生成式AI
AI冲击下的职场变局：年轻员工首当其冲，初级岗位入口加速收窄，AI正在重构任务，而非简单消灭岗位
高AI暴露岗位需求下降42%，AI采用企业人力却增长27%：
HRTech概述： 美国劳动力数据与研究公司Revelio Labs通过劳动力供给、企业招聘需求、就业与工资、岗位工作内容以及招聘匹配五个维度，持续追踪人工智能对美国劳动力市场的实际影响。首期数据显示，自2022年10月以来，AI暴露度最高职业的招聘需求相对于最低暴露职业下降42%；与此同时，已经采用AI的企业，员工规模增长却比未采用企业高出27%。这组看似矛盾的数据表明，AI带来的变化并不是简单的“机器取代人”，而是企业内部的任务组合、人才结构和招聘方式正在同步重构。
从预测岗位消失，转向观察正在发生的变化
围绕AI与就业市场的讨论，过去几年一直充斥着相互矛盾的判断。一些研究预测AI将大规模取代岗位，另一些观点则认为AI能够提高生产率、创造新职业并推动企业增长。
Revelio Labs推出AI Labor Market Tracker的核心目的，是减少这种以预测为主的讨论，转而通过实际劳动力数据回答一个更直接的问题：AI现在究竟对招聘、就业、技能和工作内容产生了什么影响？
该Tracker将按月更新，结合Revelio Labs自身的劳动力数据、招聘职位、薪酬信息和员工情绪数据，同时参考并更新相关学术研究结论。追踪范围包括劳动力供给、企业需求、就业与工资、岗位活动以及人才与企业之间的招聘匹配。Revelio Labs表示，其底层数据覆盖超过3000万家公司、50亿条招聘职位以及195个以上国家和地区。
需要注意的是，产品虽然使用“实时衡量”作为定位，但其首期指标主要反映截至2026年6月的劳动力市场变化，并按照月度节奏更新。更加准确的理解，应当是一个持续更新的近实时劳动力市场监测体系，而不是逐日或逐小时变化的实时系统。
高AI暴露岗位需求下降，但不等于岗位已经被AI替代
首期Tracker中最受关注的数据，是AI暴露度最高职业的招聘需求出现明显下降。
Revelio Labs正式Tracker页面显示，自2022年10月以来，AI暴露度最高职业的招聘需求相对于最低暴露职业下降了42%。这里的“AI暴露度”并不是指企业已经使用AI取代了这些岗位，而是衡量某项职业中的工作活动，有多大比例在技术上可能由当前生成式AI完成。
例如，数据整理、基础分析、文案起草、内容总结、信息录入和标准化报告等任务，通常具有较高的AI暴露度。即使企业尚未正式部署AI，也可能因为预期这些任务未来会被自动化，而减少相关岗位招聘、调整岗位职责，或者提高招聘门槛。
Revelio Labs的新闻稿以数据工程师和金融分析师等岗位为例，称AI暴露程度较高职业的招聘需求相对于低暴露职业下降36%。但公司正式Tracker页面显示的最新数字为42%。两个页面分别以2022年11月和2022年10月为比较基准，公开资料没有进一步解释两组数字差异的具体原因。HRTech建议，在引用该研究时以正式Tracker页面显示的42%为主，同时注明新闻稿曾使用36%的表述，避免将不同口径混用。
更重要的是，AI暴露度高并不意味着这些岗位已经消失。Revelio Labs发现，自ChatGPT推出以来，AI暴露度最高职业的就业增长，仅比AI暴露度最低职业低约4%。就业市场已经出现压力，但目前并没有出现与招聘需求下降同等幅度的岗位消失。
年轻员工和初级岗位正在承受更明显的压力
AI对不同职级和年龄人群的影响并不平均。
Revelio Labs的研究显示，在AI暴露度较高的职业中，年轻员工的就业表现明显弱于资深员工。22至25岁员工在相关职业中的就业增长，相对于低AI暴露职业下降约13%。
这意味着AI对劳动力市场最早产生的影响，可能不是大规模裁撤现有员工，而是减少企业对初级人员的需求。过去，许多年轻员工通过资料整理、基础分析、报告撰写、客户支持和流程操作等工作进入企业，再逐步积累行业知识和判断能力。随着这些任务被AI辅助或部分自动化，企业可能不再需要同样数量的初级员工。
这一变化会带来一个长期的人才供应问题。如果企业只保留需要经验和判断能力的高级岗位，却不断削减用于培养人才的初级岗位，未来可能出现资深人才不足、内部继任断层和管理人才供应下降。
因此，AI时代的初级岗位不应该只是被简单取消，而需要被重新设计。企业需要让年轻员工更早参与客户沟通、业务判断、AI结果审核、跨部门协作和复杂问题解决，避免其工作长期停留在最容易自动化的任务层面。
为什么AI采用企业反而增长得更快？
与高AI暴露职业需求下降同时发生的，是AI采用企业员工规模的明显增长。
Revelio Labs通过企业发布的AI integrator相关岗位，识别已经开始将生成式AI整合进业务流程的企业。研究显示，自2022年10月以来，这些AI采用企业的员工规模增长，比未采用企业高出27%。其中，高级岗位增长31%，初级岗位增长只有6%。
这组数据说明，AI可能降低企业对某些任务和岗位的需求，同时帮助企业扩大整体业务规模。企业通过自动化重复工作、加快产品开发、提高客户服务效率或扩大数据处理能力，可能释放出新的业务需求，进而增加销售、产品、管理、工程和客户成功等岗位。
换句话说，AI减少的可能是完成某项工作的单位人力需求，而不是企业整体的增长能力。一个部门可能因为AI减少部分基础岗位，但企业整体却因为生产率提升而进入新的市场，并增加其他岗位。
不过，27%不能直接理解为采用AI必然会使员工规模增长27%。Revelio Labs也明确指出，AI采用企业在正式采用AI之前通常已经增长得更快。这些企业可能本身拥有更好的资本条件、技术能力、管理体系和业务增长速度。因此，这一结果反映的是两类企业之间的增长差距，而不是已经被完全证明的AI因果效应。
AI改变工作内容的速度，可能快于改变岗位数量
Revelio Labs首期Tracker最有价值的判断，并不是哪个岗位会消失，而是AI正在快速改变岗位内部的工作内容。
传统劳动力市场分析通常关注职位数量、失业率、岗位名称和职业分布。但一个岗位本身就是多项工作活动的组合。即使企业没有取消“市场分析师”“招聘顾问”或“财务分析师”等职位，也可以重新分配这些岗位内部的任务。
例如，一名分析师可能减少数据录入、资料搜集、基础制表和报告初稿工作，转而增加AI结果审核、异常判断、业务解释和管理层沟通。一名招聘人员可能减少简历初步整理，却需要投入更多时间进行候选人验证、能力判断、关系维护和招聘流程设计。
Revelio Labs建立的工作活动差异指数显示，2026年6月，美国经济中按员工规模加权的工作活动组合同比变化达到8.4个百分点。更值得关注的是，大部分变化发生在同一职业内部，而不是因为企业从一种职业大规模转向另一种职业。
