解读:AI不会淘汰所有 SaaS,而是重新定义HR Tech的价值HRTech核心指南:AI 会不会让 HR SaaS 没价值了?Harvard Business Review 最新文章给出了一个很有意思的观点:AI 不会淘汰所有 SaaS,而是重新定义它们的价值。未来真正值钱的,不是 AI 功能,而是 Operational Intelligence(运营智能)——也就是基于真实业务数据持续提升组织判断能力。对于 HR Tech、HR Leader 和投资人来说,这可能是未来几年最值得关注的趋势之一。推荐一读。
解读 Harvard Business Review:AI's Impact on SaaS Will Be Uneven
过去一年,几乎所有 HR Tech 厂商都在发布 AI 功能。从 AI 招聘助手、AI 面试官,到 AI HRBP、AI Agent,整个 SaaS 行业似乎都在进入一个新的竞争阶段。
不少企业也开始提出一个问题:当 AI 能够编写代码、自动完成流程、快速生成应用之后,SaaS 还有价值吗?
Harvard Business Review 最新发表的文章《AI's Impact on SaaS Will Be Uneven. Here's What Leaders Need to Know》中,Harvard Business School 教授 Christopher Stanton 给出了一个值得整个 SaaS 行业思考的答案:
AI 并不会让所有 SaaS 都失去价值,它真正改变的是不同 SaaS 的价值结构。
对于 HR Tech 企业、投资人以及企业 HR 来说,这一观点值得深入理解。
AI 不会平均冲击所有 HR SaaS
很多人认为,大模型出现之后,大量软件最终都会被 AI Agent 所替代。
Christopher Stanton 并不认同这种观点。
他认为,AI 的影响并不是平均发生的,而是取决于两个关键因素:
第一,软件主要解决的是规则明确、流程固定的任务(Deterministic Tasks),还是需要预测、判断和决策支持的任务(Predictive Tasks)。
第二,软件依赖的是企业自己的内部数据(Internal Company Data),还是大量跨客户、跨行业积累形成的共享数据(Pooled Data)。
这两个维度共同决定了一款 SaaS 产品未来的竞争力。
流程自动化软件,将最先受到 AI 冲击
如果一个 SaaS 产品主要负责流程执行,例如审批、通知、数据录入、报表生成、信息查询等标准化工作,那么 AI 将大幅降低这些产品的技术门槛。
随着 AI Agent、低代码开发平台以及自然语言工作流不断成熟,这类软件越来越容易被企业内部快速搭建,或者直接整合进现有平台。
这并不意味着流程管理没有价值,而是意味着流程本身将越来越难形成长期竞争壁垒。
未来企业购买软件,不再只是为了把纸质流程搬到线上,而是希望软件能够帮助组织做出更好的决策。
真正的竞争壁垒来自 Operational Intelligence
文章提出了一个非常重要的概念——Operational Intelligence(运营智能)。
这里的 Operational Intelligence,并不是简单的数据分析,也不仅仅是 AI 模型,而是企业通过大量真实业务运行过程中积累的数据、经验和场景,不断提升判断能力的一套智能体系。
作者认为,这类产品未来将成为 SaaS 中最具竞争力的一类。
原因在于,大模型能够学习公开知识,却无法天然拥有企业多年运营过程中形成的大量真实案例、边缘场景和业务经验。
这些数据和经验,正是企业决策过程中最有价值的部分。
未来的软件,价值将来自“判断”而不是“功能”
过去,大多数 HR 软件强调的是功能覆盖。
招聘系统能够管理职位和简历。
学习系统能够管理课程。
绩效系统能够完成考核流程。
这些能力未来仍然重要,但已经不足以形成明显差异。
真正具有竞争力的软件,需要能够帮助企业回答更复杂的问题。
例如:
哪些候选人在未来更有可能取得成功?
哪些员工存在较高离职风险?
哪些技能将在未来两年成为组织能力短板?
哪些岗位更适合内部流动而不是外部招聘?
这类能力并不是增加几个 AI 按钮就能够实现,而是依赖长期积累的数据、算法以及真实业务经验。
企业采购 SaaS 的标准正在发生变化
Christopher Stanton 提醒企业,在 AI 时代评估 SaaS,不应再只关注产品功能,而应该重新思考几个问题:
这款产品真正创造的是流程价值,还是决策价值?
它依赖的是企业自己的数据,还是拥有跨客户、跨行业积累形成的数据优势?
这些数据是否经过真实业务场景持续验证?
AI 是否只是增加了交互方式,还是能够持续提升企业的判断质量?
这些问题,将比是否拥有 AI Chat、AI Copilot 或 AI Agent 更重要。
对于 HR Tech 行业意味着什么?
对于 HR Tech 企业来说,未来竞争的重点可能不再是谁拥有更多 AI 功能,而是谁拥有更深的数据积累和行业理解。
能够持续沉淀招聘、组织、绩效、薪酬、技能、员工体验等真实运营数据,并将这些数据转化为企业可以直接应用的管理洞察,才更有可能建立长期竞争优势。
未来,HR Tech 的价值也将逐渐从"流程数字化"转向"运营智能"。
软件不仅需要告诉企业发生了什么,更需要帮助企业理解为什么发生,以及下一步应该采取什么行动。
HRTech 观点
AI 正在降低软件开发的门槛,却没有降低企业管理的复杂度。
未来,真正难以复制的,不会是某一个 AI 功能,而是长期积累形成的数据资产、业务经验和管理判断能力。
对于 HR Tech 行业而言,这篇文章释放出的一个重要信号是:AI 时代真正值得投资的,不一定是功能最多的软件,而是能够持续输出 Operational Intelligence(运营智能)的产品。
未来企业采购 HR Tech,也许最应该问的不再是:
"这个产品有没有 AI?"
而是:
"如果去掉 AI,它是否仍然拥有别人无法复制的运营智能?"
你觉得呢,欢迎讨论!
saas
2026年07月07日
saas
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。