人力资源与AI组织变革——AI正重新定义人才管理

世界经济论坛最新报告提到撬动AI组织变革的5个支点（1）客户体验（2）运营（3）研发（4）战略规划（5）人才

这一部分其实最容易引发误解。因为一说到 AI 和人才，很多人第一反应还是“会不会替代岗位”“HR 会不会更省人”“培训是不是更智能了”。

这份报告里的核心判断是：AI 正在把人才管理，从一个以岗位为中心、周期性运转的静态体系，推向一个围绕能力、流动、学习和人机协同不断重构的动态系统。换句话说，真正被改写的，不只是 HR 的工作，而是组织到底怎么定义人才、配置人才、发展人才。

报告也给出了一些很有代表性的数字。

真正值得管理者注意的，是人才系统背后的逻辑，正在发生四个变化：

人才管理不再只是“选人、用人、育人、留人”的几个模块，而正在变成组织运行的一套动态能力系统。

第一个变化，是从固定岗位，走向能力的构建与再部署。

过去多数企业的人才管理，本质上还是岗位管理。组织先定义岗位，再定义任职资格，再招聘、培养和配置人。

这个模式的问题在于，它天然偏静态：一旦岗位框架定下来，组织就很容易把“人”看成岗位的填空题，而不是能力的组合体。 

WEF 报告指出，AI 正在推动组织从 job titles 走向 capabilities。也就是说，未来人才管理的基本单元，不再只是岗位，而是能力和技能。AI 可以把业务需求翻译成更动态的能力要求，帮助组织识别哪些能力可以内部转化、哪些需要补足、哪些人是“近准备状态”，从而让组织更灵活地把人配置到真正需要的地方。 

这背后的意义很大。因为一旦组织开始按能力而不是按岗位看人，人才管理就不再只是“这个岗位缺不缺人”，而会变成“哪些能力是战略资产、哪些能力需要被快速搭建、哪些人可以在真实工作中被重新部署”。报告里特别提到，领先组织会把能力画像、内部流动路径和学习支持嵌入工作流程中，而不是把人才发展只放在单独的培训项目里。 

报告举了两个很典型的例子。一个是 Yum China：

它利用 NLP、AI 匹配、聊天机器人和大模型分析面试内容，支持大规模招聘与推荐，帮助其在超过 1.6 万家门店中满足约 89% 的招聘需求，平均补岗速度快到 1 到 2 周。

另一个更值得组织管理者关注的案例是 Unilever。

它通过 AI 驱动的内部人才市场，把员工与短期项目、任务和发展机会匹配起来，让员工通过真实工作而不是正式换岗来构建能力。报告提到，Unilever 由此实现了 70% 的跨职能任务匹配，释放了约 50 万小时的组织能力，生产率提升 41%。 

这个变化背后的核心，不是企业是不是有一个“内部人才平台”，而是组织有没有开始把人才看成一个可重组、可流动、可持续升级的能力系统。

第二个变化，是从静态、周期性的人才数据，走向 AI 生成的实时人才 intelligence。

过去很多企业的人才判断，其实高度依赖一些静态数据：岗位、职级、绩效、履历、培训记录。问题在于，这些数据往往更新慢、颗粒粗，也很难反映一个人真实的潜在能力、学习速度和流动可能性。

报告指出，AI 正在把人才数据，从 periodic, static workforce data 推向 AI-generated talent intelligence。也就是说，组织不再只是依赖 HR 系统里的固定字段，而是开始结合学习记录、项目经历、绩效趋势、工作行为和执行结果，形成更实时、更立体的人才洞察。这样一来，管理者看到的不再只是“这个人现在是什么岗位”，而是“这个人还可能胜任什么、适合往哪里流动、哪些能力差一点就可以补上”。 

