AI与国央企人力改革深度融合:趋势洞察与未来方向构想

先看真实水位。央企"AI+"专项行动推进两年多，公开信息显示已打造超1000个应用场景，建成4个万卡集群，"焕新社区"汇聚开源模型超20000个、高质量数据集超3000个，国资委还连续3年开展分层分级人才特训。技术与算力供给已经不是瓶颈。但在人力条线，融合仍存在三个明显落差：

场景热、底座冷。报得出场景，取不出数据。人员、岗位、组织、薪酬、绩效、合同六类数据口径不一、历史数据缺失，是比算法更基础的障碍——很多企业的第一道坎不是模型不准，而是"同一名员工在三个系统里是三个人"；

工具热、规则冷。系统上线了，算法治理规则没跟上——没有使用登记、没有人工复核制度、没有决策日志留存规范。结果是：系统跑得很顺，一旦被质疑，企业拿不出任何说明材料；

技术热、人才冷。既懂人力业务又理解AI边界的复合型人才极度稀缺。已开展的AI特训主要面向科技人才，人力条线获得的针对性赋能有限，导致需求提不出来、风险也看不出来。

三个落差的共同点是：它们都不是技术问题，而是管理与治理问题。也因此，深度融合的第一件事不是再买一个模型，而是先把边界划清楚。技术能力可以通过采购快速补齐，治理能力只能靠自己长出来——而后者恰恰决定了前者能用多久。

AI在人力场景的应用天然带合规属性——它处理的是人的数据，作出的是影响人命运的判断。与财务、生产等场景不同，人力场景的算法一旦出错，受影响的不是一笔账、一件产品，而是一个人的职业与生计。正因如此，法律对这个领域的约束也更直接。现行法律已给出明确框架，可归纳为四道边界。

附表：AI应用于人力管理的四类风险与治理要点

四道边界中最容易被忽视的是算法边界里的"间接歧视"。有研究指出，即便不直接使用性别、年龄变量，通过性格测试结果作为评价因素，或因历史数据本身的偏差（例如历史上某类岗位从业者多为某一性别），算法同样可能产出歧视性结果。这意味着："我们没有设置年龄变量"并不能自动免责，还要能说明训练样本的分布和结果的群体差异。

另一处高频风险点在合规边界。个人信息保护法第24条赋予个人的权利包括：有权要求说明，并有权拒绝仅通过自动化决策的方式作出决定。这意味着对涉及晋升、岗位调整、退出等"对个人权益有重大影响"的决定，企业必须提供拒绝自动化决策的通道。实践中已有企业因未设该通道而陷入被动。一个成本极低的做法是：在所有AI参与的评价流程中，固定设置"人工复核"按钮并留存点击记录——既是合规，也是自证。

四道边界看似约束，实则是保护。对国企HR而言，最危险的处境不是"不能用AI"，而是"用了AI却说不清依据"。边界清晰的另一个好处是：它让拒绝变得有依据——当业务部门提出"能不能让AI直接筛掉45岁以上的候选人"时，HR可以说"不能"，并且说得出为什么。这样的专业底气，在人力条线长期处于弱势话语权的国企里，本身就是一种稀缺能力。

边界划清之后，需要落到组织。建议与企业现有合规管理体系同构，建立三道防线。

      附图：AI与人力改革深度融合的治理框架——四道边界与三道防线

第一道防线是人力业务部门，承担主体责任。《中央企业合规管理办法》（国资委令第42号）第13条明确业务及职能部门承担合规管理主体责任并设合规管理员。对应到AI场景，人力部门要做三件事：算法使用登记（哪个场景用了什么模型、基于什么数据）、异常人工复核、过程留痕。第二道防线是合规与数据部门，承担牵头管理。负责算法备案台账、数据分级分类、模型上线前评估、公平性抽查。第三道防线是审计与纪检，承担独立监督。调阅算法决策日志、对高风险场景开展专项审计、推动问题整改闭环。

这套框架里最值得借鉴的，是国资委在推动数据要素流通时提出的一个机制设计——"数据授权进空间、数据在域加工、模型在域训练、全程可审计、按价值分账"。这五句话对人力数据同样适用：全程可审计是AI可以在国企人力场景放心使用的前提。做不到可审计，就不该上；做到了，技术才有可持续的空间。

还需要明确一个组织问题：谁来做"算法监督者"？建议参照42号令的合规管理员制度，在人力部门指定专人（可与用工合规岗、薪酬合规岗合并设置）负责算法台账与复核记录，并接受合规管理部门业务指导。不需要增加一个部门，只需要明确一个人和一本账。这本账在风平浪静时无人问津，在被质疑时就是全部防线。

