譚寅亮、孫書華/文

近年來，人工智能（AI）在招聘、面試及人力資源管理（HR）領域的應用正快速升溫。

最新一項大規模隨機實驗顯示，AI在面試環節的表現優于人類，候選人接受AI面試后獲得錄用、入職和留任的概率均顯著提升。這類研究表明，AI不僅能處理標準化事務，還能通過互動緩解候選人的焦慮，增強組織效能。

面對這一趨勢，如何將AI深度融入組織管理流程，而非僅停留在工具層面，成為企業亟待解決的問題。為此，分析行業領先企業的實踐，有助于我們深入理解這一挑戰。

企業級AI的探索

在人力資源領域，易路人力資源科技（eRoad，簡稱“易路”）是國內較早將AI技術應用于業務場景的企業。當前，其服務覆蓋全球20多個國家、國內310多個城市，為超過800家中大型企業提供人力資源解決方案。

2023年，隨著GPT等大模型技術的興起，易路找到了新的技術支撐，從早期基于NLP自然語言的AI探索，轉向依托LLM大語言模型構建概念產品，其智能體產品雛形逐步完善。

2024年，易路推出了管理多智能體的協同平臺——iBuilder。該平臺內置39個智能體，覆蓋招聘管理、員工體驗、薪酬管理、績效管理、人才與組織發展及政策問詢6個板塊。

早在2020年前后，易路便已將AI技術應用于人力資源領域，但初期業務主要關注人崗匹配與薪酬定薪兩個方向，旨在解決招聘定薪難、識人不準及家族企業二代接班人的人才判斷困境。

易路的做法是聯動薪酬激勵體系，通過AI技術構建從需求定義到候選人落地的全流程解決方案。

首先，企業招聘長期面臨“該給候選人多少薪酬”“招進來的人是否符合預期”兩個難題。早年定薪多以候選人“前雇主薪資”為基準，遵循跳槽加薪的慣性邏輯。在經濟上行、人才爭奪激烈的階段，這種方式尚可被接受。但在經濟下行時期，企業逐漸發現該模式的弊端：除招聘成本持續攀升外，候選人入職后的績效表現、為企業創造的價值，也與高薪之間嚴重脫節。以至于，招人越來越貴，但人才價值卻未同步提升。這些都成為企業人力成本管控與效率提升的阻礙。

此外，中國家族企業在二代接班過程中普遍面臨“老臣人才價值判斷難”的問題。一方面，初代創始人對老臣的評價可能存在主觀偏差，但二代對這類評價的信任度有限。另一方面，二代若向老臣征詢人才建議，易因“親信推薦”導致信息失真，部分資深同事在推薦時可能更傾向于選擇熟悉或關系較近的人，不一定是完全基于能力的考量。

這種信息不對稱使得二代接班后不敢輕易調整團隊，明知部分人員難以適配企業發展需求，也因缺乏客觀依據而無從判斷，最終陷入想動不敢動的被動局面。此時，企業會希望通過AI技術獲得客觀、中立的人才評估建議。

針對上述痛點，易路通過AI解決的邏輯是基于歷史數據的客觀畫像與精準匹配，具體可拆解為三個環節。

一是構建客觀的人才畫像，通過歷史數據破除主觀偏差。AI的價值在于還原人才真實能力，通過讀取候選人（或企業內部老臣）的全周期數據，包括過往從業經歷、企業內職業生涯軌跡、每段經歷中的績效表現，如季度項目成果、項目評分、成長軌跡等，形成多維度的人才數據檔案。這類數據具有“不可回溯造假”的特性，若要偽造人才能力，需要篡改五六年前的績效記錄、項目經歷等細節，操作難度極高。

AI基于這些數據生成的評估建議能在一定程度上規避主觀偏見，如針對企業內部老臣的評估，AI會梳理其過去數年的項目貢獻、績效波動、團隊管理成果等數據，而非依賴他人評價，幫助二代判斷“誰是真正具備核心能力的人才”。

