DeepSeek 招 HR，真正的信号是 AI 公司正在重新定义 HRDeepSeek 最近发布的 HR 团队招聘信息，表面上看是一次普通的职能岗位补充，但如果放在 AI 公司组织扩张的背景下看，它释放出的信号并不简单。它不是在寻找传统意义上的招聘执行者，也不是单纯补充人事运营人员，而是在为一家 AGI 导向的技术公司搭建更长期的人才识别、组织服务和文化承载能力。你觉得呢
HR 不再只是支持部门，而是 AI 公司的人才基础设施
这份 JD 最突出的特点，是将 HR 直接放进 AGI 叙事之中。岗位描述里反复出现“AGI”“长期主义”“人类潜能”“人才土壤”“共建者”等关键词，这说明 DeepSeek 对 HR 的定位并不是后台支持，而是组织能力的一部分。对于 AI 公司来说，真正的竞争不只是模型、算力和数据，也包括能否持续吸引、识别、保留并激发顶尖人才。技术突破背后，最终还是人的密度、协作方式和创新环境。
这也意味着，AI 时代的 HR 不再只是处理流程、发布岗位、安排面试和完成入职，而是要参与构建公司的人才系统。谁能识别未来可能成长为关键人才的人，谁能建立长期人才关系，谁能让高潜人才进入组织后真正发挥作用，谁就在参与一家 AI 公司的核心能力建设。
招聘 HR 的能力正在从“招人”转向“人才情报”
在招聘 HR 方向中，最值得关注的是“系统性 Mapping”“海内外高潜人才”“长期、真诚的互动”“准确识别能力特质与职业诉求”。这不是传统招聘专员的工作语言，而更接近 Talent Intelligence。DeepSeek 想要的不是只会在招聘平台上筛简历、推流程的人，而是能够理解技术人才市场、判断人才潜力、建立候选人网络，并长期经营人才池的 HR。
更重要的是，JD 中提到要识别“尚未被市场验证、却蕴含巨大潜力的人才”。这句话很关键。很多公司的人才策略是抢已经被大厂、论文、title 和薪酬证明过的人，但真正有长期竞争力的组织，往往需要更早地发现那些还没有被市场充分定价的人。这样的招聘 HR，本质上更像“人才投资人”：既要懂人，也要懂技术组织的成长逻辑。
招聘闭环被拉长，Quality of Hire 变得更重要
这份 JD 还明确要求招聘 HR 跟踪候选人入职后的融入情况，协助解决初期适应问题，确保招聘成果真正落地。这说明 DeepSeek 对招聘结果的理解，不只是 offer 数量和入职人数，而是候选人进入组织后的适配、留存和实际贡献。
这对 HR 是很大的能力升级。过去很多招聘团队的 KPI 停留在招聘周期、到岗率和 HC 完成率，但在高密度人才组织中，真正重要的是 Quality of Hire。一个关键人才是否适应团队节奏，是否理解公司使命，是否能与现有研发文化协作，都会直接影响组织效率。招聘不再是交易，而是人才进入组织后的持续转化过程。
综合服务 HR 不是行政人事，而是 People Operations
另一个方向“综合服务 HR”也值得注意。它覆盖入职、档案、考勤、薪酬、福利等基础人事流程，但 JD 同时强调要运用自动化工具和 AI 能力持续优化流程，提高效率和员工体验。这意味着 DeepSeek 并不希望这个角色停留在传统事务型 HR，而是希望其成为 People Operations 的建设者。
对快速成长的 AI 公司来说，基础人事流程看似普通，实际上决定了组织扩张的稳定性。员工能否顺利入职，薪酬福利是否准确，问题响应是否及时，跨城市团队服务是否一致，都会影响员工对组织的信任感。AI 公司越强调长期主义，越不能忽视这些基础体验。真正好的 HR Ops，不是把流程做复杂，而是用系统、工具和服务意识，让组织在扩张中保持清晰、稳定和高效。
AI 公司正在要求 HR 自身也变得 AI-native
这份 JD 的另一个重要信号，是 HR 不只是服务 AI 公司，还要主动使用 AI 工具改造自己的工作。综合服务方向明确提出自动化和 AI 能力，这意味着 AI-native 组织不会允许 HR 仍然停留在传统手工流程中。未来 HR 的价值，不是简单地“更有人情味”，而是在效率、数据、体验和判断之间找到新的平衡。
招聘可以借助 AI 做人才 mapping、简历分析和候选人关系管理；HR Ops 可以用自动化工具优化入职、档案、薪酬福利和员工问答；HRBP 则需要用数据和组织洞察支持更复杂的人才决策。AI 不会让 HR 消失，但会让低效、重复、缺乏判断力的 HR 工作被重新定价。
真正的启发：HR 也要进入下一代能力模型
