AI 工具不好用,很多时候不是模型问题

很多 HR 用 AI，第一反应是想找一个“更好用的工具”。

这个工具不准，就换一个。这个模型不好，就试另一个。这个回答太泛，就再换一种问法。

但我最近越来越觉得：

AI 工具不好用，很多时候不是模型问题，而是数据、标准和上下文问题。

换句话说，不是 AI 不够聪明。

而是我们没有把业务信息讲清楚。

01｜为什么这个问题对 HR 很重要？

最近看到 AI 圈里两个很有启发的判断。

一个是关于 AI 进入组织后的分工：

Agent 会改变产出方式，但人不能退出判断。

另一个是关于 Agent 落地的底层问题：

很多 Agent 战略问题，本质上是 Data Strategy 问题。

翻译成 HR 能听懂的话就是：

AI 能不能真正跑起来，不取决于模型有多聪明，而取决于我们有没有给它稳定、清楚、可判断的业务信息。

这句话对 HR 很重要。

因为我们现在很多 AI 应用，表面上看是在做工具。

比如：

AI 筛简历；
AI 生成面评；
AI 辅助初面；
AI 生成 JD；
AI 做人才盘点；
AI 帮 HRBP 准备绩效面谈。

但本质上，这些事情都不是简单的“生成内容”。

它们背后真正依赖的是 HR 的判断标准。

如果标准不清楚，AI 只是帮我们更快地产出一堆看起来完整、但不一定能用的内容。

02｜很多 AI 输出不准，不是因为 AI 差

我们现在用 AI，很容易把问题归因到工具上。

比如：

这个 AI 不够聪明；
这个模型不稳定；
这个回答太泛；
这个结果不能直接用；
这个工具离真实业务太远。

这些感受都可能是真的。

但继续往下拆，很多问题不一定是 AI 本身不行。

而是我们给它的输入，本身就不够清楚。

比如让 AI 帮忙筛简历。

如果岗位画像不清楚，AI 只能按关键词猜。

如果业务真正看重什么没有讲清楚，AI 只能按通用标准判断。

如果我们没有告诉它：

什么样的人是 A 类；
什么样的人是 B 类；
什么样的人只是可以看看；
什么样的人应该直接淘汰；
哪些经历是强信号；
哪些表达可能只是包装；
哪些风险必须 HR 追问。

那 AI 最后生成的，大概率就是一堆看似专业但不一定准的判断。

所以，AI 不是凭空变聪明。

AI 的质量，很大程度取决于我们给它的上下文质量。

03｜过去我们容易问错问题

过去我们做 AI 工具时，很容易先问：

“这个工具能不能做？”

但真正应该先问的是：

“我们有没有把业务判断讲清楚？”

比如一个 HR 初面工具，不是把简历丢进去就完了。

它至少需要知道：

这个岗位到底解决什么业务问题；
这个岗位最核心的能力门槛是什么；
哪些经历是强信号；
哪些经历只是包装；
哪些风险必须追问；
什么情况下可以推荐业务面；
什么情况下应该直接淘汰。

这些东西如果没有沉淀，AI 就只能靠泛化能力工作。

泛化能力可以做 Demo。

但很难支撑稳定交付。

这也是为什么很多 AI 工具一开始看起来很惊艳，但真正放到业务里，会出现两个问题：

第一，输出很完整，但不够准。第二，表达很专业，但不能直接决策。

因为 AI 不知道你的业务场景。

也不知道你的判断边界。

更不知道你们团队过去是怎么判断“好”和“不好”的。

04｜AI 落地的第一步，不是多试工具

对 HR 团队来说，接下来真正要补的，不是工具数量。

而是三类基础资产。

第一，数据资产

这里说的数据，不一定是大数据。

而是我们日常工作里真实产生的信息。

比如：

候选人简历；
电话沟通记录；
面试记录；
面评结论；
业务反馈；
淘汰原因；
入职后表现；
招聘项目复盘。

这些东西如果是散的，AI 就无法学习我们的真实判断。

比如我们每次都说：

“这个人不太合适。”

但没有记录为什么不合适。

那下次 AI 也不会知道：

到底是不够聪明？经验不匹配？表达不清楚？项目深度不够？业务理解太浅？还是文化适配有风险？

数据不沉淀，AI 就没有可学习的材料。

第二，标准资产

标准资产，就是我们到底怎么判断“好”。

比如：

什么是高潜？
什么是 AI Native？
什么是专业能力达标？
什么是文化不适配？
什么样的候选人值得业务投入面试时间？
什么样的人即使简历好看，也不应该推进？

