ARTICLE · 1067743
AI采用率达到98%,HR开始重新设计工作
（图片由HRflag用ChatGPT image2.5生成）
今年法律科技公司Clio在内部引入Claude。几个月后，这款AI工具的员工采用率达到98%，几乎覆盖了整个组织。对于许多仍在为账号开通率、培训出席率和活跃人数发愁的企业而言，这已经是一张相当漂亮的成绩单，但Clio首席人力官Marina Harris最关心的问题，恰恰发生在采用率冲到高位之后：员工是否知道什么时候适合用AI，什么时候不该用；团队是在更快地完成旧工作，还是已经开始重新设计工作。
这一区别看似细微，实际上划开了企业AI转型的两段航程。前一段解决的是工具能否进入组织，后一段要解决的则是工具进入之后，岗位、流程、标准、权责和管理方式如何改变。账号可以由IT部门一夜之间开通，真正的组织能力却无法通过一次全员培训批量安装。
Clio为此建立了AI流利度框架，把员工能力区分为熟练使用者、高阶用户和构建者，并由People Business Partner继续与各业务团队细化标准。管理者会在团队活动中组织黑客松，明确期待，也专门留出学习和试验的时间。这些做法传递出的信号不是“所有人都必须成为工程师”，而是企业开始把AI从一项通用福利，改造成一套与岗位责任相连的工作能力。
98%的采用率不是转型的终点，而是企业终于拿到了一张更难的考卷。 当“有没有人在用”不再是主要矛盾，HR面对的议题会迅速升级：如何识别真正创造价值的使用，如何避免熟练操作掩盖低质量产出，如何重写岗位与绩效标准，如何让管理者对人机协作的结果承担责任。过去两年，许多企业忙着把AI送到员工手里；接下来，竞争会转向谁能把它放进组织的骨架里。
采用率很高，价值未必已经发生
企业喜欢采用率，因为它清晰、直观，适合放进季度汇报。开通了多少账号、周活跃用户是多少、完成了多少次提示词训练，都能快速形成一张趋势向上的图表。问题在于，这些数字只能证明员工接触了AI，不能证明工作已经因此变得更好，更不能证明组织获得了可持续的生产率。
2026年CHRO Association的调查提供了一个颇有意味的对照。47%的受访企业还没有建立清晰的AI生产率衡量方式，37%主要追踪采用率和用户满意度，只有19%已经把生产率指标与人均收入、周期时间等业务结果连接起来。换句话说，很多企业已经能回答“多少人在用”，却还不能稳定回答“用了之后究竟改变了什么”。
这也是AI转型最容易出现的错位：技术扩散的速度快于管理系统更新的速度。员工已经用AI写邮件、做摘要、生成方案，岗位说明书仍然按照没有AI的时代编写；任务完成时间缩短了，绩效目标却只是机械加码；产出数量增加了，质量审核、事实核验和责任归属仍停留在旧流程里。表面看，组织拥有了一个更快的发动机，方向盘、仪表盘和刹车系统却没有同步升级。
采用率还会隐藏使用深度的巨大差异。有人每天让AI润色几句话，有人已经把资料检索、数据分析、会议纪要、项目跟进连接成完整工作流，两者在统计报表上都可能被记为“活跃用户”。如果企业只计算登录和调用次数，就会把偶尔使用、熟练协作与流程构建混在一起，最后得到一个很高却无法指导经营决策的平均数。
这种平均数对HR尤其危险，因为它容易诱导人才策略做出过早判断。管理层可能认为全员已经具备AI能力，于是减少学习投入；也可能看到使用量增加，便直接把效率提升写入编制和成本目标。真正需要被看见的并不是员工有没有打开工具，而是哪些任务被替代、哪些判断被增强、哪些风险被放大，以及节省出的时间最终流向了哪里。
如果节省的时间被更多低价值任务重新填满，AI只会制造一种更高转速的忙碌。如果员工为了证明自己“会用AI”，把本应深入思考的工作快速生成，再花大量时间修补内容，组织得到的也未必是效率。高采用率之后，企业需要从使用统计转向价值证据，否则AI很容易成为一项人人参与、但无人能准确解释回报的集体活动。
AI最先改变的不是岗位数量，而是岗位内部的任务结构