DeepSeek 这份 HR 招聘信息最值得关注的地方，不在于它招了几个 HR，而在于它呈现了 AI 时代 HR 能力模型的变化。未来优秀的 HR，不能只会执行流程，也不能只会讲文化，而是要同时具备人才洞察、组织理解、数据意识、系统化能力和长期主义。
AI 公司正在重新定义人才，也正在重新定义 HR。对 HR 从业者来说，这既是压力，也是机会。真正有价值的 HR，不会只是“支持业务的人”，而会成为理解技术变革、识别关键人才、建设组织土壤的人。DeepSeek 招 HR 的背后，看到的是一个更大的趋势：在 AI 时代，人才不是资源部门管理的对象，而是公司最核心的生产力系统。
Future of Work
2026年06月29日
Future of Work
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。
Future of Work
2026年06月29日
Future of Work
HR科技供应商责任被重新定义？Workday AI招聘歧视案释放重要信号HRTech概述：Workday 在加州 AI 招聘歧视诉讼中未能成功驳回核心主张。案件中指控其AI驱动的求职者筛选工具可能基于种族、年龄、残障、性别等受保护特征，对求职者产生不利筛选影响。法院允许 FEHA 相关主张及部分 ADA 残障歧视主张继续推进。Workday 否认指控，称其工具只评估岗位资格，不评估受保护特征。对 HR 来说，这起案件的重要意义在于：AI 招聘工具不再只是效率工具，也可能成为合规责任来源。未来企业采购 AI 招聘系统，必须重点关注偏见测试、数据留存、算法解释、供应商责任和候选人权利。更多请关注 HR Tech，为你带来全球最新 HR 科技资讯。
Workday AI招聘歧视案继续推进：HR科技进入“算法合规责任”新阶段
HRTech注意到，备受关注的 Mobley v. Workday Inc. 案件近期出现重要进展。美国加州北区联邦法院对 Workday 试图驳回 AI 招聘歧视诉讼的动议作出裁定，允许部分核心主张继续推进。需要明确的是，这并不意味着 Workday 已经被认定存在歧视，也不是案件的最终判决；但法院没有在早期阶段终结关键指控，说明围绕 AI 招聘工具的法律责任边界，正在进入更实质性的司法审查阶段。
案件核心：AI招聘工具是否只是“软件”，还是招聘决策链条的一部分
该案最初由 Derek Mobley 于 2023 年提起，原告主张 Workday 的算法化申请人筛选工具在招聘过程中可能对特定求职者群体产生不利影响，涉及年龄、种族、残障和性别等受保护特征。案件的关键不在于某一家雇主是否单独拒绝了某位候选人，而在于 Workday 作为 HR 科技供应商，其系统如果参与了候选人筛选、排序、推荐或拒绝流程，是否可能被视为招聘决策链条中的实际参与者。
这也是本案区别于传统就业歧视案件的核心所在。过去，HR系统通常被视为雇主使用的后台工具；但当系统开始通过算法对候选人进行匹配、评分、排序或筛选时，它的作用可能不再只是记录信息，而是影响候选人是否进入下一轮流程。法院此前也关注到，Workday 的工具如果代表雇主执行某些筛选功能，其责任问题不能简单因为“最终录用决定由客户作出”而被排除。
法院关注的重点：加州法律适用与“代理责任”
本次裁定中，一个重要问题是加州公平就业和住房法是否可以适用于相关主张。Workday 的抗辩方向之一是，部分求职者并非加州居民，也并非申请加州岗位，因此加州法律不应被扩展适用。但法院在前期意见中指出，如果原告能够主张 Workday 在加州设计、开发、运营相关工具，并通过这些工具代表客户执行涉嫌歧视性的筛选行为，那么相关行为与加州之间可能存在足够联系。
这一点对 HR 科技行业非常关键。它意味着法院关注的不是候选人或岗位是否一定在加州，而是涉嫌产生歧视影响的技术行为、系统运营和公司决策是否与加州存在实质关联。对于总部、研发、算法治理或产品决策位于某一司法辖区的 HR Tech 公司而言，法律风险可能不再局限于客户所在地或岗位所在地。
残障歧视与“代理变量”成为重要争议
本案中另一个值得 HR 特别关注的问题，是所谓“代理变量”。原告主张，一些表面上看起来中性的筛选因素，可能在实际效果上成为受保护特征的替代指标。例如，就业空档、职业路径中断、工作经历模式、测评结果等，可能与健康状况、残障经历、年龄或其他身份特征存在关联。如果 AI 系统将这些因素作为负面信号，就可能形成差别影响。