二是提高人崗匹配的精準度。不同企業對同一崗位的定義、職級的定位存在差異。例如，銀行副總裁的月薪可能為1—2萬元，但大型集團副總裁的年薪可高達上千萬元。若僅以崗位抬頭匹配，極易導致人崗錯配。

因此，AI可以通過“崗位描述+績效行為”兩個維度提高匹配的精準度：一方面，讀取企業目標崗位的描述，如職責范圍、核心任務等；另一方面，分析該崗位過往優秀從業者的績效行為，如完成的項目類型、創造的價值等，通過算法將崗位要求與人才能力進行對齊。例如，判斷A企業的副總裁與B企業的高級副總裁是否為同等級別時，AI會對比兩者的核心職責、項目決策權、績效貢獻，而非僅看職級名稱。

三是人崗匹配與薪酬激勵的聯動。激勵是留住人才的關鍵，除企業文化外，薪酬體系是核心抓手。AI可以將人崗匹配與薪酬定薪聯動：一方面，整合市場數據（數年累計的14億條崗位招聘數據，包含企業對不同崗位的薪酬范圍）；另一方面，結合企業內部數據（不同崗位的績效標準、優秀人才的薪酬水平），通過AI分析得出“某類能力的人才在當前企業應匹配的薪酬區間”。最終實現“什么樣的人該給多少錢”，以及“什么樣的人是企業真正需要的人才”。

智能體的增強價值

事實上，在更廣泛的企業管理實踐中，作為行動主體的智能體已經開始在決策中發揮作用。

如果我們自下而上看，這些智能體通常用于解決具體場景中某個具體的業務需求。但從人機協作的趨勢看，智能體又大致可以分為兩類：一類用于處理標準工作，形成由AI主導的精準執行模式；一類用于處理非標準工作，形成由人類主導的增強智能模式。

其中，標準工作指有明確操作流程、固定工作內容和可量化產出的工作。AI承擔大部分流程化操作，人類僅需處理很小一部分的邊緣異常，如規則校準、特殊情形復核等。如某跨國企業采用“薪資核算智能體”，自動完成3.6萬員工算薪，僅需2名人事專員復核特殊情形。智能體從事標準化工作的價值可歸結為提升效率、降低成本、縮短周期、減少出錯率。

非標準工作的特征是任務內容靈活，需創造性思維、復雜決策、個性化處理，AI扮演“知識引擎”“模擬沙盤”等角色，人類主導最終決策，如策略制定、情感溝通等。

一方面，智能體可以承擔大部分標準工作；在非標準工作中，行動主體依然是個人或團隊（HumanAgent）。協調的核心在于確保每個智能體的行動都與戰略目標保持一致。智能體無疑將帶來人機協作的工作新范式，我們可以通過幾個案例場景進一步了解。

場景一是滑雪場籌建團隊的快速組建。某著名文旅企業籌建滑雪度假村，傳統做法需要組建一個涵蓋上百個細分崗位的團隊，這是一項極其復雜的任務。但智能體改變了原有的工作模式。管理者只需輸入自然語言指令，如“為某3新滑雪場項目推薦所有關鍵崗位的候選人清單，每個崗位推薦三人，并附上推薦理由”，智能體可以瞬時響應。

但這背后的前提是智能體能夠理解項目需求與崗位畫像，基于企業的人才數據庫進行智能匹配，評估員工技能、經驗、流動性，才能生成有理有據的推薦名單。當管理者提出人員調整時，智能體能持續交互、優化方案。若無合適的內部人選，它可以啟動外部招聘流程，將崗位畫像傳遞給招聘智能體，這無疑提高了項目的籌備效率。

場景二是精準掌控組織人力動態。面對成百上千人的企業，管理者往往難以實時掌握人員動態，如在崗、外派、勞務派遣、殘疾人掛靠、實習生等。當被問及“企業當前有多少人”時，企業的傳統做法是安排人事部門進行線下統計。