这也解释了为什么一些基于整体就业和职业分布的研究，尚未观察到明显的AI就业冲击。2026年6月，Yale University旗下The Budget Lab发布的持续追踪研究认为，当前职业结构变化尚未清晰显示与AI引入之间的关系，AI使用指标也没有表现出与就业或失业变化之间的明确联系。
两项研究并不一定相互矛盾。Yale University更关注宏观就业和职业结构是否已经发生明显变化，而Revelio Labs进一步观察岗位内部的任务构成。宏观岗位数量可能相对稳定，但岗位内部的工作方式已经发生快速改变。
正如Revelio Labs Chief Economist Lisa Simon所概括的那样，AI正在自动化部分工作，但尚未自动化完整岗位；工作内容正在快速改变，而大部分变化发生在现有职业内部。
AI也可能正在降低传统招聘信号的有效性
AI不仅改变企业招聘什么样的人，也正在改变求职者如何参与招聘。
Tracker数据显示，企业目前平均需要发布5.05个招聘职位，才能对应一次可观察到的外部招聘，同比增长264%。招聘职位与实际招聘之间的匹配效率，已经连续六年下降。
这一趋势早于ChatGPT出现，因此不能全部归因于生成式AI。但Revelio Labs认为，AI可能进一步放大了原有问题。
生成式AI降低了制作简历、撰写求职信、准备面试回答和批量申请岗位的成本。优秀候选人能够更好地展示自己，但普通申请者也能够快速生成一份看起来专业、完整且符合职位描述的申请材料。
结果是，简历和求职信的信号价值下降。企业收到更多看起来合格的申请，却更难判断谁真正具备岗位能力。企业可能因此增加筛选环节、减少与普通申请者沟通，候选人则通过提交更多申请应对较低的回复率，形成新的恶性循环。
Revelio Labs还发现，在没有获得Offer的面试评价中，候选人提及招聘人员失联、未回复或“ghosting”的比例，自2022年10月以来上升约9%。但该研究尚不能证明AI生成的申请直接导致了招聘方失联，只能说明AI可能在一个已经低效的招聘体系中增加了更多噪音。
HRTech观点：企业需要从“岗位管理”转向“任务与能力管理”
从HRTech视角看，Revelio Labs这项研究最重要的意义，是提醒企业不要再用简单的“AI替代多少岗位”来制定人力策略。
第一，企业需要将AI影响评估下沉到任务层面。一个岗位通常同时包含可自动化任务、可由AI增强的任务，以及必须依赖人类判断、信任和责任承担的任务。仅根据岗位名称决定裁员或冻结招聘，容易错过真正需要重构的工作环节。
第二，企业需要重新设计初级人才入口。不能因为AI能够完成基础工作，就完全取消初级岗位。更合理的方式，是让AI承担重复劳动，同时让年轻员工更早学习业务判断、问题分析、客户沟通和AI结果审核。
第三，企业需要更新技能模型和职业发展体系。未来岗位价值可能不再取决于员工能否完成大量标准化任务，而取决于其能否定义问题、调用AI、验证结果、理解业务并对最终决策负责。
第四，招聘团队需要重新建立人才识别信号。当简历、求职信甚至部分面试答案都可以由AI生成时，企业需要增加与真实工作相关的评估，例如结构化工作样本、情境任务、项目讨论和基于过去行为的深度访谈，而不是简单增加更多筛选工具。
第五，HR需要谨慎解释AI与就业之间的因果关系。高AI暴露岗位需求下降，不等于AI已经直接取代这些岗位；AI采用企业增长更快，也不等于任何企业部署AI都会自动获得增长。行业周期、企业规模、资本能力、组织成熟度和人才结构都可能影响结果。
AI对劳动力市场的影响，正在以多个方向同时发生
Revelio Labs AI Labor Market Tracker揭示的并不是一个简单的就业结论，而是一个正在分化的劳动力市场。
AI暴露程度较高的工作需求正在下降，尤其影响初级岗位和年轻员工；真正采用AI的企业却可能获得更强的扩张能力，并增加高级岗位；岗位名称和就业总量尚未发生全面变化，但岗位内部任务正在快速重组；招聘技术越来越强，企业与人才之间的匹配效率却可能继续下降。
AI对就业的影响不会以一次统一的冲击出现，而会分别体现在招聘需求、岗位任务、技能投资、企业增长、职业入口和招聘匹配等不同环节。
对于企业HR而言，当前最重要的问题已经不是“AI会不会取代员工”，而是企业能否在AI改变工作之前，重新设计任务、能力、招聘和人才成长体系。
关于Revelio Labs
Revelio Labs是一家劳动力智能与研究公司，通过处理和标准化公开职业履历、招聘职位、员工评价等数据，为企业、投资机构、研究人员和政府部门提供劳动力市场分析。公司表示，其数据覆盖超过3000万家公司、50亿条招聘职位以及195个以上国家和地区。Founder and Chief Executive Officer为Ben Zweig，Chief Economist为Lisa K. Simon。
文章来源：HRTech编译与解读。数据来源包括Revelio Labs、AI Labor Market Tracker及Yale University The Budget Lab。
生成式AI
调查显示：中国职场AI使用率领先全球，为何员工敬业度却处于低位？
《职场人 2026》揭示：AI已经进入中国员工的日常工作，但企业尚未完成从“工具普及”到“组织生产力”的转化。
生成式人工智能进入职场不到四年，已经从少数技术人员使用的专业工具，快速演变为覆盖写作、分析、编程、翻译、搜索、会议总结和决策辅助的通用工作工具。
在这一轮全球职场AI浪潮中，中国员工并没有落后。ADP研究院发布的《职场人 2026》显示，中国职场的生成式AI使用率已经明显高于全球平均水平，员工对AI工具的接触范围甚至接近全面覆盖。但与此同时，中国员工的敬业度却处于全球较低水平。
这一组看似矛盾的数据，揭示了中国企业AI转型中一个越来越重要的问题：员工开始使用AI，并不代表组织已经获得AI带来的生产力。
中国员工使用AI的比例已进入全球前列
《职场人 2026》基于ADP研究院2025年全球劳动力调研。该调研于2025年7月21日至8月4日进行，覆盖全球36个市场，收集了超过39,000名成年员工的反馈。
报告询问员工使用ChatGPT、Midjourney、Copilot等生成式AI工具的频率。全球范围内，20%的员工表示几乎每天使用AI，30%的员工每周使用多次。也就是说，全球约一半员工已经成为生成式AI的高频使用者。
中国市场的AI使用率高于这一全球平均水平。
数据显示，中国有26%的员工几乎每天使用生成式AI，高于全球20%的平均水平；只有2%的中国员工表示尚未尝试过AI，远低于全球15%的比例。中国与印度并列成为“从未使用AI”比例最低的市场之一。