这对企业采购 AI 招聘工具有直接启发。合规风险并不只来自系统是否明确使用了“年龄”“种族”“残障”等字段，也可能来自模型是否通过其他变量间接识别或放大这些差异。换句话说，一个系统即使没有主动读取受保护特征，也不等于没有歧视风险。真正的审查重点，应当是模型输出结果是否对特定群体形成系统性不利影响。
发现程序显示：算法审计与数据控制将成为诉讼焦点
法院此前在一份证据开示裁定中也处理了 Workday 偏见测试数据、客户申请人数据、EEO-1 和 OFCCP 文件等争议。法院没有要求 Workday 交出部分受到律师—客户特权保护的偏见测试数据，也没有简单认定 Workday 控制客户申请人数据；但法院要求 Workday 生产 EEO-1 和 OFCCP 相关文件，因为这些文件可能与 Workday 对 AI工具潜在人口统计差异的认知有关。
这说明未来 AI 招聘诉讼的重点，很可能不仅是系统“有没有算法”，而是企业和供应商是否知道算法可能带来差别影响，是否做过偏见测试，测试结果如何保存，哪些数据受法律特权保护，客户数据由谁控制，以及供应商是否有足够的合规治理记录。
Workday 的立场与行业影响
Workday 否认相关指控，并表示其招聘 AI 工具不会作出录用决定，其技术只评估岗位资格，而不是种族、年龄或残障等受保护特征。这个立场也代表了很多 HR 科技供应商的常见抗辩逻辑：供应商提供工具，客户作出最终决定。但本案正在挑战的正是这一边界。如果工具在事实上影响了候选人能否进入面试、是否被推荐、是否被优先展示，那么“工具”和“决策”之间的距离会被重新审视。
对于 HR 和企业采购团队而言，这起案件的现实意义非常明确。AI 招聘工具不能只从效率、体验和成本角度评估，还必须纳入合规尽调。企业在采购和使用相关系统时，应重点关注供应商是否提供偏见测试机制、算法影响评估、审计记录、候选人解释机制、数据留存政策、人工复核流程，以及合同中关于歧视索赔、数据披露和责任分担的条款。
HRTech观点：AI招聘进入治理能力竞争阶段
Workday 案的长期影响，可能不在于某一项具体主张最终是否成立，而在于它正在推动市场重新定义 AI 招聘工具的责任边界。未来，HR 科技供应商的竞争力不会只体现在更快筛选候选人、更智能匹配岗位或更低招聘成本上，也会体现在能否证明系统公平、可审计、可解释、可治理。
AI 招聘不会因为诉讼风险而停止发展，但企业使用 AI 的标准会明显提高。对于 HR 来说，真正成熟的 AI 招聘采购，不是被产品演示中的“智能推荐”打动，而是能够问清楚算法如何影响候选人、如何监测差别影响、如何处理异常结果，以及一旦发生争议，企业和供应商分别承担什么责任。
Workday 案提醒整个行业：AI 招聘已经从技术创新阶段，进入算法合规和治理能力的检验阶段。
HRTech一直在倡导HR一定要在人力资源工作中实践负责任的人工智能，详情可以访问。
https://www.hrtechchina.com/raihr
5000万人阅读的微软CEO笔记：AI时代，企业真正的护城河不是模型，而是Learning LoopHRTech概述：微软 CEO Satya Nadella 最近提出一个非常关键的AI时代企业判断：未来企业的护城河，不只是用了哪个大模型，而是能否拥有自己的 Learning Loop。企业需要同时建设 Human Capital 与 Token Capital。前者是人的知识、判断力、关系和创造力，后者是企业通过AI系统沉淀下来的智能能力资产。真正有竞争力的企业，不会把组织经验完全交给少数通用模型，而是把工作流、知识库、私有评估和组织记忆变成自己的AI能力。对HR来说，这意味着未来的核心工作，将从人才管理走向组织学习系统与人机协同能力建设。
纳德拉把AI讨论推进到企业未来形态层面
微软 CEO Satya Nadella 最近发布的长文《A frontier without an ecosystem is not stable》 （原文附录再最后），并不是一篇普通的AI趋势评论。它更像是微软在AI时代对“企业未来形态”的一次战略表达。文章中，Nadella提出了一个非常关键的判断：未来企业的竞争力，不会只来自某一个前言模型，而会来自一个更广泛、更稳定、更可持续的前沿生态系统。换句话说，AI时代最重要的问题，不是企业接入了哪个大模型，而是企业是否真正拥有自己的学习循环、知识主权和组织能力复利机制。
Human Capital 与 Token Capital 成为未来企业的两种核心资本