这会直接改变人才决策。因为未来组织需要回答的问题，不再只是“空缺岗位怎么招”，而是“哪些能力应该内部培养，哪些应该外部引入，哪些可以通过 AI 增强，哪些需要重新组合”。AI 在这里的价值，是让这种 build / buy / borrow / augment 的判断，变得更实时、更有依据。

报告给出的案例是 Johnson & Johnson。

它用 AI 去推断员工在 41 项未来关键技能上的熟练程度，不只看岗位名称，而是综合学习活动和内部经验数据，形成“技能热力图”，帮助管理层判断不同业务和地区的能力强弱，以及哪些能力应该内部建设、哪些需要外部引入。报告提到，这种做法推动了 J&J 学习生态的使用提升，90% 的技术人才进入了这一平台。 

这背后最值得关注的一点是：未来真正好的人才系统，不只是更会记录人，而是更会理解人、发现人、重配人。

第三个变化，是从层级化组织，走向由人主导、AI 支持的更扁平团队。

这可能是第五个支点里最容易引发讨论的一点。因为它直接碰到组织结构。

WEF 报告里提到，随着 AI agent 进入工作流，越来越多团队会从层级化、分工细碎的结构，转向更扁平、更跨职能、但仍由人主导的团队。这里不是说组织会一下子消灭层级，而是说，很多原本需要层层传递、层层审核、层层协调的工作，会因为 AI agent 参与执行、分析和协调而被压缩。结果是，人的价值更多体现在判断、协同、教练式支持和边界管理上，而不是把每个步骤都亲自做一遍。 

报告里对这一点写得很清楚：中层管理者的角色，会越来越从监督任务执行，转向编排人机协作、处理例外、辅导团队判断，以及不断微调护栏和自治边界。也就是说，AI 并不是让管理消失，而是把管理从“盯过程”推向“管系统、管协同、管例外、管成长”。 

这背后还有一个重要变化：组织将不得不开始正式管理“人+agent”的混合能力。过去 workforce planning 只看人头、成本和编制，未来越来越需要同时看人类能力和数字劳动力能力，包括 agent 的访问权限、自治边界、升级路径、责任归属和生命周期治理。报告特别提到，绩效与问责框架也会发生变化，不只是评价人，还会覆盖 agent 的表现，包括是否需要人工签核、是否持续有效、是否需要重训或退役。

这部分报告给出的案例是 Repsol。

它设计了一套 human-in-the-loop 的 agentic AI 工作流，让定制 agent 执行收集输入、检查、起草输出和触发后续动作，而人保留审批、复核和例外处理的控制权。报告提到，目前 Repsol 已上线 22 个 agent，覆盖 38 个用例，并计划继续扩展。这个案例很有代表性，因为它说明，组织结构变化未必先从“裁撤层级”开始，而更可能先从“工作流里的角色重新分工”开始。

第四个变化，是从碎片化学习，走向持续的再学习、再技能化和适应性留才。

这其实是人才系统最终能不能跑起来的关键。

过去很多企业的学习与发展，依然是项目式、阶段式的：开几门课、做一轮培训、建一套课程体系、再看覆盖率和满意度。但当岗位、任务和工作流本身都在被 AI 改写时，学习就不可能再只是“员工抽空去学一点”，而必须嵌入工作本身。 

AI 正在推动学习从 fragmented learning 走向 continuous upskilling, reskilling and adaptive retention。学习会越来越和真实工作、能力缺口、未来需求直接联动。AI 不只是推荐课程，而是根据组织未来的能力方向、员工当前的能力状态和具体工作任务，动态提供支持，让学习、转岗、成长和留才成为一个连续系统。

这里最重要的变化是，组织开始把学习从“支持性功能”重新放回“执行性功能”。报告里提到，未来的学习系统会更深地嵌入工作流工具和能力地图中；AI 还会帮助组织预测未来技能需求，把原来分散在一线和专家身上的 tacit knowledge 沉淀成可复用的指导、模板和工作支持。也就是说，学习不再只是“学完再上岗”，而是“在工作中边做边学、边学边重构能力”。

