夜雨聆风本文约4500字，阅读时间：12分钟
最近被朋友们催更了，那么趁着我还在上海的周末，开启第二季-出海组织观察日记之AI时代组织观察，这个系列将会更多记录我的实践、实验，以及不断修正的思考。
前言：当外部尺子不再适用
今年一个原本规划好的全球化人才路径突然被打断-那一刻：一年努力回到解放前-心累。我曾计划依托外部国际化资源搭建全球统一干部评价体系：第一年国内重塑，第二年海外迁移。这样无论是国内干部、海外本地干部还是国际派遣，都能建立在一套人才语言上。做这个规划的时候，我常想起在外企那些年，总部的“全球化”往往就是一份Excel发到全世界，然后填写完毕之后再来Confluence Page。而我想在出海业务中，探索一条不同的路。结果，外部环境的突变让我意识到：这条路远没有设想中容易，“黑天鹅”随时都在-原有方案的困局本质上是一个结构性矛盾：数据不出境，外部常模优势归零；数据出境，面临合规风险—近乎无解。
作为出海企业，我们不仅需要解决“用什么工具替代”的问题，更要面对一个根本性的追问：如果没有外部尺子，我们还能不能判断谁是值得培养的人？这套方法国内能用，海外也能迁移吗？这不是一篇“最佳实践”，而是一个真实的路标。
第一部分：从“买尺子”到“造尺子”
最初反应很本能：找个国内工具替代。但调研后发现此路不通，换供应商意味着标准断裂、历史数据作废，且国内工具出海更难。更深层的是，我意识到自己依赖的不仅是工具，而是那套“用外部常模定义人才”的逻辑。在数据主权时代，这套逻辑本身已难以为继。于是，我把问题重构了：“用什么工具测评？”到“能否不依赖外部标准，自己定义‘好’，并让标准可沉淀、可迭代、可迁移？”这一问，方向彻底变了。
第二部分：造尺子—AI Agent初尝试
2026年伊始，AI几乎是所有圈子热词。正好公司内部上线了AI数据处理智能体，我又盘算了下手中已有“数据资产”：近千条历史测评数据（含绩效标签）、能力维度与行为词条。以往那类经典测评工具的核心是：“拿你和全球样本比”，现在没有这个条件了，我尝试换了一个逻辑：不和外部“平均”比，而是和内部“绩优认知”比。
我做了第一次尝试：将上述数据喂给AI智能体。1小时后，它生成了一份以我们内部标准为标尺样题。这让我意识到一个更大可能性：去年上线的协同办公平台承载了人才系统，如果AI Agent可以生成测评问卷，那么通过API和MCP功能，是否可以把整个人才管理的“选—育—用—留”利用AI闭环？
很多人觉得民企不关心人才梯队建设，我亲身体验是：不是不重视，而是业务发展太快，没时间沉淀。AI的出现，或许能帮我们解决这个问题。如果AI能高效利用这些散点数据、标准、机制与项目，它就不再是工具，而是AI干部管理体系的雏形。我立刻写了方案找老板沟通，核心逻辑定为：业务场景 → 人机协作流程 → MVP验证 → Skill沉淀 → Agent自动化。过程中，老板给了我一个重要启发：“这类经典测评背后是有题库的，如果问卷形态要多样化，仅靠一个AI Agent可能不够，可以叠加一个通用大模型。”
于是，项目实施过程中形成了“我 + 两个AI”的人机协同模式：AI智能体负责生成问卷与处理数据流，通用大模型负责设计校准与内容生成。协同办公平台则作为业务场景的载体。有时候确实需要“教育”大模型（见下图），但这就是趋势：未来不是盘人头，而是盘“人 + Agent”的组合。
第三部分：怎么让这把尺子长出来—MVP与架构
核心设计一：自评+他评+差异分析
我替代方案是：采用李克特量表，做成自评+上级他评双视角。题目和分数线全部来自内部标准和历史数据。具体做法是：用已验证过的历史绩优样本和岗位画像，校准这套问卷是否能承接既有标准、识别晋升差距、支持发展与盘点。实践中，我跑了四轮MVP：