从全球市场排名来看，中国员工日常使用AI的比例进入前十，仅低于印度、尼日利亚、越南、埃及、巴西、阿联酋、印度尼西亚、沙特阿拉伯和泰国。
中国26%的每日使用率，也明显高于新加坡的23%、英国的20%、美国的19%、中国台湾的18%、澳大利亚的16%、德国的14%、韩国的12%和日本的8%。
这说明，中国职场当前面临的主要问题，已经不再是员工是否接触AI，而是如何把个人层面的AI使用，转化为企业层面的稳定能力。
AI使用越频繁，员工敬业度越高、压力越低
从全球数据来看，AI高频使用与员工敬业度、团队归属感和工作压力之间呈现出明显关联。
在几乎每天使用AI的员工中，30%属于高度敬业员工；而在从不使用AI的员工中，高度敬业员工的比例只有14%。作为对比，2025年全球高度敬业员工的整体比例为19%。
压力方面也呈现出类似趋势。每天使用AI的员工中，只有11%处于“超负荷工作”状态，而从不使用AI的员工中，这一比例达到23%。
AI使用频率越高，员工也越倾向于认为自己已经融入团队，并认为自己身处一个优秀的团队。
这表明，AI在许多工作场景中正在成为员工的“协作伙伴”。它可以帮助员工更快地处理信息、减少部分重复劳动、降低完成复杂任务的门槛，并增强员工对自身能力和团队协作的信心。
但报告同时发现，AI并没有像企业普遍期待的那样，立即转化为员工能够感知到的生产力提升。
AI使用越多，员工反而越容易认为自己效率不够高
报告中最值得关注的发现，是AI使用与生产力感知之间的矛盾。
在几乎每天使用AI的员工中，16%认为自己近期的工作效率没有达到应有水平；而在从不使用AI的员工中，这一比例只有5%。
也就是说，AI高频使用者虽然敬业度更高、压力更低、团队归属感更强，却更容易认为自己的生产力没有达到预期。
这并不一定意味着AI降低了员工的实际生产力。
一种可能的情况是，AI提升了员工的产出速度，但同时也提高了组织对员工的工作要求。当原来需要一天完成的任务可以在几个小时内完成时，节省出来的时间并没有真正归还给员工，而是被新的任务、更多会议和更高的绩效目标迅速填满。
另一种情况是，企业只是把AI叠加在原有工作流程上，却没有重新设计岗位、任务和管理机制。员工仍然需要完成原来的审批、汇报、沟通和协作流程，同时还要承担AI生成内容的核验、修正和质量控制工作。
AI可以快速生成内容，但并不能自动消除组织中的重复汇报、低效审批、模糊决策和跨部门沟通成本。
因此，员工可能生产了更多内容，却没有明显感觉自己完成了更多有价值的工作。
中国职场呈现“AI高使用、敬业度低”的反差
相比全球市场，中国职场的反差更加明显。
中国有26%的员工几乎每天使用AI，高于全球平均水平；但中国高度敬业员工的比例只有11%，低于全球19%的平均水平，也低于亚太地区15%的平均水平。
2024年，中国高度敬业员工的比例为14%；2025年进一步下降3个百分点至11%，成为报告调查市场中员工敬业度最低的市场。
需要说明的是，这两组数据并不能证明AI导致了中国员工敬业度下降。报告没有披露中国市场AI使用频率与员工敬业度之间的交叉数据，因此不能直接建立因果关系。
但这至少说明，AI工具的快速普及，并没有自动解决中国企业长期存在的员工体验和组织管理问题。
报告指出，部分中国企业在疫情后收紧预算、冻结薪资增长、削减福利，同时没有充分认可高绩效员工的贡献。年轻员工越来越重视工作意义、灵活性和发展空间，但不少企业仍然延续资历导向型的管理方式。
在这样的环境中，AI可能更多成为员工个人应对工作负荷的“自救工具”，而不是企业系统性改善工作方式的基础设施。
员工利用AI撰写文案、整理信息、制作方案、分析数据和处理邮件，但其薪酬、职业发展、管理支持、绩效认可和工作意义并未同步改善。
AI让员工做得更快，却未必让员工工作得更好。
中国企业需要从“推广AI工具”转向“重新设计工作”
过去两年，很多企业的AI项目主要围绕工具采购、账号开通、培训课程和使用率展开。企业会统计有多少员工参加了培训、多少人开通了Copilot账号，以及每天产生了多少次AI调用。
这些指标能够说明AI工具是否被使用，却无法证明AI是否创造了价值。
中国企业下一阶段需要关注的，不应只是“有多少员工在用AI”，而应进一步回答四个问题：
第一，AI到底替代或增强了哪些具体任务？
第二，使用AI之后，工作周期、错误率、返工率和决策速度是否真正改善？
第三，AI节省的时间是否转化为更高价值的工作，还是被新的工作量迅速填满？
第四，员工是否因为AI获得了更好的职业发展机会，而不是变得更加焦虑和不确定？
企业需要建立岗位和任务层面的AI应用图谱，将工作区分为可以自动化的任务、可以由AI增强的任务、需要人类专业判断的任务，以及必须由人承担责任的任务。
与此同时，企业还需要重新设计团队协作方式、审批机制、质量标准、数据权限和绩效指标。只有当流程、岗位和管理方式一起发生变化，AI才可能从个人效率工具，转化为真正的组织生产力。
AI时代真正的竞争力，不是使用率，而是价值转化率
《职场人 2026》的数据说明，中国员工接受和使用AI的速度已经非常快。
中国职场并不缺少AI工具，也不缺少愿意尝试AI的员工。真正缺少的是把分散的个人使用，沉淀为组织工作方法的机制。
未来企业之间的差距，不会简单取决于谁购买了更多AI产品，也不会取决于谁拥有更高的AI账号激活率。
真正拉开差距的，将是哪些企业能够率先完成三个转变：
从个人使用AI，转向团队协同使用AI；从旧流程叠加AI，转向围绕AI重新设计工作；从追踪使用次数，转向衡量实际业务结果。
中国已经基本完成了职场AI应用的第一阶段——工具普及。
接下来更重要的，是进入第二阶段——工作重构。
下载《职场人 2026》，了解全球职场正在发生的变化
除了人工智能的职场应用，《职场人 2026》还深入分析了全球员工的职业不安全感、五代同堂的职场结构、无偿加班、员工压力、职业发展和全球员工敬业度。
报告覆盖全球36个市场、超过39,000名员工，为HR负责人、企业管理者、人才发展团队及组织研究人员提供了一份理解2026年全球职场变化的重要数据参考。
点击下载《职场人 2026：全球劳动力观点》中文版：
http://hrnext.cn/xALS93
AI正在改变员工完成工作的方式，但决定企业能否真正获得AI价值的，仍然是组织设计、管理方式和对人的长期投入。
生成式AI
【限时免费下载】36 国 39000 + 员工调研｜《职场人 2026》白皮书，HR 做人才规划必备数据参考
【限时免费下载】36 国 39000 + 员工调研｜《职场人 2026》白皮书，HR 做人才规划必备数据参考
做 HR、人力负责人、HRD 的我们，每年都要面对几大无解难题：
团队流失率居高不下，哪怕调整薪酬福利，员工依旧普遍焦虑；
70 后至 00 后五代员工同场办公，一套管理制度无法适配所有人；