这些标准如果只存在于某个人脑子里，就无法变成 AI 能调用的能力。

很多时候，一个资深 HR 判断候选人很快。

但这个判断如果没有被写下来，就很难被团队复用。

更难被 AI 放大。

所以，AI 不是替代标准。

AI 是放大标准。

前提是，我们真的有标准。

第三，上下文资产

AI 要想判断准，必须知道背景。

同样是产品经理，不同业务阶段的标准完全不一样。

0 到 1 阶段，可能更看重：

定义问题；
快速试错；
需求判断；
资源有限情况下的推进能力。

成熟产品阶段，可能更看重：

结构化；
协同推进；
数据分析；
稳定交付。

AI 产品阶段，还要额外看：

Prompt 理解；
Agent 意识；
数据意识；
人机协同理解；
对模型边界的判断。

如果我们不给这些上下文，AI 就会把所有岗位都按一个普通模板评估。

这就是为什么很多 AI 输出看起来完整，但用起来不准。

不是因为它没写东西。

而是因为它不知道该按什么场景判断。

05｜这件事对 HR 团队真正的启发

所以，接下来我们做 AI Native HR，重点不是让每个人都去试一堆新工具。

而是要开始做一件更底层的事：

把 HR 的判断标准、业务上下文、复盘数据沉淀下来，让 AI 有东西可用。

具体到我们的工作，可以先从三个动作开始。

第一，每个岗位都要有一版清晰的画像标准

不是只写 JD。

而是要写清楚：

A 类人长什么样；
B 类人可以看什么；
C 类人为什么不推进；
哪些经历是强信号；
哪些信息必须追问；
哪些风险不能放过。

如果岗位画像没有沉淀，AI 筛简历就只能看关键词。

但招聘判断真正难的地方，不是看关键词。

而是判断一个人是否真的匹配这个岗位的核心任务。

第二，面评不能只写结论，要写依据

比如不能只写：

“候选人潜力较好。”

这句话看起来像判断，但对 AI 来说没有太多价值。

更好的写法是：

判断来自哪段经历；
候选人原话是什么；
这段经历体现了什么能力；
这个能力和岗位要求有什么关系；
还有哪些信息需要继续验证。

这样后续 AI 才能学习我们的判断逻辑。

否则面评只是结果记录，不是组织资产。

第三，每次 AI 出错，都要沉淀成规则

比如 AI 把一个不合适的人推荐出来，我们不能只说：

“这个 AI 不准。”

更重要的是追问：

它为什么判断错？
是岗位标准不清楚？
是简历信息不完整？
是提示词没有写清楚？
是某类风险信号没有定义？
是我们没有给它足够的业务上下文？

如果每次 AI 出错，都能沉淀成一条规则，工具才会越用越准。

如果只是抱怨工具不准，那下一次大概率还是会重复出错。

06｜AI 不是替 HR 判断，而是放大 HR 判断

这件事的关键，不是让 AI 变成一个“自动 HR”。

而是让 AI 帮我们把过去靠经验完成的判断，变成可以复用、可以校准、可以规模化的组织能力。

过去，一个资深 HR 的判断，可能只能长在自己身上。

他知道什么人适合。知道哪些简历是包装。知道业务真正要什么。知道哪些风险不能放过。

但如果这些判断不沉淀，团队就很难复用。

AI 也很难学习。

所以，AI+HR 的真正价值，不是让每个人少写几段话。

而是让组织的判断能力被结构化。

最后说一句

AI 落地不是先拼模型。

而是先拼组织有没有把自己的业务判断结构化。

对 HR 来说，真正的分水岭不是谁会问 AI 问题。

而是谁能把招聘、面评、绩效、人才盘点里的判断标准沉淀成资产。

如果我们没有标准，AI 只是在帮我们更快地产出一堆不稳定的内容。

如果我们有标准，AI 才能变成放大团队能力的工具。

所以，接下来我们做 AI，不是为了“显得先进”。

而是为了把 HR 过去靠经验完成的判断，变成：

可复用的标准；
可校准的方法；
可沉淀的数据；
可规模化的组织能力。

AI 工具不好用，很多时候不是模型问题。是我们还没有把数据、标准和上下文准备好。