MVP0 标准转译版：将既有标准资产、岗位画像、人才标准，转译成一套内部可运行的问卷和报告框架。验证：标准能否被转成可发、可答、可算、可出报告的工具。
MVP1 读题体验测试：面向仍在岗、未晋升的人才验证，题目是否易懂、作答是否顺畅。
MVP2 参照样本验证：用已晋升、未晋升及绩优人才的数据，验证问卷能否区分“仍在原岗位”和“已走通晋升路径”的人，是否接近绩优画像。
MVP3 区域真实盘点试运行：将问卷放入真实业务流程，验证其高潜识别与盘点能力，以及人机协同流程是否真正支撑业务决策。
四轮MVP跑完后，我开始梳理人机协同的分工边界：哪些环节自动化，哪些必须保留人工判断—接着沉淀Skill，再让Agent自动化。过程中，AI智能体与通用大模型反复配合，而我的判断力被AI持续放大。
核心设计二：人机协同分工—AI Agent算数据，人来做判断
我梳理了整个人才识别盘点及关联项目的流程，明确划定了AI与人分工边界：
AI系统做：按条件筛选、算分、标记差异。
人做：校准会上做判断、晋升时做决定。
这不是简单的分工，而是必须坚守的原则。整个人机协同架构的背后是人才管理“选育用留”的AI闭环（如下图）：
核心设计三：基座独立—业务逻辑不绑定任何平台
目前我们技术架构是：Qoder Work作为AI数据处理层（大脑），钉钉作为协同执行层（手脚），API+MCP作为连接层（神经系统）-具体可以参考下图。但这个架构不绑定任何平台—只要对方开放API和MCP，飞书、企业微信都可以接。这意味着我们的核心资产—人才标准、评估逻辑、判断流程、Skill—全部独立于工具之外，随时可以迁移。整个系统架构如下：
项目踩坑复盘8大点：
不要从Agent开始，从业务问题开始：AI是手段，不是起点。
先跑通MVP，再沉淀Agent：不要在验证之前追求系统完美。
工具迁移不是复制，而是重新建模：换工具意味着重新适配，不是Ctrl+C。
测评只是入口，不是人才管理闭环：测评之后还有校准、入池、发展、晋升、业务储备率—这才是闭环。
流程跑通比模型精准更重要：先让数据流动起来，再优化精度。
Skill不是Prompt，是组织动作的标准化：Prompt是一次性的，Skill是可复用的。
AI负责分析，人负责判断：这不是分工，这是原则。
技术架构必须服务组织流程：技术是手段，流程是目的。
第四部分：从国内到海外—出海企业特殊课题
国内跑通了，但海外怎么办？两堵墙立现：
1.合规墙：数据不能出境，无法简单复制国内系统。
2.招聘墙：内部发展测评相对可控，但招聘涉及“拒绝”，GDPR审查极严。
潜在解法：
数据架构：本地留存 + 总部最小化回流-总部输出维度、算法、Skill；当地留存原始数据；回传总部的是不含个人信息的汇总统计。架构上，不做“全球大库”，而是“全球标准库 + 本地问卷 + 区域隔离 + 总部看板”。
问卷版本：一套框架，三类版本-在中国是“人才盘点工具”，到了欧美可能被视作“自动化就业决策工具”。因此，需按“就业评价工具”治理：
中国版：AI推送，平台承接，国内闭环。
美国版（Potential Review）：系统只输出建议（讨论/观察/发展），保留人工决策，且每道题需解释岗位相关性。
其他市场：Global Core + Local Addendum。70%核心题全球统一，30%根据本地法律、文化调整，经本地HR/法务审核后上线。
注：以上为技术架构设想，落地需严格遵循当地法规，并与合规团队评审。合规不是束缚，是组织的留白。画没骨画，最难的是知道哪里该空着。全球化亦然。
第五部分：出海×AI：中国企业全球化组织形态的雏形