企业落地 AI 数字化工具，投入成本上涨，员工实际产出却没有提升；
管理层常态化无偿加班，核心骨干悄悄更新简历，人力隐性成本持续走高。
ADP 研究院 2026 年度重磅调研《职场人 2026》，面向全球 36 个市场、超 39000 名职场人分层取样，用一手真实员工心态数据，拆解 2026 全球劳动力核心变化，为企业人力管理、年度人才盘点、员工关系建设提供权威对标依据。
下载链接：http://hrnext.cn/xALS93
您也可以扫描文中图片二维码，即可免费下载完整版（限时免费），获取 36 国细分数据、行业对比、落地管理建议。
一、报告 5 大核心调研结论数据来源：ADP 研究院 2026 全球劳动力调研《职场人 2026》白皮书1. 职业安全感危机：全球仅 22% 员工笃定自身岗位稳定数据显示，没有任何一个区域过半员工拥有职业安全感，市场分化差距明显：尼日利亚 38% 员工认为工作安稳，日本仅 5%，中国为 20%。
工种层级差距显著：知识型员工安全感 30%，技能型员工 18%，事务型重复性岗位仅 16%。
高职业安全感员工具备多重优势：敬业度高出 6 倍、无离职意愿概率翻倍、职场负面压力低 2.5 倍。
HR 落地实操
组织变动、架构调整提前全员透明同步，减少员工负面猜测；
针对基层、事务岗员工增设常态化技能培训、轮岗发展机会；
管理者一对一同步员工个人成长路径，清晰传递晋升预期。
2. 五代同堂新职场：代际诉求割裂，分层管理才是最优解
当下职场首次实现青少年到曾祖辈五代员工共存，不同年龄段员工诉求差异巨大：
18-26 岁年轻员工：对 AI 工具、职业晋升更乐观，本科毕业生 32% 自认具备晋升技能，同期无学历员工仅 24%；
55 岁以上资深员工：易自我怀疑技能、财务焦虑更强，但消极职场压力更少、整体离职意愿最低。
白皮书核心解决方案：搭建跨代师徒机制，年轻人输出数字化能力，资深员工传承行业经验与管理软技能，双向激活团队活力。
3. 无偿加班暗藏巨大人力损耗，层级越高问题越突出
全球 62% 员工每周无偿加班 5 小时以内，26% 每周 6-15 小时，12% 每周无偿工作 16 小时及以上。
职级差异清晰：20% 高管每周无偿加班超 16 小时，普通员工仅 9%。
调研悖论：长期超长无偿加班的员工敬业度看似更高，但普遍自评工作效率低下、压力过载、主动求职跳槽意愿更强。
HR 落地实操
规范工时管理，明确岗位工作边界；建立加班补偿、调休机制；合理拆分工作负荷，避免任务集中挤压私人时间。
4. AI 全面渗透职场，但预期生产力提升并未落地
全球半数员工每周多次使用生成式 AI，1/5 员工几乎每日使用；区域使用差距悬殊：印度 41% 员工每日使用 AI，日本 43% 从未尝试，中国 26% 员工每日使用 AI 工具。
高频 AI 使用者优势：工作压力更低、团队归属感更强、敬业度显著提升；
现存痛点：高频使用 AI 的员工，更容易认为自身生产力未达到预期，岗位焦虑同步加剧。
HR 落地实操
配套全员 AI 技能培训，明确 AI 辅助工作边界；同步开展员工心理疏导，缓解技术替代岗位的恐慌情绪。
5. 全球员工敬业度偏低，仅 19% 职场人高度敬业
2025 年全球高度敬业员工占比仅 19%，区域分化明显：巴西 29% 全球第一，本次调研 36 个市场中中国员工高度敬业占比 11%，处于亚太低位。
提升敬业度核心抓手（数据佐证）：感知企业愿意投入自身成长的员工，53% 处于高度敬业状态；无任何培训支持的员工，该比例仅 12%。
企业可通过人才发展投入、建立管理层信任、塑造岗位价值感、降低职场负面压力四大维度，提升团队整体敬业度。
二、这份白皮书，HR 适配全年度人力工作场景
年度人力规划 & 人才盘点：对标全球、亚太、中国细分员工数据，精准诊断团队流失、倦怠核心根源；
员工关系 & 员工关怀方案：针对职业焦虑、无效加班、代际矛盾设计标准化沟通、福利机制；
企业数字化（AI 落地）配套方案：预判员工技术恐慌，搭建内部数字化培训体系；
人才梯队建设：区分年轻员工、资深员工，搭建分层晋升、跨代师徒管理体系；
出海企业人力参考：36 个国家/市场员工心态、薪酬预期完整数据，支撑跨国团队制度搭建。
本文所有数据均来自 ADP 官方全球劳动力调研，完整原始数据表可通扫描图片二维码或点击文章底部“阅读原文”获取。
立即下载【职场人 2026】，获取 36 国细分数据、行业对比、落地管理建议。
下载链接：http://hrnext.cn/xALS93
您也可以扫描文中图片二维码或者点击文章底部“阅读原文”，即可免费下载完整版。
如有问题咨询
联系人：科科
微信：hrtechina
邮件联系：hi@hrtechchina.com
生成式AI
麦肯锡《HR Monitor 2026》发布：HR职能进入人机协作时代的系统级转型（附录下载）
2026 年，人力资源部门正在进入一个新的临界点。根据麦肯锡最新发布的《HR Monitor 2026》，在人工智能重塑工作方式、技能结构和组织运行模式的背景下，HR 的角色正在从传统的职能卓越（functional excellence），转向更深层的系统级转型（system-level transformation）。这份报告基于对欧洲、美国和中国等 10 个国家约 1,300 名 HR 专业人士和 5,500 名员工的调研，呈现出一个清晰信号：未来 HR 的核心价值，不再只是把招聘、培训、绩效和员工体验做得更高效，而是帮助企业重新定义工作、能力、人才供给和人机协作方式。
HR正在从支持部门变成组织转型的设计者
过去很长一段时间，HR 的专业化主要体现在流程、制度和模块能力上，例如招聘效率、培训体系、绩效管理、薪酬福利和员工关系。但在 AI 加速进入企业核心流程之后，HR 面临的任务已经发生变化。报告提出，HR 需要同时扮演两种角色：一是 AI 转型的组织架构师，参与设计岗位、任务和能力如何变化；二是企业内部的示范者，通过自身运营模式的重塑，率先展示 AI 如何真正嵌入工作流程。
这意味着，HR 不能再只停留在“服务业务”的位置，而要参与回答企业未来三到五年的关键问题：哪些工作会被自动化，哪些岗位会被重新组合，哪些技能会变得更重要，哪些员工需要重新培养，哪些流程可以交给 AI 代理（AI agents）完成。真正的 HR 转型，正在从事务效率问题，变成组织能力问题。
人力规划仍然过于短期，能力规划才是关键
报告中最值得警惕的数据是，只有 11% 的组织真正采用三年以上的长期人力规划。虽然不少企业已经开展人力规划，但多数仍停留在短期编制、岗位和预算层面，本质上还是“算人头”。在 AI 时代，这种规划方式已经不够用。因为 AI 改变的不是某一个岗位，而是岗位背后的任务结构和能力组合。