关于AI与工作的讨论，常常直接跳到“一个岗位会不会消失”。这种问法足够醒目，却跳过了组织变化真正发生的路径。一个岗位不是一块不可拆分的砖，而是由信息收集、内容生成、判断决策、关系维护、异常处理和责任承担等多种任务组合而成，AI通常先进入其中一部分，再沿着流程逐步扩大影响。
以招聘为例，职位需求梳理、人才搜索、简历初筛、邀约沟通、面试记录和候选人反馈，都可以获得不同程度的AI支持。但用人标准的校准、复杂经历的判断、候选人动机识别、关键岗位的风险权衡，仍高度依赖业务理解和人的判断。岗位名称可能暂时不变，招聘者一天内的时间分配、关键能力和价值贡献却已经发生变化。
同样的变化也出现在财务、法务、营销、客服和研发团队。过去需要数小时整理的信息，现在可能在几分钟内形成初稿，员工的工作重心随之从生产内容转向定义问题、补充上下文、验证结果和处理例外。初稿越来越便宜，判断越来越昂贵；执行速度越来越快，错误扩散的速度也同步上升。
世界经济论坛在《Future of Jobs Report 2025》中预计，到2030年，结构性劳动力市场变化将影响相当于现有岗位22%的工作规模，其中将创造约1.7亿个新岗位，同时约9200万个岗位被替代，净增加约7800万个岗位。这个预测真正值得管理者留意的，并不只是岗位增减的总数，而是岗位内容与技能组合正在大面积重新排列。企业未来的人才缺口，很可能不是简单的“人不够”，而是旧岗位里缺少承担新任务的人。
因此，HR需要把观察单位从岗位名称下沉到任务层。哪些任务高度重复、规则清晰、容错空间较大，适合自动化；哪些任务可以由AI生成、人类校验，适合增强；哪些任务牵涉重大利益、信任关系与伦理责任，应当保留明确的人类决策；哪些环节本来就是历史流程留下的冗余，借AI转型可以直接取消。只有完成这层拆解，组织才有可能讨论真实的编制、能力和投资问题。
这也解释了为什么简单要求“每个岗位都使用AI”并不够。不同岗位的价值链、数据条件和风险等级并不相同，统一的使用要求很容易让员工把AI塞进最容易展示、却未必最有价值的环节。真正成熟的做法，是围绕业务结果决定人机分工，而不是围绕工具寻找使用场景。
从“会提示”到“会判断”，AI流利度需要重新定义
过去一段时间，企业AI培训最常见的内容是提示词写法。员工学会设定角色、补充背景、规定格式，再用几个通用模板完成练习，这对降低入门门槛很有效，却不足以支撑复杂工作。提示写得漂亮，不等于问题定义正确；输出看起来完整，也不等于事实可靠、逻辑成立或适合当前业务。
Clio把AI能力分为熟练使用者、高阶用户和构建者，价值正在于它承认能力存在层次，而且必须与工作深度连接。熟练使用者能够在安全边界内完成日常协作，高阶用户能够组合任务、改造个人与团队流程，构建者则能把方法沉淀为可复用的代理、自动化或知识系统。这样的分层比“参加过AI课程”更接近真实生产能力。
更重要的是，AI流利度并不是技术熟练度的别名。它至少包含四种彼此牵制的能力：判断是否应该把任务交给AI，清楚描述所需结果与约束，辨别输出中的事实与逻辑问题，以及对数据、安全、公平和最终后果保持尽责。缺少其中任何一项，熟练都可能变成风险的放大器。
一名真正具备AI流利度的HRBP，不只是能迅速生成组织诊断报告，而是知道应该向业务负责人追问哪些信息，哪些数据不能被模型简单解释，哪些建议会对团队氛围和关键人才产生连锁影响。真正具备AI流利度的招聘负责人，也不只是能批量写出候选人沟通文案，而是能判断自动化在哪些节点改善体验，在哪些节点会让关键人才感到被流水线处理。
因此，企业不宜把AI能力框架做成一张脱离岗位的通用考试表。基础层可以统一，包括安全规范、事实核验、知识产权和基本交互方法；进阶层需要进入岗位场景，围绕真实任务观察员工能否产生稳定结果；更高层则应评价员工能否重构工作流、带动同事和沉淀组织资产。AI能力只有嵌入岗位标准，才会从“兴趣特长”转化为企业能力。
这也会改变学习与发展的设计。一次集中培训能够完成认知启动，却无法覆盖模型更新、工具变化和业务场景迭代，组织需要让学习发生在工作中。真实项目、短周期试验、同伴示范、案例复盘和内部构建活动，会比堆叠课程目录更接近AI时代的学习机制。
