谭寅亮、孙书华/文

近年来，人工智能（AI）在招聘、面试及人力资源管理（HR）领域的应用正快速升温。

最新一项大规模随机实验显示，AI在面试环节的表现优于人类，候选人接受AI面试后获得录用、入职和留任的概率均显著提升。这类研究表明，AI不仅能处理标准化事务，还能通过互动缓解候选人的焦虑，增强组织效能。

面对这一趋势，如何将AI深度融入组织管理流程，而非仅停留在工具层面，成为企业亟待解决的问题。为此，分析行业领先企业的实践，有助于我们深入理解这一挑战。

企业级AI的探索

在人力资源领域，易路人力资源科技（eRoad，简称“易路”）是国内较早将AI技术应用于业务场景的企业。当前，其服务覆盖全球20多个国家、国内310多个城市，为超过800家中大型企业提供人力资源解决方案。

2023年，随着GPT等大模型技术的兴起，易路找到了新的技术支撑，从早期基于NLP自然语言的AI探索，转向依托LLM大语言模型构建概念产品，其智能体产品雏形逐步完善。

2024年，易路推出了管理多智能体的协同平台——iBuilder。该平台内置39个智能体，覆盖招聘管理、员工体验、薪酬管理、绩效管理、人才与组织发展及政策问询6个板块。

早在2020年前后，易路便已将AI技术应用于人力资源领域，但初期业务主要关注人岗匹配与薪酬定薪两个方向，旨在解决招聘定薪难、识人不准及家族企业二代接班人的人才判断困境。

易路的做法是联动薪酬激励体系，通过AI技术构建从需求定义到候选人落地的全流程解决方案。

首先，企业招聘长期面临“该给候选人多少薪酬”“招进来的人是否符合预期”两个难题。早年定薪多以候选人“前雇主薪资”为基准，遵循跳槽加薪的惯性逻辑。在经济上行、人才争夺激烈的阶段，这种方式尚可被接受。但在经济下行时期，企业逐渐发现该模式的弊端：除招聘成本持续攀升外，候选人入职后的绩效表现、为企业创造的价值，也与高薪之间严重脱节。以至于，招人越来越贵，但人才价值却未同步提升。这些都成为企业人力成本管控与效率提升的阻碍。

此外，中国家族企业在二代接班过程中普遍面临“老臣人才价值判断难”的问题。一方面，初代创始人对老臣的评价可能存在主观偏差，但二代对这类评价的信任度有限。另一方面，二代若向老臣征询人才建议，易因“亲信推荐”导致信息失真，部分资深同事在推荐时可能更倾向于选择熟悉或关系较近的人，不一定是完全基于能力的考量。

这种信息不对称使得二代接班后不敢轻易调整团队，明知部分人员难以适配企业发展需求，也因缺乏客观依据而无从判断，最终陷入想动不敢动的被动局面。此时，企业会希望通过AI技术获得客观、中立的人才评估建议。

针对上述痛点，易路通过AI解决的逻辑是基于历史数据的客观画像与精准匹配，具体可拆解为三个环节。

一是构建客观的人才画像，通过历史数据破除主观偏差。AI的价值在于还原人才真实能力，通过读取候选人（或企业内部老臣）的全周期数据，包括过往从业经历、企业内职业生涯轨迹、每段经历中的绩效表现，如季度项目成果、项目评分、成长轨迹等，形成多维度的人才数据档案。这类数据具有“不可回溯造假”的特性，若要伪造人才能力，需要篡改五六年前的绩效记录、项目经历等细节，操作难度极高。

AI基于这些数据生成的评估建议能在一定程度上规避主观偏见，如针对企业内部老臣的评估，AI会梳理其过去数年的项目贡献、绩效波动、团队管理成果等数据，而非依赖他人评价，帮助二代判断“谁是真正具备核心能力的人才”。

二是提高人岗匹配的精准度。不同企业对同一岗位的定义、职级的定位存在差异。例如，银行副总裁的月薪可能为1—2万元，但大型集团副总裁的年薪可高达上千万元。若仅以岗位抬头匹配，极易导致人岗错配。

因此，AI可以通过“岗位描述+绩效行为”两个维度提高匹配的精准度：一方面，读取企业目标岗位的描述，如职责范围、核心任务等；另一方面，分析该岗位过往优秀从业者的绩效行为，如完成的项目类型、创造的价值等，通过算法将岗位要求与人才能力进行对齐。例如，判断A企业的副总裁与B企业的高级副总裁是否为同等级别时，AI会对比两者的核心职责、项目决策权、绩效贡献，而非仅看职级名称。

三是人岗匹配与薪酬激励的联动。激励是留住人才的关键，除企业文化外，薪酬体系是核心抓手。AI可以将人岗匹配与薪酬定薪联动：一方面，整合市场数据（数年累计的14亿条岗位招聘数据，包含企业对不同岗位的薪酬范围）；另一方面，结合企业内部数据（不同岗位的绩效标准、优秀人才的薪酬水平），通过AI分析得出“某类能力的人才在当前企业应匹配的薪酬区间”。最终实现“什么样的人该给多少钱”，以及“什么样的人是企业真正需要的人才”。