未来企业需要的不是简单的人头规划，而是能力规划（capability planning）。HR 需要建立更清晰的技能智能（skills intelligence），持续识别组织内部已经具备哪些能力、未来需要哪些能力，以及员工能否通过再培训和内部流动完成能力迁移。报告显示，虽然 85% 的组织已经建立技能分类体系，但只有 57% 将全组织人力规划与完整的技能记录结合起来。这说明很多企业虽然有技能数据，却还没有真正把它用于战略决策。
未来人才竞争的重点，不是会不会用AI，而是能否判断AI
随着 AI 接管越来越多重复性和执行性任务，未来技能的重心正在变化。报告显示，问题解决能力、创造力、数据分析与 AI、数字素养、推理能力等成为 HR 专业人士最关注的未来技能。其中，数字素养的排名上升尤其明显，反映出企业对“能够理解和使用 AI 输出”的人才需求正在增加。
这也说明，AI 并没有让人的价值下降，而是改变了人的价值位置。未来更稀缺的不是机械执行能力，而是判断、解释、整合和决策能力。企业需要的人才，不只是会操作工具的人，而是能够在复杂业务场景中理解 AI 输出、提出正确问题、识别风险并做出判断的人。对 HR 来说，培训体系也不能再只围绕课程和平台建设，而要真正嵌入业务任务、绩效反馈和职业发展路径。
招聘市场趋稳，但慢招聘仍然是组织损耗
报告显示，全球劳动力市场总体趋稳，部分市场更偏向雇主。全球录用接受率从 2025 年的 56% 上升至 2026 年的 59%，招聘成功率从 46% 上升至 50%。但这并不代表招聘压力消失。相反，在申请量增加、候选人筛选复杂度提升的情况下，招聘效率正在成为新的竞争差异。
一个重要数据是，跨市场招聘周期中位数达到 70 天，平均招聘周期超过 90 天，而表现最好的前四分之一组织可以将流程压缩到 49 天左右。对于关键岗位和高需求技能而言，过长的招聘周期会直接增加候选人流失、招聘成本和业务等待成本。AI 可以提升简历筛选、技能匹配、面试协调和候选人沟通效率，但前提是招聘流程本身足够清晰。如果企业只是把 AI 叠加在混乱流程上，技术只会放大原有问题。
员工体验回到更现实的基本面
过去几年，企业谈员工体验，常常聚焦文化活动、福利包装、员工关怀项目和体验工具。但报告中的员工数据显示，在经济不确定性上升的环境下，员工关注正在回归基本面。影响员工留下来的前三项因素分别是薪酬、工作与生活平衡、岗位安全感，占比分别为 52%、46% 和 45%。附录最新版本2026员工体验旅程图提供下载
这对企业是一个重要提醒。员工体验不是“让员工开心”的项目集合，而是雇佣关系是否公平、稳定、透明和可持续。尤其在生活成本压力和就业不确定性并存的环境下，员工更关心薪酬是否合理、工作负荷是否可持续、管理沟通是否透明，以及组织是否提供足够的安全感。对于 HR 来说，改善员工体验不能只靠新增项目，而要回到薪酬公平、管理质量、工作负荷和组织信任这些底层问题。
HR运营模式正在进入新一轮重构
传统的三支柱模型，即 HRBP、专家中心和共享服务中心，仍然是许多企业 HR 组织的基础。但报告显示，这一模式正在进入混合过渡期。32% 的 HR 组织仍主要采用 Ulrich 模型，18% 仍处在更早期的 HR generalist 模式，34% 表示已经部分采用敏捷 HR 模式。也就是说，多数企业并不是已经完成转型，而是在旧模型与新模式之间寻找新的平衡。
未来 HR 运营模式的方向，可能不是简单取消三支柱，而是在其基础上加入更强的数据底座、跨职能协作、按任务流动的资源配置，以及 AI 代理驱动的员工服务。HR 的组织设计也将从“谁负责哪个模块”，转向“如何围绕员工旅程和业务场景配置人、流程、数据和技术”。
AI试点很多，真正规模化仍然有限
尽管 AI 已经成为 HR 领域最热的话题，但报告显示，全球只有 28% 的 HR 流程已经部署可运营的 AI 解决方案，37% 仍停留在试点阶段。中国在这一方面相对领先，43% 的 HR 流程已经进入 AI 运营使用阶段，另有 45% 仍处于试点阶段。这说明，企业并不缺 AI 试验，真正缺的是从单点试点走向端到端重构的能力。HR的AI能力成熟度测试很重要，点击可以参与测试。
HRTech 认为，这也是未来 HR 科技竞争的分水岭。单一工具型 AI 应用可以提升局部效率，但真正有价值的系统，必须能够连接员工数据、技能体系、招聘流程、学习发展、绩效管理和员工服务。未来的 HR 科技，不只是帮助 HR 更快完成任务，而是帮助企业更准确地理解组织能力，并更快完成能力重组。
HRTech观察：HR的下一场考试，是组织能力再设计
这份报告给 HR 领域最重要的启发是：AI 不会自动带来更好的 HR，也不会自动创造更强的组织能力。真正决定 HR 价值的，是能否把业务战略、人力规划、技能体系、员工体验、组织设计和 AI 工作流连接起来。未来领先的 HR 团队，将不再只是流程运营者，而是企业人机协作时代的组织能力设计者。
对于企业管理者和 HR 负责人来说，2026 年的关键问题不是“我们有没有 AI 工具”，而是“我们是否知道未来需要什么能力，哪些工作正在被重构，哪些员工需要转型，哪些流程可以被 AI 接管，以及 HR 自己是否已经准备好用新的方式运行”。这才是 HR 真正的转折点。
点击可以下载并阅读麦肯锡《HR Monitor 2026》完整报告。
生成式AI
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。
生成式AI
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。
生成式AI
大咖观点：生成式AI将全面普及，HRTech的未来在哪里？
HRTech概述：Josh Bersin最新推文谈到，生成式AI全面进入主流！46%的企业领导每天使用AI，80%每周使用，74%报告正向回报，AI投资普遍超千万美元。当前主要用于会议总结、数据分析与文档撰写，但AI正在从“个人助理”升级为“多功能智能体”。IBM Ask HR 与 Galileo 等系统正在成为企业的数字伙伴。未来，AI Agent 将具备记忆与个性，并通过数据治理实现跨系统协作。AI不会取代工作，而是让HR成为“超级工作者”。企业的竞争，将取决于谁能率先完成AI系统化转型。推荐阅读了解，视频解读可以访问视频号：HRTech
这里有一份JoshBersin发布的报告《充分发挥 AI 影响力，拥抱超级员工时代》，点击下载
Josh Bersin刚刚完成了一次横跨欧洲、亚洲和中东、累计近六万英里的行程，拜访了数百家公司，讨论他们的AI战略。虽然每家公司的成熟度各不相同，但有一点非常明确：AI作为商业工具已经到来——它是真实存在的，其使用场景正在迅速增长。