Nadella在文章中提出，未来每家公司都需要同时建设两种资本：Human Capital和Token Capital。Human Capital指的是人的知识、判断力、关系网络、创造力、模式识别能力和跨领域连接能力；Token Capital则是企业通过AI系统、Agent工作流、知识库、私有评估体系和组织数据逐步沉淀下来的AI能力资产。这个概念非常重要，因为它把AI从“工具”提升到了“资本”的层面。企业不再只是使用AI完成某个任务，而是要把AI变成一种可以持续积累、持续进化、持续创造价值的组织资产。
这不是岗位替代问题，而是企业如何保持差异化的问题
这也是Nadella观点中最值得HR和企业管理者关注的部分。过去几年，很多关于AI的讨论都集中在“AI会替代哪些岗位”“哪些工作会被自动化”“员工需要学习哪些AI技能”。这些问题当然重要，但它们仍然停留在任务和岗位层面。Nadella讨论的是更底层的问题：当AI开始吸收企业的工作流、知识、经验和判断时，企业如何继续学习、如何保护自己的IP、如何保持差异化，以及如何避免自身积累多年的行业经验被少数通用模型商品化。
HR需要进入人力资本与智能资本共同管理的新阶段
从HRTech视角来看，纳德拉真正传递的是一个信号：AI时代的企业管理正在从“人力资本管理”走向“人力资本与智能资本共同管理”。传统HR管理的是人，数字化HR管理的是流程和数据，而AI时代的HR将不得不参与管理组织学习系统。未来企业的核心问题不再只是“我们有多少人”“员工效率如何”“岗位如何配置”，而是“人的经验如何沉淀为系统能力”“组织判断如何进入AI工作流”“知识如何在员工与Agent之间持续循环”“企业是否拥有自己的Token Capital”。
AI越强，人的判断力越重要
Nadella反复强调，人类价值不会因为Token Capital增长而下降，反而会变得更加重要。这个判断非常关键。AI可以帮助企业完成分析、生成、自动化和执行，但AI本身不会自动决定企业的方向。真正设定目标、识别机会、判断风险、建立信任、连接资源、理解复杂组织语境的，仍然是人。也就是说，AI越强，人的价值越会从“执行任务”转向“定义问题、判断结果和承担责任”。未来组织中最重要的人才，不一定是掌握最多工具的人，而是能够把业务目标、组织经验和AI能力连接起来的人。
能力模型需要从岗位行为扩展到人机协作与知识沉淀
这对HR提出了新的挑战。过去，HR通常把能力模型建立在岗位职责和行为标准之上；未来，能力模型需要进一步延伸到人机协作能力、AI判断能力、知识沉淀能力和跨系统学习能力。一个优秀员工的价值，不仅体现在个人产出上，也体现在他是否能够把自己的经验转化为组织可复用的知识资产。一个优秀管理者的价值，也不只是带团队完成目标，而是能够让团队的经验进入系统，成为下一轮业务增长的训练信号。
Learning Loop 是企业AI护城河的核心
Nadella提出的Learning Loop，是这篇文章最核心的概念。企业真正的AI护城河，不是单次使用AI提高了多少效率，而是每一次工作是否都能反过来提升系统能力。以招聘为例，企业不能只让AI筛简历、写JD或安排面试，而应该把招聘结果、候选人质量、面试判断、入职表现、留任情况和绩效反馈连接起来，形成持续学习的闭环。这样，AI系统才会越来越理解这家公司真正需要什么样的人，而不是只根据通用标准做表面匹配。
从招聘到组织设计，所有关键管理场景都需要学习闭环
同样，在绩效管理、员工发展、组织设计和领导力培养中，企业也需要建立自己的学习循环。哪些团队结构更有效？哪些管理行为真正提升绩效？哪些培训内容能够转化为业务结果？哪些员工信号预示着离职风险或成长潜力？这些问题如果只是停留在报表和经验判断层面，价值会随着人员流动而流失；但如果能够进入知识库、评估体系和Agent工作流，就会逐渐形成企业自己的组织记忆。
Institutional Memory 让组织经验变得可查询、可调用、可扩展
这也是Nadella所说的institutional memory。传统企业最大的隐性损耗之一，是组织记忆无法被有效查询和复用。很多关键经验存在于资深员工、大区负责人、HRBP、业务主管和创始团队的大脑中。一旦人离开，知识也随之流失。AI时代的一个重大机会，就是让组织记忆变得可查询、可调用、可扩展。未来的新员工不必完全依赖口耳相传理解公司，管理者也不必每次从零开始判断复杂问题，企业可以通过AI系统调用过去的案例、判断逻辑、决策背景和业务结果。
企业不能成为少数通用模型的数据供应商