智能体的增强价值

事实上，在更广泛的企业管理实践中，作为行动主体的智能体已经开始在决策中发挥作用。

如果我们自下而上看，这些智能体通常用于解决具体场景中某个具体的业务需求。但从人机协作的趋势看，智能体又大致可以分为两类：一类用于处理标准工作，形成由AI主导的精准执行模式；一类用于处理非标准工作，形成由人类主导的增强智能模式。

其中，标准工作指有明确操作流程、固定工作内容和可量化产出的工作。AI承担大部分流程化操作，人类仅需处理很小一部分的边缘异常，如规则校准、特殊情形复核等。如某跨国企业采用“薪资核算智能体”，自动完成3.6万员工算薪，仅需2名人事专员复核特殊情形。智能体从事标准化工作的价值可归结为提升效率、降低成本、缩短周期、减少出错率。

非标准工作的特征是任务内容灵活，需创造性思维、复杂决策、个性化处理，AI扮演“知识引擎”“模拟沙盘”等角色，人类主导最终决策，如策略制定、情感沟通等。

一方面，智能体可以承担大部分标准工作；在非标准工作中，行动主体依然是个人或团队（HumanAgent）。协调的核心在于确保每个智能体的行动都与战略目标保持一致。智能体无疑将带来人机协作的工作新范式，我们可以通过几个案例场景进一步了解。

场景一是滑雪场筹建团队的快速组建。某著名文旅企业筹建滑雪度假村，传统做法需要组建一个涵盖上百个细分岗位的团队，这是一项极其复杂的任务。但智能体改变了原有的工作模式。管理者只需输入自然语言指令，如“为某3新滑雪场项目推荐所有关键岗位的候选人清单，每个岗位推荐三人，并附上推荐理由”，智能体可以瞬时响应。

但这背后的前提是智能体能够理解项目需求与岗位画像，基于企业的人才数据库进行智能匹配，评估员工技能、经验、流动性，才能生成有理有据的推荐名单。当管理者提出人员调整时，智能体能持续交互、优化方案。若无合适的内部人选，它可以启动外部招聘流程，将岗位画像传递给招聘智能体，这无疑提高了项目的筹备效率。

场景二是精准掌控组织人力动态。面对成百上千人的企业，管理者往往难以实时掌握人员动态，如在岗、外派、劳务派遣、残疾人挂靠、实习生等。当被问及“企业当前有多少人”时，企业的传统做法是安排人事部门进行线下统计。

但智能体可以实时洞察组织的变化。管理者通过提问，如“当前实际在岗工作的员工总数是多少（自动排除挂靠、长期休假等人员）”“分布在某项目的实习生和正式员工比例是多少”“对比上季度，生产人员流动率有什么变化”，智能体能够穿透复杂的HR系统数据，根据不同语境，如应对税务局统计或内部管理汇报，动态生成符合需求的答案。

更进一步，智能体还可以整合宏观经济、市场竞对、内部运营等数据，帮助企业高层回答诸如“如果在西南地区新建一个滑雪场，预计的投资回报率是多少，最大的风险点在哪里”“基于过去3年的客户数据，下一个度假产品应重点布局哪类主题”等问题。

智能体的价值远不止于替代重复劳动，更重要的是增强管理者的信息处理、模式识别和方案构建能力。它正成为组织中无处不在、随需而动的智能层级，将人力资源、流程管理与战略决策进行深度耦合，最终提升组织的韧性与效率。

从工具到核心竞争力

毫无疑问，智能体的应用水平存在高低之分，关键在于其能否深入企业运营的核心环节，提供专业、可靠、可信任的决策支持。背后的分水岭在于是否具备三个核心支柱的融合。

支柱一是深厚的管理理论与行业实践。智能体的智能必须建立在“经过验证的管理科学”和“行业Know-how”这两个基础之上。

首先，企业需要建立经过验证的管理科学基础，而非仅仅依赖互联网的通用知识。企业管理涉及人才画像、岗位评估、薪酬体系、绩效管理等，这些内容背后均有成熟的理论框架，如美世的IPE岗位评估系统、翰威特的薪酬调研方法论等。这些理论是智能体进行判断和推荐的准绳与原则。

其次，不同行业，如快消、金融、高科技等领域的管理实践存在显著差异。将顶尖咨询公司的行业专家经验，如美世顾问的毕生所学转化为智能体的数字分身，使其具备特定行业的洞察力，是避免纸上谈兵的关键。这在确保智能体建议正确的同时，还能贴合企业所在的商业环境。

支柱二是内外部数据的高质量融合与治理。数据是智能体的“食粮”，但其价值取决于质量和关联度。内部数据梳理中，企业人力资源、财务、运营数据往往散落在不同系统，且标准不一。企业的核心竞争力在于拥有一套成熟的方法论，能够帮助企业清洗、整合并标准化内部数据，使其成为智能体可理解、可分析的有效资产。