宾夕法尼亚大学沃顿商学院（Wharton）的最新调查显示，46%的商业领袖每天使用生成式AI（Gen AI），80%每周至少使用一次。在这些用户中，72%正在衡量投资回报率（ROI），74%表示结果是正向的。顺带一提，HR部门在使用率上排名第三，仅次于IT和财务部门。
预算投入也在大幅上升：23%的大型公司每年在AI上的支出超过2000万美元，43%超过1000万美元。
企业从AI中获得了什么？答案是：生产力。目前最主要的应用是我称之为“第一阶段”的使用方式——个人生产力提升。AI帮助员工总结会议、分析数据、查找信息、撰写或分析文档。这些个人层面的应用确实带来了实在的效率提升，但这仅仅是开始。
生成式AI或将成为“新一代微软Office”
不得不说，这种使用方式与文字处理、电子表格和互联网搜索早期的发展非常相似——它们都是“个人生产力”的革命。微软对此早已深谋远虑，MS Copilot正在逐渐成为“新一代Office套件”。
当然，AI能做的远不止这些。目前约有12%的公司部署了企业级AI代理（Corporate Agent），例如IBM的“Ask HR”。这类“知识与信息管理”聊天机器人正迅速普及，它们可以取代复杂的门户网站和SharePoint页面，也可用于客户支持。未来，每家公司都会拥有自己的AI代理。
举个例子：我们的一位客户——一家大型医疗保健公司——已经运行员工聊天机器人（Agent）四年之久。它的成功使得公司所有的HR应用都逐步整合在其后端。员工通过该Agent就能获得关于薪资、福利、工作排班甚至培训的帮助。
AI在招聘领域的应用也已被证明行之有效：候选人可以与智能代理聊天、完成AI评估，甚至接受AI虚拟面试——这一切可在深夜进行，无需安排与招聘经理的通话。
虽然高ROI的多功能Agent（Stage 3）尚未全面落地，但各企业已开始部署AI教练和AI学习工具。许多大型客户已上线AI原生学习系统，实现了30%–40%的人员优化，同时显著提升了学习与赋能效率。
跨越卢比孔河：我们越过了什么界限？
“跨越卢比孔河”（Crossing the Rubicon）意味着“无法回头的临界点”。现在，我们正处在这样的时刻。
尽管外界仍有各种危言耸听的报道——称AI将毁掉工作与生活——生成式AI其实是一种有用、务实、且易于理解的工具。它并不完美（我在播客中讨论过ChatGPT的高错误率），但一旦你掌握了使用方法，并建立可靠的数据集，AI的表现相当令人满意。
两年前，《纽约时报》还在刊登那些关于AI恋人或“AI伴侣”的怪异故事。如今这些报道早已消失，取而代之的是超过1万亿美元的基础设施、工程与能源投资——让AI真正变得安全且可用。
当然，这并不意味着AI百分之百安全。如果使用不当，你仍可能得到错误结论、糟糕报告或虚假结果。但我们正在学习如何“验证AI”的输出，对其“概率性特征”也更加适应。
新的挑战也随之出现——AI的能耗与资源消耗。例如，阿联酋的一位领导者告诉我，每一次ChatGPT查询平均会消耗4升水，这已成为亟待解决的新问题。
接下来会怎样？
我们才刚刚开始，AI的演进远未结束。
第一阶段：从单用户到多功能使用场景
AI的最大ROI将来自我称之为“多功能智能体”（Multi-Functional Agent）的形态。当前的AI工具，就像汽车中的“助力方向盘”——虽然能帮助转动方向，但我们真正想要的是“AI直接带我们到达目的地”，而非仅帮忙转向。
这种转变正在招聘和培训领域率先出现。如今的AI代理能自动撰写职位需求、与候选人沟通、安排面试并筛选简历，接下来还会连接入职与绩效评估。这种“招聘-职业一体化智能体”正是多功能AI的雏形，我们也在为供应商与买方制定相关蓝图。
企业不希望拥有上百个“各自为政的Agent”，而是希望建立能贯穿端到端业务流程的“智能工作代理”。例如，“从设计到生产再到销售”或“从营销到签约、再到开票与支持”的全流程。当前的单一用例AI将逐步走向融合。
随着这些多功能Agent的出现（多数由IT团队自建，而非完全依赖供应商），企业岗位将被系统性重塑。不再需要“面试协调员”“客户预约助理”或“应收账款专员”——这些工作将被整合到AI工作流中。
在我们的Galileo实践中也能看到这一趋势：它从最初的HR助手，进化为能自动回答问题、生成课程、解决复杂薪酬或内部政策问题的系统。Galileo如今能“为你构建解决方案”，从“问题或想法”一步直达“验证过的解决方案”，就像一辆“自动驾驶汽车”。
智能体将拥有记忆与个性
第二个重大变化是：AI智能体开始“了解你是谁”。例如，Galileo现在可以记住你的身份和过往行为。与其每次都从零开始，这些智能体会**“从你的使用中学习”，或“从业务本身学习”**，因此变得更具自主性、更个性化，也更有价值。
想象一下：你是一位经理，面临产能不足的问题。你问Galileo：“能帮我招聘一个新员工吗？”Galileo可能会回答：“在我帮您开启招聘申请之前，能否请您说明这个职位要做什么？”然后它可能继续问你部门的管理幅度（因为它掌握基准数据），并建议道：“以您预算的薪资水平，寻找内部候选人可能更合适。是否希望我帮您筛选具备相关技能的公司内部员工？”
一个月后，当你再次向Galileo求助时，它可能会说：“上次您新招的那位员工似乎上手速度较慢。我们是否该为团队制定一个新的培训计划，再考虑增员？”
看出差别了吗？当所有这些“助力方向盘式”的AI工具逐渐协同工作时，下一步就是让AI真正“接管整辆车的驾驶”——帮助企业整体运作，而非只处理单点事务。Bersin预测：这类系统将在2026年大量落地。
数据管理将成为企业的命脉
在与拥有AI经验的公司交流时，我们几乎发现了一个共同点：他们新培养的最关键能力，是数据管理、数据标注与数据治理。
我们在构建Galileo的过程中也得到了相同的教训：如果数据不准确、不及时、未正确标注，AI的输出就会失真。AI本身并不“理解”这些文字或数字的意义，它只是通过概率与向量计算来生成答案。因此，哪怕最微小的数据错误，都可能导致高比例的错误结论。（可参考我关于“45%的新闻查询结果有误”的播客内容。）
这也是为什么像IBM、沃尔玛、BMS这样的公司最终发现，“数据所有权”成为了关键战略资源。
例如，IBM在其“Ask HR”智能体中管理着超过6000条HR政策，并为每条政策指定负责人，负责更新与维护。现在，IBM正在构建新的智能体，用以扫描政策内容，监测全球数千个地区的法规变动，以提醒潜在风险。可以预见，所有公司都将踏上这一学习曲线。
智能体将与智能体对话
更令人兴奋的是：AI智能体之间的“互联互通”即将实现。我们称之为Agent-to-Agent（A2A）通信，或多代理通信协议（MCP）。虽然这些协议仍在早期阶段，但企业界已在积极探索。
