitz 和 General Catalyst 也参与了本轮融资。在融资的同时，NEA 风险合伙人 Hilarie Koplow-McAdams 加入了 Metronome 董事会。
公司打算利用这笔资金扩大运营和业务范围。
Metronome于2019年创办，在首席执行官 Kevin Liu 和首席技术官 Scott Woody 的领导下，Metronome 为现代软件公司提供了一个基于使用量的计费平台。有了它，团队可以快速推出新产品和定价，简化收入工作流程，并为客户提供实时的消费透明度。
我们相信 SaaS 公司不应该在打造产品和将产品推向市场之间做出妥协。我们在整个职业生涯中都看到了这个问题：在我们之前的初创公司、在 Dropbox，以及在我们设计 Metronome 时与之交谈过的数百家公司。尽管在工程和运营方面投入了大量资金，但团队还是受到计费系统的束缚。我们创建 Metronome 的初衷是提供一个更好的选择--一条不费吹灰之力就能实现世界级计费的道路。
这显然引起了我们客户的共鸣。对于初创企业来说，今年是充满挑战的一年，而 Metronome 却幸运地实现了巨大增长。我们已经建立并部署了一个计费系统，如今，包括 Databricks、OpenAI、Anthropic、英伟达（NVIDIA）等在内的 SaaS 领域发展最快的公司都在使用该系统。初创公司选择 Metronome 以最小的工程开销提供一流的计费体验，而企业则与我们合作，加速向云收入和基于使用量的定价过渡。
在2024年，我们将更轻松地构建和维护数据管道集成，以释放更多的工程时间。我们将简化数据进出 Metronome 与数十个业务系统的流程，以更好地满足用户的工作需求。我们正在全面调整核心数据模型，以实现复杂的报价到现金工作流程的完全自动化和更大的定价灵活性。我们正在扩大对对账、收入确认和审计用例的支持，使 Metronome 成为财务团队的世界级工作流程工具。
关于Metronome
Metronome 设计为从数据到收入的完整计费平台，因此计费永远不会成为瓶颈。快速启动并运行计费系统，与您共同成长。Metronome 的实时数据基础设施可将原始使用事件转化为计费指标，无需复杂的数据管道。我们的惰性保证和数据回填功能可确保您的发票始终准确无误。
扫一扫 加微信
hrtechchina