但Nadella同时提出了一个非常现实的警示：如果所有企业都只是把数据、流程和经验交给少数frontier models，那么长期看，企业可能会失去自己的知识主权。大模型越强，越可能吸收和商品化不同行业的专业经验。如果一家企业只是不断向外部模型输入自己的业务知识，却没有把这些知识沉淀到自己的系统中，那么它很可能从AI受益者逐渐变成AI平台的数据供应商。短期看，它获得了效率；长期看，它可能失去了差异化。
Frontier Ecosystem 比 Frontier Model 更接近稳定的AI经济结构
这也是为什么Nadella强调“frontier ecosystem”，而不是只强调“frontier model”。一个健康的AI经济，不能让所有价值都流向少数模型公司。真正可持续的结构，是每个公司、每个行业、每个国家都能在基础模型之上建立自己的学习系统、应用生态和知识资产。平台的价值，不应该只体现在平台内部捕获多少收益，而应该体现在它能够让多少企业在其之上创造更多价值。这一点也与微软长期强调的平台生态逻辑一致。
HRTech行业的竞争将转向组织学习系统建设能力
对HRTech行业来说，这篇文章的启发非常直接。过去HRTech产品的核心价值是流程数字化，包括招聘系统、绩效系统、学习系统、薪酬系统、员工服务系统等。AI时代，HRTech的竞争将进一步转向“组织学习系统”的建设能力。未来真正有价值的HRTech产品，不只是帮助企业完成一个流程，而是帮助企业把流程中的判断、知识和结果沉淀下来，并通过AI不断优化。
HRTech产品架构需要从记录与自动化走向评估、反馈和复利
这意味着HRTech厂商需要重新思考产品架构。第一，产品不能只是记录数据，而要理解数据背后的业务语境。第二，产品不能只是提供自动化，而要帮助企业建立可评估、可反馈、可改进的AI工作流。第三，产品不能只是接入大模型，而要帮助企业保留自己的领域知识、权限体系和组织记忆。第四，产品不能只关注单点效率，而要证明自己如何帮助客户形成长期Token Capital。
企业HR应从采购AI工具转向建设AI能力路线图
对企业HR来说，我们的建议是，不要把AI战略简单等同于采购工具。AI工具当然要用，但更重要的是建立企业自己的AI能力路线图。HR可以从三个层面开始行动。第一，盘点组织中的高价值知识和关键经验，尤其是招聘、绩效、人才发展、组织诊断、员工关系和管理决策中的隐性知识。第二，把关键工作流改造成可记录、可反馈、可评估的流程，让每一次业务实践都能成为未来系统优化的输入。第三，建立跨HR、IT、法务、业务部门的数据治理与AI治理机制，明确哪些知识可以进入系统、如何使用、如何评估、如何保护。
人才价值需要重新定义为个人绩效与知识资产贡献的结合
更进一步，HR需要推动企业重新定义人才价值。未来，一个员工是否优秀，不仅取决于个人绩效，也取决于他是否能够与AI协作，是否能够把经验结构化，是否能够帮助组织形成可复用的知识资产。一个HR团队是否先进，也不只是看是否使用AI工具，而是看它是否能够让组织经验持续沉淀，让员工判断被放大，让企业能力随着每一次使用而增强。
这不是效率革命，而是组织资本重构
Nadella这篇文章的价值，在于它把AI讨论从“效率革命”提升到了“组织资本重构”。AI不是简单地替代工作，也不是简单地提升生产率。它正在改变企业学习、知识积累和价值创造的方式。未来企业之间的差距，可能不在于谁最早用了AI，而在于谁最早建立了Human Capital与Token Capital之间的复利机制。
HRTech的新机会窗口正在打开
对HRTech而言，这正是新的机会窗口。谁能够帮助企业管理好人的经验、组织知识和AI能力之间的循环，谁就可能成为下一代企业AI基础设施的一部分。未来的HR，不只是人力资源管理者，也将是组织学习架构师、知识资产管理者和人机协作系统设计者。
稳定的AI未来，需要每个组织拥有自己的Learning Loop
最终，Nadella所说的稳定AI未来，不是少数模型捕获全部价值，而是让每个组织都拥有自己的学习循环。对企业来说，这是一种新的竞争战略；对HR来说，这是一场能力体系的重构；对HRTech行业来说，这可能是下一轮真正的产品分水岭。
附录原文：
Satya Nadella
@satyanadella
A frontier without an ecosystem is not stable
I’ve been thinking a lot about the future of the firm in an AI-driven economy.