不过我也要提醒一句：别急着采购五十个不同的AI代理。如果这些代理不能互相协作，它们的实际价值会大打折扣。许多客户现在签合同时只签一年，就是为了避免“被锁死在某个快速过时的AI系统中”。
供应商风险与市场格局
AI前路依然存在风险。我们仍不确定OpenAI是否能“自我整顿”，微软的Copilot目前分散在多个方向，而谷歌（Gemini）与Anthropic还需面对来自Grok、DeepSeek等新竞争者。如果股市出现剧烈调整，AI行业也很可能迎来一轮整合。
我认为，那些专注于高质量、务实商业应用的产品才最值得购买。例如Galileo、Paradox、Eightfold、Sana、Arist等，这些HR领域的AI产品都已具备成熟的落地能力。
此外，各大HCM厂商——SAP、Workday、ADP、HiBob、ServiceNow——也正在将AI智能体嵌入薪酬与流程引擎中，力图成为企业的端到端多功能智能体供应商。SAP收购SmartRecruiters、Workday收购HiredScore、Paradox与Sana的整合，正是这一趋势的体现。HR团队必须密切跟进这些生态变化。
其他担忧：工作流失与员工“被弱化”？
在我这次旅途中，听到了很多类似的担忧：HR人员害怕被取代；招聘人员不确定候选人是否“真人”；有人问我：“我们是不是都要变得更笨？”
我的回答是——如果你不主动拥抱这场革命，它也会在没有你的情况下开始。这是一个商业史上难得的转型时期，我们有机会彻底重塑自己的工作方式。现在不是退缩的时刻，而是亲手掌握AI工具、亲身实践的时刻。只要你开始使用这些工具，或者让我们带你体验Galileo，你就会发现新的职业机会——你的熟练度与经验将成为你在AI时代的竞争优势。
至于AI是否会取代人类的工作？我建议别听技术圈那些危言耸听的人。这根本不可能。
即便有一天我们真的拥有“自动驾驶汽车”，我们回头也可能会说：“其实开车也没多有趣嘛。”那时候我们会把注意力放到生活的其他部分，用新的方式创造价值。
而AI技术仍然如此新、如此不完美、变化如此迅速，反而创造了无数新的岗位与角色——超级员工（Superworkers）、顾问、创新者——去挖掘新的应用场景。
我记得1981年电子表格刚推出时，大家都以为会计师要失业了。结果呢？如今会计师比过去更多，只是他们不再浪费时间手算列数。
对于设计师、创作者、作家或分析师而言，AI就像你身边的一台个人超级计算机。正如木匠使用电动锯与自动雕刻机一样，你依然能创造出精美、复杂的作品——只要学会使用这些新工具。
欢迎来到新的世界
现在迷雾已散，AI将长期存在。让我们一起走上“超级工作者”的道路，帮助组织学习、应用并充分利用这项惊人的新技术。接下来的方向，就掌握在我们手中。
附录：这里有一份JoshBersin发布的报告《充分发挥 AI 影响力，拥抱超级员工时代》，点击下载
附录思维导图：
生成式AI
信任AI，还是绕开AI？2025职场人正在重新选择
HRTech概述：德勤《Workforce Trust with AI》（点击可下载）最新调研显示，尽管企业内部AI工具的可及性提升，但员工对生成式AI的信任却大幅下滑——仅三个月内下降35%。43%的员工承认使用未经批准的AI工具，暴露出企业在AI治理与信任建设方面的巨大缺口。研究指出，AI技术的最大挑战已从“可用性”转向“可信度”。当员工不再相信AI，创新也将失去持续动力。视频解读请访问视频号：HRTech
一、AI时代的“信任危机”正在蔓延
AI在企业中无处不在，从简历筛选、绩效评估到客户分析，几乎每个环节都在被智能化。然而，德勤最新发布的《Workforce Trust with AI》报告提醒我们：AI的最大障碍不再是技术成熟度，而是“信任”。
报告基于2025年5月至7月对六大行业、超过1.7万名员工的调研，结果令人警醒——生成式AI（GenAI）在职场的使用率下降了15%，员工对AI的信任度更是在三个月内暴跌35%。这意味着，AI在企业内部虽然普及了，但“敢不用、不想用”的现象却在扩大。
二、数据背后的现实：员工为何“不信任AI”？
在拥有AI工具可用权限的员工中，43%承认自己使用了“未经批准的AI工具”。换句话说，几乎一半的员工在“绕过”企业提供的AI系统，选择自己信任的外部工具。这种“信任错位”背后有三大原因：
可用性差：45%的员工认为企业AI工具“太难用”，不如外部平台便捷。
结果不可靠：37%的人指出官方工具“输出不准、不懂语境”。
缺乏透明性：大量员工反映AI的决策过程“不可解释”，难以信任其公平性。
这揭示了一个核心问题——企业在AI导入阶段往往只关注技术性能，却忽视了员工的“心理信任成本”。
三、信任的断层：谁更信任AI？谁更抵触？
德勤的细分数据发现，高层与基层员工的AI信任差距接近两倍。
企业高管与管理层普遍对AI持积极态度，认为其能提升效率、降低风险；
一线员工则更担忧AI取代岗位、加剧考核压力。
代际差异同样明显：
X世代和婴儿潮一代对AI的信任度普遍高于Z世代与千禧一代。
年轻员工虽然更熟悉AI工具，却对其公平性和透明度更敏感。
换言之，“越懂技术的人，越不轻易信任技术”。
四、培训=信任：数据证明了这一点
报告揭示一个惊人的数字：
接受过AI实操培训的员工，对雇主AI的信任度提升 144%。
培训不仅让员工理解“AI如何工作”，更让他们感受到“AI为何值得信任”。同样重要的是，那些拥有开放沟通与示范机制的企业，AI采纳率更高、员工更积极。
德勤指出，“信任AI”的员工每周平均节省两小时工作时间，并更可能主动向他人推荐AI工具。这种正向循环，正是企业AI转型的关键。
五、企业信任重建三步走：从透明到共创
在德勤的模型中，职场信任的四大支柱包括：人性（Humanity）、能力（Capability）、可靠性（Reliability）、透明度（Transparency）。结合报告结论，企业可从以下三个方向重建AI信任：
让AI“看得见”：公开算法逻辑、用途和数据来源，让员工理解AI不是“黑箱”。
让AI“用得顺”：将AI融入现有流程，而非强制替代人类判断。
让AI“更懂人”：在AI设计中融入人性化体验与反馈机制，建立共创式关系。
信任并非通过制度“要求”出来的，而是通过体验“赢得”的。
六、从治理到文化：AI信任是企业竞争力的新指标
德勤认为，AI信任正在成为继“数字化转型指数”之后的第二个关键组织指标（Workforce Trust Index）。
当企业AI的可解释性、伦理框架与人机协作机制逐渐成熟，员工会重新建立“数字信心”。未来的竞争，不仅是算法的比拼，更是信任生态的建设。
对HR而言，这份报告带来的最大启示是：
“AI治理不只是IT部门的事，它正在成为HR文化与员工体验的新核心。”
