智库文档所有分类

智享会第八届HRSSC调研报告.doc

下载

来自星星的小胖子

95页 | 8.97MB | 0次下载 |

0.0

(0人评价)

我要评价：

投诉举报

用手机看文档

扫一扫,手机看文档

下载

开通VIP

赋能人力共享第八届人力资源共享服务中心调研报告 Experience Enhancement 智 THE 8TH C 能 HINA HUM 驱驱 AN RESO 动 URCE SHA 体 RED SERVI 验 CES CENTE 升升 R SURVEY 级 REPORTAI In o t w el e li r g e e d n H tl R y- S D h ri a v r e i n , 调研主办方 © 版权声明本调研报告属智享会所有。未经双方书面许可，任何其他个人或组织均不得以任何形式将本调研报告的全部或部分内容转载、复制、编辑或发布使用于其他任何场合。 © Copyright ownership belongs to HR Excellence Center. Reproduction in whole or part without prior written permission from HR Excellence Center is prohibited. 2026 顾问团 ADVISOR GROUP 人力资源智享会感谢以下调研顾问团成员在本次调研及案例采访过程中提出的宝贵建议。（顾问排名不分先后）绿城涛中国人事共享中心负责人《进化：AI 时代 HR 的价值突围》作者罗氏漪昀 Luc Jiang People Insights Portfolio Lead 三一崇集良团副总经理、人力资源CIO 平安晖金服人才服务中心副总经理神州晓数伟码集团 DHR（人力资源数字化）总监新奥涛集团 HRSSC 总经理中国皞燃气 HRSSC 总监新奥明集团 DHR 负责人杨蔼昱 Coco Yang @ 杨蔼昱女士现任人力资源智享会（HREC）咨询顾问（Consultant，Research and Survey）一职，在《第八届中国人力资源共享服务中心调研报告》中，负责市场诊断、问卷设计、案例访谈、数据分析与报告撰写等工作。作者 AUTHOR mailto:@ 第八届人力资源共享服务中心调研报告 Co 目 n 录03 e 智能 n 驱赋动能体人验力 t 共升享级 s 前言 04 研究框架 05 一、企业对 AI 的拥抱度 06 ● 企业对 AI 技术的拥抱态度 10 ● HR 团队 AI 技术的能力储备 14 二、AI 对三支柱模型下 HRSSC 的重塑 16 ● HRSSC 的建设现状 21 ● AI 对三支柱架构和职责的影响 22 ● SSC 人员能力的重构 26 三、AI 赋能 HRSSC 提升员工体验 29 ● HRSSC 引入 AI 的规划与落地准备 36 ● AI 赋能场景分类与应用 37 ● AI 驱动员工自助服务 45 ● AI 应用面临的挑战与应对 47 彩蛋：智慧决策三部曲——解码、破局与筑基 49 ● 解码：智慧决策是什么？ 50 ● 破局：智慧决策怎么做？ 52 ● 筑基：智慧决策靠什么？ 54 参调样本 56 专家洞察 57 企业案例 65 ● 绿城中国 65 ● 罗氏 69 ● 平安金服 71 ● 神州数码集团 75 ● 新奥集团 80 ● 中国燃气 85 P 智能驱赋 r 动能体人验力共升享级 f 前 a 04言 ce 第八届人力资源共享服务中心调研报告当前，我们正处在一个充满挑战与机遇并存的宏观环境中。一方面，经济增速放缓、市场竞争加剧，使客观呈现企业对AI 技术的拥抱程度与认知现状深入剖析AI 对HRSSC 组织架构、职责定位与人员能力带来的影响系统梳理 AI 在HRSSC 各类场景中的落地路径、赋能价值与实践挑战前瞻探索 AI 如何推动 HRSSC 从“智能运营”走向“智慧决策” “提效降本”成为企业生存与发展的刚性诉求；另一方面，随着新生代员工逐渐成为职场主力，其对工作体验、服务响应与人文关怀的期待不断提升，“员工体验”已成为企业吸引与保留人才的关键竞争力。在这双重压力的驱动下，企业人力资源管理模式正面临前所未有的转型挑战。与此同时，人工智能（AI）技术迎来爆发式发展，其应用场景不断拓宽、技术门槛持续降低，正以前所未有的速度与深度切入人力资源管理的核心环节。作为企业人力资源数字化转型的“枢纽”——人力资源共享服务中心（HRSSC），自然成为AI落地的前沿阵地与价值高地。AI不仅为HRSSC带来了流程自动化、服务智能化的可能，更在推动其从“事务处理中心”向“员工体验中心”与“智慧决策引擎”跃迁。在此背景下，企业如何理性看待AI技术？如何将其与HRSSC建设有机结合？又如何通过AI真正提升员工体验、实现组织与个人的双赢？——这些都成为当下人力资源管理者必须直面并系统思考的核心命题。基于上述现实关切，本报告围绕“AI技术、HRSSC、员工体验”三大关键词展开系统调研与分析，旨在：我们希望通过数据洞察、案例拆解与专家观点，为企业人力资源管理者、HRSSC从业者及数字化转型负责人提供一份兼具前瞻性与实操性的参考指南。无论您正处在AI探索的起步阶段，还是已进入深度整合的攻坚时期，本报告都将助您厘清思路、识别关键、找到属于您组织的AI赋能之路。阅读指南每一章均以《本章精粹与总结》开篇，直接呈现该章节的核心数据发现、关键挑战与解决方案，助您快速掌握重点。第八届人力资源共享服务中心调研报告 Fr研a究框e 05 智能驱赋动能体人 r 验力共升享级 k SSC职责影响变在化三的支基柱础架上构，转型后工作重点是否推动SSC转型及A对三支柱(COE、 BP、SSC)职责的影响有提三下支，A 柱 I对的三前现状与成熟度的重构 SSC人员能力 AI技术对HRSSC的影响 HRSSC建设支柱职责影响求重构职人责员变能化力后要， AI技术赋能HRSSC提升员工体验与准备 AI落地的基础智慧决策的探索概念梳理基于以上基础评估和变革分析，讨论AI在HRSSC各类场景中的落地路径、赋能价值与实践挑战 AI如何推动HRSSC从“智能运营”走向“智慧决策” 态度组织与员工对AI 的企业对AI技术的拥抱度分析初步梳理支撑条件的初步探讨实践案例的初步解读智慧决策的储备 HR团队的AI能力重视程度企业对AI在HR领域的自助服务 AI赋能的员工分类与应用 AI赋能的场景支撑条件探索尝试 H 的 R A 领 I能域力中企 H 业 R 层领面域到 AI实践的挑战提升体验的核心工具基石评估变革分析落地应用前瞻彩蛋智能驱赋动能体人验力共升享级 06 第八届人力资源共享服务中心调研报告企业对AI的拥抱度企业对AI技术普遍展现出高度的热情。然而，这份积极态度尚未同步转化为在HR领域的深度认知，也未能有效沉淀为HR团队扎实的实战能力。三者之间存在明显的传导断层。 1 ? 传统的支持职能，转型为牵引组织如何完成自我赋能与角色升级，从 ? 实转化为可衡量、可推广的实战能如何将认知层面的热情与重视，切企业对AI 技术的拥抱态度 ① 企业对AI技术的态度正从“谨慎观望”转向“积极拥抱”，员工认可度（%）也同步提升。尽管存在因年龄与不同岗位等因素带来的接受度差异，企业正通过降低使用门槛、定制化培训等策略，系统性地推动AI从战略共识走向全员实践。 ① 企业对AI在人力资源领域的重视程度正稳步提升。“非常重视”和“比较重视”比例达到% 。 HR 团队 AI 技术的能力储备 ① HR团队的AI能力建设正从普及认知（%）向常规应用（%）发展，但深度整合（%）能力仍需突破。当前企业的赋能方式以培训学习（内部培训%）为主，若要实现能力从“知道”到“用到”的跨越，需将AI技能的具备与激励（%）、晋升（%）等制度更紧密地结合。力与应用成效？智能化转型的核心驱动者？本章精粹与总结数据发现当前，企业在拥抱AI技术时，普遍面临认知、能力与成效之间的断层：多数组织对AI的认知仍停留在表层，HR团队的实战应用尚处初级阶段，员工接受度也参差不齐。这些问题相互交织，导致对AI的热情难以转化为扎实的成效。我们可以从以下两个关键角度切入，来应对企业AI应用“热情高、落地难”的普遍困境：下文将围绕这两个角度展开分析。对于认知尚处模糊或不知如何提升全员应用水平的企业——无论是基础薄弱型、文化强势型还是数字化成熟型企业——我们结合具体实践，拆解其行动路径，提炼出可供借鉴的核心思路。 H R 部门自身层面企业整体层面智能驱赋动能体人验力共升享级 08 第八届人力资源共享服务中心调研报告解决方案总结基础薄弱型企业不同基础企业的 AI全员推动实施步骤核心思路：先解决“敢用、会用基础工具”，再逐步深化学习建社轻群量化 ① 成立跨部门AI兴趣小组，指定1-2名AI基础较好的员工担任“社群主理人”，负责日常工具分享、问题解答； ① 明确社群规则：每周分享1 个简易AI工具（如AI考勤核算、简历初筛工具），每月开展1次线下实操交流。文化强势型企业参与任低务门槛 ① 发布“AI小挑战（如用AI 工具生成1份活动方案、优化 1 个工作流程），完成任务即可获得小额激励（如积分、礼品）； ① 鼓励员工分享实操成果，形成“正向反馈循环”，降低对 AI 的陌生感和恐惧感。覆盖扩范大围 ① 邀请社群核心成员向部门内其他员工分享经验，将社群模式复制到各部门； ① 结合业务场景，筛选3-5 个高频事务性工作（如报表统计、合同审核），推广对应的AI工具，让员工感受到“AI能减负”。核心思路：以文化为载体，让 AI 成为全员共识和行动自觉文化 AI纳宣导入战略与 ① 高层在年度战略会议中明确 “AI 转型”目标，将其与企业发展愿景绑定； ① 制作AI文化物料（如海报、短视频、内部手册），强调“AI 不是替代人，而是赋能人”，消除员工替代焦虑。以动身管作理则层 ① 要求部门负责人带头使用 AI工具，并在部门会议中分享应用案例（如用AI数据分析优化招聘策略）； ① 将“AI应用推广”纳入管理层 KPI，倒逼核心团队主动推动。参立机全员 ① 开展“AI创新提案”活动，鼓励员工提出AI在本职工作中的应用场景，优秀提案给予资金或资源支持落地； ① 定期举办“AI成果展”，展示各部门AI应用成效，强化全员对 AI价值的认知。第八届人力资源共享服务中心调研报告 09 智能驱赋动能体人验力共升享级数字化成熟型企业核心思路：以认证为抓手，培养专业 AI 应用人才，实现深度赋能认证计体分系层 ① 基础级：掌握通用AI工具（如文案生成、数据可视化工具），适用于全体员工； ① 进阶级：掌握岗位专属AI工具（如HR的AI人才测评工具、运营的AI用户画像工具），适用于核心岗位员工； ① 专家级：具备AI工具二次开发、复杂场景应用能力，适用于技术岗或种子选手。激套励机制训与 ① 针对不同认证等级，开发标准化培训课程（线上理论+线下实操），邀请内部技术专家或外部讲师授课； ① 认证通过者可享受晋升优先、薪资上浮、专项奖金等激励，提升员工参与积极性。扩散点带成面果 ① 选拔认证通过的“AI 专家”组建内部赋能团队，向其他员工提供一对一指导； ① 将认证要求与岗位任职资格绑定，逐步推动核心岗位全员达到进阶级以上认证水平。然而，无论企业处于哪一发展阶段、采取何种推进策略，在AI全员落地的过程中，普遍面临一个共性问题——老员工和非技术岗位员工对AI接受度偏低。这一问题若得不到有效解决，将直接影响AI技术的全面渗透与深度整合。为此，我们进一步提出以“工具为基础、能力为支撑、文化为牵引”的系统性应对策略，助力企业弥合内部接受度鸿沟，实现从“部分人会用”到“全员善用”的进阶。 ● 工具层面，注重低门槛与场景化设计以易用性为核心优化AI工具，嵌入高频业务场景（如智能查询、流程助手），降低操作复杂度，使员工无需额外学习即可自然使用，从技术设计上消除使用障碍。 ● 能力层面，实施差异化与实战化赋能针对不同群体设置分层培训体系：为老员工提供步骤清晰、弱化理论的实操指导；为非技术岗位开发结合其工作内容的场景化案例培训，帮助其在“做中学”中建立认知、掌握技能。 ● 文化层面，构建激励性与包容性氛围通过轻量化即时奖励、内部认证与“AI先锋”榜样带动，塑造“敢于尝试、乐于分享”的组织氛围，同时强调“AI是增强人而非取代人”的价值导向，从根本上缓解员工的抵触与焦虑。区别于全员通用机制，专属于HR团队的三大赋能方向体系化的实战赋能嵌入工作的激励设计复合型人才梯队建设摒弃零散培训，通过为期数月将AI应用成果与企业文化有意识地选拔和培养“懂HR+懂技术” 的实战工作坊，为HR团队建积分等现有激励体系挂钩，的复合型人才（如DHR），并通过设立立从概念扫盲、工具实操到场让技能提升即时可见、可兑数字团队、内部轮岗等机制，为HR部景落地的完整学习路径。现，形成正向反馈循环。门的持续数字化变革储备核心力量。企业对AI技术的态度正从“谨慎观望”转向“积极拥抱”，员工认可度也同步提升。尽管存在因年龄与不同岗位等因素带来的接受度差异，企业正通过降低使用门槛、定制化培训等策略，系统性地推动AI从战略共识走向全员实践。未有明确的规划场景划可应用于企业中的场景或禁止使用 AI 工具，员一定负面影响展情况再做判断作带来了便利和效率其带来的风险和挑战表 1 近两年公司对 AI 工具的使用态度数据洞察明确表明使用 AI 工具将会是未来的趋势，并且对其规划应用的方向更为清晰。 % 60 50 40 30 20 10 差 25 值 .35% 差 - 3. 值 79% 差 -12 值 .81% 差 -1. 值 46% -7. 值 30% 0 AI 放工态具，度并 : 支积持极员开工发使和规鼓作励中态使度用 : A 鼓 I工励具员，工但在并保守态度 : 没有明确鼓工可以有个人使用的行为使用慎态 AI 度工具 : 明确禁止员工不清楚 ● 2025 年数据（N=224） ● 2024 年数据（N=274） % % % % % % % % 22 值 .27% 31 值 .42% -53 值 .68% 值 0% 认有意为义 AI ，技可术以的为发生展活非和工常认潜力为和 AI 优技势术，具但有同一时定担心局限为性 AI ，技要术根存据在未一来定的发的可能为取 AI 代技部术分的工到作来，未带来 ● 2025 年数据（N=224） ● 2024 年数据（N=274）一企业对AI技术的拥抱态度表 2 近两年个人对 AI 技术的态度对比 % % % % % % % % % 数据洞察由于2 0 2 5 年初Deepseek等技术发展，大家对于AI 技术的发展和它具备的意义认可度大幅提升，但同时也对其存在的风险有一定的担忧。 % % % % 合计为 % 2025 年数据（N=224） ● 非常重视 ● 比较重视数据洞察企业对AI在人力资源领域应用的重视程度平稳上升。表 4 贵公司不同员工群体对 AI 技术的接受度更倾向于以下哪种情况（N=224） ● 一般重视 ● 非常不重视 ● 年轻员工与老员工接受度差异显著，年轻员工接受度高，老员工接受度低 ● 不同岗位员工接受度差异显著，技术岗位员工接受度高，非技术岗位员工接受度低 ● 不同员工群体接受度无明显差异，整体接受度低 ● 不同员工群体接受度无明显差异，整体接受度高 ● 其他老员工因技能惯性、非技术岗位员工因认知壁垒导致的接受度偏低问题，成为不少企业推广 AI 技术时面临的普遍挑战。中国燃气首先从源头优化操作设计，将 AI 工具精准对接高频场景，大幅降低使用门槛；继而开展高度定制化的培训，并将老员工的实践经验反哺 AI 知识库，实现“从用到融”的技能过渡；最后辅以轻量及时的激励与“AI 先锋”的榜样带动，营造出乐于尝试的积极氛围。这套组合拳的具体打法，为化解员工接受度差异提供了行之有效的范本。表 3 企业对 AI 技术在 HR 领域应用的重视程度数据洞察近六成参调企业员工对AI技术的接受度存在差异，反映出企业内员工群体对 AI 技术的接受度状态呈现出多元化的特点。 % % % 合计为 % % % % % % % 合计为 % 2023 年数据（N=263）应对措施，使用“低门槛适应+针对性引导”的实用方法： ● 优化操作设计，降低使用门槛：在AI工具开发与应用环节，聚焦“易用性”核心需求，避免复杂技术流程。例如，员工服务助手直接对接社保咨询、年假申请等高频日常需求，员工无需学习复杂操作即可直接使用。 ● 开展定制化培训，弥补技能差距：针对老员工群体，专项开设AI培训课程，课程内容摒弃专业技术术语，以“实际操作方法” 为核心，帮助老员工逐步熟悉工具使用，消解“学习难度高”的顾虑；此外，组织一线员工参与AI知识库优化工作，引导员工将自身工作经验转化为系统可识别的结构化语料，通过“实践中学习”的模式，实现对AI工具的自然适配。 ● 实施轻量化激励，激发参与意愿：建立即时性激励机制，如设置“奶茶奖励”等简洁高效的奖励形式，员工在使用AI工具解决工作问题、提出优化建议时，可快速获得奖励，无需经过复杂考核流程；同时推行“AI先锋”带动模式，鼓励年轻员工分享AI使用经验与技巧，为老员工及非技术岗位员工提供学习参照，营造“敢于尝试、包容失误”的应用氛围。刘皞 | 中国燃气 HRSSC 总监企业实践为将宏观的战略决心转化为切实的组织能力，企业需从多个维度协同发力。如下表所示，我们通过对五家代表性企业的实践梳理，总结出其在关键维度上的核心举措，为如何系统推进 AI 全员应用提供了清晰的实施路径。企业案例导览关键词：战略定位文化推广组织实践企业主要内容绿城（P65）1 金服（P71）数码（P75）新奥（P81）燃气（P86） ● 文化推广：通过“培训-大赛-社群”体系，将AI塑造为“手边工具”的共识。 ● 组织实践：通过认证工作坊和共创营培育内部人才，并建立荣誉体系激励实践，形成“学习-应用-认可”闭环。 ● 战略定位：将AI定位为“业务提效与体验升级的核心引擎”，兼顾集团协同与业务场景适配。 ● 组织实践：依靠强大的战略传导与执行文化，实现AI技术在公司各层面的快速穿透与落地。 ● 战略定位：确立“AI驱动的数云融合”为核心战略，以自研“神州问学”平台为技术抓手。 ● 文化推广：董事长顶层设计并推广“AI for Process”理念，塑造全员学习与应用的文化。 ● 组织实践：过全员能力认证，将AI技能列为员工必备素质。 ● 战略定位：将AI提升至驱动根本性转型的“生产力”高度，远超工具层面。 ● 文化推广：形成从高层到一线“入心入脑入行”的文化认同，营造“被AI淘汰不如善用 AI”的学习氛围。 ● 组织实践：发动“人民的战争”，要求全员及生态伙伴必须具备使用AI的能力，并将其融入日常工作。 ● 战略定位：顶层设计驱动，设立专项费用，将AI应用明确为资源倾斜的重点方向。 1 企业名称后括号内的页码（如 P65）为本报告内该企业详细案例所在页，供您深入查阅。 HR团队的AI能力建设正从普及认知向常规应用发展，但深度整合能力仍需突破。当前企业的赋能方式以培训学习为主，若要实现能力从“知道”到“用到”的跨越，需将AI技能的具备与激励、晋升等制度更紧密地结合。 % % % % % % % % 未开始探索。域的应用有基础认知，但仅限核挂钩展挂钩补贴） HR 参加行采购外部机分享会学习表 5 贵公司 HR 团队现有 AI 技能水平如何？（N=224）数据洞察半数以上（%）的团队仍处于“初步认知”阶段，但已有相当比例的企业（%）正逐步应用AI技术，反映出AI在人力资源领域的应用正从概念走向实践，但整体技能提升和深度应用仍存在较大发展空间。表 6 贵公司是否有相应的机制帮助 HR 团队具备 AI 相关技能？（N=224）基本尚了未解入，门未 : 团具队备对相 A 关 I技技术能缺，也乏 ● 初步认知: 团队对AI在HR 领概念层面，尚无实际应用能力。由第常三规方应开用发 : 的团、队成能熟熟的练 AI 使工能客如服简等历）筛来选支、持聊日天常机工器作人。、智与解深读度能整力合， : 能团队协具同备 IT部数门据或分析用于商特，参定与业优务化场、景配的置 AI 或模训型练。适 80 60 40 20 0 与绩 AI 效技能与晋 AI 升技能能有专项 AI 激奖（金如、认证内公部司培内训部（组如织专的项 A 课 I 技程能、 H 门 R 联与合技授术课部）外部培训（如 AI 课程、选派 AI 培训项目）或非正料源实 /流质程资 / 员金工，自依不清楚 / 二 HR 团队 AI 技术的能力储备 % % % 合计为 % % 徐晓伟 | 神州数码集团 DHR（人力资源数字化）总监企业实践结合前文数据，当前HR团队对AI技术的认知多停留在“一般了解”与“比较了解”层面——虽知晓AI基础概念与价值，却受限于认知碎片化、缺乏体系化实践路径、难以将认知转化为工作能力的瓶颈。此前已介绍企业提升全员AI拥抱的通用机制，接下来企业实践针对HR团队的能力要求，设计了更具针对性的专项机制，具体如下：对于HR体系AI技能的掌握要求和机制赋能： ● 能力掌握： ① 需明晰AI相关概念及核心区别，夯实认知基础； ① 掌握当下市场主流AI工具，结合HR日常工作（简历初筛、培训方案设计等）进行应用场景的挖掘； ① 要求学会运用结构化提示词框架（角色代入+背景说明+需求指令）使用AI工具； ① 部分人员需通过生成式AI生成简单程序，以支撑HR数字化工作。 ● 机制赋能： ① 部门赋能：针对HR对AI认知混淆问题，开展覆盖全集团人力资源体系为期2-3个月的AI 实战工作坊，分阶段推进以便其掌握--先扫盲厘清AI/生成式AI/Agent等概念，再实操，最后筛选落地场景； ① 激励支持：AI应用成果与企业文化积分挂钩（如用AI优化薪酬方案可获积分）；鼓励HR 依托公司“神州问学”产品搭建/运用Agent，并积极营造开放氛围支持技能提升； ① 人才储备：聚焦“懂HR+懂技术”复合型人才（如DHR），通过设立数字化团队，内部轮岗机制以进行人才培养和储备。数据洞察从数据可见，企业对HR团队AI能力的赋能以“培训类机制”为主（内部培训、在线学习、外部培训），但这类机制多聚焦知识传递以填补认知盲区，却难以解决技能转化与行为改变的深层需求。而且绩效考核（%）、晋升发展（%）、专项激励（%）等强驱动机制的覆盖率较低，这或许解释了为什么多数企业的HR团队AI能力建设仅停留在初步认知与常规应用阶段，难以实现AI与HR工作的深度整合。智能驱赋动能体人验力共升享级 16 第八届人力资源共享服务中心调研报告 2 HRSSC的重塑 AI对三支柱模型下企业HRSSC的搭建率与成熟度在显著提升，AI技术正驱动其从成本导向的事务中心，升级为数据驱动的价值创造型战略伙伴；同时，AI重塑了三支柱的职责边界与协作模式，并倒逼SSC人员向“技术应用与业务理解兼具”的复合型能力转型。第八届人力资源共享服务中心调研报告 17 智能驱赋动能体人验力共升享级 ? 本章精粹与总结数据发现 HRSSC 的建设现状 ① 企业HRSSC搭建率（%）与成熟度（处于阶段占比%）在近期显著提升，可能源于外部压力与内部需求的双重驱动。 AI 对三支柱架构和职责的影响 ① AI正重塑三支柱分工：AI技术并未颠覆COE、HRBP、SSC这三支柱的核心定位，而是通过重塑职责边界与协作模式，推动整个HR体系从“职能分工”转向“智能协同”。 ① AI对HR三支柱的影响集中于基础HR岗位（%），对COE（%）和HRBP（%）的战略角色冲击较小。AI广泛替代标准化事务工作(%)以释放人力；HRSSC岗位结构向精炼化与集成化重塑。 ① SSC职责战略性升级：SSC的工作重点从单纯的事务处理，转向“AI赋能事务性工作与智能服务（%）、“支撑业务端智慧决策（%）以及承接COE与HRBP部分工作（%），角色从后台支持升级为数据驱动的协同枢纽。 SSC 人员能力的重构 ① SSC人员需掌握新能力以应对AI转型：企业要求聚焦于“学习AI技术能力和知识（%）、 “ 提升创新思维（65%）和“更理解业务流程和需求（55%）。培养方式以“鼓励自我学习” （%）和“AI专项做中学（%）为主。数据表明，AI正在驱动一场从组织架构到人员能力的系统性重塑：它不仅将HRSSC的职责战略性升级为 “数据驱动的协同枢纽”，更对人员的技能提出了全新要求——聚焦AI技术、创新思维与业务理解。面对这一深刻变革，我们亟待回答两个核心问题： SSC如何具体实现从“事务处理者” 到 “ 数据驱动协同枢纽”的战略性升级？ AI时代下，HRSSC人员能力重构需要哪些具体维度、分级标准与可操作的培养路径？以下内容将围绕这两个问题，展开实施路径的系统阐述。 ? 智能驱赋动能体人验力共升享级 18 第八届人力资源共享服务中心调研报告解决方案总结 SSC如何实现角色的战略性升级？——从事务中心到智能枢纽 AI技术驱动SSC的价值创造活动实现了根本性跃迁，其角色通过以下三个维度实现了战略性拓展：升级事为务 “数据中枢” ① 核心驱动力：AI自动化了 SSC绝大部分标准化、重复性事务工作（如查询、核算、审批），这不仅是为了“省人”，更是为了将工作中产生的海量数据“解放” 出来。 ① 角色蜕变：SSC不再仅仅是数据的“ 入口”和“ 仓库” ，而是转变为数据的“ 加工厂”和“洞察中心”。它开始主动分析数据，提供趋势预测（如离职风险、人才需求预警），从被动响应查询，升级为主动为 COE 和 HRBP 输出数据洞察，直接支撑战略规划与业务决策。升级流为程 “运营中心” ① 核心驱动力：当 AI 工具成为业务流程的核心执行者时，对 AI系统的维护、监控和优化本身就成了一项至关重要的新职能。 ① 角色蜕变：SSC的工作重心从“自己执行流程”转向“ 确保AI高效、准确地执行流程”。这包括监控AI 运行状态、优化人机协同规则、处理AI 无法应对的复杂异常个案，并开始承接部分初级专家工作（如政策解答、方案初稿设计），确保了整个 HR服务链条的顺畅与智能。升级后为台 “协同枢纽” ▶ 核心驱动力： SSC 所提供的数据洞察和智能服务，成为了连接 COE（战略层）与HRBP （执行层）的共同语言和协作基础。 ① 角色蜕变：通过提供共用的数据视图和智能工具， SSC打通了三支柱间的协作壁垒。它使得COE的政策制定可以基于SSC 提供的精准数据，HRBP 的业务诊断可以获得 SSC的量化分析支持。 SSC因此从后台的支持单位，前进为推动三支柱从 “分段协作”走向“深度协同” 的关键枢纽。总结而言，AI对三支柱的影响是“重塑”而非“颠覆”，其本质是通过技术将SSC从成本中心重塑为价值中心。 SSC凭借其在数据和流程运营上的核心优势，利用AI实现了角色的三维度拓展，最终升级为驱动整个HR 体系向“智能协同”迈进的战略性的智能枢纽。第八届人力资源共享服务中心调研报告 19 智能驱赋动能体人验力共升享级 AI时代HRSSC人员能力重构：维度、分级与培养路径总结 AI时代HRSSC人员所需的新能力并非单一维度的叠加，而是一个分层递进、并与“人机协同”这一新工作模式紧密耦合的系统。企业可以据此对团队进行诊断，并实施针对性的赋能。核心能力维度与分级：一个从“操作”到“主导”的进阶模型企业普遍要求SSC人员成为复合型人才，但其“复合”程度可根据职责深浅分为三个层级。能力层级基础应用层（操作执行）核心角色定位 AI工具的使用者与人机协同执行者必备能力维度基础AI技术应用：熟练使用智能客服、RPA等工具完成日常任务（如查询、审核）。数据敏感度：能识别AI输出异常或数据问题并及时上报。业务流程理解：熟悉自己负责的SSC业务流程与规则。场景挖掘层（优化整合）业务与技术的“翻译官”与优化者深度业务理解：能梳理业务价值流，精准识别哪些流程、哪些HRBP的初级工作可被AI优化或承接。数据洞察与分析：能进行初步的数据分析，从数据中发现问题、挖掘价值。流程优化能力：能参与AI应用的测试与优化，调整规则以提升准确率。深度开发层（战略创新）人机协同体系的设计师与建设者系统/产品构建能力：具备产品思维，能主导或深度参与AI 工具的设计、开发与运营。智能体搭建与训练：能搭建简单智能体，或协助技术团队训练模型。战略与规划能力：具备顶层设计思维，能系统性规划SSC的 AI转型路径。智能驱赋动能体人验力共升享级 20 第八届人力资源共享服务中心调研报告如何培养：赋能路径培养这些新能力，不能仅靠传统培训，必须采用“机制+实战”的组合拳。 ● 针对“基础应用层”：低门槛实战渗透与即时激励 ① 方法：提供内部培训与在线学习资料，但关键是降低使用门槛。通过推广易用的AI工具和模板，让员工“无痛”上手。 ① 激励：设立轻量级即时激励（如“小型奖励”或者可兑换的文化积分），对积极使用并提出优化建议的员工给予快速反馈，营造“敢于尝试”的氛围。 ● 针对“场景挖掘层”：项目式“干中学”与跨职能轮岗方法：这是培养“业务翻译官”的核心。 ① “干中学”项目：让员工直接参与AI项目，在真实挑战中提升业务洞察与技术应用能力。 ① 跨部门轮岗与协作：建立与IT部门或供应商的联动学习机制。推行内部轮岗，让SSC人员接触业务、COE等部门，深度理解HR全流程。 ● 针对“深度开发层”：专属通道与战略资源倾斜方法：为顶尖人才开辟专属成长路径。 ① 设立专属岗位与职业通道：如设立“AI运营岗”、“智能体搭建岗”；或者为转型员工开放“数据分析岗”、“ 系统优化岗”的晋升通道。 ① 产品经理负责制：推行“产品经理制”，让骨干人员负责一个产品从需求到上线的全流程，系统性地培养其业务、技术与产品能力。 ① 高层授权与资源支持：给予他们参与战略规划的机会，并将其工作成果与晋升、薪酬等核心激励强挂钩。企业HRSSC搭建率（%）与成熟度（处于阶段占比%）在近期显著提升，可能源于外部压力与内部需求的双重驱动。 00 80 % 60 40 % % % % % % % 20 服务中心服务中心企业HRSSC搭建情况2 SSC成熟度3阶段分布已经搭建人力资源共享服务中心的参调企业比重参调企业人力资源共享服务中心成熟度 1 共享阶段服务共中心 % 37 3 .84 8 % 1% 5 9 % % 0 2012 2014 2016 2018 2020 2022 2024 2026 阶段共阶段 8. 9 1 . 1 7 % 1% % ● 2025 年数据（N=224） ● 2024 年数据（N=103） ● 2022 年数据（N=148） 2 因报告内容深度聚焦共享服务中心（SSC）领域，天然对已建立或计划建立 SSC 的企业及负责人吸引力更高，故本数据更倾向于反映这一先进群体的状况。数据仅代表智享会调研群体情况，读者可根据自身所了解的市场情况综合参考。 3 智享会对人力资源共享服务中心三大成熟度阶段的划分：起步阶段：刚搭建并运营 HRSSC 成熟阶段：各项职能基本完善，内部流程、标准均已经建立卓越阶段：成熟阶段的基础之上，在某项工作上特别突出或有特色 , 如能较好地应用大数据甚至建模等一 HRSSC的建设现状 0 数据洞察为何2022-2024年来SSC的搭建率和成熟度的提升并不明显，而今年两者都显著增加？带着这一问题，我们与若干人力资源从业者进行了讨论，尝试对原因作出探究。总体而言，我们获得的反馈主要为以下几个方面： ● 外部环境压力（“不得不建”） ▶ 经济下行与竞争加剧：企业面临更大的成本压力和生存挑战。SSC通过标准化、流程化和规模化，能够显著降低人力资源的运营成本，这成为企业在“寒冬”中求生存的必要手段。 ▶ 技术成熟与普及：云计算、AI、RPA等技术日益成熟且成本降低，使得建设中大型SSC的门槛下降，AI工具可租用、易部署，企业无需自建复杂系统，就能快速升级SSC功能，更多中小企业有能力部署。 ▶ 后疫情时代的远程办公常态化：远程办公模式验证了集中化、数字化管理的可行性，消除了地理位置上的障碍，加速了SSC的推广。 10 20 30 40 50 60 二 AI对三支柱架构和职责的影响 AI对HR三支柱的影响集中于基础HR岗位（%），对COE（%）和HRBP（%）的战略角色冲击较小。在此背景下，HRSSC正经历三大转型：AI广泛替代标准化事务工作(%)以释放人力；岗位结构向精炼化与集成化重塑；其价值定位突破传统操作，向战略支撑与跨支柱协同的高阶角色延伸。 100 80 60 40 20 0 岗位（代如部 H 分 R 基助础理 H ） R CO 替 E 代岗部位分 HR 替 B 代 P岗部位分合计为 % HR 替 S 代 SC 部的分岗位其他没有影响数据显示，绝大多数参调人员（%）认为AI将替代基础HR岗位，超六成（%）认为将影响 HRSSC岗位，这清晰地表明了AI对人力资源部门标准化、事务性职能的冲击已成为行业共识。那么，这种“替代” 是简单的岗位消亡，还是意味着更深层的组织变革？ ● 内部发展需求（“建了更好”） ▶ 数字化转型战略驱动：SSC是企业数字化转型在HR领域的关键落脚点。企业为了全面提升运营效率和数据决策能力，必须构建像SSC这样的数字化枢纽。 ▶ 管理升级与风险控制：分散的HR管理容易导致标准不一、合规风险高。SSC能实现流程统一、数据集中，加强合规性与风险控制。 ▶ 人才战略转型：当HR通过SSC从繁琐的事务性工作中解放出来，他们能更专注于战略性的工作，从而提升企业的人才竞争力。表 7 您认为 AI 技术对人力资源部门人力规划或者架构方面有什么影响？（N=172） % % % % % % ① 王崇良老师的洞察指出了一个核心结论：AI带来的并非颠覆，而是重塑。其关键就在于——定位稳固，模式升级。 AI技术并未颠覆COE、HRBP、SSC这三支柱的核心定位，而是通过重塑职责边界与协作模式，推动整个HR体系从“职能分工”转向“智能协同”。在这一过程中，HRSSC受到的冲击最为直接，其角色正从传统事务中心升级为价值创造的数据驱动型战略伙伴。 ① 根基未动：COE依然聚焦于战略与政策制定，HRBP的核心仍是深入业务、提供贴身支持，SSC的基础也还是高效处理标准化事务。 ① 模式革新：AI的介入，使得三支柱之间的协作从传统的“流程接力”转变为以数据驱动的“智能协同”。SSC作为数据的天然汇聚点，利用AI进行分析与洞察，为COE的战略决策和 HRBP的业务支持提供了前所未有的精准数据支撑，从而激活了整个HR体系的协同效率。 ● AI 对基础 HR 岗位及 HRSSC 岗位影响 ① “替代”与“新增”并存，岗位结构重构是核心趋势：AI确实会替代基础HR岗位与 HRSSC中“标准化、事务性”工作，部分岗位可能因“工作被自动化”消失或合并；但同时会催生新岗位，例如“数字员工管理师”、HR数字化分析师”，这些新岗位需 “懂HR业务+懂数字化”，要求更高但需求明确。岗位职能向“精炼化、集成化”转变：AI的应用会让岗位会从“单一事务处理”转向“一专多能”，HRSSC的团队规模会更精简，变得线上化，聚焦“AI无法替代的人文关怀、战略决策”工作，而非基础事务。可见，AI对人力资源岗位的高替代率（基础HR岗%，HRSSC岗%）并非简单的岗位消亡，而是一场深刻的岗位结构重构。其根本原因在于，AI能够高效、精准地接管那些标准化、重复性的事务工作，这正是传统基础HR和HRSSC岗位的核心内容。这种冲击直接推动了岗位职能向更高价值层面跃迁，实现“精炼化、集成化”的转变： ① 从“单一事务处理”到“一专多能”：员工不再局限于重复性操作，而是需要整合技能，处理更复杂、需要综合判断的任务。 ① 从“处理基础事务”到“聚焦人文关怀与战略决策”：团队规模变得更精简、线上化，工作重心转向AI无法替代的领域，如员工关怀、异常处理、流程优化以及基于数据洞察参与战略支持。王崇良 | 三一集团副总经理、人力资源 CIO 专家洞察分工作现有业务系统适配问题 100 80 60 40 20 0 % A 与 I 智赋能服事务性工作 A 端 I 智支慧撑决业策务接C 责 O 范 E与围 H 扩 R 大 BP ，承部的融焦合 A I ，与解 H 决 R 业 AI 务工系具与其他案例与洞察导览关键词：三支柱定位 / 职责变化对 SSC 的影响企业主要内容绿城（P66） ● 三支柱定位/职责变化：定位核心未变（COE管政策、HRBP懂业务、SSC做服务），但职责协作方式颠覆——从“分段协作”转为“智能协同”：HRBP用AI量化组织氛围（替代经验判断），COE依托SSC数据制定更精准政策，三支柱权责边界因 “数据共用”重构。 ● 对SSC的影响：①范围：从“后台事务中心”延伸至“前台协同支撑”，参与COE政策制定、 HRBP业务诊断的数据埋点、清洗工作；①价值：成为“数据治理核心”，推动三支柱从“ 效率提升”向“深度协作”转型。表 8 基于上述变化，贵公司 HRSSC 的工作内容会有哪些侧重？