Clio由业务伙伴与团队共同细化能力标准，并通过黑客松和团队活动创造练习空间，这一点尤其关键。员工对AI的紧张，未必来自抗拒技术，更多时候来自不知道组织究竟期待什么，也不知道试错是否会被惩罚。当管理者把标准说清楚，并为练习留出时间，学习才不再是下班后的私人负担，而成为正式工作的一部分。
工作重构不能停在“把原流程做快一点”
生成式AI进入企业时，最自然的起点是加速现有任务。原来人工整理会议纪要，现在由AI完成；原来花两小时形成周报，现在缩短到二十分钟；原来需要多轮搜索的信息，现在可以先得到一份结构化综述。这些变化能够快速释放效率，但如果企业一直停留在这里，AI的价值会被旧流程的边界锁住。
旧流程往往是围绕人的信息处理速度设计的。它包含多次转交、重复录入、层层汇总和格式转换，其中一些环节只是为了弥补信息不透明与系统不连通。AI加入之后，若企业只让每一个节点分别提速，流程仍然可能冗长，甚至因为生成内容增加而产生更多审批和沟通。
真正的工作重构需要重新审视结果从哪里产生。比如员工咨询并不一定要经过“提交工单—人工分类—转交专员—查询政策—回复员工”的完整链条，经过治理的知识系统可以直接处理大量标准问题，让HR专员集中处理复杂例外。招聘也不必只是让AI更快地筛选更多简历，而可以通过更清晰的岗位成功画像、更准确的人才匹配和更及时的沟通，减少原本并无必要的大规模筛选。
BCG在2026年关于AI驱动企业中CHRO角色的研究中提出，AI价值大致只有10%来自算法，20%来自技术与数据基础设施，另外70%来自人员、组织与流程的实质转型。这一比例并不是精确会计公式，却很好地说明了企业常见的投资失衡：采购工具和建设平台相对容易，重写流程、调整权责和改变行为才是真正昂贵的部分。HR之所以被推到舞台中央，正因为最难的70%大多落在它的专业范围内。
德勤《2026全球人力资本趋势》也把“有意识地设计人机协作”视为拉开回报差距的关键。研究指出，随着AI可获得性提高，真正的差异不再只是技术本身，而是组织是否主动重构岗位、工作流和决策方式。换言之，当多数企业都能买到相似模型时，组织设计会重新成为竞争壁垒。
工作重构可以从一个具体业务结果开始，而不必以庞大的转型项目起步。团队先选取周期长、重复多、质量波动明显的流程，拆出关键任务与决策点，再明确哪些由AI执行、哪些由人审核、哪些必须由人直接完成，同时记录时间、质量、体验与风险变化。只有当流程结果得到验证，企业才适合复制到更多团队。
这种做法避免了两个极端。一端是把AI当作个人效率工具，组织层面没有任何变化；另一端是过早追求宏大的全面重构，业务团队在抽象蓝图中失去耐心。更可行的路径，是让一个个可验证的流程变化逐步累积，最终推动岗位边界、协作关系和组织结构发生改变。
管理者正在成为人机团队的“总编辑”
AI普及之后，管理者的工作不会因为员工更高效而自动变轻。相反，他们需要决定哪些任务交给人、哪些任务交给AI，判断输出是否达到标准，协调不同工具之间的衔接，并处理自动化无法覆盖的例外。管理者从分配人力，逐渐转向编排人、AI代理、数据和流程。
微软2025年工作趋势研究曾提出“Agent Boss”的概念，认为员工会越来越多地构建、委派和管理AI代理。调查中，领导者预计五年内，团队将承担训练代理和管理代理的工作，比例分别为41%和36%。到了2026年，微软进一步发现，文化、管理者支持和人才实践等组织因素，对AI实际影响的解释力达到67%，超过个人心态与行为的两倍。
这组数据提醒企业，AI采用不能只依靠少数积极员工自发探索。员工是否敢于尝试、能否获得合适数据、是否知道质量标准、出了问题向谁求助，都受到直接管理者影响。一个团队即使拥有相同工具，也会因为管理方式不同而产生完全不同的价值密度。
广告
未来的管理者很像一位总编辑。AI可以提供大量素材和初稿，员工可以快速组合方案，但管理者要守住选题、事实、风格、质量与责任边界。他们不需要亲自完成每一个步骤，却必须理解生产过程，否则就无法识别看似流畅的低质量结果，也无法判断团队能力是真正提升，还是暂时借用了工具的表面熟练。