This transition is different than any previous platform shift. In the past, we used digital systems to enhance human capital. This is the first time we can create a real cognitive loop between people and digital systems. That is a mind-bender, because it changes how we even conceptualize work inside an enterprise.
What is at stake is not some digital tool or system and its use, but how organizations continue to learn, build IP, differentiate, and thrive in a world where AI models can continuously absorb the expertise of humans and organizations and commoditize it.
Every company is going to have to build what I think of as human capital and token capital. Human capital comprises the knowledge, judgment, relationships, ingenuity, and pattern recognition of its people, while token capital is the firm’s AI capability it builds and owns.
Importantly, human capital does not become less valuable as token capital grows. It only becomes more valuable! I believe human agency will be the driver of token capital growth. Humans will set ambitious goals, connect dots across domains, build relationships, and recognize patterns that matter most. Without human direction, you have compute running in circles.
This means the real opportunity is not in picking the best model but instead in building a learning loop on top of models where human capital and token capital compound. You can offload a task, or even a job, but you can never offload your learning. The future of the firm is the ability to compound that learning across people and AI.
This requires a new architectural approach where every business is able to build agentic systems that improve over time, while still retaining control over their IP. A company should be able to switch out a “generalist” model without losing the “company veteran” expertise built into their learning system. This is the key “test” of your control and sovereignty in the era ahead.
Companies need to turn their workflows, domain knowledge, and accumulated judgment into AI systems that improve with each use. Private evals should capture whether a model is actually improving against outcomes that matter to the business (not just external benchmarks!). Private reinforcement learning environments should let models grow stronger on real traces from inside the organization. Its knowledge base makes institutional memory queryable and use of tokens more efficient.
This loop becomes the new IP of the firm. I think of it as a hill climbing machine. And unlike most assets, it compounds. Every improved workflow generates better training signal, which accelerates the accumulation of tacit knowledge unique to the firm. The companies that build this early will have an advantage that is hard to replicate, regardless of any new individual model capability.
The last thing any of us want is a world where every company across every sector is ceding value to a few models that eat everything they see. If all the value is accrued by only a few models, the political economy will simply not tolerate it. There is no societal permission for an AI future that hollows out entire industries.
Think about what happened in the first phase of globalization where entire industrial economies were hollowed out by outsourcing. The GDP numbers looked fine on the surface, but the displacement was real and the consequences are still being felt. Let us not bring that dynamic into the AI era, with a small number of AI systems capturing all the economic returns, while entire industries find their knowledge commoditized right out from underneath them.
In my view, our priority has to be building a frontier ecosystem, not just a frontier model, so value flows broadly across every company, every industry, and every country. One where every organization can own the learning loop that encodes its institutional knowledge, compounding its human and token capital.
This is the ethos I’ve grown up with where platforms enable more value on top than is captured inside, and where every company can continuously innovate and build value of its own.
When that happens, companies will create value for themselves and for the economy around them. Employees will see their expertise amplified and their judgment become part of systems that make it replicable and scalable and the benefits accrue to the companies and communities around them.
That is how companies drive value for themselves and the broader economy. And it is the stable equilibrium we should build together.
Future of Work
Future of Work
Future of Work
Future of Work
Future of Work
Future of Work
Future of Work
Future of Work
Future of Work
Future of Work
扫一扫 加微信
hrtechchina