（N=164）数据洞察 AI影响下HRSSC工作内容的核心转型方向： ● AI对标准化、事务性岗位冲击成行业共识 %的企业选择“AI赋能事务性工作”，进一步印证“用AI替代事务、释放人力”是SSC转型的核心方向。 ● SSC岗位与职能双重重塑岗位结构向“精炼化、集成化”转型；岗位重构中对“技术适配能力”的需求。 ● SSC向高阶价值延伸的趋势显现部分企业的SSC已突破传统事务处理定位，向战略支撑、跨支柱协同的高阶角色进阶。 % % %% ● 三支柱定位/职责变化：定位核心未颠覆（SSC服务、COE专家、HRBP业务的本质不变），但职责强化升级——COE新增“风险预测”、HRBP新增“AI需求协调/问题反馈”、SSC 新增“智能运营”，三支柱价值边界更清晰。 ● 对SSC的影响：①职能：从“单一事务处理”转为“事务+智能运营双职能”，聚焦复杂个案、AI规则优化（如提升审核准确率）；①岗位：缩减“材料审核”等事务岗，新增 “AI运营岗（监控AI效率）、AI训练岗（调试AI）。 ● 三支柱定位/职责变化：定位未颠覆（COE聚焦战略、HRBP深入业务、SSC承接基础服务的核心不变），仅职责协同强化——明确SSC为“数据枢纽”，向COE、 HRBP输出数据支撑，让战略落地与业务执行更精准。 ● 对SSC的影响：事务端：A（I 如“超级员工”）替代常规查询、审批等事务，人工事务量大幅减少；价值端：新增动态数据分析、趋势预测职能，从“事务处理岗”升级为“战略支撑的数据运营中心”。 ● 三支柱定位/职责变化：定位未改变（COE定政策、HRBP服务业务的核心不变），仅职责边界微调——SSC承接部分初级HRBP职责（如离职方案设计、政策指引），释放HRBP精力聚焦核心业务。 ● 对SSC的影响：①效率：90%标准化事务（薪酬、社保、离职办理等）被AI替代，仅留10% 复杂问题人工处理；①转型：向“数据洞察中心（支撑决策）、“系统优化者（适配AI工具）升级。 ● 三支柱定位/职责变化：定位与核心职责均未颠覆，仅通过“智能化改造”提升效能— —COE、HRBP职责无新增，仅依托SSC的智能输出更高效开展工作。 ● 对SSC的影响：组织适配：拆分三类团队支撑AI落地——管理团队“转业务需求为 AI方案”、一线人员“盯AI异常并接管”、内部IT团队“维护NLP/RPA系统”。 ● 三支柱定位/职责变化：AI与大模型技术深刻重塑了三支柱的职责内核。COE需从政策制定转向“数据驱动战略设计”；HRBP需从业务支持转向“深度业务洞察与体验设计”；SSC的核心职责则从事务处理转变为“自动化执行+数据运营”。 ● 对SSC的影响：SSC正经历根本性转型。在职能上，从“大规模线下事务团队”向“精干线上运营团队”演变，大量事务被AI自动化替代；在价值上，从单纯的处理者升级为 “自动化执行者”和“数据中心”，需承担流程优化、数据洞察与预测分析等核心职责。金服（P72）数码（P76）新奥（P81）燃气（P86）洞察（P57）为适应AI转型，企业对SSC人员的能力要求已从单一专业技能转向“技术应用与业务理解相结合” 的复合型模式，并相应建立起以实战为核心、多元化的人才培养体系。表 9 基于上述变化，贵公司对 HRSSC 人员的能力提出了怎样的新要求？（N=172）数据洞察 AI 技术能力成为核心刚需，而且企业对其创新思维、数据安全合规、业务理解等软性能力要求升级。意味着企业要从单纯的HR流程培训，转向“AI技术 + 软技能 + 数据合规 + 业务知识”的复合型能力培养。表 10 针对以上新的能力要求，您认为是可被培养的吗，怎么解决？（N=172）还没有意识到需要新要求意识到新要求了，但具体能力还不明确学习 AI 技术能力和知识提升自身的创新思维提升数据安全管理能力与合规把控能力提升批判性思维与判断力更理解业务流程和需求岗位可，被通培过养外，部需招要聘建去立解新决的的培被养培和养转，通型过就现能予以的满人足员和前外还部不招确聘，定相，可互能结需合要共内同部解培决养三 SSC人员能力的重构 69 计 .7 为 7% % % % % % % % % % % 数据洞察当前企业对SSC人员的AI能力培养呈现多元模式：以非正式的自我学习为主（%），但是也有超过六成企业通过“做中学（%）、轮岗（%）等实践方式强化技术应用；在培训方面，近六成企业提供内部课程（%），近半数则采取与IT部门或供应商合作学习（%）等向他人学习的方式，共同构建起协作化学习路径。提供内部培训课程 AI 专项（“做中学”）与 IT 部门或供应商进行联动，合作学习开展 AI 相关岗位轮岗，接触术多赋类能 A 场 I 技安排跨 AI 应用与场不景同的场实景践的学 A 习 I管，深度落地其他暂无具体的培养方式在AI技术重塑HRSSC职能的背景下，SSC人员能力向“技术应用+软技能+数据合规+业务理解”复合型转变已成为趋势，AI技术能力更是企业明确的核心刚需。通过企业实践SSC人员能力建设实践和专家洞察，我们能直观窥见不同企业在能力要求界定与赋能路径落地中的具体做法：企业案例导览关键词：能力要求赋能机制企业主要内容绿城（P66） ● 能力要求：数据应用、系统构建、产品化能力、业务理解。 ● 赋能机制：推行“产品经理制”，培养全流程能力；资源倾斜与职业激励，推动从“流程执行者”到“产品运营者”转型；自研AI产品（如合规助手）降低技能依赖。 ● 能力要求：分层AI能力（基础工具应用、流程优化、智能体搭建/训练）、数据合金服（P73）规、业务适配。赋能机制：构建“金字塔式”分层培养，匹配岗位技能地图；“理论+实践+竞赛”模式（技术团队授课、业务项目实战、内部竞赛）；推广低代码平台与智能体模板，降低技术门槛。表 11 若可以通过内部培养，除了鼓励员工自主学习外，贵公司还采取了哪些主要方式？（N=168） 94 计 .0 为 5% % % % % % % % 专家洞察蒋漪昀 | 罗氏 People Insights Portfolio Lead 智能驱赋动能体人验力共升享级第八届人力资源共享服务中心调研报告 ● 能力要求：数智化思维（业务与系统适配逻辑）、数据洞察（异常识别、价值挖掘）、AI工具实操（数据处理、规则匹配）。 ● 赋能机制：外部行业交流+资料学习；内部头脑风暴+数字化项目实践+专项课程培训；优先选拔技术敏感型员工，推行大学生轮岗培养。 ● 能力要求：诊断与规划（识别AI适配任务）、AI工具驾驭、数据分析、智能体管理、人机协同、数据安全合规。 ● 赋能机制：定期AI技术培训（NLP基础、工具操作）；参与供应商协同项目“干中学”；AI技能与晋升、薪酬挂钩，开放数据分析岗、系统优化岗晋升通道。前面企业的SSC人员能力重构实践，本质是为了让SSC团队更好适配AI技术、实现高效人机协同—— 毕竟AI在SSC场景的应用并非孤立替代事务，而是需要人与技术配合以发挥更大价值。而关于人机协同的发展核心逻辑、不同岗位的协同路径及HR的转型方向，罗氏People Insights Portfolio Lead蒋漪昀的专家洞察给出了清晰解读，具体如下：人机协同关系的发展我认为人机协同的发展是两者的有机结合 —— 用技术替代重复性冗余劳动，同时为人的核心价值发挥赋能提效，这才是其本质方向。要实现这种高效协同，需从岗位适配和 HR 自身成长两个维度来看。 ● 岗位适配：不同岗位的人机协同路径从岗位层面来看，不同类型工作的协同路径差异显著。那些流程固定、重复性高的基层岗位，比如基础操作、简单咨询等标准化任务，无需依赖人的主观判断和复杂能力，技术可以实现高效替代。未来这类岗位的数量可能会相应精简，本质上是用技术解放人力，让人们从机械繁琐的劳动中脱离出来。而像HRBP这类需深度对接业务、依赖人际沟通与需求洞察的岗位，以及资深管理岗，其核心价值在于对业务的深刻理解、行业经验的沉淀和复杂问题的决策能力，这些都是技术难以复制的。技术反而会成为这类岗位的“得力助手”，通过处理基础数据、梳理初步信息，让人能够聚焦核心决策与价值创造。 ● HR转型：成为人机协同的主导者对我们HR自身而言，面对技术的普及，与其担忧被替代，不如主动转型成为人机协同的主导者。随着技术接手更多基础工作，可以重点提升两项核心能力：一是深度结合业务的能力，跳出传统人力资源的流程框架，真正扎根业务场景，理解业务团队的人才需求与发展痛点；二是技术应用的高阶能力，不仅要会用技术工具，更要学会优化指令、解读技术输出的结果，从海量数据中提炼出有价值的业务洞察。这样一定程度上可以帮助我们避开被技术替代的风险，成为技术无法取代的“战略伙伴”，在人机协同中占据主导地位。 28 燃气（P86）新奥（P81）第八届人力资源共享服务中心调研报告 29 智能驱赋动能体人验力共升享级 3 升员工体验 AI赋能HRSSC提 AI技术已超越效率工具的角色，成为重塑员工体验的核心驱动力。企业正通过清晰的战略筹划与场景优先级选择，将AI深度嵌入从各个场景到智慧决策的HR服务全链条，致力于在实现“运营提效”的同时，完成“体验升级”的目标。智能驱赋动能体人验力共升享级 30 第八届人力资源共享服务中心调研报告本章精粹与总结数据发现 HRSSC 引入 AI 的规划与落地准备 ① 企业AI落地遵循清晰的业务逻辑，普遍优先选择高频、标准化、低风险的事务性流程作为突破口，以快速验证价值并为后续复杂场景的探索积累经验。 AI 赋能场景分类与应用 ① AI的首要任务是充当“效率先锋”，通过智能客服等工具高效解答员工大量标准化疑问，从而将HR团队从重复性咨询中解放出来，聚焦于更高价值的工作。 ① 员工在服务体验中的核心诉求是实现“信息平权”，即追求信息的极致透明与获取的极致便捷，这驱动企业将服务流程线上化、可视化作为建设重点。 ① AI的赋能角色正实现从“流程助手”到“决策参谋”的关键跨越，其价值从优化员工服务体验，向上延伸至为管理层的战略决策提供数据洞察与前瞻性建议。 AI 赋能员工自助服务 ① 宣传不足（%）与功能不了解（%）这两类问题，成为困扰企业使用员工自助服务的主要矛盾，可能源于系统设计复杂、缺乏培训和宣传及多平台操作繁琐等原因。 AI 应用面临的挑战与应对 ① 企业面临的首要技术挑战是“初期建设成本高（%）和“AI理解力不足 /幻觉” （%）。而在体验层面，“体验冰冷（%）成为最突出的痛点。第八届人力资源共享服务中心调研报告 31 智能驱赋动能体人验力共升享级八大场景数据汇总场景入转调离入职提升体验方式 TOP3 AI 赋能点 TOP2 ♦ 自动化流程管理可参考案例 ♦ 平安金服 % 招聘 ● 电子签签订劳动合同（%） ● 入职材料快速交付（%） ● 入职线上培训平台（%）转岗 ● 审批流程和交接清单线上化（%） ● 线上化转岗申请与流程跟踪，实时查看申请状态（%） ● 内部岗位市场平台，员工可一站式浏览所有内部机会（%）离职 ● 在线发起离职流程、在线审批（%） ● 电子签签订离职协议（%） ● 人事数据的自动匹配（%） ● 在线面试管理工具，支持候选人自主选（%） ♦ Chatbot问答机器人（%） ♦ 面试安排与通知 ♦ 神州数码 ♦ 新奥 ♦ 中国燃气 ♦ 专家洞察 ♦ 绿城 % 择面试时间及方式（%） ● 招聘系统提高甄选效率、录用决策速度和规范性（%）（%） ♦ AI聊天机器人（%） ♦ 神州数码 ♦ 中国燃气 ♦ 专家洞察人才发展 % 薪税社保 % ● 进度流程可视化（%） ● 个性化学习推荐（%） ● 内部岗位机会推送（%） ● 职业发展数据看板（个人能力达标情况、培训进度、晋升概率等数据）（%） ● 薪酬明细在线实时查（%） ● 电子工资单自动推送（%） ● 社保公积金明细可视化（%） ♦ 智能课程推送（%） ♦ 学习内容解读和精粹提炼（%） ♦ 智能客服问答（%） ♦ 智能化算薪（%） ♦ 中国燃气 ♦ 专家洞察 ♦ 神州数码 ♦ 中国燃气智能驱赋动能体人验力共升享级 32 第八届人力资源共享服务中心调研报告场景行政与工时管理 % 员工心声提升体验方式 TOP3 ● 电子签签署审批文件（%） ● 移动端/PC端办理各类员工证明（%） ● 临时性证明、审批文件的签订（%） ● 设置员工线上平台，定期收集员工诉求、 AI 赋能点 TOP2 ♦ 智能行政问答机器人（%） ♦ 智能排班优化（%） ♦ 智能问答客服可参考案例 ♦ 平安金服 ♦ 神州数码 ♦ 中国燃气 ♦ 专家洞察 ♦ 罗氏 % 分析并给予反馈（%） ● 设置线上员工心声论坛，鼓励员工自由发表言论，例如BBS平台（%）（%） ♦ 流程进度可视化（%） ♦ 专家洞察认可与激励 ● 反馈进度可视化（%） ● 通过提供数字化平台，让员工可以在平台 ♦ 利用AI生成个性化节 / % 中自由点赞与鼓励（%） ● 通过数字化手段，为员工定制个性化节假日贺卡，表达专属认可与祝福（%）假日贺卡内容（%） ♦ 个性化奖励推荐绩效 % ● 运用数字化工具和技术平台划分员工群体，针对不同群体提供差异化的认可奖励（%） ● 实时对人才进行反馈与考核（%） ● 员工绩效实时查看工具（%） ● 企业目标可视化拆解工具（%）（%） ♦ 智能化绩效分析（%） ♦ 绩效目标设定（%） ♦ 罗氏 ♦ 专家洞察 AI正通过聚焦高频、标准化场景，驱动HRSSC从事务处理走向体验升级与智慧决策。然而，数据清晰地揭示，从“部署技术”到“兑现价值”，企业仍面临多重挑战：成本与技术瓶颈制约着启动与深化，宣传不足与体验冰冷则阻碍着价值的最终传递。第八届人力资源共享服务中心调研报告 33 智能驱赋动能体人验力共升享级在场景陆续铺开后，怎样建立科学的评估体系，以证明AI的应用价值并指引优化方向？成熟企业在AI落地前有哪些战略准备与路径选择，能为其他企业提供借鉴？如何破解实践中的阻力？落地前的准备工作建议在此背景下，企业要系统推进AI落地并确保其创造真实价值，必须依次回答三个核心问题：如何做好前瞻性布局？如何衡量投入的成效？面对推广、技术与体验层面的具体挑战，有哪些已被验证的解决方案？下文将首先围绕这三大问题，基于领先企业和专家的宝贵经验，提炼出一套清晰的行动路径。相关的具体企业实践与详细案例，将在后续对应章节中逐一展开呈现。成熟企业AI应用落地前的准备明确技术路径与安全底线：确立以自主可控为核心的技术策略，优先考虑自研或本地化部署的AI平台，确保核心数据和模型留在企业内部。在引入外部技术时，务必建立严格的安全与合规审查机制。夯实数据基础与合规框架：数据是AI的燃料。落地前需建立完善的数据治理体系，确保数据的质量、可用性，并在数据的全生命周期处理中严格遵守相关法律法规，特别是个人信息保护方面的要求。前瞻布局人才与体系化赋能：AI竞争本质是人才竞争。企业需提前进行数字化人才规划与储备，同时建立常态化的培训机制，通过课程、实践平台等方式，提升全员，特别是业务人员的AI应用与开发能力。构建协同的组织与流程机制：打破IT与业务部门的壁垒，建立“技术+业务”的双线协同运营模式。技术团队负责平台攻坚，业务团队则深度参与场景挖掘、知识沉淀与应用优化，确保AI解决方案紧贴业务实际。选择落地优先级的关键考虑因素价值与痛点导向：优先选择那些业务价值高、员工反馈强烈的“痛点”场景。通常，高频、重复性高、标准化程度高的事务性工作（如政策咨询、流程查询）是理想的突破口。数据基础成熟度：评估场景的数据基础，优先选择那些历史数据积累充分、质量较高、且易于结构化的领域。良好的数据基础能显著降低模型训练难度，提高AI应用的准确性和成功率。 1 2 3 4 1 2 智能驱赋动能体人验力共升享级 34 第八届人力资源共享服务中心调研报告效率维度：量化运营提升实施风险与可行性：从实施风险低、见效快的场景入手，可以快速验证AI价值，建立内部信心，并为后续更复杂的项目积累宝贵经验。共享服务中心（SSC）等已有标准化流程的领域通常是低风险的试验田。与战略契合度：选择的场景最好能与公司的核心战略方向紧密联动。能够直接支撑业务决策或关键运营环节的AI应用，更容易获得资源支持并产生深远影响。如何有效评估AI应用成效？综合领先实践与专家观点，企业评估AI有效性可遵循以下多维框架，实现从“投入”到“价值”的闭环管理：广度与深度：评估AI是否覆盖了入转调离、行政、招聘等多场景，以及在单一场景中是否实现了从“环节自动化”到“全链路智能化”的深度赋能。核心指标：重点关注人工成本节约、流程处理时效提升、人服比（HR服务员工数量）优化等可直接量化的运营数据。体验维度：衡量服务感受员工体验：以实现“一个入口、一次办结”为目标，通过操作步骤简化率、问题一次性解决率及员工满意度（NPS/CSAT）等指标，衡量AI对员工办事便捷性的提升。 HR体验：通过调研释放的HR精力投入到人才发展、组织规划等高价值工作的时间占比，评估AI对HR 团队专业价值与工作满意度的提升。投资回报维度：计算综合收益建立严谨的ROI分析模型，既要核算直接人工成本节省，也需纳入误差降低、合规风险减少、员工流失率下降等间接收益，全面评估AI投入的商业价值。优化循环：建立持续改进机制在关键AI应用（如智能客服）上建立专项监测机制，通过“五星好评”等实时反馈渠道，结合对话语料分析，形成“数据反馈-模型优化-体验提升”的持续迭代闭环。 3 4 1 2 1 2 1 1 第八届人力资源共享服务中心调研报告 35 智能驱赋动能体人验力共升享级如何解决AI实践过程中的挑战问题？针对AI理解力不足、体验冰冷、价值验证三大关键挑战的解决方案汇总：挑战问题 AI 理解力不足解决方案类别知识源头管控具体措施确保AI的回答严格源于经过审核的权威信息（如制度、SOP），（幻觉）体验冰冷价值验证困难人机协同闭环技术架构设计透明度与信任建设场景化精度管理明确人机分工软性KPI引导线下互动补充坚持“赋能业务”第性原理 “绑定业务+打造标杆”双路径建立多维评估体系从源头杜绝“随意发挥”。当AI无法处理或回答不准确时，无缝转接人工；并将人工处理后的新知识反馈给AI，实现模型持续优化。例如“小模型+大模型”双层过滤，先将问题引导至精准的FAQ 库，未命中再调用大模型，减少幻觉产生场景。关键回答附带信息来源链接，并明确标注“由AI生成，仅供参考 ”，管理用户预期。对政策、薪酬等“硬要求”场景追求100%准确；对推荐、匹配等“软需求”场景则明确其概率性，降低用户绝对依赖。 AI处理标准化、重复性咨询，真人聚焦情感化、复杂性场景，确保人文关怀不缺失。