为什么你采购的AI招聘工具没有效果?

6 月 4 日，美国人力资源服务行业协会 ASA 与生产力分析公司 Prodoscore 联合发布了人力资源生产力报告：2026 年第一季度，招聘者每周花在与候选人和客户通话上的时间达到 286 分钟，创下有记录以来的最高值，是 2024 年同期的整整两倍；同一时期，招聘者人均使用的 AI 工具从 1 个增加到 1.36 个。

6 月 16 日，行业媒体 StaffingHub 发表了一篇措辞不客气的分析，标题的后半句是"大多数人力资源公司还在买包装品（wrapper）"。文章引用 McKinsey 的数据说，超过六成企业在试验 AI Agent，但真正规模化并产生实际价值的不到 10%。

ASA的 这份报告基于平台每月约 160 万个数据点，追踪人力资源公司里招聘的工作模式和工具使用情况，并把平均水平和头部绩效者做了对比。核心发现是三个数字：每周通话 286 分钟，历史新高；相比 2024 年一季度翻倍，与候选人和客户的互动量同比增长 60%；人均 AI 工具从 1 个涨到 1.36 个。

ASA 的 CEO Stephen Dwyer 说，关系构建仍然是现代招聘的基石，AI 让招聘者有更多时间去发展那些驱动长期增长的关键工作。Prodoscore 的 CEO Sam Naficy 说得更直接：招聘者没有被自动化取代，而是被自动化解放，去做那些需要人类判断和人类连接的工作。

这个叙事本身逻辑链条是清楚的：AI 接管了简历解析、初筛、面试排期、写跟进邮件这类基础工作，招聘者把释放出来的时间投进了电话里。基础工作时间和沟通时间此消彼长，AI工具数量和通话时长同步上涨。

但接纳这份报告的成果前，有一个点值得冷静思考：通话时长是个活动指标，不是结果指标——286 分钟本身不说明成单更多了。而且通话翻倍还有另一个没那么乐观的解释：招聘平台 Ashby 在 5 月的报告里指出，自 2021 年以来每个职位收到的申请量翻了三倍，超过 300 份，其中混杂着大量 AI 批量生成的简历和夸大技能的申请者。

当书面材料的信噪比崩塌，电话也就成了验证候选人真实性的最后手段。也就是说，通话时间暴涨，一半可能是 AI 解放的红利，另一半可能是 AI 污染的代价——招聘者不得不用额外代价去核实 AI 筛不出来的东西。

这给管理者的启示很具体：如果你的团队上了 AI 工具，就应该跟踪时间的去向，而不只是工具的用量。做法不复杂，每季度看三个数字——基础招聘活动（写 JD、录 ATS、排期、整理简历）占用的时间是否在降，候选人和客户沟通的时间是否在升，以及每小时沟通对应的到面和成单/入职是否至少持平。

如果工具用了、基础时间没降，说明自动化没有效果；如果沟通时间升了、单产降了，说明多出来的电话在消化更多不合适的人选而非建立关系，那要改善的是前端的筛选能力。

钱花出去了，买回来的是什么？

2026 年走进任何一场人力资源技术展会，每家厂商都说自己的产品是 AI Agent。但大多数并不真正是。大多数是把生成式 AI 功能拼接在现有工作流上，因为"Agent"这个标签好卖，就都贴上了这个标签。

真正的 Agent 是一个自主软件实体：给它一个目标，它自己规划多步骤的工作，根据结果调整策略，并且直接在业务系统里执行——它"拥有"一段完整的工作流。

而包装品（wrapper）是套在固定流程上的生成式 AI 前端：它可以帮你起草 JD、总结候选人档案、生成触达文案，这些都有用，但它不规划、不调整、不拥有流程，只是把原本就要执行的那一步做得更快。

前者是一个行动系统（system of action），后者是一个功能（feature）。

McKinsey 的系列研究显示，2025 年近 80% 的公司部署了某种形式的生成式 AI，但几乎同样比例的公司表示它对盈利没有实质影响，McKinsey 称之为"生成式 AI 悖论"；真正把 agentic AI 规模化并交付价值的企业不到 10%，其中八成把数据基础列为最大障碍。而 StaffingHub 自己的 2026 年度行业基准报告显示，39% 的人力资源机构把 AI 列为当年第一技术优先级，领先第二名 14 个百分点。钱和意愿都在场，缺的是分辨能力。

真的 Agent 部署长什么样，文章给了两个不同量级的例子。

第一，Adecco 集团与企业软件平台签下延续到 2027 年的协议，旗下约 2.7 万名招聘者将基于 30 多个企业系统实例整合出的统一候选人数据视图工作，公司给出的目标是到 2026 年底 50% 的收入由 agentic AI 驱动；已经落地的英国业务报告了 15% 的时间节省、更短的填补周期和更低的服务成本。

第二，一家专注财务和技术领域的人力资源公司 DeWinter Group：他们花了两年时间尝试打通薪酬系统和 ATS 之间的集成，因为现有 API 不支持、定制开发在他们的规模下不划算，一直没做成；因此采用了一个 agentic 系统跨过了这两个本不互通的平台完成了集成，替代了三名全职入职专员的工作量，之后又扩展到其他中后台任务。

这两个案例的共同点：Agent 做成的是原来人和上一代自动化都做不了或做不好的多步骤工作，是新增的运营能力，而不是把现有工具做得更好看。

对要买 AI 的人力资源公司（其实对任何要买"AI Agent"的公司都一样），StaffingHub 给出的鉴别框架足够实操，值得逐条展开。

第一个问题问自主性：这个 Agent 是自己规划多步骤工作并根据结果调整，还是在固定流程里执行预设步骤、只是输入输出用了生成式 AI？——如果每个决策点都需要人介入，那是自动化，不是 Agent。