七、结语：信任AI，才能用好AI
生成式AI的崛起改变了工作方式，但决定其成败的仍然是“人”。当员工不再害怕AI、当AI不再被视为“威胁”，信任才可能转化为生产力。
德勤的研究无疑为企业指明方向：从算法信任到组织信任，AI的未来不在机器，而在人心。
生成式AI
招聘的下一场革命：AI正在成为招聘“基础设施”
过去十年，招聘一直围绕“时间”“判断”“人脉”三要素展开。但今天，随着 AI 全面进入招聘核心流程，我们即将步入一个以智能决策与人机协作为核心的新阶段。
未来12个月，将是 HR 与招聘领域应对 AI 冲击的战略窗口期。这一变革并非某种遥远愿景，而是正在发生的现实。
AI正在成为招聘“基础设施”
从简历筛选到面试安排，从职位发布到候选人互动，AI 正将大量重复性、流程化任务自动化，并带来实质性效能提升：
AI 搜寻工具 能在数秒内挖掘“隐藏候选人”，显著缩短 time-to-fill。
自动化筛选系统 可在海量简历中识别行为与技能匹配度。
生成式AI 重构职位描述、招聘文案与雇主品牌内容，提升转化率。
虚拟助手与Chatbot 全天候安排面试、答疑解惑、跟进流程，改善候选人体验。
据业内报告，AI 能将招聘前期流程时间缩短 30%-50%，同时提升候选人满意度。但问题也随之而来——我们该如何确保“效率背后”的公平与透明？
新挑战：效率之外，我们是否还拥有判断力？
“更快更省”不是AI的全部意义。真正复杂的问题是：我们如何在不失去人类价值的前提下，借力AI达成更好的招聘决策？
招聘管理者应关注四个关键议题：
偏见识别与合规性：企业如何审查AI模型，避免性别、年龄、背景等隐性歧视？
数据与隐私边界：在AI生成候选人画像的过程中，个性化推荐与隐私侵犯的界线何在？
伦理标准建设：是否建立了AI工具选型、审批、监控、退场机制？是否包含HR、法律、IT多方角色？
招聘者角色转型：招聘人员该如何提升数据素养，成为AI的“引导者”而非“被替代者”？
这些议题，不仅决定了技术落地的成败，更关系到组织的雇主品牌、公平文化与合规底线。
焦点前沿：Agentic AI 的兴起
“Agentic AI”——即具有自主行动能力的AI招聘代理。它们不仅完成单一任务，更能像“数字招聘官”一样：
主动搜寻、筛选、安排、反馈，全流程无人工指令；
根据招聘者行为习惯，实时优化推荐结果；
识别流程瓶颈并自动调整策略。
这意味着，未来AI不仅是“助手”，更可能是“招聘合作者”。然而，AI代理的“自我学习”能力也引发新的问题：
谁对它的决策结果负责？
如何回溯其推理逻辑？
如何防止系统在长周期后偏离组织价值？
实战建议：三步建立AI招聘能力模型
对于想在未来12个月领先一步的组织，三方面入手：
小步试点，快速验证选择低风险、高价值的招聘环节，如初筛、安排、候选人沟通等开展AI试点。
联合制定AI使用守则与法务、IT联合设立AI伦理与合规政策，明确技术选型与使用边界。
赋能招聘者角色转型培养“AI+HR”复合能力，提升招聘者对工具的理解与策略运用能力。
结语：AI不会取代招聘者，但会淘汰旧思维
AI带来的招聘变革，核心不在于技术本身，而在于组织是否准备好迎接新范式。未来12个月，将是领先企业构建新招聘力的关键时期。
在这一过程中，既理解技术，也理解人的HR人将扮演不可替代的角色。他们不只是执行者，更是**“人机共生”招聘未来的设计者和推动者**。
生成式AI
【巴黎】从事员工使用软件和生成式AI工具培训公司Mendo获得350万欧元融资，以加速GenAI在企业中的应用
专门从事员工使用软件和生成式人工智能工具培训的初创公司 Mendo 宣布其第二轮融资 350 万欧元。继2023年11月的首轮70万欧元之后，新一轮注资将使Mendo能够将其解决方案扩展到更多公司和工具，同时启动国际扩张，尤其是在英国。
本轮融资由英国教育行业领先基金 Emerge Education 领投，并得到了历史投资者 Tomcat Ventures 以及 Docebo（纳斯达克股票代码：DCBO）首席执行官 Claudio Erba 等知名商业天使投资人的支持。
“Mendo联合创始人兼首席执行官Quentin Amaudry表示："我们坚信，生成式人工智能只有被团队充分理解和正确使用，才能充分释放其潜力。“这次筹款将使我们能够支持更多公司进行数字化转型，确保这些新技术的顺利和可持续应用。
“我们之所以选择与 Mendo 合作，是因为他们的解决方案满足了一个关键需求：确保人工智能的应用不仅仅是一时的趋势，而是真正长期推动企业转型和提高生产力的动力，"Emerge 的创始合伙人 Jan Lynn-Marten 解释说。“我们相信，Mendo 凭借其创新的培训和支持方法，完全有能力在这一领域发挥重要作用。
对于许多企业来说，采用生成式人工智能仍然是一项挑战，在这种情况下，Mendo 的目标是确保这些技术的顺利和可持续整合。麦肯锡的一项全球调查显示，2024 年将有 65% 的企业定期使用生成式人工智能，与前一年相比几乎翻了一番。同一研究还显示，全球 72% 的公司正在积极鼓励员工采用这些技术。然而，G2[1] 进行的一项研究显示，企业及其员工的采用率仍然很低，这对生成式人工智能构成了真正的挑战。只有13%的人工智能聊天机器人评论者供职于员工人数超过1000人的公司，而企业用户使用LLM的比例更低，仅为8%。
Mendo 将自己定位为大型企业数字化转型的重要参与者，其 SaaS 解决方案可培训员工优化使用软件。其应用程序 MendoGPT 专为在微软 Copilot 365 等工具中采用生成式人工智能而设计。
Tomcat Factory 和 Tomcat Invest 的联合创始人 Patrice Thiry 补充说："Mendo 是一家初创企业，完美体现了我们 Tomcat Factory 所追求的雄心和执行速度。亚历山大-皮农（Alexandre Pinon）和昆汀-阿莫德里（Quentin Amaudry）成功地应对了在企业中采用人工智能的挑战，本轮融资是他们加速发展的又一步骤。他们的积极性和远见卓识是其成功的关键驱动力，我相信他们将对数字领域产生重大影响。
350万欧元的融资将使Mendo公司加强团队建设，加快发展速度，特别是在国际市场上（目前占其收入的10%），并在明年将培训的员工人数翻一番--自公司成立以来，培训人数已超过15000人。公司计划招聘 20 名新员工，主要是支持销售和部署工作的专业销售人员，以及开发人员和营销人员。
扫一扫 加微信
hrtechchina
生成式AI
生成式AI
生成式AI
生成式AI
生成式AI
生成式AI
生成式AI
生成式AI
生成式AI
生成式AI
扫一扫 加微信
hrtechchina