其实通过这个AI项目：未来出海×AI正在催生一种全新的全球化组织形态，而且是从我们这里诞生演化出去全球化的。我一直强调：外企的全球化是“全球化治理”-各地只需要做一个合格的执行者。在这个模式中，AI核心价值可以是提效和降本：加速全球对齐；自动发现偏差；提升决策速度。
出海企业的全球化是“全球化建设”：这种模式下，总部无法提前定义所有答案，因为很多市场是新的、很多场景从未遇到过，标准只能在实际运营中逐渐长出来。在这个模式中，AI角色不会只是降本增效—它可以是发现工具，出海企业面临的核心挑战是“如何在未知中识别出值得固化的规律”。AI价值是“识别、归纳、沉淀”：从各地分散的实践中自动识别出有效的模式，把“个别案例”提炼为“可复用的方法论”，用数据而非预设判断来回答“什么是对的”。治理需要的是管控能力，建设需要的是发现能力。
中国出海企业的全球化建设天然更接近“用AI进化”—因为我们的环境和AI的能力之间有一个结构性的匹配关系：
匹配一：高不确定性环境 × AI的模式识别能力 出海企业面临的市场环境充满了不确定性—法规不明、文化陌生、消费习惯差异巨大，AI恰好擅长从数据中识别模式，而不是依赖预设的判断框架。
匹配二：分散的实践 × AI的跨区域归纳能力 外企的全球化建设已经完成，它做的是“把一个成熟的东西复制出去”。而出海企业是“在全球各地同时做实验”—东南亚怎么做、欧洲怎么做，各有不同的解法。AI恰好擅长跨区域、跨场景的模式识别—它能从各地的“实验”中，识别出真正可复用的方法论。
当AI嵌入建设型全球化核心，整个组织的运转逻辑可能发生变化。外企治理型全球化是中心化的信息架构：数据从各地汇集到总部，总部加工后输出标准，各地执行。而建设型全球化是分布式的演化架构：各地在AI辅助下识别本地最佳实践，共性模式经人工校准后成为新标准，标准回流各地成为下一轮执行的起点，AI持续追踪新的偏差和新的有效模式。这不是单向的“总部→全球”信息流，而是双向循环的进化流。回到实践：这不是“把总部的标准翻译给海外”，而是“建立一套方法框架，让各地长出判断力，让数据回流优化框架”：
总部输出的不是标准答案，而是方法框架（维度定义、算法逻辑、Skill）
各地在本地执行，用本地数据训练本地判断
各地的实践数据回流到总部，优化方法框架
优化的框架再输出到各地，成为下一轮的基础
核心洞察：出海企业正在经历的，不是“用AI来做HR”，而是 “用AI来构建一种新的全球化组织形态” 。在这个形态里：
总部不是规则的制定者而是方法框架的提供者；
各地不是规则的执行者而是实践的探索者和数据的贡献者；
AI不只是效率工具而是连接分散实践、识别共性规律的发现引擎。
这个形态还在形成中，但它已经显示出与传统全球化模式完全不同的特征：不是把别人定义好的规则执行到位，而是在自己的实践中，生长出属于自己的规则。
最后一点心声：撕掉标签，跳进水里
这两年我进化神速源于岗位决定的视角：离战略近，横跨国内海外非单一国家又兼有总部COE与HRBP视角。这让我能看到组织能力从0到1的形成过程。但也意味着要克服很多惯性。比如那种“洋气”的精英感—总觉得要有完美PPT和Vendor支持。我得时刻戒掉这种依赖。 很多时候没资源、没工具，只能Get Hands Dirty，笨拙地拿到结果。再比如“审视”心态。以前习惯先评估风险，现在Make it happen是第一优先级，无论多天马行空，先给Solution。
这不仅是工作切换，更是心态调适。第一季，我更多是站在岸边，观察组织长什么样。第二季，我想跳进水里—去看看当外部尺子断裂、当AI成为伙伴、当各地长出判断力时，一个中国企业如何在全球“养”出属于自己的组织形态。
第二季，敬请期待。