这会给中层管理带来新的压力。过去，一些管理者的价值来自信息汇总、进度催办和经验审核，当这些工作被AI压缩后，他们需要把更多精力转向目标澄清、复杂判断、资源协调、人才发展和跨团队协作。组织若只要求管理者“带头使用AI”，却不调整管理跨度、授权方式和评价标准，很容易让他们一边承担原有管理任务，一边额外充当AI推广员。
管理者能力模型因此需要增加新的内容，包括任务拆解、人机分工、输出评估、风险升级和流程设计。培训也不能只演示工具功能，而要围绕真实管理情境展开：当AI建议与资深员工判断冲突时如何处理，当团队成员使用深度差异过大时如何分工，当效率提升影响岗位负荷时如何调整目标。AI时代管理者最重要的能力，不是比员工多掌握几个提示词，而是能为人机协作建立清晰的质量与责任秩序。
绩效管理若不改变，AI会把旧问题放大
AI提升产出速度之后，最直接的管理冲动是提高指标。一份报告从一天缩短到两小时，团队似乎就应该完成更多报告；客服回复更快，似乎就应该处理更多请求；研发周期缩短，似乎就应该交付更多功能。这样的线性推导看似合理，却可能把节省下来的能力重新塞满低价值工作。
生产率不只是单位时间内做得更多，也包括用更少资源得到更好结果，减少错误和返工，提升客户体验，并把人的注意力转移到更复杂的事务上。如果AI节省出的时间全部变成新增任务，员工对技术的感受很快会从“获得帮助”变成“加速跑步机”。企业可能收获短期吞吐量，却损失长期学习、创新和信任。
绩效指标需要从活动量转向结果质量。对于招聘团队，简历处理数量的重要性会下降，岗位匹配质量、关键人才转化、候选人体验和入职后表现会更值得关注；对于学习团队，课程产出量不再足够，员工能否在真实工作中应用新能力才是关键；对于HR共享服务，自动回复比例也不能替代问题解决率、升级准确率和员工信任度。
AI还会让个人贡献变得更难辨认。同一份成果可能包含员工判断、团队知识、企业数据和模型生成，传统以“个人完成多少”为核心的评价方式会遇到归因难题。如果企业仍然奖励可见的产出数量，员工会倾向于制造更多内容；如果只奖励最后结果，又可能忽视知识沉淀、同伴支持和风险控制这些不那么显眼却极其重要的贡献。
更合适的绩效讨论，需要同时观察结果、过程与能力。结果看业务价值和质量，过程看是否遵守数据与审核规范，能力看员工能否把一次成功方法沉淀为团队可复用的工作方式。这样的评价不会削弱结果导向，反而能避免组织把偶然的速度提升误判为可持续能力。
对高阶用户和构建者，激励方式也要发生变化。他们往往花时间帮助同事、维护工作流、修复知识库和处理异常，这些工作短期内未必直接体现在个人KPI中，却决定了AI能否从个人技巧变成组织资产。若这些贡献长期依赖热情，企业最终会发现最懂AI的人忙于义务答疑，真正的能力扩散反而难以持续。
人才标准正在从“完成任务”转向“定义与审校任务”
当基础内容生成和信息整理逐渐自动化，企业对人才的要求会出现一个明显转向。过去许多岗位看重熟练执行和经验速度，未来则更看重问题定义、业务判断、跨领域连接、质量审校和责任意识。不是专业能力变得不重要，而是专业能力要更多地体现在能否驾驭AI，而不是与AI比拼基础产量。
这会改变招聘。面试中展示一份完整作业已经不足以证明候选人的真实能力，因为结果可能来自多种工具协作；企业需要观察候选人如何拆解问题、选择信息、解释假设、验证输出，并在条件变化时修正方案。允许使用AI的工作样本测试，反而可能比禁止AI更接近日常工作，也更容易看出候选人的判断差异。
这也会改变职业早期的培养方式。很多初级员工过去通过整理资料、形成初稿和反复修改来学习专业判断，而这些任务正是AI最容易介入的部分。如果组织把基础任务全部自动化，却没有设计新的学习路径，年轻员工可能更快地产出，却更慢地理解业务，几年后还会出现资深人才供给不足的问题。
企业需要保留“有教学价值的工作”，但不必保留低效本身。初级员工可以借助AI完成初稿，同时被要求解释信息来源、指出不确定性、比较不同方案并复盘修改过程；管理者也需要把经验判断显性化，让员工知道一个好结果是如何形成的。这样，AI不是绕过学习，而是把学习从机械重复推向更早的判断训练。
内部流动的重要性也会上升。岗位任务持续重组时，企业很难仅靠外部招聘获得所有新能力，现有员工对业务、客户和组织的理解本身就是稀缺资产。把AI学习与项目机会、岗位轮换和技能认证连接起来，比单纯要求员工完成课程更能形成真实迁移。
