乐于分享
好东西不私藏

杭州HR的AI真实状态:从「工具装不上」到「手搓Agent」

杭州HR的AI真实状态:从「工具装不上」到「手搓Agent」
6月21日,杭州第二期Claude活动,我们开始进行分组讨论。

现场近30位HR伙伴,横跨金融科技、AI自制剧、光伏新能源、直播电商、工业自动化、机器人制造、互联网健身、汽车制造、医疗健康、工业软件、贸易、电商、咨询——10多个行业。

今天,来看看小组讨论中最有亮点的内容——大家使用AI的新用法、新场景、新收获,分享3个小组的小组作业。

第一组:AI可以做离职预测,也可以做决策推演

这个小组的成员,主要来自互联网电商、新能源、金融保险、科技行业公司。HRBP只有一位同学,其余都是COE和HRD。

一、小组成员简介

二、小组AI新发现

1、Claude Code 可直接生成结构化面试题库

用Claude Code根据岗位JD一键生成行为面试题+评分标准+追问话术,从原来2小时缩减到10分钟。关键是prompt里加上"STAR原则"和"岗位核心能力维度",产出质量远超手动编写。

2、用AI做员工离职风险预测

把考勤异常、绩效下滑、内网活跃度降低等数据喂给AI,让它做离职倾向分析并给出干预建议。目前试了3个部门,准确率约70%,已提前挽留2名核心员工。

3、"对话式写制度"——AI辅助制度起草的新范式

不再从零写制度,而是先跟AI对话明确制度目标、适用范围、关键条款,让AI出初稿,再人工精修。一部员工手册从原来3周缩短到5天,且条款覆盖更全面。

4、AI不只是"写东西"——它能帮HR做决策推演

之前以为AI就是写文案、做表格,今天发现可以让AI模拟不同薪酬方案的员工满意度变化、推演组织架构调整后的协作效率变化,相当于一个"低成本沙盘"。这完全改变了我们对AI的认知。

三、使用AI遇到的痛点

痛点一:数据安全与隐私合规——员工数据能不能喂给AI?

具体描述:HR数据最敏感(薪资、绩效、个人信息),公司目前没有明确的AI数据使用规范,不敢把真实数据放进AI工具,只能用假数据演练,落地时还得手动替换,效率打折。

目前有无解决方案?暂无——正在等公司信息安全部门出政策,预计Q3才有指引。

痛点二:AI产出质量不稳定——同一个prompt,每次结果不一样

具体描述:面试题生成有时很专业,有时像模板套话;制度起草有时逻辑清晰,有时条款遗漏。这种不确定性让HR很难把AI当作"可靠工具"依赖。

目前有无解决方案?初步尝试:把高质量输出保存为"参考范例",下次prompt里附上范例让AI对齐风格,效果有所改善。

痛点三:团队推广阻力大——同事觉得AI是"抢饭碗"不是"帮干活"

具体描述:推广AI辅助写JD、做面评时,几位资深HR明确抵触,认为"这是在替代我们的专业判断"。年轻同事倒很积极,但缺乏经验导致AI输出需要大量人工校验。

目前有无解决方案?尝试了"先帮不替代"策略——让AI只做初稿和素材整理,最终决策完全由HR做,逐步建立信任。

痛点四:学习门槛——prompt写不好,AI就用不好

具体描述:群里大家都说AI好用,但自己上手发现prompt不好写,不知道怎么描述需求才能得到想要的输出。工作坊之前基本是"问一句等一句",效率很低。

目前有无解决方案?今天工作坊学了"结构化prompt"方法(角色+场景+要求+范例),回去立刻试。

四、小组总结

今天最大的收获AI不只是"写东西的工具",而是HR的"思考伙伴"——它能帮我们推演决策、预判风险,这个认知转变是最值的东西。回到公司最想做的一件事:明天就用结构化prompt方法,把招聘面试题库生成流程跑一遍,给招聘团队做演示,从最具体的场景入手带动大家。对裙子老师的一句话:从"怕AI"到"会用AI",中间缺的就是今天这样的实战拆解——谢谢裙子老师,干货太多,消化不完!