在客服考核中加入“服务态度”、“情感反馈”等指标，引导并激励有温度的服务。举办HR与员工的线下见面会等活动，增强真实连接，弥补线上交互的情感短板。所有AI项目的立项和检验标准，必须与业务增长和效率提升直接挂钩。主动对接业务部门的AI需求，以协作伙伴身份深度参与，将HR 的AI项目嵌入业务价值链条，依托业务场景争取资源与支持，同步实现HR AI项目的落地与价值兑现。建立融合效率（人工成本节约、流程时效）、体验（员工满意度、 NPS）与商业价值（误差降低、风险减少）的综合评估框架，全面量化AI贡献。企业AI落地遵循清晰的业务逻辑，普遍优先选择高频、标准化、低风险的事务性流程作为突破口，以快速验证价值并为后续复杂场景的探索积累经验。在人力资源共享服务中心（HRSSC）的智能化变革中，成熟企业的实践路径具有显著的先导和借鉴价值。它们所面临的，已非初级的技术引入问题，而是如何将AI深度融入业务肌理、实现规模化价值的战略命题。因此，从这些企业的系统性探索入手进行剖析，不仅能揭示AI落地的进阶逻辑，更能为广大企业规划自身实施路径提供高阶参照。对于数字化基础坚实的成熟企业而言，人工智能在HRSSC的应用已超越“是否要做”的讨论，进入“如何做精、做深”的战略攻坚阶段。它们的实践不再局限于单点工具的应用，而是着眼于如何通过系统性的战略布局，将AI 能力转化为可持续的组织优势。本部分将深度剖析领先企业的AI落地范式。它们并非从零开始准备，而是在既有的数字化高地之上，进行更为关键的战略锚定与路径选择——包括如何设定技术自主的边界、如何规划人才梯队的前瞻性、以及，最为核心的，如何运用清晰的业务逻辑，在复杂的场景迷宫中找到价值最高、阻力最小的首攻点，实现从概念验证到规模价值的成功破局。企业案例导览企业主要内容金服（P71）数码（P78）新奥（P80） ● 确立了“技术自主与安全合规”的刚性底线，通过自研为主与本地化部署，确保核心技术与数据牢牢掌握在自己手中。 ● 提供了“场景破局点选择”的务实逻辑，严格依据数据基础、痛点强度与战略关联三大维度，锁定高价值、低风险的优先落地场景。 ● 展现了“人才超前布局与体系化赋能”的长期主义，以前瞻五到十年的人才储备和企业级学习平台，为AI战略提供持续动能。一 HRSSC引入AI的规划与落地准备二 AI赋能场景分类与应用 % % % % % % % % % % % % % 表 12 贵公司通过以下哪些环节和阶段提高员工体验？（N=172） 2025 年数据合计为 % 招聘（雇主品牌、职位介绍、 o 招 ff 聘 r发营放销、入应职聘保流温程）入转调全离职转入兼职职第、一同天公、司入转职岗材、料跨交公付司、转转岗正、离续职约流合程约、签离订职、关兼系职维转系全等职、）绩效（企业文化、组织目标、团队目标、个人绩效、绩效工具）人才发展（成长发展、职业规划、教练辅导）行政与工时管理（证移明动 / 端协 / 议 PC 签端订证、明自查助询服与务办工理具，）认可与激励（关键时刻、员工认可）员工心声（员工自主表达激发、员工心声收集与反馈、员工心声平台）薪税社保（薪资查询与通知、个税申报及明基细数、调社整保通 /公知积、薪金税查询与策办咨理询）暂未涉及入转调离场景——入职表 13 贵公司通过数字化工具助力入职场景时，提升体验的方式有哪些？ 100 80 60 40 20 % ● 2025 年数据（N=150） ● 2023 年数据（N=172） 0 差值 % 差值 % 差值 % 差值 % 差值 % 差值 % 差值 % 劳动合同订快速交付约及提醒平台预键录入平台一息汇总平台培训平台涉及 AI的首要任务是充当“效率先锋”，通过智能客服等工具高效解答员工大量标准化疑问，从而将HR 团队从重复性咨询中解放出来，聚焦于更高价值的工作。员工在服务体验中的核心诉求是实现“信息平权”，即追求信息的极致透明与获取的极致便捷，这驱动企业将服务流程线上化、可视化作为建设重点。 AI的赋能角色正实现从“流程助手”到“决策参谋”的关键跨越，其价值从优化员工服务体验，向上延伸至为管理层的战略决策提供数据洞察与前瞻性建议。注：本小节仅对各场景进行数据对标与呈现，各场景详细数据归总详见本章精粹与总结。 98 计 .8 为 4% % % % % % % % % % % % % % % % % % % % % % % % % % / 有内部机会看申请状态送提醒（如面分析离职原示关心 60 2025 年数据合计为 % 入转调离场景——转岗 80 % 40 20 % % % % 0 员工部可岗一位站市式场浏平览台，智能位推适荐配性流上程化跟转踪岗，实申时请与查合计为 % 清单批线流上程化和交接线上岗入成职功引后导的暂未涉及 100 80 60 40 20 入转调离场景——离职 % ● 2025 年数据（N=150） ● 2023 年数据（N=104） 0 差值 % 差值 % 差值 % 差值 % 差值 % 差值 % 差值 % 差值 % 差值 / 离职协议订台在离职流职线流发程起、离自动匹配的触发感谢信问卷调研具帮助企业从会面向前涉及程中自动假期余额等）线审批 2025 年数据合计为 % 绩效、发展因，以便改进信息，推表送 80 % 60 40 20 % % % ● 2025 年数据（N=150） ● 2024 年数据（N=66） % % / 0 差值 % 差值 % 差值 % 差值 / 自动化流程管理（审批报告形成等） Chatbot 问答机器人员工档案自动化管理暂未涉及表 14 贵公司通过数字化工具助力转岗场景时，提升体验的方式有哪些？（N=150）表 15 贵公司通过数字化工具助力离职场景时，提升体验的方式有哪些？表 16 AI 技术在贵公司的入转调离场景中有哪些赋能点？ % % % % % % % % % % % % / % / % % % % % % % % % % % % / / % / 办公环境 2025 年数据合计为 % 招聘场景 80 60 40 20 ● 2025 年数据（N=118） ● 2023 年数据（N=156） 0 差值 % 差值 % 差值 % 差值 / 差值 % 差值 % 差值 / 工具线，面支试持管候选人试时自间主及选方择式面面等试动官作，并通知线调面研试后的在高甄聘选系效统率提、录度和用规决范策性速可视化程署子 off 签 e 签 r V 全 R 面全了景解漫企游业，其他 ● 2025 年数据（N=118） ● 2024 年数据（N=96） 80 60 40 20 0 差值 / 差值 % 差值 % 差值 / 差值 % 差值 / AI 聊天机器人面试安排与通知 AI 视频面试 AI 虚拟人笔试 / 测评发放暂未涉及人才发展场景 100 80 60 40 20 % 0 个性化学习推荐内部岗位机会推送合计为 % 情况业、发培展训数进据度看、晋板（升个概人率能等数力据达）标暂未涉及表 18 AI 技术在贵公司的招聘场景中有哪些赋能点？表 19 贵公司通过数字化工具助力人才发展场景时，提升体验的方式有（N=86）表 17 贵公司通过数字化工具助力招聘场景时，提升体验的方式有哪些？表 21 贵公司通过数字化工具助力薪税社保场景时，提升体验的方式有（N=80）智能课程推送学习内容解读和精粹提炼 AI 陪练培训测试分析岗位胜任力分析暂未涉及薪税社保场景 100 80 60 40 20 0 线实酬时明查细在自动子推工送资单明细保可公视积化金合计为 % 薪酬申诉线上化其他暂时未涉及智能化算薪薪税社保数据分析薪税社保方案自动化薪税社保福利咨询智能客服问答（例如政策咨询等）暂未涉及表 20 AI 技术在贵公司的人才发展场景中有哪些赋能点？（N=86）表 22 AI 在贵公司的薪税社保场景中有哪些赋能点？（N=80） 83 计 .7 为 2% % % % % % % % % % % % % 90 计 .0 为 0% % % % % % % % % % % % % % % % / / % % % % % % % % % % % % % % % 5 认可与祝福 2025 年数据合计为 % 100 80 60 40 20 行政与工时场景 % ● 2025 年数据（N=76） ● 2023 年数据（N=128） 0 差值 % 差值 % 差值 % 差值 % 差值 % 差值 % 差值 % 审批文件署批文件的签、订审勤排班勤方式考机器人务 RPA 理各类员 /P 工 C 证端明办涉及 6 0 40 20 % 10 智能排班优化别与勤自异动常处智理能识智能行政问答机器人（与测工性时离 / 职行为风相险关预）警暂未涉及认可与激励场景合计为 % ● 2025 年数据（N=76） ● 2023 年数据（N=126） 80 % 60 40 20 0 差值 % 差值 % 差值 % 差值 % 差值 / 差值 / 差值 % 化过平提台供，让数字工鼓励自由点赞与员技工术平体台，针划分异化同的群认体可提奖供励差工针对各个贡献块度 / 项点过赞发卡放，互相励激员励工段，过为数员字工化定制贺卡性，化表节达假专属动数据高度感计相趣关的活点动，设涉及表 24 AI 技术在贵公司的行政与工时场景中有哪些赋能点（N=76） 2025 年数据合计为 % 表 23 贵公司通过数字化工具助力行政与工时管理场景时，提升体验的方式有哪些？表 25 贵公司通过数字化工具助力认可与激励场景时，提升体验的方式有哪些？ % % % % % % % % % / % / % % % 坛，鼓励员工自由发的处理部门，大幅缩短等待时间 70 智的能工提作名成与就提并醒智 : A 能 I 提能醒自动事识或别上员工在兑性化换奖积分时推智能 :A 推 I根荐据最员可工能的心个仪人的偏选好项，工作用亮 AI 点生、成个人个特性质化创节作假专日属贺祝卡福内语容，提结升合情员感工全年基别于高影 AI 响分认析可员传工播互节动点数，据辅（助如设点计赞针、评对论性）活，识暂未涉及员工心声场景 ● 2025 年数据（N=76） ● 2023 年数据（N=60） 80 60 40 20 0 差值 / 差值 % 差值 % 差值 / 反馈进度可视化分期收集员工诉求，、 2025 年数据合计为 % 设置线上员工心声论言论，例如BBS平台暂未涉及 80 % 60 50 40 30 20 10 0 被A 能 I自诉动求精分准类分与类解并决快提速交派的发反给馈对应智能问答客服流程进度可视化暂未涉及合计为 % 表 26 AI 技术在贵公司的认可与激励场景中有哪些赋能点（N=76）表 28 AI 技术在贵公司的员工心声场景中有哪些赋能点（N=76） 76 计 .3 为 2% % % % % % 表 27 贵公司通过数字化工具助力员工心声场景时，提升体验的方式有哪些？ % % % % % % % % % % % % % / % 2025 年数据合计为 % 绩效场景 ● 2025 年数据（N=64） ● 2023 年数据（N=102） 70 60 50 40 30 20 10 0 差值 % 差值 % 差值 % 差值 % 差值 % 差值 / 化拆解工具视行反馈与考核时查看工具时反馈工具即效沟通结果绩涉及 70 % % 60 50 40 30 20 10 0 智能化绩效分析绩效目标设定 AI绩效辅导助手绩效数据预测和分析暂未涉及数据显示，入转调离、招聘与人才发展已成为当前AI应用最为集中的三大核心场景。这主要源于这些场景本身的高频与刚需特性，使其成为AI提升效率的首选。与此同时，AI的应用边界正不断拓展，调研发现，在薪税社保、行政与工时、员工心声、认可与激励、绩效等五大场景中，也已有多家企业开始积极尝试。尽管这些场景的AI应用率目前相对较低，但其在提升员工满意度、增强组织温度方面的潜力正逐步显现。通过与多家企业的沟通交流，我们发现，相较于入转调离、招聘等高刚需、高频率场景，在认可与激励、员工心声与绩效这三个更具“温度”与“深度”的领域，AI的规模化赋能确实面临挑战，应用深度与广度均显不足。那么，究竟是什么因素制约了AI在这些场景中的发展？针对这一问题，我们来听听三一集团王崇良老师的看法。表 30 AI 技术在贵公司的绩效场景中有哪些赋能点？（N=64）合计为 % 表 29 贵公司通过数字化工具助力绩效场景时，提升体验的方式有哪些？绩效、员工心声、认可与激励这三个与人文关怀强相关的场景，之所以成为 AI 应用相对偏少的领域，我觉得核心源于数据积累不够、资源支撑不足、业务协同薄弱等方面的叠加影响，具体可从以下方面展开分析： ● 资源支撑不足：“预算、战略”缺口阻碍深度落地 ① 预算与战略支持倾向“短平快”场景：多数企业在AI投入上更偏好“短平快”的基础场景，比如入转调离、行政服务等，这些场景能快速看到效率提升的成果。但对于绩效、认可与激励场景，AI应用需要长期投入，比如搭建绩效数据AI分析模型、开发员工情感反馈AI处理系统，管理层会因为“短期价值不明确”，既未批付专项预算，也未将其纳入核心战略优先级，最终使得相关 AI 项目连启动环节都难以突破。 ● 业务协同薄弱：“人文属性 + 数据依赖”导致业务端配合意愿低 ① 业务部门对“人文场景AI化”信任不足：这三个场景都涉及员工核心权益与情感需求，业务部门比如HRBP、业务主管，普遍担心AI会“稀释人文关怀”。他们认为，“AI自动推荐激励方式”缺乏管理者面对面沟通的温度，“AI分析员工心声”不如人工深度访谈精准，这种对 AI的不信任感，让他们不愿配合提供场景需求、标注训练数据，最终导致 AI 模型与实际业务需求脱节，无法落地使用。 ① 业务端投入成本高且短期回报不明显：员工心声场景需要业务部门持续参与反馈核实，认可与激励场景需要配合梳理激励规则、标注员工需求标签，这些工作都需要大量时间与精力投入，但短期很难看到“效率提升”的直接成果。业务部门基于“投入产出比”的顾虑，配合积极性大幅降低，而 AI应用缺乏实际业务数据支撑，又难以进行优化迭代，形成恶性循环。但同时我们也看到，已有不少企业在绩效预测层面开始了应用，并不断迭代优化，有了良好的效果。在个性化关怀上，也增添了认可与激励的元素，这些都是可喜可贺的探索与尝试。AI 的创新与应用之路，永无止境。在明确了AI应用的场景与路径后，如何科学评估其成效成为企业关注的焦点。以下中国燃气的实践数据，从效率提升与满意度增长两个维度，为AI价值提供了量化证明；而随后的专家洞察，则进一步构建了一套普适性的评估框架，为企业系统化衡量AI应用成效提供了方法论指导。案例与洞察导览评估维度中国燃气（P88）专家洞察（P59）核心方法年度项目复盘与投资回报分析效率维度关注直接人工成本节省、服务效率与人服比优化，通过承接标准化事务解放HR 生产力。体验维度通过“五星好评”机制追踪员工满意度，并以1-2%的年增幅和%的高水平为具体体现。建立专项监测机制与完整评估体系以应用深度与广度衡量，包括场景覆盖范围（如转调离、行政等）及是否利用大模型升级传统流程。聚焦员工与HR双向体验：员工实现“一个入口办事”，操作更便捷；HR从事务性工作解放，聚焦高价值任务，提升工作价值感。专家洞察王崇良 | 三一集团副总经理、人力资源 CIO 宣传不足（%）与功能不了解（%）这两类问题，成为困扰企业使用员工自助服务的主要矛盾，可能源于系统设计复杂、缺乏培训和宣传及多平台操作繁琐等原因。 % % % % % % % 使用率不高表 31 贵公司在员工自助服务的使用中，存在哪些困难与挑战？（N=172）数据洞察宣传不足（%）与功能不了解（%）这两类问题，成为困扰企业发展员工自助服务平台的主要矛盾。结合前期市场诊断与专家洞察，我们认为导致企业员工自助服务产生以下困难的原因主要有以下几个方面： ● 系统设计不符合员工使用习惯员工在使用自助服务时需要理解和适应新的系统环境，如果系统设计不符合员工的使用习惯，那便会给员工增加额外的学习成本和难度，从而导致员工放弃使用。在理清了AI的应用场景并构建起成效评估体系后，企业面临的核心命题是如何将这些后台能力转化为员工可感知的前端服务界面。由此，员工自助服务成为AI价值交付的关键通道。从智能问答到业务办理，AI 正通过这一界面重塑交互体验，驱动服务模式向“智能自助”全面转型。然而，尽管AI技术为员工自助服务带来了前所未有的便利与效率，其在落地推广过程中仍面临诸多现实挑战。从宣传不足、功能认知度低，到系统操作复杂、多平台冲突，企业需正视这些阻碍员工采纳与满意度的关键问题。只有深入理解并系统应对这些挑战，才能确保AI赋能的员工自助服务不仅“建得好”，更能“用得畅”，真正实现从技术部署到价值创造的跨越。 60 50 40 30 20 10 0 务业对自不助足，台操助服流务平繁不清琐晰，指引漏助洞服，员务工存无需信正息确获得所自助工服对于务能使不了用解功联工网群软体件对、移其他度不端高系统接受助平员台工自合计为 % 三 AI驱动员工自助服务专家洞察 ● 如何解决员工自助服务宣传不足和功能不了解的问题？ ① 聚焦高频场景优化，保障核心需求覆盖：优先打磨请假、开证明、查工资、培训课程查询等高频场景的功能体验，确保这类场景操作便捷、响应高效，以高频场景的高使用率带动平台整体活跃度，而非追求 “全场景覆盖” 却忽视核心需求。 ▶ 结合运营手段引导习惯转变：针对传统习惯依赖，一方面通过 “主动推送” 触达员工（如推送培训课程、工资到账提醒），引导员工通过平台完成查询、操作；另一方面针对新员工开展专项操作培训，从入职阶段培养使用习惯，同时对年长员工提供一对一指导，降低数字化操作门槛。而针对宣传不足与功能不了解的问题，我们希望通过专家洞察，可以给到广大企业解答： ● 缺乏培训和宣传对于普通员工而言，他们并没有足够的技术专业知识，所以对于新系统的使用，只能依靠企业提供的培训、指引。同时，倘若企业并没有针对此功能进行大力宣传，或是仅仅停留在让员工“听说过”，而非“试一试”的阶段，员工并不能真正认识到其实用性。 ● 操作流程复杂、不清晰一些自助服务提供了各式各样的功能，但是由于操作流程复杂，或不知道改在哪个模块中找到自己所需要的内容，都会使员工感到不耐烦，那便会与原本建立平台，便利员工的初心违背，无法达成良好的效果。 ● 多系统冲突倘若企业架构中包含多个系统，例如人力资源管理系统、财务系统等，且系统间缺少融合与交互来支持整个员工生命周期。