人力规划也要从“多少人”转向“多少能力”。同样十人的团队，在不同AI成熟度、流程设计和管理水平下，能够承担的工作完全不同；同一个岗位名称，在不同部门也可能已经变成不同的任务组合。HR如果仍以历史人岗比作为主要依据，就难以解释新增编制，也难以判断效率提升应该转化为增长空间、服务改善还是人员重新配置。
信任不是AI项目的软性配套，而是生产系统的一部分
当企业推动AI时，员工常常同时接收到两种信息。公开表达强调赋能、创新和减少重复劳动，经营讨论却可能集中在降本、编制和替代空间。如果两套叙事长期分离，员工会自然把AI培训理解为一场需要谨慎应对的能力筛选，表面完成学习，真实使用则转入隐蔽状态。
Gallup在2025年的调查显示，只有31%的美国受访者表示至少在一定程度上信任企业会负责任地使用AI，虽然高于2023年的21%，整体信任基础仍然有限。信任不足并不意味着员工拒绝技术，而是他们会更在意数据如何使用、错误由谁承担、AI表现是否影响评价，以及效率收益会如何分配。
因此，治理规则不能只是一份禁止清单。员工需要知道哪些数据可以进入模型，哪些场景必须使用企业批准的工具，哪些输出需要人工复核，何种风险需要升级，以及发生错误时组织如何处理。规则越模糊，员工越容易在“完全不用”和“悄悄使用”之间摇摆，两种状态都不利于组织学习。
透明也不意味着公开所有技术细节，而是让受影响的人理解决策逻辑。若AI参与招聘、绩效、晋升、排班或人员分析，企业需要明确它扮演的是信息辅助、建议生成还是决策角色，并保留可追溯的人类责任。越接近个人重大利益的场景，越不能让“模型建议”成为无人负责的终点。
对管理层而言，承认AI存在边界反而有助于建立可信度。模型会出现事实错误，会受到数据质量限制，也可能在不同群体之间产生不一致结果，企业不需要用过度乐观的语言掩盖这些现实。成熟的AI文化不是人人相信模型，而是人人知道如何校准信任。
Clio首席人力官提出“理解什么时候AI是好的选择、什么时候不是”，正切中了这一点。企业真正需要的不是无条件使用，而是有判断的使用；不是让员工把责任交给工具，而是让工具帮助员工承担更高质量的责任。当AI使用越深入，人的问责越不能模糊。
HR自己的操作系统也必须更新
AI转型把HR推到了一个略显尴尬却非常重要的位置。组织期待HR帮助员工学习、推动文化改变、处理岗位重构和信任问题，但不少HR团队自己的流程仍然高度分散，数据基础不稳，系统之间缺少连接。若HR只扮演活动组织者，很难获得业务负责人对工作重构的信任。
2026年CHRO Association调查显示，HR当前的AI实践仍主要集中在人才招聘、员工服务、学习发展和运营效率等场景。调查同时指出，最大的障碍更多是组织性的，包括员工对岗位变化的担忧、ROI论证、组织惯性、预算限制、技能缺口以及数据安全与合规问题。这些障碍没有一个可以仅靠采购更强模型解决。
HR需要先把自己变成可观察的样板。招聘流程能否减少重复沟通，员工服务能否提高一次解决率，人才盘点能否把数据整合时间转化为更深入的业务讨论，学习团队能否从“提供课程”转向“推动能力在工作中应用”，这些都是HR建立可信度的机会。只有亲自经历流程拆解、指标重设和角色变化，HR才更有能力协助其他部门。
与此同时，传统HR三支柱也会受到AI冲击。共享服务中的标准事务会进一步自动化，专家中心需要更快地把专业规则产品化，HRBP则需要从流程协调者转向工作设计、能力规划和组织变革伙伴。三者之间的边界会更动态，围绕员工体验和业务结果组建的跨职能团队会增多。
BCG把未来CHRO称为“混合劳动力的架构师”，这并不是给HR增加一个漂亮头衔。它意味着HR要能与技术、数据、法务、风险和业务负责人共同决定人机分工，并把决定落实到岗位、能力、绩效和治理上。过去HR管理的是员工生命周期，未来还要管理工作本身如何被重新组合。
这要求HR团队补上新的专业能力。流程设计、数据分析、AI产品理解、实验评估和变革沟通将变得更重要，组织发展也需要从定期调整组织架构，转向持续观察任务与协作方式的变化。HR不必替代技术部门，但必须听得懂技术可能性，并能把它翻译成组织选择。