但智能體可以實時洞察組織的變化。管理者通過提問，如“當前實際在崗工作的員工總數是多少（自動排除掛靠、長期休假等人員）”“分布在某項目的實習生和正式員工比例是多少”“對比上季度，生產人員流動率有什么變化”，智能體能夠穿透復雜的HR系統數據，根據不同語境，如應對稅務局統計或內部管理匯報，動態生成符合需求的答案。

更進一步，智能體還可以整合宏觀經濟、市場競對、內部運營等數據，幫助企業高層回答諸如“如果在西南地區新建一個滑雪場，預計的投資回報率是多少，最大的風險點在哪里”“基于過去3年的客戶數據，下一個度假產品應重點布局哪類主題”等問題。

智能體的價值遠不止于替代重復勞動，更重要的是增強管理者的信息處理、模式識別和方案構建能力。它正成為組織中無處不在、隨需而動的智能層級，將人力資源、流程管理與戰略決策進行深度耦合，最終提升組織的韌性與效率。

從工具到核心競爭力

毫無疑問，智能體的應用水平存在高低之分，關鍵在于其能否深入企業運營的核心環節，提供專業、可靠、可信任的決策支持。背后的分水嶺在于是否具備三個核心支柱的融合。

支柱一是深厚的管理理論與行業實踐。智能體的智能必須建立在“經過驗證的管理科學”和“行業Know-how”這兩個基礎之上。

首先，企業需要建立經過驗證的管理科學基礎，而非僅僅依賴互聯網的通用知識。企業管理涉及人才畫像、崗位評估、薪酬體系、績效管理等，這些內容背后均有成熟的理論框架，如美世的IPE崗位評估系統、翰威特的薪酬調研方法論等。這些理論是智能體進行判斷和推薦的準繩與原則。

其次，不同行業，如快消、金融、高科技等領域的管理實踐存在顯著差異。將頂尖咨詢公司的行業專家經驗，如美世顧問的畢生所學轉化為智能體的數字分身，使其具備特定行業的洞察力，是避免紙上談兵的關鍵。這在確保智能體建議正確的同時，還能貼合企業所在的商業環境。

支柱二是內外部數據的高質量融合與治理。數據是智能體的“食糧”，但其價值取決于質量和關聯度。內部數據梳理中，企業人力資源、財務、運營數據往往散落在不同系統，且標準不一。企業的核心競爭力在于擁有一套成熟的方法論，能夠幫助企業清洗、整合并標準化內部數據，使其成為智能體可理解、可分析的有效資產。

與此同時，孤立的內部數據不足以支撐精準決策，如市場薪酬水平、人才流動趨勢等，企業必須引入海量持續更新的外部市場數據作為基準參考。只有當內部數據與外部數據在統一的框架下關聯起來，智能體才能進行有意義的對比和分析，提供具有市場競爭力的建議。

支柱三是賦能而非替代的智能體交互層。在前兩大支柱的基礎之上，智能體才能發揮最大效能，成為賦能者的角色。此時，智能體不再是簡單的自動化工具，而是承載了頂尖管理智慧與全域數據的“超級顧問”。它能夠替代傳統咨詢中大量重復、耗時的基礎工作，如數據清洗、初步訪談、報告生成等，將人類專家從80%的繁瑣勞動中解放出來。人類專家可以專注于更具戰略性的工作，如復雜情境的判斷、戰略方向的制定、與決策者的深度溝通等，從而實現人機協同——機器處理規模和效率，人類聚焦洞察和決策。

這三個支柱揭示出：單一的智能體本身極易被復制，但“權威管理理論×高質量數據×智能體”三者形成的乘法效應，才能構建企業的護城河。只有深度植根于經過驗證的管理框架，喂養以精準的內外部數據，智能體才能真正深入業務本質，從助手進化成為企業的戰略決策伙伴。