那在员工端便可能出现不同系统间反复登录的问题，不仅浪费时间，而且增加员工的操作成本。企业面临的首要技术挑战是“初期建设成本高（%）和“AI理解力不足/幻觉（%）。而在体验层面，“体验冰冷（%）成为最突出的痛点。挑战维度技术与数据类决策与公平类员工信任度接受度低（%）算法有偏见（%）初期建设成本高（%）（占比）员工体验类表 32 贵公司在 HRSSC 各场景应用 AI 技术时，遇到的核心挑战有哪些？（N=172）体验冰冷（%）初期建设成本高（如知识库搭建、系统力融达不到系需统求算）数据基础弱（分散/不规范/互通差） AI理解能力不足（难辨复杂需求、误读诉求、幻觉）技术适业配务差（场难景覆适盖配 H 断 R 层专，属未场结景合、个衔性接化断业层务 /与需自求身）算法有偏见（导致筛选/决策不公）决策不透明（逻辑难解释、无申诉渠道）算法误差（算薪错误、推荐不准）流程僵化（缺乏弹性）员工信任度低（担忧隐私/匿名不保、感觉被标签化）体验冰冷（无个性化关怀、激励不真诚）使用门槛高（操作复杂、政策解读晦涩）员工抵触心理（害怕被替代）其他无明显挑战我们根据企业目前在HRSSC各场景应用AI技术时，遇到的核心挑战进行分类：四 AI应用面临的挑战与应对使用门槛高（%）技术适配性差（%）流程僵化（%）员工抵触心理（%） 96 计 .5 为 1% % % % % % % % % % % % % % 算法误差（%）AI理解力不足（%）决策不透明（%）数据基础弱（%） % 双层过滤：先通过小模型/FAQ库，未命中再调用大模型。 MVP迭代：先上线后优化，通过优化提示词、增加训练提升精度。人工校验：关键环节设置人工复检。风险告知：页面明确标注“AI生成，谨慎参考”。源头管控：答案严格限定于审核过的内部知识库。高质量语料：HR与IT共同维护结构化知识库。答案溯源：提供答案来源，并设置数据权限。人机切换：设置监控后台，回答不准时无缝转人工。场景分级：硬需求场景调用权威库；软需求告知为概率结果。人机分工：AI处理标准问题，真人聚焦情感与复杂场景。实践迭代：通过使用反馈反哺模型优化。线下补充：举办线下见面会，增强真实连接。软性KPI：考核加入“服务态度”、“情感反馈”等指标。赋能业务：所有项目以支持业务增长为最终检验标准。绑定业务：主动对接业务部门项目，将HR AI嵌入业务价值链。打造标杆：将HR部门打造成企业内AI转型的实践标杆。献、证明其投资回报率，是项目能否获得持续支持并从“工具”升级为“价值引擎”的生死线。隐性成功关键：“价值验证”：尽管未在预设选项中直接列出，核心体验痛点：“体验冰冷”：该选项在员工体验类挑战中认同度最高，直击AI在情感交互与个 ▶ 性化服务上的短板，是决定员工接受度与应用成效的关键。但企业实践表明，如何量化AI的贡 ▶ 象成为最突出的障碍之一，严重影响回答的准确性与可靠性，是技术层面必须攻克的核心障碍。 ▶ 首要技术瓶颈：“AI理解力不足”：除了高昂的初期建设成本外，AI在处理复杂语义时的“幻觉”现智能驱赋动能体人验力共升享级第八届人力资源共享服务中心调研报告综合调研数据清晰地勾勒出企业在HRSSC中应用AI时面临的多维挑战图谱。然而，要形成具有针对性的破局思路，需从纷繁的现象中抓住最具普适性与根源性的核心矛盾。因此，本报告将聚焦于以下三大关键挑战进行深入探讨：这一聚焦策略意味着，我们将暂不展开讨论“决策与公平类”挑战（如算法偏见、决策不透明等），因其本质上是 “AI理解力不足”与数据基础弱在伦理与结果层面的具体表现，将在技术解决方案中间接回应。同时，员工体验中的“员工信任度低”、“使用门槛高”等挑战，已在上文“员工自助服务”部分有所涉及，故不再赘述。基于以上三个核心问题，我们调研了相关领域的领先企业，询问他们针对这些挑战所采取的具体解决方案与实践。案例与洞察导览核心挑战应对企业核心策略与举措平安金服（P74）神州数码（P78）新奥集团（P84）中国燃气（P89） A 挑 I幻战觉专家洞察（P60）体验冰冷中国燃气（P89）与报投挑资战回神州数码（P79） 48 第八届人力资源共享服务中心调研报告 49 智能驱赋动能体人验力共升享级彩智 —— 蛋慧解决码策、三破部局曲与筑基基于AI的智慧决策已超越传统数据分析的描述功能，转向预测性与交互式洞察。但这一进程的推进，仍高度依赖于数据治理等基础能力的规模效应，而目前成熟的实践案例仍属少数。因此，本节旨在提供一个前瞻性的“行动框架”，为企业的未来布局先行参考。优势洞察挑战维度核与心角定色位技术边界力相统较 PA 于的传蒋漪昀 | 罗氏 People Insights Portfolio Lead 辅助决策：本质是“AI辅助基础工作+人工把控最终判断”的协同模式。AI不独立决策，其核心价值在于赋能于人，为人的最终决策提供客观参考。存在局限：明确指出当前AI不产生新知识，无法理解组织文化、员工隐性需求等非量化因素。 1 交互性：从阶段性支持升级为深度融入决策全流程，实现动态优化与自动化闭环。 2 易读性：从提供需解读的报表到直接提供洞见与建议，回答“是什么”和“为什么”。 3 定制化：从依赖固定规则到基于大模型自我学习与动态优化，输出定制化结果。王崇良 | 三一集团副总经理、人力资源 CIO 决策范式升级：本质是从“后视镜（描述过去）到“导航仪（指引未来）的转变。智慧决策是“数据驱动+算法预测”的新范式，旨在直接支持战略。能力演进：强调智慧决策能整合多源数据（文本、行为、业务指标），通过多维度融合与算法优化，实现预测性与指导性分析。 1 应用范畴：从解决“个体如何精准匹配” 的战术问题，升级为解决“组织如何高效运转” 的战略问题。 2 数据基础：从依赖结构化数据到跨部门、多模态数据的整合。智慧决策是AI在人力资源领域应用的高级阶段，它代表了一种根本性的转变：从利用数据回顾和描述已经发生的事，转向利用算法预测和指导即将发生的事，并优化组织未来的战略布局。它并非由AI独立做出决策，而是构建了一种“人机协同”的新型决策模式。通过对两位专家洞察的融合，我们可以总结出智慧决策的三个核心特质：一解码：智慧决策是什么？专家观点（P62）专家观点（P63） ● 目标上，从回顾性分析走向前瞻性洞察与战略导航 ▶ 传统人才分析（PA）如同“后视镜”，主要功能是清晰地告诉我们“发生了什么”（例如：上一季度的离职率是多少）。它的价值在于描述历史，但其洞察往往滞后于业务发展。 ▶ 智慧决策则如同“导航仪”，它基于对多源数据（历史行为、业务指标、员工文本反馈等）的融合分析，不仅预测“将会发生什么”，更能提供“应该怎么办”的策略建议，从而为组织的战略规划提供前瞻性指引。 ● 交互上，从静态报告升级为动态对话 ▶ 传统PA的输出往往是固定的、静态的数据报表或仪表盘，决策者需要自行解读数据背后的含义。 ▶ 智慧决策则通过自然语言交互（如“AI问数”），实现了动态、连续的决策支持。决策者可以像与专家对话一样，随时追问，实时调整分析维度，系统会动态优化输出结果。这使得数据分析过程从“单向索取”变成了“双向对话”，极大地提升了决策的灵活性与深度。 ● 模式上，是人机优势互补的协同闭环智慧决策的本质是“AI赋能，人类裁决”。它清晰地划分了人与机器的职责边界，形成一个高效的闭环： ▶ AI的职责（赋能）：承担数据密集型的基础工作。包括快速汇总与筛选海量数据、进行初步的模式识别与预测分析，将客观的“事实基础”和“趋势洞见”呈现给决策者。 ▶ 人类的职责（裁决）：保留并强化其价值判断的核心角色。决策者负责结合对组织文化、员工隐性需求、战略意图等非量化因素的理解，对AI的输出进行情境化解读、有效性验证，并做出最终的、负责任的决策。总结而言，智慧决策通过人机协同的动态模式，将人力资源分析从支持个体匹配的战术工具，升级为驱动组织高效运转的战略系统。在智慧决策的理念框架下，领先企业并未盲目求大求全，而是精准选取具备高价值、高可行性的场景作为实践前沿，实现了从概念验证到价值创造的跨越。绿城与罗氏的探索，为我们勾勒出智慧决策落地的关键标杆场景。企业案例导览企业应用场景核心痛点 AI 赋能点绿城（P66）管理者驾驶舱（辅助决策）传统驾驶舱使用复杂、数据获取不便、缺乏主动提醒通过“AI问数”，支持自然语言提问，快速获取答案，提升使用便捷性与响应效率 AI辅助职级评定系统跨地区沟通难、流程效率低、结果公平性不足基于历史数据智能预测职级，支持反馈重算与批量处理，提升效率与灵活性罗氏（P63）员工反馈AI分析系统人工处理海量评论效率低、难以快速提炼核心诉求运用大语言模型自动分类评论、提炼核心观点，生成结构化报告，缩短分析周期对话式人力资源数据分析传统BI报告需手动操作、易出错、仅呈现过程而非结论通过自然语言交互自动识别需求、处理数据，直接输出结果与图表，减少人工环节为何这些场景能成为理想的实践起点？纵观绿城与罗氏的实践，它们都精准地瞄准了数据基础良好、业务痛点明确、且决策规则相对清晰的环节。无论是管理者决策、职级评定还是员工反馈分析，这些场景都具备明确的改进需求，同时其内在逻辑能够被AI 模型有效学习和优化，从而让智慧决策的实现路径清晰可见，价值立竿见影。二破局：智慧决策怎么做？ ● 智慧决策理想场景的三大关键特征具备以下特征的场景，是智慧决策能够快速落地并展现价值的理想起点： ▶ 特征一：数据密集，流程依赖性强这类场景通常涉及处理海量数据（如历史职级数据、上万条员工评论、多维业务数据），传统人工处理方式效率低下，已成为业务发展的瓶颈。AI的能力在此能得到最充分的发挥，直接将劣势转化为效率优势。 ▶ 特征二：对效率、公平与敏捷性提升需求迫切场景本身存在明确且亟待解决的痛点，例如流程冗长、结果主观性强、管理洞察滞后等。业务部门对于通过AI赋能实现提效、降本、增质有着急迫的需求，这使得解决方案更容易获得支持并快速推行。 ▶ 特征三：规则明确或模式可循无论是职级评定的标准、数据分析的逻辑，还是从评论中提炼主题的规律，这些场景中隐含的决策规则可以被AI从历史数据或通用知识中学习并建模。清晰的规则边界是AI 能够进行可靠预测和判断的基础。总结而言，这些场景被优先选择，是因为它们清晰地暴露了传统人力资源分析模式的极限。而智慧决策凭借其【自然语言交互】、【基于历史数据的模式预测】、【对非结构化数据的深度处理】以及【直接输出洞见】这四大核心能力，能够精准、高效地突破这些瓶颈，从而在提升效率、保障公平、深化洞察和加速决策等方面，展现出立竿见影的价值。人据力运资营源的数三阶演进阶段：数据治理阶段：数据运用阶段：数据整合与预测让数据“可信” 让数据“可用” 让数据“预见未来” 智慧决策的实现，高度依赖高质量、高可用、高安全的数据基础。然而，许多企业在推进AI应用时才发现，数据问题已成为最大瓶颈——数据不是“即取即用”的资源，而是需要长期投入、持续治理的战略资产。根据《2022人力资源数据运营与管理报告》的洞察，企业数据能力建设普遍遵循“三阶演进”路径，而智慧决策的“筑基”工程，必须从数字化早期阶段便开始布局。然而，无论处于哪个演进阶段，数据安全与合规都是不可逾越的底线。它是数据这座“基石”的钢筋，确保其在支撑智慧决策时稳固可靠。领先企业的实践表明，它们将安全理念内嵌于数据处理的每一个环节，为AI 的可靠应用保驾护航。企业案例导览企业核心安全挑战安全实践与措施作为关键基础本地化部署：所有AI系统均部署于企业内部服务器，杜绝公有云数据燃气设施企业，HR 数据（薪酬、社外泄风险。最小权限原则：严格限制AI工具可调取的数据范围，仅开放“工号”等（P89）保等）保密性要求极高，面临严必要字段。合规内嵌：在数据采集、存储、处理的全环节进行风控审查，并设立风格的法规监管。控KPI确保合规。在全球化运营数据分类分级：按“C1-C4保密级别”与“个人敏感/个人/非个人信息” 罗氏中，需平衡数据利用价值与复建立12类矩阵，精准界定数据使用边界。规范工具使用：明确指引员工在何种场景下可使用何种AI工具，兼顾（P63）杂多变的法规遵从。创新与规范。灵活合规部署：针对国内法规，采用本地化模型部署，有效规避跨境数据流动等合规风险。三筑基：智慧决策靠什么？结语基于中国燃气与罗氏在数据安全领域的实践，我们总结出提升数据安全质量的解决方案：如何系统性提升数据安全质量？ ● 划定安全边界，夯实技术底座核心是通过技术手段建立可信环境。将核心与敏感数据完全隔离于企业内部网络，从物理上杜绝外部攻击与数据泄露的风险，为数据安全建立一道坚固的“护城河”。 ● 实施精细管控，贯彻最小权限在系统内部，必须严格遵循“最小权限原则”。企业应对所有系统和数据访问权限进行梳理和限制，确保员工和系统只能访问其职责范围内所必需的数据，防止数据越权使用。 ● 建立治理框架，实现数据分类分级技术管控之上，需有精细化的治理框架作为标尺。借鉴罗氏的经验，建立企业内部的“数据分类分级矩阵（” 如按敏感度 C1-C4 级与数据类型组合），为每一类数据清晰地标定其“密级”与使用规则，从而实现差异化的精准管理。 ● 内嵌合规流程，实施全程风控安全与合规不是事后检查，而应前置并贯穿于数据全生命周期。参考两家企业的做法，将合规审查与风控要求内嵌到数据采集、存储、处理和分析的每一个业务环节，甚至设立风控 KPI，确保合规成为操作流程中的“默认设置”。 ● 培育安全文化，推动全员协同最终，安全需要成为一种组织能力与共识。通过组建跨部门（HR、IT、法务、业务）的联合团队、制定清晰的工具使用规范和开展全员培训，将数据安全责任落实到每一个角色，构建起“安全第一”的协同文化。人工智能技术正以前所未有的深度与广度，融入人力资源共享服务中心的肌理，驱动其从传统事务处理中心，向价值创造型员工体验中心与智慧决策引擎加速演进。这条转型之路，既是技术的革新，更是组织模式、人员能力与协作关系的系统性重塑。前路虽不乏成本、数据与体验等多重挑战，但AI赋能所带来的效率跃升与体验升级，已成为不可逆转的潮流。展望未来，成功将属于那些能够将技术战略、业务流程与人文关怀深度融合，并持续构建人机协同新型能力的组织。我们相信，通过理性的筹划与坚定的实践，企业定能驾驭AI之力，构建更加智能、高效且充满温度的人力资源管理新范式，最终实现组织与个人的共同成就。 R 智能驱赋 e 动能体人验力 f 共升享级 e 参56调 e 样 c 本 e 第八届人力资源共享服务中心调研报告贵公司所处的行业（N=224）选项比例 A. 消费品 ( 含快消与耐消 ) % B. 零售业与电子商务 % C 理 . 等金融 ) 服务( 如银行，保险，财富管 % D. 汽车及零部件 % E. 机械制造 % F. 多样化生产 % G 疗 . 器生械命等科 ) 学 ( 如生物工程，医药，医 % H. 信息技术，半导体及通讯 % I. 化工与石化 % J. 电子电气 % K. 运输及物流 % L. 能源动力 % M. 光伏产业 % N. 建筑建材 % O. 房地产 % P. 造纸，包装及森林业 % Q. 环境科学 % R. 互联网科技公司 % 旅 . 游专等业性 ) 服务 ( 如法律，咨询，教育， % T. 其他 % 您所在的公司在中国大陆的员工数量（N=224）选项比例 A. 100 人以下 % B. 100-500 人 % C. 501-1000 人 % D. 1001-2500 人 % E. 2501-5000 人 % F. 5001-10000 人 % G. 10000 人以上 % 贵公司是否为上市公司（N=224）选项 A. 是比例 % B. 否 % 企业所有权性质（N=224）选项比例 A. 外商独资 ( 包括港资企业 ) % B. 中外合资 % C. 国有企业 % D. 中国私营及民营企业 % E. 多种所有制混合（包含外资资本） % F. 多种所有制混合（不包含外资资本） % G. 其他 % 第八届人力资源共享服务中心调研报告 Exper 专 t 家 In 洞 s 察57 ig 智能 h 驱赋动能体人验力 t 共升享级 s 三一崇集良团副总经理、人力资源CIO 一、企业对AI拥抱度笔者曾在百度、滴滴、三一集团工作过，这几家公司始终以AI技术作为变革手段持续推动企业数字化转型，公司层面早就形成高度拥抱 AI 的整体氛围。受2025年初DeepSeek技术发展的影响，AI、大模型技术的应用热度进一步在全球范围内攀升，企业在 AI 领域的探索深度与实践广度也随之持续拓展。为更好支撑HR部门开展AI创新与实践，企业纷纷通过举办AI应用大赛、开展AI演讲等多元化全员活动，搭建技术交流与实践落地的专属平台。这一举措，既助力HR部门借助AI优化日常工作流程，也为企业整体AI应用生态的构建与完善提供有力支撑。二、AI对人力资源三支柱的影响及能力要求 ● AI、大模型对人力资源三支柱的核心影响 AI、大模型技术重塑了人力资源三支柱（COE、BP、SAC）的架构与职责，还对员工能力提出分阶段要求。总结关键变化要点如下：三支柱传统职责大模型重塑后职责能力要求重点 COE 政策制定数据驱动战略设计预测建模、伦理治理 HRB P 业务支持深度业务洞察与体验设计业务翻译、变革推动 SSC 事务处理自动化 + 数据中心技术应用、流程优化 ▶ COE：职责升级战略设计者：COE从传统政策制定转向基于数据的战略设计，利用大模型技术分析组织效能、人才趋势，生成定制化解决方案（如AI驱动的薪酬模型）。技术赋能者：COE整合AI工具开发智能HR系统（如自动化绩效评估模型），为HRBP提供实时决策支持。 COE：基础工作替代，战略价值凸显：COE初级岗位的标准化、结构化工作会被AI替代，需转向更复杂的战略任务。其“智慧型”职责无法被AI替代，核心价值进一步强化。 HRBP：角色深化业务洞察者：HRBP通过大模型分析业务数据（如员工流失率预测），主动识别业务痛点并提出人才策略。 AI应用四重奏 ▶ 员工体验设计师：HRBP利用AI工具（如聊天机器人）处理员工咨询，聚焦高价值工作如文化建设和领导力培养。 HRBP：效率提升，工作模式重构：传统BP需要手动调取、分析员工数据。如今有了AI,工作重心从 “数据收集与整理”转向“基于AI分析的结果进行员工沟通”，更聚焦于员工关系的维护与业务协同。 ▶ SSC：智能化转型自动化执行者：SSC大模型驱动RPA技术，实现薪酬核算、入离职等事务的自动化处理，效率提升 30%+。数据中心：SSC通过AI分析服务请求数据，优化流程并生成预测性报告（如离职风险预警）。 