这一部分最典型的案例是 Moderna。

它把 HR 和 IT 合并在同一位 Chief People and Digital Technology Officer 之下，并围绕“哪些工作由人做，哪些工作由 AI 工具做”来重组团队，部署了成千上万个定制 GPT，自动化例行任务，把人的精力更多推向判断和高价值工作。未来学习和能力升级，已经不只是培训部门的事，而是组织设计和技术设计要一起回答的问题。 

AI 对人才管理的影响，远不只是“HR 更智能了”或者“岗位被替代了”。真正被改写的，是组织对“人”的定义方式。过去，企业更多是围绕岗位管理人；未来，企业会越来越围绕能力理解人、围绕流动配置人、围绕学习发展人、围绕人机协同重构团队。 

所以，今天很多企业真正要问的，可能已经不是“员工会不会用 AI”，而是更前一步：我们的组织，还是不是在用旧时代那套岗位体系、层级逻辑和学习机制来管理一个正在被 AI 重写的工作世界？如果还是，那 AI 带来的可能只是局部提效；如果不是，人才系统才可能真正成为组织升级的发动机。

写到这里，这个系列的五个支点就完整了。

回头看，AI并不是只有五个应用场景”，而是：客户体验、运营、研发、战略规划、人才管理，这五个最核心的组织模块，正在同时被 AI 改写。

报告最后提出了五条原则。

第一条，是“人的问责仍然在中心”。

报告强调，随着 AI 越来越参与分析、执行和决策，组织必须更清楚地定义：什么由 AI 做，什么必须由人拍板，责任最后落在谁身上。它特别提到，要从过去常说的 human-in-the-loop，逐步走向 human-in-the-lead。也就是说，人不只是作为最后兜底，而是始终要对方向、边界和结果负责。AI 可以加快洞察和执行，但不能替代人的责任归属。 

第二条，是“端到端重构运营模型”。

企业如果只是把 AI 叠加在原有流程上，往往只会放大复杂性，而不一定创造真正价值。真正有效的做法，是围绕结果而不是围绕职能部门去重构流程，把原来碎片化的交接、分段优化，变成更统一的端到端责任机制。换句话说，AI 成功落地，不靠多上几个工具，而靠组织敢不敢借这个机会重做流程和分工。 

第三条，是“可扩展的人才系统”。

AI 规模化的瓶颈往往不在技术，而在人、激励和工作方式。领先组织会把 change management 当成长期能力，而不是一次性项目；会系统性地做 AI 相关能力提升，也会发展新的关键角色，比如 AI 产品负责人、工作流架构师、模型 steward 等。它的意思很明确：没有人才系统升级，AI 最后就只能停留在少数团队和局部项目里。 

第四条，是“以透明建立信任”。

这部分也很关键，信任已经成为 AI 能不能规模化的决定性因素之一。真正领先的组织，不会把 responsible AI 只当成合规问题，而是把它当成执行能力的一部分。透明、边界清晰、责任明确、可解释、可监控，这些不是拖慢速度的约束，反而是组织敢于更快推进 AI 的前提。特别是在 AI agent 越来越进入执行层的情况下，信任不是附加项，而是整个系统能不能跑起来的基础。 

第五条，是“有纪律的实验和学习闭环”。

领先组织把实验当成一种执行纪律，而不是创新部门的特例。它们会让 AI 工作流在真实环境里持续试、小范围错、快速改，并把这些失败当成学习信号，而不是掩盖起来。它的重点不是“别犯错”，而是“让错误小、可控、能学到东西”。这样，组织的信任、效率和迭代能力都会更强。 

AI 的影响，已经不再由单个用例或模型能力来定义，而是越来越取决于组织能不能把 AI 嵌入核心工作流，能不能把学习、调整和资源重配做成持续能力。

AI 规模化落地，最后拼的不只是技术成熟度，而是组织成熟度。

一勺池HR