信任機制的基石

當前，市場上許多大模型的套殼方案難以在企業場景中落地，根本原因在于它們無法滿足企業管理對確定性、可靠性與合規性的剛性需求。企業管理的決策必須基于標準，而非概率。二者的分水嶺在于是否構建了以下三個基石。

基石一是可預測，即建立在標準之上的確定性。企業管理的首要前提是形成統一、穩定的判斷標準。單純的通用大模型缺乏企業特有的“標尺”，如崗位能力模型、薪酬體系、合規條例等，回答具有隨機性。這可能導致對同一份簡歷、同一項數據，給出前后矛盾的建議。這是企業運營無法容忍的。

可預測性意味著智能體的任何輸出都必須基于預設的、透明的業務規則和管理理論。當輸入明確時，輸出必須穩定且一致。這確保了AI行為符合企業規章制度，成為一把可靠的“尺子”，而非“黑箱”。

基石二是可回溯，即決策過程的透明化。AI會犯錯，但關鍵是能清晰地定位錯誤根源。通用大模型的決策過程不可拆解。當出現問題時，管理者無法追溯是原始數據錯誤、規則理解偏差，還是AI的過度發揮。

可回溯性要求智能體的每一個結論或建議，都能像數學證明題一樣，展示出完整的推理鏈條。管理者可以一步步復審，智能體是如何理解指令的、調用了哪些數據、應用了哪條規則。這不僅便于快速定位問題（是數據問題還是規則問題），更重要的是賦予了管理者審查和糾偏的能力，建立了初步的信任。

基石三是可審計，即滿足合規與風控的剛性要求。在嚴格監管的環境下，決策必須經得起檢驗。在招聘或薪酬計算中，若無法證明AI決策的公平性與合規性，企業將面臨巨大的法律與聲譽風險。海外已出現因AI招聘歧視被重罰的案例，例如歐洲人權機構裁定臉書使用的算法在招聘廣告中存在性別歧視行為。

可審計性是可回溯性的終極價值體現。它意味著AI的整個決策流程可以被完整記錄、封存并接受內外部審計。當被質疑時，企業能夠出具證據鏈，證明其決策邏輯的合規與公正。這是企業，尤其是上市公司和受嚴格監管行業，引入AI的前提條件。

基于上述三個基石，人與智能體的信任關系可以通過以下三個階段逐步建立。

第一階段是全權委托，處理確定性任務。那些輸入與輸出關系明確、有固定流程和標準答案的任務，如根據新格式自動填寫報關單、將生活照合規化為標準員工照的任務等。在此階段，人類通過反復驗證確認AI的準確性與可靠性后，便可像信任一個恪守流程的模范員工一樣，將此類工作全權委托。系統會為這些“數字員工”設定績效指標，進行監控和再訓練，確保其持續穩定輸出。

第二階段是輔助建議，處理復雜性決策。管理者需要綜合考慮規則、數據與人性化因素的決策，如薪酬調整建議、崗位人選推薦等。在此階段，智能體扮演了超級顧問的角色，提供基于數據和規則的客觀建議，但最終決策權在人。管理者可以采納、修改或否決AI的建議，如因特殊情況破格錄用等。這種協作模式既利用了AI的分析效率，又保留了人類在復雜情境下的最終判斷權。

第三階段是共同探索，處理戰略性創新。面對全新挑戰，無先例可循的業務，如新業務線團隊搭建、市場戰略分析時，人與AI將進入共創模式。AI負責模擬推演、提供數據洞察和潛在方案，人類負責定義方向、權衡利弊并做出戰略抉擇。信任建立在AI所提供信息的廣度、深度和前瞻性上。

從上述實踐可以看到，企業級AI的成功并非源于大模型技術本身，而在于能否將權威的管理框架、高質量的數據與可解釋可審計的AI技術深度融合。這種融合才能使智能體從一個聰明的工具，進化成為企業運營中可靠、可信、可共事的戰略伙伴。

（譚寅亮系中歐國際工商學院決策科學與管理信息系統教授，孫書華系美國杜蘭大學弗里曼商學院管理系副教授）