SSC ：线下转线上，团队精简高效：SSC的事务性工作大量被AI自动化替代，通过电子签、机器人协助办理。整体从“大规模线下团队”向“精干线上团队”转型。留存人员需承担标准流程制定、多维数据分析等核心职责，而不是单纯的事务处理。数据洞察也会成为其重要工作内容。 ● AI驱动下的三支柱能力要求 ▶ 基础阶段（SSC层） ① 技术应用能力：掌握AI工具操作（如智能客服系统）、数据录入标准化。 ① 服务优化意识：利用流程数据分析改进服务响应速度。 ▶ 进阶阶段（HRBP层） ① 业务翻译能力：将业务需求转化为人力资源方案，并运用AI工具验证有效性。 ① 变革推动力：引导业务部门适应AI驱动的组织变革（如新绩效系统落地）。 ▶ 高阶阶段（COE层） ① 战略建模能力：构建预测性人才模型（如招聘需求预测），支持长期规划。 ① 伦理治理能力：确保AI应用符合合规要求（如数据隐私保护）。 ● AI应用四重奏当我们站在人力资源数智化转型的十字路口，四种截然不同的智能交互模式正在重塑HR的未来。就像一个孩子学习语言的过程——从简单应答、理解对话、协作完成任务，到最终能够独立思考并解决问题， HR与AI的交互也经历着类似的进化历程。 ▶ 从问答到自主决策：四种交互模式的进化对话模式（Chat）是HR智能化的“婴儿期”。就像刚学会说话的孩子，这一阶段的AI只能进行简单的问答互动。员工问：“我还有几天年假？”系统立刻给出标准答案。没有记忆，没有上下文，一问一答，但已经解放了 HR专员大量重复性咨询工作。这种模式最适合处理高频、标准化的政策咨询和基础信息查询，成为员工自助服务的第一道防线。对话模式是标准化服务的“智能应答者”，该模式的核心在于“即时响应与标准化服务”，典型应用如智能客服。从早期基于固定知识库的问答机器人，到结合大语言模型的多轮对话系统，对话模式已实现从“机械回复”到“精准理解意图”的跨越。对话模式的关键要求是“两度”，一是“响应速度”，二是“准确度”——尤其在涉及劳动法、社保、休假等政策时，任何偏差都可能带来风险。因此，知识库质量与意图识别精度成为核心指标。随着技术发展，AI进入了“幼儿期”的辅助模式（Assistant）。这时的AI已经具备了“记忆力”，能够进行连贯对话，理解上下文，并调用专业知识库提供更深入的解答。当一位管理者询问“如何提升团队绩效”时， AI不再只是给出标准答案，而是会根据具体情境、团队特点提供有针对性的建议。这种模式特别适合处理复杂的HR政策解读、个性化培训推荐和初步的人才分析工作。辅助模式是复杂任务的“流程加速器”，不同于对话模式的“被动应答”，辅助模式更注重“主动赋能任务执行”，成模式核心能力 HR 场景优先级典型工具 / 案例对话模式即时问答、标准化服务员工自助服务、基础咨询企业微信 / 钉钉内置 HR 机器人 ... 辅助模式数据整合、任务执行支持招聘初筛、薪酬计算、课程推荐 Greenhouse( 简历筛选 )、ADP( 薪酬 )... 人机协作模式流程优化、预测性建议招聘协调、绩效反馈 Microsoft Copilot for HR, Workday... 智能体模式端到端自动化、复杂决策批量招聘、需求匹配福利弹性化 Paradox( 招聘自动化 )、Eightfold Al ... 为HR流程自动化的关键载体。该模式本质是“流程与对话的融合”，用户无需切换系统即可在对话中触发查询与任务执行，其逻辑与RPA一脉相承，但借助AI实现了更灵活的场景适配。再向前发展，AI迈入了“少年期”的人机交互模式（Copilot）。此时的AI已经不仅仅是回答问题，而是成为HR专业人士的得力助手，能够协助完成部分专业工作。它可以分析简历、筛选候选人、生成面试评估报告，甚至协助制定绩效改进计划。但关键决策仍由人类把控，AI提供辅助。这种人机协作模式特别适合招聘、绩效评估、学习发展等需要专业判断但又有大量重复性工作的领域。人机交互模式是个性化场景的“协同共建者”，当HR场景需要“动态沟通与个性化适配”时，人机交互模式便成为关键。该模式的核心在于“双向反馈与模型迭代”——通过持续的人机对话，系统不仅能响应用户需求，还能不断学习偏好，使服务更具个性化。最终，AI达到“成年期”的智能体模式（Agent）。此时的AI已经具备自主决策能力，可以在预设范围内独立完成端到端任务。它能感知员工情绪变化、预测离职风险、自动触发干预措施，甚至管理其他智能体协同工作。人类HR只需处理异常情况和战略决策。这种模式最适合员工体验管理、组织健康监测等需要实时响应、多维分析的复杂场景。智能体模式是HR未来的“自主决策者”，是“最具生命力与前瞻性 ”的形态。其核心突破在于“从预测到决策”：不仅能基于数据预判需求，还能结合多源信息自主制定方案。智能体模式是“智慧HR”的核心载体。在从线上化、信息化、数字化到智能化的“四化演进”中，它代表着HR 的最高阶段——无人化或少人化管理。当“数字员工”成为生产力主力，其职责、权限范围等，将会被重新定义，数字化部门或许将担任主责。三、AI赋能HRSSC提升员工体验企业依托数字化员工自助平台，在招聘、入转调离等多场景深度应用多模态处理、自然语言指令转化、智能匹配等AI模型，实现各场景从自动化向智能化服务的升级。其核心是通过AI的“主动分析与决策辅助”能力，区别于传统自动化仅能按固定流程完成重复性操作的局限，大幅提升流程灵活性与服务精准度。 ● 招聘场景 ▶ 流程重塑：在传统自动化招聘流程中，面试机器人的功能局限于单一文本信息处理，仅能完成基础的简历筛选或文字问答，难以全面评估候选人。随着AI技术的深度赋能，面试流程实现了多维度重塑。一对话 1 模式 (Chat) 信政理策高咨频、询标和准基化工自息助查服询，务成的为第员道防线婴儿期 (A 辅助 2 模 ta 式 nt)ssis 读、的个 H 合 R政化策培推荐和初步的人才分析工作幼儿期人机交 3 互模式 (Copilot) 等需评估、合招判聘发展又有大作的领重域复性工少年期智能体 4 模式 (Agent) 测等需要实时响应、复多杂维场景析的成年期方面，AI具备文本、视频、语音的多模态信息处理能力，可通过分析候选人视频面试中的语言表达、肢体动作及语音情绪，丰富面试评估维度，提升评估的全面性与准确度；另一方面，AI能够自动抓取面试官与候选人的日程数据并进行智能匹配，高效完成面试时间排期，减少人工协调成本；同时，在面试过程中，AI 可实时记录对话内容，自动提炼关键发言要点并生成标准化面试纪要，省去人工整理时间。 ● 入转调离场景 ▶ 流程重塑：传统员工入转调离流程存在明显局限性，需在固定时间（如每周1-2天）线下办理，全程依赖人工操作：员工需手动填写表单、选择办理日期与时间，在调岗或离职环节，还需人工核验岗位资质与相关手续，流程效率低且易出错。AI技术的引入彻底重塑了这一流程。员工可通过数字化员工对话直接启动入转调离流程，AI随即发挥核心赋能作用：自动调取员工工作日历与基础信息，完成表单信息填充；在调岗场景中，AI会智能匹配目标岗位要求与员工现有资质，生成资质匹配可行性报告；在离职场景中，AI 能自动核验离职手续清单，确保流程合规。整个过程通过AI替代人工信息填充、资质匹配与手续核验，大幅减少人工操作环节与核验节点，实现入转调离流程的数字化、高效化与精准化转型。 ● 行政与工时管理场景 ▶ 流程重塑：传统请假需手动寻找表单、选日期/时段，开证明要线下刷脸操作，工时统计依赖人工核对打卡和加班数据。AI赋能后，针对请假场景，员工通过对话交互告知需求后，AI可自动核算请假日期、匹配作息规则并生成标准化请假表单；在证明开具场景，员工无需线下操作，通过对话即可完成申请， AI会自动生成证明文件并发送至指定邮箱；工时管理方面，AI能够实时抓取考勤数据，自动统计并生成工时报表，有效替代人工操作，显著提升流程处理效率与准确性。 ● 人才发展场景 ▶ 流程重塑：传统人才发展模式中，课程推荐与职业规划呈“点状分离”状态，员工发展依赖组织安排，且需人工比对能力与岗位要求的差距。AI赋能后，人才发展流程实现闭环重塑：先通过内部能力评估，由AI为员工建立能力标签档案；员工查询岗位时，AI自动比对其能力与目标岗位要求，定位差距后，联动学习资源库推送匹配课程，最终实现职业发展自动化。 ● 绩效场景 ▶ 流程重塑：传统绩效管理中，数据处理与分析环节高度依赖人工操作。工作人员需手动整合绩效相关数据，通过VLOOKUP等函数生成绩效报表，再手动制作可视化图表，最终分析结论也多依赖主观判断，不仅效率低，还易出现偏差。AI技术的应用彻底改变这一模式，工作人员仅需通过自然语言下达指令（如“生成工作十年以上清华博士近三年绩效数据的柱状图”），AI即可完成全流程自动化处理：自动抓取目标数据并执行计算，同步生成绩效报表与多维度可视化图表，同时基于数据输出客观分析结果，形成完整的绩效数据处理闭环。此升级大幅提升了绩效管理的效率与结论客观性，减少人工干预带来的误差。 ● 员工心声场景 ▶ 流程重塑：传统信息处理需人工完成关键词筛选与内容分类，存在耗时久、关键信息易遗漏的问题；同时跨时段反馈难以及时核实，且合理化建议的奖励流程与反馈渠道相互脱节，导致反馈处理效率与员工参与积极性双低。AI技术推动该流程实现优化升级：员工无需登录专门社区，通过数字化平台以语音或文字形式即可随时随地提交诉求与建议；AI在接收信息后，不仅能自动提取关键词并完成内容分类，减少人工成本、提升筛选效率，还能对业务强相关的重要反馈进行自动标记，实时推送至对应责任部门核实，有效解决传统流程的核心痛点。 ● AI应用有效性评估大部分企业从效率和体验两个方面来评估AI应用有效性，同时针对关键场景（如智能客服）建立专项监测机制，形成完整的评估体系。 ▶ 效率维度：以应用深度与广度衡量提升幅度 AI对效率的提升并非单一数值，而是取决于应用覆盖范围与功能深度，比如是否渗透入转调离、行政、招聘等多场景以及是否用大模型升级传统自动化流程。 ① 体验维度：聚焦HR与员工双群体，双向优化服务感受 ① 员工体验：员工无需在不同系统（在线学院、绩效系统、数据平台）间切换，通过数字化员工（单一AI 助理）对话即可满足所有需求。大幅减少操作复杂度，提升员工自主办事的便捷性。 ① HR体验：AI承接了HR大量标准化、事务性工作，释放HR精力聚焦高价值任务。HR无需再处理基础事务，可将时间投入到人才发展、员工关系等核心专业领域，提升工作价值感。四、AI应用和员工自助平台的挑战与解决在推进AI应用与员工自助平台建设的过程中，企业面临诸多挑战，这些挑战既涉及AI技术本身的可靠性问题，也关乎人才支撑、资源匹配及平台实际推广使用等落地层面的难题。针对这些具体挑战，企业结合场景特性、人才现状与员工习惯，制定了差异化且具可操作性的解决方案，以下将对各挑战及对应解决思路展开详细阐述。 ● 挑战一：AI幻觉问题，关键场景准确性难保障 ▶ 核心痛点： AI存在“一本正经说假话”的幻觉现象，无法保证所有场景信息100%准确。不同场景对准确性要求差异极大，例如政策类、薪酬类场景需绝对准确，一旦出错会直接影响员工权益；而决策类场景（岗位匹配推荐、课程推荐、人才选拔）本身依赖概率判断，对准确性要求相对灵活，二者难以用统一标准应对。 ▶ 解决方案： ① 按场景划分准确性标准：对政策、薪酬等“硬要求”场景，严格限定AI需调用权威知识库（如内部政策文件、法律法规数据库）以确保信息来源唯一且实时更新，从源头规避幻觉。而对决策类“软需求”场景，则需明确告知用户：“结果为概率性推荐，需结合人工判断使用，以降低其对 AI的绝对依赖。 ① 以实践迭代优化模型：通过全面推广AI应用收集真实场景数据，让员工在使用中反馈不准确案例，反哺模型迭代，逐步减少幻觉发生概率。 ● 挑战二：复合型人才短缺，资源支撑不足 ▶ 核心痛点：推进AI应用落地需依赖“懂HR业务+懂数字化/算法”的复合型人才——这类人才既要精通HR业务逻辑，又需掌握数字化技术。但此类跨领域能力需长期实战积累，当前企业内部既有的HR团队多以“单一业务操作型”人才为主，具备复合能力的人才储备极少，直接形成AI应用推进的核心人才瓶颈。同时，部分项目存在资源支持不足问题，例如未有匹配相应预算、团队编制，导致项目难以落地推进。 ▶ 解决方案： ① 内外结合解决人才问题：针对AI应用所需的复合型人才储备不足问题，一方面，在对外引入基础数字化工具时，将人才赋能纳入合作要求，同步推动合作方提供配套初步培训，帮助内部员工快速理解工具底层逻辑与应用场景，为后续数字化实践奠定认知基础；另一方面，考虑到跨领域人才直接招聘难度较大，优先从内部选拔熟悉人力资源业务的核心员工参与AI项目全流程（如流程重塑设计、业务需求梳理等），让员工在实战中直接接触数字化技术与算法应用逻辑，逐步积累“业务+数字化”的复合能力，实现内部人才梯队的定向培养。实现 ① 强化资源与目标的匹配度：推动AI项目前，先明确“目标-资源”对应关系，例如针对“智能客服升级”目标，提前申请预算用于模型租用或自研、团队人力调配，避免因资源不足导致项目停滞。同时，用阶段性成果（如流程效率提升数据）证明AI价值，争取更多资源支持。 ● 挑战三：员工自助平台使用率偏低，受场景频次与员工习惯制约 ▶ 核心痛点： ① 场景天然频次决定使用上限：平台功能使用率与场景频次强相关，高频场景（如请假、查工资、培训课程查询）使用率较高。但低频场景（如绩效查询、职业发展规划）因需求少导致使用率偏低。例如绩效评估若一年仅开展1次，员工登录查询次数通常不超过5次；部分员工甚至不主动查询工资，进一步拉低平均使用率，并非平台功能问题，而是场景属性所致。 ① 员工传统操作习惯难转变：部分员工仍习惯“线下找人工”“手动填表单”的传统模式，对自助平台的数字化操作存在抵触或陌生感。例如年长员工可能更倾向于找HR开证明，而非通过平台对话生成，导致平台功能被“闲置”。 ▶ 解决方案： ① 聚焦高频场景优化，保障核心需求覆盖：优先打磨请假、开证明、查工资、培训课程查询等高频场景的功能体验，确保这类场景操作便捷、响应高效，以高频场景的高使用率带动平台整体活跃度，而非追求“ 全场景覆盖”却忽视核心需求。 ① 结合运营手段引导习惯转变：针对传统习惯依赖，一方面通过“主动推送”触达员工（如推送培训课程、工资到账提醒），引导员工通过平台完成查询、操作；另一方面针对新员工开展专项操作培训，从入职阶段培养使用习惯，同时对年长员工提供一对一指导，降低数字化操作门槛。五、AI与大模型助HR智慧决策 AI与大模型正在重塑人力资源管理的决策范式，从“经验驱动”转向“数据+算法驱动”。然而，技术落地需跨越数据隐私、算法公平性、组织变革等多重障碍。未来，企业需构建“技术-数据-人才”三位一体的智慧决策体系，在提升效率的同时维护员工权益，最终实现组织与个体的共同成长。 ● 概念：智慧决策与人才分析（PA）的核心差异传统人才分析（PA）聚焦历史数据统计（如离职率、培训完成率），依赖结构化数据报表，其本质是描述性分析，回答“发生了什么”，缺乏预测能力。随着数据挖掘与AI的应用发展，人才分析（PA）也在迭代完善，现在的人才分析（PA）则聚焦于个体或群体层面的能力评估与行为预测，核心是通过结构化数据（如绩效、培训记录）与非结构化数据（如社交行为、语音情绪）的整合，构建员工全生命周期画像。其典型应用包括离职风险预警、潜力人才识别等。例如，某科技企业利用AI画像系统将核心人才流失率降低30%，通过分析员工社交数据发现隐性离职倾向。智慧决策是利用大模型整合多源数据（文本、行为、业务指标），通过多维度数据融合与算法优化，预测性与指导性分析，助力人力资源战略的动态调整与资源最优配置，其本质是“数据驱动+算法预测”的决策范式，强调对组织全局的实时洞察与前瞻性布局。例如，某制造业公司通过AI预测模型提前半年调整招聘计划，在业务转型期实现人才稳定与组织升级。核心差异：人才分析（PA）解决“个体如何精准匹配”的战术问题，侧重单一维度数据的深度挖掘。而智慧决策解决“组织如何高效运转”的战略问题，依赖跨部门数据整合与多模态算法。总结一句话：人才分析（ PA）是“后视镜”，智慧决策是“导航仪。智慧决策与人机协同：HR在AI时代的转型路径罗氏漪昀 Luc Jiang People Insights Portfolio Lead 一、智慧决策：本质与传统PA的核心差异在我看来，当前行业热议的“智慧决策”，其本质并非让AI独立做出决策，而是“AI辅助基础工作+人工把控最终判断”的协同模式，即辅助决策。AI的核心作用是完成数据汇总、筛选与初步分析，为决策提供客观参考；而人必须保留复杂场景判断、AI结果验证及最终决策的职责。这是因为，当前AI不产生新的知识，仅能基于既有经验与数据进行归纳总结，大多依赖文本或媒体形式处理信息，无法理解组织文化、员工隐性需求等非量化因素。而且法律层面也明确规定，与人相关的所有决策不能仅由人工智能实现，必须由人最终把关。相较于传统PA（人事分析），智慧决策AI在支撑人力资源决策方面具有显著优势，我觉得主要体现在三点： ● 更具交互性：在决策流程的支撑模式上，传统人事分析（PA）的辅助作用存在明显局限性：仅能在决策的特定阶段提供支持，流程各环节的衔接需依赖人工推动，且输出结果一旦生成便固定不变，难以灵活调整。而智慧决策 AI 深度融入决策全流程，能够根据用户实时输入的需求动态优化输出内容，实现自动化与交互化的闭环；用户通过对话等便捷方式，即可快速获取契合自身需求的精准结果，大幅提升决策支撑的连续性与灵活性。 ● 更易读显性化：传统PA提供的数据报表需要决策者自行解读“为什么”和“怎么办”；而智慧决策AI可以直接提供洞见与建议，明确回答“是什么”和 “为什么”，不需要决策者花费大量时间去解读，对于核心的信息更显直观。 ● 更具定制化：在定制化能力方面，传统人事分析（PA）受限于固定规则与统计模型，仅能适配预设场景，面对多样化需求时灵活性不足；而智慧决策 AI 基于大模型技术构建，拥有自我学习与动态优化的特性，能够针对企业内部不同岗位的职责差异、各类业务场景的独特需求，精准输出符合实际应用场景的定制化分析结果与决策建议。二、人机协同关系的发展：AI是替代人还是赋能提效？我认为人机协同的发展并非非此即彼的“替代”或“赋能”，而是两者的有机结合——用技术替代重复性冗余劳动，同时为人的核心价值发挥赋能提效，这才是其本质方向。