从98%走向真正的组织能力，需要换一套仪表盘
企业仍然可以追踪采用率，但它应该退回到入口指标的位置。更完整的仪表盘需要同时观察使用、价值、质量、能力和信任：哪些人在哪些任务中使用，周期时间与成本是否变化，结果质量和返工是否改善，员工能力是否从使用者向高阶用户迁移，客户与员工是否仍然信任结果。单一数字无法承载这些问题，但一组有因果关系的指标可以帮助管理层做出更好的取舍。
在使用层，企业需要区分偶尔调用、稳定使用、工作流集成和自主构建，而不是把所有活跃用户放在同一口径。对不同岗位，还应观察AI覆盖了哪些任务，以及关键任务是否仍存在明显空白。这样得到的不是一张热闹的登录榜，而是一幅组织能力地图。
在价值层，时间节省只是起点。企业还要看收入贡献、客户响应、创新速度、质量稳定性和员工体验，并明确节省出的时间被重新配置到了哪里。若时间只是被更多会议和报告吸收，仪表盘会及时暴露“效率没有转化为价值”的断点。
在质量与风险层，事实错误率、返工率、人工升级率、数据违规和关键决策复核都应被看见。AI越深入核心流程，企业越不能只汇报成功案例。风险数据不是为项目泼冷水，而是帮助组织知道哪些能力可以扩大，哪些环节需要更多人工控制。
在人才层，AI能力分布、岗位任务变化、内部流动和管理者成熟度会成为新的领先指标。一支拥有少量明星用户、但大多数员工仍停留在浅层调用的团队，很难形成稳定能力；一家公司拥有很多构建者，却没有知识共享和维护机制，同样容易出现大量互不相连的小工具。HR要看到的不是人才标签数量，而是能力能否流动和复用。
在信任层，员工是否清楚规则、是否敢于报告错误、是否认为绩效评价公平、是否相信AI会帮助其成长，都值得持续观察。信任无法通过一次文化宣讲建立，却可以在每一次规则说明、经理沟通和问题处理里被积累或消耗。它最终会直接影响采用深度、数据质量和转型速度。
当这套仪表盘建立起来，AI讨论会从“要不要继续买工具”转向更具体的经营问题。管理层可以判断某个流程适合扩大自动化，某类岗位需要加快能力升级，某项应用虽然使用量高却没有明显价值，某些高风险场景则应放慢速度。HR也由此拥有了参与业务决策的证据，而不只是负责培训和沟通的任务清单。
真正拉开差距的，是企业如何处理被节省下来的时间
AI带来的直接成果通常以小时计算，但企业价值不会自动从这些小时里长出来。有人把节省的时间用于服务更多客户，有人用于解决更复杂的问题，有人用于学习新技能，也有人只是被分配了更多同类任务。不同选择会在一段时间后形成完全不同的组织轨迹。
如果企业只追求吞吐量，员工会越来越擅长快速完成标准任务，却未必拥有更强的创新和判断能力。如果企业把部分容量投入客户关系、产品改进和能力成长，短期数字可能没有那么夸张，长期却更容易形成新收入与人才优势。AI转型最终不是一道单纯的效率题，而是一道关于资源再配置的经营题。
这也是CEO、CHRO和业务负责人必须共同决定的事项。技术团队可以提供工具，员工可以贡献用法，只有经营层能够决定效率红利流向增长、体验、韧性还是成本。若这一选择没有被公开讨论，组织通常会沿着最熟悉的路径，把所有节省重新兑换成更多工作量。
对HR而言，最有价值的贡献不是阻止效率目标，也不是为AI披上一层温情叙事，而是把不同选择的组织后果呈现出来。提高目标会怎样影响岗位负荷，减少基础任务会怎样影响新人培养，自动化关键环节会怎样改变责任链条，能力差异会怎样影响薪酬与晋升，这些问题需要在决策发生前进入会议室。
当企业开始认真讨论这些后果，AI才真正从工具项目进入经营系统。它不再只是帮助某个人快一点，而是促使组织重新回答什么工作值得做、什么能力值得培养、什么责任必须由人承担。到这一步，HR的角色也不再是“推动员工采用AI”，而是参与设计一家能够与AI共同工作的公司。
结语
98%是一个令人羡慕的数字，但它最重要的意义不是证明转型已经成功，而是让更深层的问题无处躲藏。当几乎所有人都能使用AI，工具稀缺性迅速下降，判断、设计、管理和信任便成为新的稀缺资源。企业之间的差距，也会从“有没有AI”转向“能否把AI变成稳定的组织能力”。