第二组:跨行业AI+HR底层逻辑相通

第二个小组,小组成员来自四个行业,A同学是贸易行业(HR运营),B同学是制造行业(HRBP ),C同学是互联网行业(业务负责人),D同学是消费品行业(HR负责人)。

一、小组AI新发现

1、HR全模块AI化已有完整落地路径。
从招聘、薪酬绩效到员工关系、组织发展,AI 可覆盖 HR 全场景。D同学已完成全模块全场景的实际应用,不是概念验证,是真实跑通的。
2、手搭比直接用重要十倍。
无论是搭建智能体还是沉淀工作方法,跳过"自己动手"这一步,就只能停留在模板化使用的表面。B同学参会的最大感受:必须自己手搭一版,才能真正理解工具逻辑,后续才能指导团队。
3、AI组织转型的关键不在工具,在组织设计。
C同学的实践表明,工具替换只是表层。真正的"原生 AI 组织"需要从架构、流程、决策机制层面重新设计,否则只是新工具装进旧框架。
4、跨行业AI+HR底层逻辑相通。
从贸易、制造、互联网、消费品——四个完全不同行业的HR从业者,在 AI 应用上遇到的卡点和心得高度一致,这说明 AI+HR 的方法论具备跨行业通用性,值得系统化沉淀。

二、使用AI遇到的痛点

痛点一:企业安全策略 vs 工具自由。
公司电脑权限管控严格,不允许自由安装 AI 工具。B同学 的团队,只能通过飞书+公司自建工具绕道使用,体验和效率大打折扣,这是企业级 AI 落地最普遍的矛盾。
痛点二:海外工具不稳定 + 迁移成本高。
Claude Code 封号后,成员C 团队被迫从海外终端版迁移到 DeepSeek 等国产工具。每一次迁移都打断工作流,技能沉淀被反复清零。工具碎片化让"持续深入使用"变得奢侈。
痛点三:API 配置与技术门槛仍是实际障碍。
D同学折腾 API、折腾图片的过程中反复踩坑。对非技术背景的 HR 从业者来说,配置、调试、对接这些环节消耗了大量本该用在业务上的精力。

三、每位成员AI体验

1、A同学 · HR运营 · 贸易行业

AI为HR工作带来了标准化和效率提升的新可能,贸易行业节奏快、链条长,AI 可以在流程跟踪、跨部门协调、进度预警等环节替代大量重复性人工操作。

贸易行业节奏极快,日常工作已高度饱和,留给 AI 学习和探索的时间碎片化严重。如何在高强度工作中挤出系统学习空间,是当前最大的实际困难。

2、B同学 · HRBP · 制造行业

参会后最大的认识——必须自己手搭一版智能体,才能真正理解 AI 工具的运行逻辑。以前通过飞书+公司自建工具直接使用,跳过了操作过程,导致使用停留在模板化层面。手搭之后才能指导团队,而不是被工具牵着走。

目前公司电脑有严格的权限管控,不允许安装各类 AI 工具。只能通过飞书搭配公司自建工具来使用,操作体验受限,工作方法难以系统化沉淀。

3、C同学 · 业务负责人 · 互联网行业

个人使用 AI 一年半,现在面临的核心命题不是"怎么用 AI",而是"怎么让组织成为真正的 AI 原生组织"。这需要从组织架构、流程设计、决策机制三个层面做系统性重构,不能让新工具跑在旧框架里。

Claude Code 海外终端版封号后,被迫重新对接 DeepSeek 等工具。每次工具迁移都会打断已有的技能沉淀,团队小 HR 在 AI 技能积累上本来就慢,频繁切换让这个差距更难追赶。