与此同时，孤立的内部数据不足以支撑精准决策，如市场薪酬水平、人才流动趋势等，企业必须引入海量持续更新的外部市场数据作为基准参考。只有当内部数据与外部数据在统一的框架下关联起来，智能体才能进行有意义的对比和分析，提供具有市场竞争力的建议。

支柱三是赋能而非替代的智能体交互层。在前两大支柱的基础之上，智能体才能发挥最大效能，成为赋能者的角色。此时，智能体不再是简单的自动化工具，而是承载了顶尖管理智慧与全域数据的“超级顾问”。它能够替代传统咨询中大量重复、耗时的基础工作，如数据清洗、初步访谈、报告生成等，将人类专家从80%的繁琐劳动中解放出来。人类专家可以专注于更具战略性的工作，如复杂情境的判断、战略方向的制定、与决策者的深度沟通等，从而实现人机协同——机器处理规模和效率，人类聚焦洞察和决策。

这三个支柱揭示出：单一的智能体本身极易被复制，但“权威管理理论×高质量数据×智能体”三者形成的乘法效应，才能构建企业的护城河。只有深度植根于经过验证的管理框架，喂养以精准的内外部数据，智能体才能真正深入业务本质，从助手进化成为企业的战略决策伙伴。

信任机制的基石

当前，市场上许多大模型的套壳方案难以在企业场景中落地，根本原因在于它们无法满足企业管理对确定性、可靠性与合规性的刚性需求。企业管理的决策必须基于标准，而非概率。二者的分水岭在于是否构建了以下三个基石。

基石一是可预测，即建立在标准之上的确定性。企业管理的首要前提是形成统一、稳定的判断标准。单纯的通用大模型缺乏企业特有的“标尺”，如岗位能力模型、薪酬体系、合规条例等，回答具有随机性。这可能导致对同一份简历、同一项数据，给出前后矛盾的建议。这是企业运营无法容忍的。

可预测性意味着智能体的任何输出都必须基于预设的、透明的业务规则和管理理论。当输入明确时，输出必须稳定且一致。这确保了AI行为符合企业规章制度，成为一把可靠的“尺子”，而非“黑箱”。

基石二是可回溯，即决策过程的透明化。AI会犯错，但关键是能清晰地定位错误根源。通用大模型的决策过程不可拆解。当出现问题时，管理者无法追溯是原始数据错误、规则理解偏差，还是AI的过度发挥。

可回溯性要求智能体的每一个结论或建议，都能像数学证明题一样，展示出完整的推理链条。管理者可以一步步复审，智能体是如何理解指令的、调用了哪些数据、应用了哪条规则。这不仅便于快速定位问题（是数据问题还是规则问题），更重要的是赋予了管理者审查和纠偏的能力，建立了初步的信任。

基石三是可审计，即满足合规与风控的刚性要求。在严格监管的环境下，决策必须经得起检验。在招聘或薪酬计算中，若无法证明AI决策的公平性与合规性，企业将面临巨大的法律与声誉风险。海外已出现因AI招聘歧视被重罚的案例，例如欧洲人权机构裁定脸书使用的算法在招聘广告中存在性别歧视行为。

可审计性是可回溯性的终极价值体现。它意味着AI的整个决策流程可以被完整记录、封存并接受内外部审计。当被质疑时，企业能够出具证据链，证明其决策逻辑的合规与公正。这是企业，尤其是上市公司和受严格监管行业，引入AI的前提条件。

基于上述三个基石，人与智能体的信任关系可以通过以下三个阶段逐步建立。

第一阶段是全权委托，处理确定性任务。那些输入与输出关系明确、有固定流程和标准答案的任务，如根据新格式自动填写报关单、将生活照合规化为标准员工照的任务等。在此阶段，人类通过反复验证确认AI的准确性与可靠性后，便可像信任一个恪守流程的模范员工一样，将此类工作全权委托。系统会为这些“数字员工”设定绩效指标，进行监控和再训练，确保其持续稳定输出。

第二阶段是辅助建议，处理复杂性决策。管理者需要综合考虑规则、数据与人性化因素的决策，如薪酬调整建议、岗位人选推荐等。在此阶段，智能体扮演了超级顾问的角色，提供基于数据和规则的客观建议，但最终决策权在人。管理者可以采纳、修改或否决AI的建议，如因特殊情况破格录用等。这种协作模式既利用了AI的分析效率，又保留了人类在复杂情境下的最终判断权。

第三阶段是共同探索，处理战略性创新。面对全新挑战，无先例可循的业务，如新业务线团队搭建、市场战略分析时，人与AI将进入共创模式。AI负责模拟推演、提供数据洞察和潜在方案，人类负责定义方向、权衡利弊并做出战略抉择。信任建立在AI所提供信息的广度、深度和前瞻性上。

从上述实践可以看到，企业级AI的成功并非源于大模型技术本身，而在于能否将权威的管理框架、高质量的数据与可解释可审计的AI技术深度融合。这种融合才能使智能体从一个聪明的工具，进化成为企业运营中可靠、可信、可共事的战略伙伴。

（谭寅亮系中欧国际工商学院决策科学与管理信息系统教授，孙书华系美国杜兰大学弗里曼商学院管理系副教授）