Clio的案例给HR提供了一个清晰提醒：采用率之后，需要有能力分层，需要由业务团队定义具体标准，需要管理者创造练习空间，更需要员工理解什么时候该用、什么时候不该用。它没有把AI流利度等同于一次培训或一张证书，而是把它放进团队工作与领导责任之中。这样的做法未必能被简单复制，却揭示了下一阶段的共同方向。
接下来，HR面对的不会只是一次技术升级。岗位会被拆解，流程会被重写，管理者要学会领导人机混合团队，绩效体系要重新识别价值，初级人才需要新的成长路径，治理与信任也要进入日常工作。每一项变化都比开通账号慢，却比采购模型更能决定转型结果。
AI采用率解决的是“人有没有走进来”，组织能力解决的是“走进来之后能不能创造新的价值”。 当98%不再稀奇，企业真正需要回答的，是员工、管理者和组织是否已经准备好用一套新的方式工作。对于HR而言，最难的部分的确才刚刚开始，而最能体现专业价值的窗口，也正在由此打开。
参考资料
HR Executive, “Clio’s 98% AI adoption rate reveals HR’s next challenge”, 2026-09-18https://hrexecutive.com/clios-98-ai-adoption-rate-reveals-hrs-next-challenge/
CHRO Association, “2026 CHRO Survey — Key Findings”https://www.chro.org/documents/d/guest/2026_chro_survey_key_findings_p
Boston Consulting Group, “The Reinvention of the CHRO in an AI-Driven Enterprise”, 2026-02-02https://www.bcg.com/publications/2026/reinvention-of-the-chro-in-an-ai-driven-enterprise
Deloitte, “2026 Global Human Capital Trends”https://www.deloitte.com/us/en/insights/topics/talent/human-capital-trends.html
Microsoft, “The 2025 Annual Work Trend Index: The Frontier Firm is born”, 2025-04-23https://blogs.microsoft.com/blog/2025/04/23/the-2025-annual-work-trend-index-the-frontier-firm-is-born/
Microsoft, “2026 Work Trend Index: Agents, human agency, and the opportunity for every organization”, 2026-05-05https://www.microsoft.com/en-us/worklab/work-trend-index/agents-human-agency-and-the-opportunity-for-every-organization
World Economic Forum, “Future of Jobs Report 2025”https://www.weforum.org/publications/the-future-of-jobs-report-2025/digest/
Gallup, “Trust in Businesses’ Use of AI Improves Slightly”, 2025-09-10https://news.gallup.com/poll/694688/trust-businesses-improves-slightly.aspx
活动名称 | 时间 | 地点 |