未来的共享中心不再以"人"或"系统"划分，而是以"数字员工＋人类员工"编组。数字员工承接高频、规则明确的事务，人类处理例外、判断与关怀。管理者的核心能力将从"分配任务"转向"设计人机分工"——哪些交给机器、哪些留给人、边界变化时如何调整，这会成为人力资源管理的新课题。相应地，岗位说明书里可能第一次出现"管理几个数字员工"这样的表述。

基于战略与业务趋势预测岗位需求与能力结构变化，识别关键岗位与核心技能缺口，统筹内部人才、外部人才、项目制用工与灵活用工，形成预测驱动而非需求驱动的供给体系。届时人才盘点是动态的，编制管理是弹性的，"这个岗位要不要招人"将变成一个可由模型给出建议、由人作出决定的常规决策。

三个新身份：规则设计者（把政策翻译为系统可执行的规则）、证据管理者（确保过程数据自动沉淀为可提交的证据链）、算法监督者（对算法公平性负责）。第三个身份是全新的，也是未来十年国企HR专业价值的新高地。它要求HR既懂业务，又懂数据的边界——这恰恰是外部技术供应商无法替代的部分。

当监管端实现实时采集、智能预警，企业侧若仍停留在人工报送，就会永远处于被动。唯一的应对是把合规内嵌进业务系统，让企业的"日常运行"与监管的"实时采集"成为同一件事。到那时，"迎检"这个词会从国企HR的词典里慢慢消失——不是因为不检查了，而是因为随时可查。

这五项准备的共同特点是：都不需要等系统建好，也不需要额外预算。它们本质上是把已经存在但未被明确的管理动作，写成可执行的规则。很多企业总觉得AI治理是一件需要"准备好了再做"的事，实际上治理本身就是准备——先把规则立起来，技术的应用空间反而更大。

准备一：做一次算法盘点。把企业内所有涉及人员评价、筛选、分配的算法场景列一张表，标注数据来源、决策影响、是否备案。

准备二：把人工复核写成硬制度。一律规定：AI结论不得单独作为人事决定依据；涉及晋升、调整、退出的，必须人工复核并留痕。

准备三：建立算法备案与日志台账。指定专人负责，按期报送；决策日志至少覆盖模型版本、输入数据、输出结果、人工干预记录。

准备四：做一次数据合规体检。核对员工个人信息采集范围、保存期限、存储位置、跨境情况，删除非必要采集项。

准备五：把AI治理纳入人力条线培训。对象不只是HR，还包括所有使用AI评价下属的管理者——他们才是算法的第一责任人。培训内容建议聚焦三件事：知道AI能做什么、知道AI不能做什么、知道AI错了谁负责。

补充一项：建立外部沟通口径。准备一份面向员工与求职者的公开说明：哪些环节使用了AI、AI的作用是什么、如何申请人工复核、对结果有异议向谁反映。很多争议不是因为用了AI，而是因为悄悄用了AI。把规则讲在前面，成本最低，效果最好。

回到开头那家被投诉的企业。它后来补做的第一件事不是更换算法，而是发布了一份《AI筛选知情告知书》，并在系统中设置了"同意AI匹配／拒绝AI、仅人工审核"两个独立选项，完整记录选择日志。技术没变，企业的处境却完全不同了。

这就是深度融合的真谛：AI可以改变效率，但不能转移责任。算法可以给出建议，签字的人始终是具体的管理者——在终身问责的制度之下，这一点不会因技术而改变，也不应该被改变。

把四篇合起来看，这个系列其实在讲同一件事：2026年国企人力条线面临的，是一场由监管升级、改革深化与技术成熟共同触发的能力重考。AI在其中扮演的角色，不是替代HR的工具，而是一面镜子——它照出的是企业的数据基础是否扎实、规则是否清晰、责任是否明确。技术从来不制造管理问题，它只是让原本隐藏的问题变得无法回避。想清楚这一点，再谈AI，方向就不会偏。

附本篇主要政策与法律依据：《中华人民共和国个人信息保护法》第13条、第24条；《生成式人工智能服务管理暂行办法》第4条；《互联网信息服务算法推荐管理规定》第20条、第24条；国务院国资委令第42号《中央企业合规管理办法》第13条、第18条、第21条；国务院国资委令第46号《中央企业违规经营投资责任追究实施办法》。算法治理相关观点参考上海市人民检察院公开研究成果及公开司法案例。企业实践与行业数据来自公开发布信息，仅作趋势说明。