4、D同学 · HR负责人 · 消费品行业

已完成人力资源全模块、全场景的 AI 应用落地。从招聘、薪酬、绩效、员工关系到组织发展,不是单点尝试,是全链路跑通。AI+HR 不是概念,是可以交付的真实产出。

目前API 配置和图片生成是实际踩坑最多的环节。折腾接口、调试参数、处理兼容性问题——这些纯技术环节消耗了大量精力,而它们本该是"配好就能用"的基础设施。

二、小组总结

一个共同感受

Claude Code 的现场演示让大家看到了"手搭"的真正威力。不是功能有多花哨,而是那种"说人话就让 AI 干活"的体验,跟之前模板化使用完全是两个概念。

一个共同需求

希望有更成体系的 AI+HR 方法论沉淀,而不是零散的教程或工具推荐。四个人来自四个行业,但卡点高度重合——这说明行业差异没有想象中那么大,方法论可以通用。

第三组AI理性思考非常强,需清楚表达核心需求

第三小组有五个成员,分别来自贸易、机器人、互联网三个细分行业。

一、AI使用新发现

1、AI制度设计与文化生成

小智用DeepSeek、ChatGPT、Gemini做制度设计、激励设计、企业文化图片生成及项目底层框架。不同AI反馈不同,需清楚表达核心需求。

2、自研工具接入Boss直聘

潘同学自研工具接入Boss直聘实现批量自动打招呼触达精准候选人;Vickey也曾用自动化脚本实现类似功能,后被网页限制。

3、AI拆解复杂问题

Vickey说,AI理性思考非常强,善于拆解梳理复杂问题,遇到复杂问题可借助AI梳理思路。但也指出AI像「基础能力很强但缺乏上下文输入的实习生」。

4、AI提效实战经验

凯丽用AI完成组织氛围调研(问卷生成→访谈提炼→分析→报告输出),并用Workbuddy做面试评估,准确率不错。

二、AI使用新发现

痛点一:数据安全与公司限制

潘同学、柠檬 — 公司数据安全限制严格,工作中基本无法接入AI;老板推行AI但很少给预算。行业普遍存在因信息安全问题限制AI使用的情况。

痛点二:AI输出质量不稳定

小智、Vickey—  AI有时会「偷懒」或输出不落地。Gemini图片功能无法生成。缺乏上下文导致AI像能力强但缺经验的实习生,项目性使用时需不断总结和输入背景信息,效率偏低。

痛点三:停留在单点提效,缺乏全局工作流

柠檬、凯丽— 大部分HR模块AI使用仍偏向问答型,尚未涉及Agent部署及工作流搭建;只在单点提效,没有整体工作流搭建。

痛点四:上下文限制与决策不确定性

Vickey — 公司决策常由小决策点组成且无法预知,AI处理时因缺乏完整上下文,造成输出不够精准,需要不断纠偏。

三、一句话总结

1、小智

今天最大的收获:认识不同的AI模型,利用飞书做智能体的搭建。回到公司最想做的一件事:搭建一个虚拟组织,做一个组织看板,以及建立不同的AGENT和职能体。对裙子老师的一句话:通过陈老师看HR的世界,结合AI反馈组织成长。

2、潘同学

今天最大的收获:看到AI可能性。回到公司最想做的一件事:让多个agent帮我工作。对裙子老师的一句话:如何实现一键调用多个飞书智能体,如何让多个智能体共用一个大脑?

3、柠檬

今天最大的收获:老师的那些角色部署好像挺有趣。回到公司最想做的一件事:学习老师搭几个机器人角色。对裙子老师的一句话:可以后续组织这次学习成果的后续使用心得分享。

4、凯丽

今天最大的收获:工具搭建、相互链接、种草硬件。回到公司最想做的一件事:搭建人才盘点工作流和组织人效看板。

对裙子老师的一句话:挺好

5、Vickey

今天最大的收获:终于装上了本地的Claude Code。回到公司最想做的一件事:看看公司电脑能不能装。对裙子老师的一句话:感谢活动组织!接地气又有启发。

写在最后:HR的AI进化地图

从5月16日杭州一期,到6月21日杭州二期,再到6月27日上海第二期,在最近三场活动中看到的不是技术的爆炸,而是HR使用AI的进化

第一期,大家都在问"AI是什么"。

第二期,大家开始问"AI怎么做"。

到上海场,已经有伙伴在问"AI怎么融入组织系统"。

这是三个完全不同的阶段。

一个月前,大部分HR都被"锁在门外"——工具装不上、公司不让用、不知道从哪里开始。

一个月后,已经有HR"手搓Agent"——自己搭建智能体、跑通全流程、用AI做决策推演。

结语:AI不会一口气改变所有HR的工作,但它会每个月改变一批HR的工作方式。从"被锁在门外"到"手搓Agent",中间隔的不是技术壁垒,而是一个月、一次线下活动、一次和同行交流的机会。各位,我们下一期CC活动见。

✅ 活动咨询,请备注:城市+CC活动

相关学习资料