第二个问题问范围：它端到端拥有哪段工作流？只做寻访的是寻访 Agent，能从寻访一路做到面试排定的是另一个物种；真实自主权覆盖的范围越窄，产品离包装品越近。

第三个问题问参考部署：成功客户的部署要求了什么样的运营改造？这个问题背后是 McKinsey 对 50 多个 agentic 项目的复盘结论——只盯着 Agent 本身的组织，最后往往得到一个看起来很棒但没有改善整体工作流的 Agent。所以要问的不是"你的 Agent 能做什么"，而是"你的参考客户为它改了什么流程"。如果厂商说"什么都不用改，即插即用"，这在包装品身上是实话，在 Agent 身上几乎不可能——真 Agent 意味着某段流程的所有权从人转移给系统，组织结构、职责边界、异常处理机制都得跟着动。Asymbl 的 CEO Brandon Metcalf 把这个判断浓缩成一个决策前必答题：你买的是一个 IT 项目，还是一名数字员工？你不能随便雇一个人然后说"去吧，自己摸索你的工作"。

此外，还可以直接对厂商说："给我演示一段你的 Agent 今天就在端到端运行的工作流。"答案具体而清晰的，对面是做出了 Agent 的人；答案是一串功能列表的，你面前是一个起了好名字的“包装品”。

筛掉“包装品”只是不花冤枉钱，更重要的问题是：单点提效改不了企业的效率基本盘，根本性的改进只会来自端到端覆盖完整业务场景的 Agent。

道理不复杂。这个行业的时间主要不是消耗在某个环节内部，而是消耗在环节之间。一个职位从需求确认到人选到岗，要经过寻访、触达、筛选、送面、排期、offer、入职、在岗管理一长串交接，每次交接都意味着等待、信息损耗和重复录入。把其中一环提速十倍，整体周期往往只缩短几个百分点，因为瓶颈立刻转移到下一个交接点。McKinsey 对 50 多个 agentic 项目的复盘印证了这一点：只优化 Agent 本身、不重排整体工作流的组织，最后得到的是"看起来很棒但没有改善工作流的 Agent"。这也解释了前面那个悖论——近八成公司部署了生成式 AI 却看不到盈利影响，因为绝大部分部署停留在环节内部。

行业的技术架构正在朝同一个方向聚焦：一组分工明确的专业 Agent 各自拥有漏斗的一段——寻访 Agent 重新激活库内候选人并补充新人选，互动 Agent 跨渠道处理候选人问答，筛选 Agent 执行结构化的语音或视频初筛，排期 Agent 协调日历，系统 Agent 把结果写回 ATS——环节之间的交接由架构完成，而不是由人完成。这就是 StaffingHub 说的"行动系统"，人从流程的执行者变成流程的例外处理者。

供给侧已经在按这个方向进展。2026 年 5 月底，人力资源行业主流 ATS 厂商 Bullhorn 在年度大会上发布了 Amplify Digital Workers，定位不是"更好的工具"而是"数字员工"：寻访、筛选、触达、递交全天候自主运行。厂商披露的早期客户数据是 placements-per-recruiter 提升 39%——而且是在订单量下降 20%、编制不变的背景下。

厂商自报的数字照例要打折扣，但信号本身清楚：卖工具的头部平台已经把产品叙事从"辅助招聘者"改成了"接管工作流"。

需求侧的对应信号就是前面提到的 Adecco——"到 2026 年底 50% 的收入由 agentic AI 驱动"是一个按业务场景覆盖率设定的目标，不是按工具采购量设定的。

AI-native 玩家 Mercor 把寻访、AI 面试评估、匹配、计薪结算设计成一个原生自动化的闭环市场，2025 年 10 月以约 100 亿美元估值完成融资，管理超过 3 万名专家型承包者，日支付超过 150 万美元。它目前深耕的是 AI 训练专家这个细分市场，未必与传统人力资源公司正面竞争，但它证明了端到端自动化的运营杠杆：当整条链路生来就是闭环时，一家几百人的公司可以承载传统模式下需要数千名招聘的业务量。客户迟早会拿这种响应速度和成本结构做参照。

对多数公司来说，通往端到端不是一步跃迁，可以按三步走。

第一步，从一段能完整闭环的工作流切入，而不是从最炫的功能切入——库内候选人的重新激活（从识别到送面）和入职流程是常见起点，闭环短、数据在自己手里、失败可控，DeWinter 就是从中后台一段具体流程做起再向外扩的。

第二步，先修数据。McKinsey 的数据里八成企业把数据基础列为 agentic AI 规模化的最大障碍；Agent 网络的前提是候选人、职位、沟通记录能在系统间流转，如果 ATS 里一半档案是过期的，先做数据治理再谈 Agent。

第三步，每接管一段流程，就重新划定一次人机边界：哪些决策点保留人工审批、异常升级给谁、招聘HR的考核从活动量改成漏斗通过率和关系质量。

回到开头。AI 在人力资源行业真正改变的不是"做事的速度"，而是"人的时间流向哪里"。

买对了，机器接走流程，人的时间流向候选人和客户——这正是乐观的那一半，也是 Adecco 和 DeWinter 案例里发生的事。

买错了，大额预算换来一堆更快的草稿工具，基础时间省不下来多少，HR的电话时间蹭蹭涨。

所以，选择 AI 招聘产品，可以对供应商问那句"演示一段你的 Agent 今天端到端运行的工作流"，对自己问"AI 省下来的时间，现在流向了哪里"。

第一个问题决定钱花得对不对，第二个问题决定花对了钱之后有没有拿到回报。真正的效率拐点不在工具更多，而在 Agent 一段一段接管完整的业务场景之后。

信息来源