要实现这种高效协同，需从岗位适配和HR自身成长两个维度来看。三、岗位适配：不同岗位的人机协同路径从岗位层面来看，不同类型工作的协同路径差异显著。那些流程固定、重复性高的基层岗位，比如基础操作、简单咨询等标准化任务，无需依赖人的主观判断和复杂能力，技术可以实现高效替代。未来这类岗位的数量可能会相应精简，本质上是用技术解放人力，让人们从机械繁琐的劳动中脱离出来。而像 HRBP 这类需深度对接业务、依赖人际沟通与需求洞察的岗位，以及资深管理岗，其核心价值在于对业务的深刻理解、行业经验的沉淀和复杂问题的决策能力，这些都是技术难以复制的。技术反而会成为这类岗位的“得力助手”，通过处理基础数据、梳理初步信息，让人能够聚焦核心决策与价值创造。四、HR转型：成为人机协同的主导者对我们HR自身而言，面对技术的普及，与其担忧被替代，不如主动转型成为人机协同的主导者。随着技术接手更多基础工作，可以重点提升两项核心能力：一是深度结合业务的能力，跳出传统人力资源的流程框架，真正扎根业务场景，理解业务团队的人才需求与发展痛点；二是技术应用的高阶能力，不仅要会用技术工具，更要学会优化指令、解读技术输出的结果，从海量数据中提炼出有价值的业务洞察。这样一定程度上可以帮助我们避开被技术替代的风险，成为技术无法取代的“战略伙伴”，在人机协同中占据主导地位。第八届人力资源共享服务中心调研报告 Case Sh 企业案例 65 （按企业首字母排序）ri 智能驱动体验升级赋能人力共享 g AI不是工具，而是杠杆:HRSSC从事务中心到智能中枢的进化逻辑，并蝉联“中国房地产百强企业综合实力Top10”和“中国房地产顾客满意度领先品牌”，多年获评“社绿城致力于实现“全品质、高质量、可持续”的发展，营造美丽建筑，创造美好生活。会责任感企业”。亿元历经30年的发展，绿城中国总资产规模超5000亿元，净资产规模超1100亿元，“绿城”品牌价值1176 绿城中国坚持“品质为先”的理念，先后引入九龙仓集团、中交集团作为战略性股东，以打造“Top10 中的品质标杆”为核心目标，布局重资产、轻资产、“绿城+”三大板块。绿城中国控股有限公司（以下简称“绿城中国”），1995年成立于杭州，是中国领先的优质房产品开发及生活综合服务供应商，以优质的产品品质和服务品质引领行业。企业简介: 吴涛绿城中国人事共享中心负责人《进化：AI 时代 HR 的价值突围》作者一、企业对AI技术的接受度：从全员赋能到职能落地的双重驱动在AI技术浪潮下，绿城中国以开放、积极的姿态拥抱变革，将AI布局视为组织演进的重要议题。HR通过“ 全员赋能+职能落地”的双重路径，构建出“愿用、能用、好用”的AI应用生态，为HRSSC的价值升级奠定了坚实基础。 ● 公司层面：多维举措推动全员AI认知与实践落地为了让AI思维真正走进组织，公司形成了从认知普及—实践培育—荣誉激励的完整闭环，推动AI从理念变为工具、从工具变为习惯。 ▶ 认知与学习赋能：搭建“培训+大赛+社群”的三维学习体系，线上建设专属学习路径，线下开展专题培训，形成覆盖2000余人的AI内部学习社群，持续推送知识科普与实战案例。公司累计组织超万人次实战培训，让“AI 是手边工具，而非遥远技术”成为全员共识。 ▶ 实践与认证培育：通过AI认证工作坊与“AI+业务”共创营，培育300余名AI种子人才与150余位认证创作师，沉淀数百个落地案例，让AI真正从“概念”走向“生产力”。 ▶ 荣誉与激励保障：将“AI创作师”认证纳入公司荣誉体系，在OA平台电子“荣誉墙”展示成果，并通过创作大赛提供物质与精神双重激励，形成“学习—应用—认可”的正循环。 ● HR职能层面：聚焦数据资产与产品开发深化AI价值 HR作为AI落地的关键执行者，聚焦“数据资产建设”和“产品化应用”，推动技术与业务场景的深度融合。 ▶ 夯实数据资产：AI并不具备“自动决策”的能力，它无法凭空判断一个团队是否低效，或某位员工即将离职。它所有的洞察与判断，都建立在HR所提供的数据之上。AI时代的“三驾马车”是算法、算力与数据。算法已因ChatGPT取得突破，算力门槛正被DeepSeek等平台快速降低，此时真正决定HR 能否释放 AI 价值的，是能否补齐“数据”短板。 ▶ 深化产品思维：HR以产品为触点连接业务，沉淀真实、动态的数据资产。绿城中国HRSSC团队自主开发AI应用，如“调薪助手”——基于调薪矩阵定位员工价值，结合绩效趋势与人才盘点动态修正，并融入离职预测、文化契合与动力意愿，实现调薪决策的智能预警与精准支撑。二、AI技术对三支柱职责的影响与HR能力升级要求 ● 对三支柱职责的重新定义 AI不仅在优化事务流程，更在深刻重塑HR三支柱的协作机制。如果说传统数字化技术的影响主要集中在HRSSC（及其背后的HRIS团队），那么AI的介入，则让转型从“后台”延展至“前台”，全面渗透至COE与HRBP的工作体系。它不仅让共享服务更加高效智能，也在政策制定、人才决策与战略支持中，赋予HR以数据洞察与智能判断的全新能力。以往，HRBP对组织氛围的把握往往依赖“体感”与经验判断；而今，这些隐性管理行为被系统化映射、量化追踪。这一转变背后，依托的是大量数据埋点、清洗与建模的深层治理工作。与此同时，AI 也正在重塑三支柱之间的协作逻辑——当数据团队与专家团队开始“双向奔赴”，共同支撑业务决策时，传统的权责边界与协作方式必然被重新定义。 AI的价值，不止于让事务更快，更在于让协作更深。它促使HR三支柱从“分段协作”走向“智能协同”，让每一个角色都能在数据的共用与智能的共创中，找到新的定位与价值。 ● HRSSC的能力升级方向一家餐厅在完成线上化后，不只是为了提高点单与收款效率，更是为了用数据理解顾客、重塑体验、带动销售增长。对HRSSC而言，AI的尽头，也不该仅仅是“更省人、更高效”。 ——节流之外，它能否能成为HR的“开源之力”？ HRSSC正从传统的事务处理中心，向“数据驱动型支持中心”转型。AI技术为HRSSC提供了基于数据辅助业务决策的可能性，如通过数据分析预警组织风险、支持管理者决策等。外部AI技术的快速发展也倒逼 HRSSC必须提升数据应用、系统构建与产品化能力。 ● 复合型人才的培养路径面对“既懂HR又懂AI”的复合型人才缺口，绿城中国HRSSC采取“加减法并举”策略。 ▶ 做加法：在团队内部推行“产品经理制”，系统培养从需求调研、产品设计到开发落地的全流程能力；通过资源倾斜与职业激励，推动团队从“流程执行者”向“产品运营者”转型。 ▶ 做减法：用AI产品降低对个人多技能依赖。例如绿城HRSSC团队自主开发的“合规助手”产品能事前预防95%以上的用工风险，减少30%沟通成本，显著降低HRBP的合规技能门槛，实现从“人力管控”到“智能防错”的跃升。三、AI驱动下HRSSC的实践：面向管理者、HR、员工的三类场景 ● 面向管理者：AI辅助业务决策，提升管理精准度场景：管理者驾驶舱，辅助科学管理 ▶ 场景流程：驾驶舱对于管理者的价值毋庸置疑，众多企业也早已完成了试点和布局。然而在实际应用过程中，业务侧的反响往往不及预期。究其原因，要让管理者真正形成使用习惯，需要三块拼图：数据有价值（指标能切中管理决策）；过程有提醒（场景化提示、及时预警）；使用够简单（信息易取、界面友好）。 ▶ AI赋能点：通过“AI问数”，管理者可直接以自然语言提问系统，快速获得答案，无需在复杂仪表盘中层层搜索，极大提升体验与响应效率。 ● 面向HR：AI优化工作流程，提升专业能力与效率场景：雇主品牌升级，一个人运营百万曝光 ▶ 场景流程：在短视频与社交媒体盛行的时代，雇主品牌的传播方式正从文字走向影像，从单点输出走向矩阵运营。品牌建设不再止于图文推送，而需要视频、推文、海报等多维内容协同发声。这对 HR团队的专业能力、执行精力与资源投入提出了前所未有的挑战。 ▶ AI赋能点：传统短视频拍摄受制于预算与人力，往往难以实现高成本的宏大叙事表达。AI技术的引入有效弥补了这一短板。例如，借助AIGC生成技术，绿城中国雇主品牌团队在部分视频上实现了 “零拍摄、全AI”的制作突破。 ● 面向员工：AI简化事务流程，提升体验便捷性与体验感场景：年假申请优化，自然语言交互的优质体验 ▶ 场景流程：传统请假流程涉及登录系统、填写表单、提交审批——每一步都在消耗体验。绿城中国HRSSC 团队通过AI赋能的年假申请优化项目，让这一高频事务回归“简单”。例如，员工只需在移动端以自然语言输入“今天下午请帮我请半天年假”，AI即可自动识别意图、校验假期余额、生成审批申请。 ▶ AI赋能点：AI通过语义解析，识别多样化表达（如“休假一天”“请个半天假”），并自动匹配至正确流程，极大降低使用门槛。 ● 核心挑战 1. 认知与心态挑战：HR对AI的接受度与转型意愿不足 ▶ 传统思维定式：在传统的数字化浪潮中，HR职能并未处于技术变革的“第一梯队”。面对AI的到来，部分成员仍缺乏直观的体感与应用经验，容易陷入“HR工作不适用于AI”的思维定式。部分从业者将 AI视为“竞争者”，而非“合作者”，纠结于“人和AI谁更强”的零和博弈，而忽视了更根本的问题——如何与 AI 协作，共同放大价值。 ▶ 转型落地鸿沟：这与三支柱转型初期的典型困境如出一辙——组织的期待明确，而个体的差异显著。部分HR即便认同AI的价值，也难以真正实现“知行合一”。他们在理念上拥抱变化，却在实践中当 AI 被嵌入系统、被运营成产品、被连接进业务，HRSSC不再是事务中心，而是组织智能的中枢平台——既懂流程，也懂算法；既连人心，也通数据。从流程的自动化处理，到政策的智能分析，再到业务的决策支撑，AI正在推动HRSSC以数据为核心驱动力，完成从“节流提效”到“开源增值”的价值进化。总结: 依旧沿用传统方式，用“过去的逻辑”操作“未来的工具”，导致转型流于形式。 2. 数据基础挑战：数据治理难度大，难以支撑AI运转 ▶ 数据治理痛点：AI的核心燃料是数据，但数据治理工作本身耗时耗力、周期漫长。许多企业范围模糊、路径不清——标准缺失、口径不一、责任不明。结果是数据反复清理、重复梳理，却始终难达治理标准，使得AI因“无料可烹”而难以发挥价值。 ▶ 数据流动障碍：在传统HR体系中，数据被割裂在招聘、绩效、薪酬等多个模块之中，形成“数据孤岛”。这些信息往往被视作“部门私有资产”，缺乏跨模块的流通机制。数据无法形成全景视图，也就难以支持AI进行全局建模与智能分析。AI再强，也只能“盲人摸象”。 3. 落地触达挑战：缺乏产品与流程支撑，AI难以触达员工 ▶ 产品转化缺失：即便拥有数据与AI技术，若未将其转化为HR专属产品（如类似“豆包”的交互工具等），则缺乏触达员工的“界面”，员工无法便捷使用AI功能，AI也无法收集反馈数据。 ▶ 流程与信息化断层：AI产品落地需配套的流程支撑（如请假流程与AI的对接），同时依赖信息化系统实现数据互通，若流程未优化、信息化未同步升级，AI产品将沦为“空壳”，无法实际运转。 AI落地的阻力，从来不在技术本身，而在认知、数据与执行之间的“断层”。唯有打通这三道关口——让心态先转型、让数据能流动、让产品可触达，AI才能从“技术风口”变为“组织能力”，让HR真正成为智能时代的价值创造者。 AI 在罗氏的实践探索蒋漪昀 Luc Jiang 罗氏 People Insights Portfolio Lead 一、业务驱动：全员 AI 应用的起点罗氏内部始终持续推进AI应用创新，其中Big Ideas是聚焦产品研发核心业务领域的重大创新项目。正是这些业务层面的AI创新诉求，带动着员工日常工作管理模式不断迭代升级。为了让创新落地到每一位员工的工作中，提升整体效率，罗氏推出了全员可参与的AI应用层级——Everyday AI，作为全员接触和使用AI的首要载体。二、Everyday AI：全员上手的轻量化AI应用罗氏将Everyday AI定位为全员可参与的轻量化应用，核心聚焦日常工作效率提升，鼓励员工主动探索，快速实现小模型（MVP）或试点验证，不需要大规模资源投入。该层级的典型场景包括邮件草稿撰写与分类、 PPT思路梳理、演讲稿初稿生成、简单信息总结与格式处理等。全员应用AI，核心要解决两大关键问题：一是如何让每位员工都能熟练使用，二是在全员普及的场景下，如何保障数据的安全性与合规性。针对这两个核心痛点，罗氏均制定了相应的落地机制，为AI全员化应用提供有力支撑。 ● 能力赋能：让全员会用AI的落地机制为让全员有效掌握AI工具，罗氏建立了完善的员工AI素养培养机制。推行6周AI强制培训，覆盖“从0 到入门”与“从入门到精通”两个阶段，通过线上自学与实操讲解结合的方式，重点培训企业内部AI工具（如Google套件等）使用、NotebookLM应用及AI工具制作等技能。同时，明确引导路径，鼓励员工通过 Everyday AI验证小想法。 ● 风险防控：数据安全与合规的保障措施数据安全与合规是全员应用AI的关键前提。为此，罗氏建立了严格的数据部署体系，将数据按“C1- C4 级保密程度+个人敏感数据/个人数据/非个人信息”划分为12种组合，明确不同场景下的可用数据范围。规范工具使用规则，允许员工使用公开信息探索非官方AI工具；针对国内法律法规限制，使用本地模型部署，有效规避合规风险。三、Reshape AI：聚焦痛点的流程优化应用 Reshape AI是在Everyday AI实践基础上的进阶推进，核心目标是深度优化各类关键痛点流程，需要投入一定资源并开展ROI验证，它主要针对两类情况：一是复杂需求用轻量化AI无法解决的高频场景，二是数据量大、必须通过自动化手段处理的流程。目前Reshape AI在人力资源管理中的核心场景主要有三个： ● Job Evaluation Tool（AI辅助职级评定系统）：解决公平与效率难题 ① 痛点问题：传统职级评定存在跨地区沟通难度大、流程效率低、结果公平性不足等问题。 ① 具体流程重塑（如图1、2）：用户上传岗位名称（Position Title）、工作描述（JD），可选填上级（Manager）、所在国家（Country）等信息；AI生成预测职级、职级范围、最终确认职级及匹配的岗位画像推荐；用户对结果有异议可反馈调整方向，AI 重新计算；系统支持批量上传多岗位数据、生成并导出结果。 ① AI具体赋能点：基于历史职级数据进行智能分析与预测，快速输出匹配结果；支持用户反馈后的再次进行计算，灵活调整优化结果，同时借助批量处理功能，大幅提升大规模职级评定的整体效率。 ① 评估维度与成果：每年可以节省约2,000人时，评定结果争议率也显著下降。 ● Employee Survey Comment Analysis（员工反馈AI分析系统）：快速抓取核心诉求 ① 痛点问题：传统员工反馈分析需人工分类处理数万条开放式评论，耗时久且效率低，而且难以快速提炼核心问题的具体原因，无法及时为决策提供支撑。 ① 具体流程重塑：搭建基于大语言模型的分析系统，处理上万条员工评论；系统按“不赞同、中立、赞同” 分类统计评论数量，分别总结“不赞同”和“赞同”的前三条核心观点；生成结构化分析报告，直接呈现员工反馈核心内容。 ① AI具体赋能点：借助大语言模型，既能快速智能化处理海量员工评论，替代人工完成分类统计，又能精准提炼核心观点，清晰明确员工的真实诉求与问题本质，同时大幅缩短分析周期，实现对员工心声的实时洞察，为管理层高效决策提供及时有力的支撑。 ● Conversational BI（对话式人力资源数据分析）：让决策更高效 ① 痛点问题：传统模式下管理层需依赖HR团队生成BI报告，获取数据需手动操作，易因筛选条件错误导致数据偏差；BI报告仅呈现大量图表，聚焦“过程”，管理层需要自行解读，无法直接获取“结论”。 ① 具体流程重塑：计划推出对话式系统，管理层通过语音或文字直接提问（如“本年度至今的滚动离职率）；AI 自动识别提问中的计算逻辑、时间范围与部门范围，快速处理数据；直接返回精准数据结果，必要时生成简洁图表并标注数据来源，无需人工中间环节。 ① AI具体赋能点：通过自然语言交互，简化数据获取流程，替代传统手动操作与报告生成环节，还能自动识别需求与处理数据，减少人为操作失误，提升数据准确性，最后可以直接输出结果与必要图表，省去管理层自行解读的步骤，快速提供决策参考依据。罗氏在人力资源领域的AI实践探索，核心路径是用技术承接基础数据工作——无论是Job Evaluation Tool依托历史数据做职级预测与批量处理、Employee Survey Comment Analysis借大语言模型处理海量评论，还是Conversational BI通过自然语言交互简化数据获取，均以AI高效完成数据处理、分析、结果输出等基础环节，大幅优化HR关键流程效能；同时始终坚守“保留人工对最终结果的判断与决策权限”的底线，既发挥了AI的效率优势，又保障了决策的合理性与合规性，形成了技术赋能与人工把控相平衡的实践模式。图 1 Job Evaluation Tool 1 图 2 Job Evaluation Tool 2 AI赋能人力资源三支柱模式：平安人事共享中心的实践探索的集约化、精细化发展奠定了坚实基础。领域延伸，不仅为集团各子公司提供更具前瞻性的人力资源经营支撑，也为平安集团人力资源管理体系为核心驱动力，持续推动服务模式升级，逐步向人才数据分析、人力成本优化、员工体验提升等增值服务平安人事共享中心（又称“平安金服人才服务中心”，简称“人服”），为集团旗下三十余家子公司提供员工关系、薪酬福利以及招聘等全流程基础人事服务，支撑各公司人力资源经营。中心始终以数字化转型打造中国领先的综合金融服务公司，既是平安集团的综合金融智慧服务平台，也是面向市场开放的综合金融解决方案提供商。致力平安金服全称深圳平安综合金融服务有限公司，是平安集团金融服务生态圈的重要成员。平安金服企业简介: 洪晖平安金服人才服务中心副总经理一、AI技术在企业的接受度与整体推进情况 ● 技术战略定位平安金服作为平安集团“金融+科技”、“金融+生态”战略的核心落地载体，将AI技术定位为“业务提效与体验升级的核心引擎”而非单纯的工具性技术。其AI战略兼具“集团协同性”与“业务适配性”：一方面，依托平安兄弟公司等的基础研究能力，快速同步行业前沿AI技术；另一方面，聚焦业务场景，优先将AI应用于高重复、高数据量、高合规要求的环节，形成“技术赋能业务、业务反哺技术迭代”的闭环。 ● 组织执行与推广从实践来看，AI技术推进的高效落地，核心依托两大关键支撑：一方面，源于公司自上而下的强战略传导与执行文化，新的AI技术出现后可以快速穿透至各业务部门，并在公司层面投入部署资源；另一方面，各部门开展AI专项探索，结合自身业务场景梳理AI应用需求，形成“上层有导向、中层有行动、基层有落地”的全公司AI实践氛围，而非单一依赖员工个体执行力。二、AI技术的应用模式与平台建设 ● 技术引入方式平安人事共享中心依靠内部自研核心技术为先，必要时进行外部合作： ▶ 自研技术为主：特别是在人工智能、区块链和云三大核心技术领域，倾向于依托内部兄弟公司开发的技术解决方案，以保持技术的自主性和创新性。 ▶ 外部合作为辅：在确保外部技术符合集团的技术标准和安全要求下，在一些小的、特殊的应用场景下，考虑引进外部技术合作，比如图生图AI技术。 ▶ 客户需求为导向：技术策略始终以满足客户需求为目标，无论是自主研发还是外部合作，都是为了更好地服务客户，提升客户体验和业务效率。 ● 数据安全与部署策略在AI技术应用以及外购过程中，我们非常重视数据安全和合规性，确保应用及外购技术中不会带来安全风险，符合相关法律法规： ▶ 部署模式：核心AI模型与数据均采用“本地部署”，各部门购买专属资源服务器部署智能体、模型等，避免数据外流。 ▶ 权限管控：建立“多层级权限切割”机制，按“部门-岗位”划分权限，普通员工仅能访问本人相关流程数据，所有数据操作留痕。 ▶ 合规校验：在处理和应用员工数据时，必须严格遵守个保法等的相关规定，确保数据的收集、存储、使用、传输等环节均符合法律要求，从而保障员工个人信息的安全性和隐私权。三、AI对三支柱的影响及人员能力分层 ● 三支柱定位变化平安人事共享中心认为AI技术并未改变HR三支柱（HRSSC、COE、HRBP）的核心定位，而是强化了各支柱的价值边界与协同效率： ▶ HRSSC（共享服务中心）：在基础事务处理职责的同时，新增AI相关职能，向“事务处理+智能运营”双职能模式延伸——重复事务由AI承接后，HRSSC团队将精力聚焦于处理复杂个案、流程优化（如调整智能审核规则以提升准确率）、员工体验升级（如基于AI反馈优化服务流程），进一步强化“高效服务枢纽” 的价值。 ▶ COE（专家中心）：基于AI的助力，制定更前瞻的人力资源策略，丰富“政策专家”的角色内涵。从传统的政策制定者，转向战略引领者、创新主导者、风险挖掘者，实现主动预测和解决问题，使其在组织中发挥更为核心的作用。 ▶ HRBP（业务伙伴）：新增AI需求协调与问题反馈职能，升级“业务桥梁”的作用——HRBP基于对业务部门的需求了解，协调COE与HRSSC实现更智能化的落地，同时反馈AI应用中的问题（如智能客服回答偏差），成为“业务与AI技术的桥梁”。 ● 岗位结构变化 AI应用推动HRSSC岗位结构从“劳动密集型”向“技术密集型”转型： ▶ 岗位调整：原“材料审核岗”“社保申报岗”等纯事务性岗位持续缩减，新增“AI运营岗（监控AI处理效率、调度机器人等）、“智能体搭建岗（开发轻量化应用）、AI训练岗（调教AI）等岗位。 ▶ 人才适配：分层培养，根据岗位、员工情况确定技能地图，以满足AI技术在业务中快速应用、落地。针对现有老员工（如入职10年以上、年龄较大者），不强制要求技术能力，发挥其业务经验优势，实现“人岗匹配+平稳过渡”。 ● 员工AI能力分层基于“业务需求+技术门槛”，平安人事共享中心将HRSSC员工的AI能力划分为三级，形成“金字塔式”能力结构：能搭建简单智能体（调用接口、编写基础规则），看懂代码，协助技术团队进行小模型训练能梳理业务场景需求（如识别审核环节痛点），参与 AI 应用测试与优化，理解基础AI 逻辑四、AI在具体场景中的应用实践 ● 流程自动化探索能使用智能体完成基础工作（如生成会议纪要、查询流程进度），可识别 AI 处理异常并上报平安人事共享中心的AI流程自动化遵循“从环节自动化到全链路自动化”的路径，当前重点突破以下场景： ▶ AI智能审核：覆盖员工入职材料（学历证书、离职证明）、假单材料——通过NLP小模型识别证件照、学历证书等标准材料；大模型语义解析非标材料，如离职证明条款（如是否有竞业限制）；规则判断引擎匹配内部政策。自动化处理率达90%以上，剩余10%非标件（如手写证明）转人工复检。 ▶ 个税申报黑灯：尝试实现“数据源接入-税种判断-零申报识别-扣税项匹配-申报提交”全流程无人化—— 通过智能引擎衔接、调度多个AI工具，实现数据流转、状态同步。前端通过AI智能助手，自动与机构HR 完成交互，确认相关信息。中间通过规则引擎结合数据中台，完成各项规则判断和数据处理，如是否需零申报、是否有其他劳务报酬等。最后，调用RPA机器人，自动完成申报。 ▶ 员工咨询响应：基于内部NLP小模型+通用大模型，搭建智能咨询助手，覆盖社保政策、流程进度等问题。即先通过小模型结合FAQ库，进行精准问答。如未命中，则调用大模型结合业务知识库进行问答。简单问题（如“社保缴费基数”）解答准确率达95%，复杂问题转接人工，且AI会同步推送历史交互记录与相关政策，提升人工响应效率。 ● 手、脑、嘴、眼四类替代场景结合HRSSC业务特性，平安人事共享中心将AI替代场景分为四类，各场景的替代程度与应用重点不同： ▶ “手”的替代（机械操作替代）：替代人工点击、录入等重复操作，例如通过RPA+AI实现社保官网自动申报 ——原需人工逐一录入、提交的社保申报，现由AI按批次处理，提升效率。 ▶ “眼”的替代（信息识别替代）：替代人工识别文档、图片信息，核心应用OCR技术，例如学历证书审核、业务骨干场景挖掘层 % 业务一线基础应用层 % 化数专字家深度开发层 % 离职证明关键信息提取。 ▶ “嘴”的替代（语音/文字交互替代）：替代人工咨询响应，通过智能客服实现“7×24小时”文字/语音交互，例如员工咨询“公积金提取流程”，AI可实时解答并推送操作指南。 ▶ “脑”的替代（规则判断替代）：替代人工基于处理规则的判断，例如入职资格审核（判断是否符合学历要求）。 ● 场景定义与流程重塑 AI应用并非简单替代人工环节，而是重构原有流程逻辑，核心原则是“打开环节、人机协同、简化流程” ： ▶ 场景定义方法：采用“流程拆解+痛点识别”模式——将原有流程拆分为最小环节（如审核拆分为“文档上传- 信息识别-规则判断-结果反馈”），评估各环节的“人工成本+AI可行性”，优先选择“高成本+高可行性”环节定义为AI应用场景。 ▶ 流程重塑案例：以“员工入职材料审核”为例，原流程为“员工提交材料→人工识别→人工判断→反馈结果”，重塑后为“员工提交材料→AI识别+AI判断→异常项人工复检→反馈结果”，减少2个人工环节。五、挑战与应对策略 ● 模型稳定性与信任问题 AI模型的“幻觉”与稳定性不足是核心挑战，具体表现为：智能客服偶尔答非所问、智能审核对非标文档识别准确率低，导致对AI结果信任度不足。应对策略 ▶ 小模型+大模型双层过滤：先通过小模型结合FAQ库，进行精准问答。如未命中，再调用大模型进行回答，将AI应用限定在特定场景，避免调用大模型的泛化能力——例如智能客服仅基于内部政策库回答，不接入外部网络，减少“幻觉”。 ▶ 来源说明：如通过大模型进行回答，必须带出信息来源，附带原文链接；同时在页面上充分提醒“此内容由AI生成，仅供参考”。 ▶ “AI+人工”双层校验：关键环节设置人工复检，排查模型问题。 ● 复合人才短缺问题 “懂人事业务+懂AI技术”的复合型人才缺口显著，市场上此类人才供给少，且内部培养周期长——现有团队中，具备基础AI应用能力且能参与智能体搭建的员工占比少。应对策略 ▶ 人才筛选与分层培养：从现有团队中挖掘“业务敏感度高+技术学习意愿强”的员工，优先选择有流程优化、数字化项目经验的骨干；构建“T形人才模型”，以“人事专业度”为纵轴，AI 应用能力、数据能力、流程设计能力、产品思维”为横轴，实现“1+N能力叠加——例如对流程设计能力突出的员工，额外培训AI 场景拆解与智能体搭建；深度开发层员工需学习代码课程，借助AI代码工具辅助开发。 ▶ 学习形式与认证激励：采用“理论+实践+竞赛”结合模式：理论培训（AI基础原理、行业案例）由专业技术团队授课；实践项目（如智能审核场景优化）在部门内支持组织各类功能组，在业务中产出实际成果可获得数字化认证；参加集团、公司内组织的各类竞赛，以赛促学。以AI驱动HR价值升级：神州数码集团 HR 部门 AI 转型实践企业AI就绪，助力企业构建AI时代的核心竞争力和新增长曲线，全面推动社会的数字化、智能化转型升级。商等行业客户提供泛在的敏捷IT能力、融合的数据驱动能力和全栈AI服务能力，推动AI企业场景落地，加速 AI驱动的数云融合”战略和技术体系框架，围绕“AI for Process”在云原生、数字原生、AI原生和多元异构算力上架构产品和服务能力，为处在不同数字化转型阶段的快消零售、汽车、金融、医疗、政企、教育、运营第29位。 “ 致力于成为领先的数字化转型合作伙伴，神州数码围绕企业数智化转型的关键要素，开创性的提出 (2024)第186位，《财富》最受赞赏中国公司全明星榜(2024)第43位，《福布斯》中国数字经济100强(2022) “数字中国”为使命，锐意变革，砥砺前行，始终坚持以全球领先科技和自主创新核心技术赋能产业数字化转型和数字经济发展。神州数码2024年全年营业收入实现亿元，位列《财富》中国500强榜单码以神州数码集团股份有限公司（简称：神州数码；股票代码：）。从2000年成立伊始，神州数企业背景与数字化基因: 徐晓伟神州数码集团 DHR（人力资源数字化）总监一、公司对AI技术的战略定位与拥抱态度 ● 企业对AI技术的拥抱度 ▶ AI转型战略布局：当前神州数码持续深化AI驱动的数云融合战略，驱动基于AI的转型升级，公司对于 AI高度重视。在具体实践层面，神州数码以自主研发企业级Agent中台产品“神州问学”为核心抓手，推动全栈AI能力布局和转型。 ▶ AI理论及文化：神州数码集团董事长郭为先生在《哈佛商业评论》中文版刊发的《AI for Process：AI企业落地之路》一文中，深入剖析了当前人工智能发展的不同路径，前瞻性地提出“AI for Process”理念，认为“AI for Process”是AI技术实现企业落地的关键跃迁。此外，郭为先生还以《AI for Process：AI企业落地之路》为题，在第八届数字中国建设峰会等多个场合发表主题演讲，阐述人工智能技术在企业数字化转型中的应用逻辑与实践方向。公司积极构建开放包容的创新氛围，鼓励员工自主运用AI 技术。各部门结合业务实际探索AI场景，形成了自上而下推动、全员实践应用的AI发展格局。 ▶ 全民学习和认证：为夯实全员AI能力基础，公司开展各类不同级别的能力认证，将基础AI能力纳入员工必备素质范畴。 ● 对于HR体系AI技能的掌握要求和机制赋能： ① 能力掌握： ① 需明晰AI相关概念及核心区别，夯实认知基础； ① 掌握当下市场主流AI工具，结合 HR日常工作（简历初筛、培训方案设计等）进行应用场景的挖掘； ① 要求学会运用结构化提示词框架（角色代入+背景说明+需求指令）使用AI工具； ① 部分人员需通过生成式AI生成简单程序，以支撑HR数字化工作。 ① 机制赋能： ① 部门赋能：针对HR对AI认知混淆问题，开展覆盖全集团人力资源体系为期2-3个月的AI实战工作坊，分阶段推进以便其掌握--先扫盲厘清AI/生成式AI/Agent等概念，再实操，最后筛选落地场景； ① 激励支持：AI应用成果与企业文化积分挂钩（如用AI优化薪酬方案可获积分）；鼓励HR依托公司 “神州问学”产品搭建/运用Agent，并积极营造开放氛围支持技能提升； ① 人才储备：聚焦“懂HR+懂技术”复合型人才（如DHR），通过设立数字化团队，内部轮岗机制以进行人才培养和储备。二、AI技术驱动的HRSSC定位重塑与价值升级在神州数码，AI技术的应用正推动着HRSSC实现从传统事务处理向战略支撑角色的显著转变。这一转型不仅提升了整体的运营效率，也重新定义了HRSSC在整体三支柱模型中的价值定位。 ● HRCOE聚焦战略，HRBP深入业务，HRSSC提供数据支撑神州数码进一步明确三支柱架构的分工与协作机制： ▶ HRCOE保持“小而精”模式，专注于战略规划、政策制定与复杂问题处理； ▶ HRBP团队深入业务一线，协助解决实际业务问题，并在组织调整、人才优化等场景中依托SSC提供的数据支持； ▶ HRSSC作为数据与流程运营中心，不仅高效完成事务处理，还持续为HRCOE和HRBP提供可靠的数据赋能，支撑战略落地与业务执行。 ● HRSSC：从事务处理向战略支撑转型在这一清晰的分工体系下，HRSSC实现自身角色升级： ▶ 事务性工作大幅减少：通过RPA技术、AI智能问答系统（如“超级员工”）实现常规查询、审批、数据导出等任务的自动化，显著释放人力； ▶ 强化数据洞察力：逐步扩展职能，尝试提供动态数据分析、趋势预测等增值服务，直接为管理决策提供科学支持。在这一过程中，HRSSC不再局限于传统支持角色，而是依托数据驱动与智能技术，成长为连接战略与执行、支撑业务决策的关键单元。三、双轮驱动：智能客服提升体验，智慧决策赋能HR 在AI赋能HR转型过程中，神州数码聚焦于员工体验提升与HR管理者工作提效两大方向，分别通过智能客服类应用和智慧决策类助手实现落地。 ● 已落地的实践应用 ▶ 超级员工神州数码以自主研发的“超级员工”智能服务平台为核心，构建了一套覆盖人力资源、财务、办公、行政等多职能领域的员工自助服务体系。该系统经过三年多的持续迭代与优化，支持自然语言交互，显著提升了员工查询与事务办理的效率和体验。 ① 主要功能包括： ♦ 智能问答：员工可通过自然语言提问，查询问题，系统基于企业知识库提供实时解答； ♦ 业务自助办理：员工无需登录多个异构系统（如会议室预订、财务报销等），直接通过对话完成申请提交与订单生成，支持会议室预定、差旅行程提交等操作类需求。 ① 实施策略与挑战应对：在落地过程中，团队坚持最小可行产品（MVP）思路，优先推出基础功能，在实际使用中持续迭代优化。项目启动初期并不追求完美，而是先让系统运行起来，在实际业务场景中收集反馈。系统上线之初，生成结果可能存在不准确或不符合预期的情况，甚至出现明显错误。团队通过不断优化提示词、增加样本训练量，以及预设业务规则与阈值判断等手段，使答案的精准度提升到95%以上。 ▶ 智能人才助手侧重于通过对话式查询，快速从海量结构与非结构化数据中提取人才信息。系统通过自然语言解析与数据检索，直接返回结果，显著降低数据使用门槛，提高人才管理的精准与效率。面对生成式AI固有的“幻觉”问题，团队保持务实态度，在采用技术手段尽量降低误差的同时，也明确使用边界。所有AI生成结果页面统一标注“这是AI自动生成的，谨慎参考”，既尽到告知义务，也规避部分责任风险。 ● 下一步探索与实践在HR管理侧，AI应用正从事务自动化向数据驱动决策深化。当前，神州数码正重点推进四大自研AI 场景的落地与推广，具体包括智能招聘助手、智能人才助手、智能周报助手和智能分析助手。 ▶ 智能招聘助手智能招聘助手是当前投入最大、预期成效最显著的AI应用。该领域聚焦于招聘，因其业务流程成熟、历史数据完整，且传统招聘中简历筛选与人岗匹配等环节重复度高、人工负担重，尤其在校招等大规模场景中更为突出。神州数码HR团队坚持以自主研发为主，重点实现岗位画像、简历初筛及人岗匹配等功能，旨在将HR从繁琐基础操作中解放，同时推动AI能力在企业内部有效沉淀。 ▶ 智能人才助手基于灰度上线所积累的反馈数据，神州数码HR团队正从产品性能优化、多模态能力拓展、上下文记忆强化等多个维度进行智能人才助手的深度迭代，以进一步提升人才识别与筛选过程的流畅性，使AI辅助功能更加贴合HR的实际场景需求。未来，通过融合岗位关键词提取、候选人能力图谱构建及相似案例推荐等技术，智能人才助手将实现从“被动筛选”到“主动推荐”的能力跃迁，显著提高人才识别的效率。 ▶ 智能周报助手深度集成第三方办公平台，自动抓取用户日程、会议记录及任务完成情况，通过生成式AI技术自动提炼和汇编周报内容。极大减少了员工花费在撰写周报上的时间，尤其适用于高频汇报的工作环境，是对员工日常办公效率的重要提升。 ▶ 智能分析助手 ① 发展路径： ♦ BI阶段：系统主要完成数据可视化与指标呈现； ♦ 模型阶段：引入数学算法，提供数值指标与初步分析； ♦ AI阶段：基于历史报告与数据进行训练，输出诊断性与预测性分析。尽管目前AI阶段的洞察仍需专业校验，且训练过程长期而复杂，但其代表着智能分析从描述向诊断和预测的演进方向。该助手是实现智慧决策的核心工具，为薪酬管理等业务决策提供数据驱动的深度洞察与预测支持。值得一提的是，神州数码HR团队在确定AI应用的优先落地场景时，主要综合考虑三个方面：一是该场景是否具备良好、健全且积累充分的数据基础，以支持有效的模型训练与验证；二是能否切实帮助HR提升工作效率，尤其针对重复性高、工作强度大的痛点环节；三是是否对业务具备较高的赋能价值，能够直接支撑业务增长与管理决策。基于以上维度重点推进，确保AI项目兼具可行性，实效性和战略意义。四、挑战与应对：AI应用的典型难题与破解之道在AI落地过程中，神州数码HR团队同样遭遇了来自组织、技术和价值三个维度的典型挑战，并探索出了一套系统的应对之策。 ● 组织与人才挑战：认知差异与复合型人才短缺 ▶ 挑战表现： ① 员工认知与接受度差异大：年轻或中高层管理者普遍拥抱变化，而部分高龄或从事基础工作的员工因学习动力不足、畏难情绪等，对使用新工具存在抵触情绪。 ① 复合型人才极度稀缺：既精通业务（如HR的薪酬、招聘等专业领域知识）又掌握技术（数据分析、 AI原理）的“翻译官”型人才市场难寻，内部培养周期长、成本高，且成熟后流失风险大。 ▶ 根源剖析： ① 转型初期，数据“喂养”、模型训练等额外工作负荷压在基层员工身上，但其难以立即感受到AI带来的便利，导致投入产出感失衡，配合意愿低。 ① 数字人才是市场争夺的焦点，纯技术或纯业务人才无法有效沟通，推高了项目沟通与管理成本。 ▶ 破解之道： ① 顶层制度设计与价值利诱相结合：通过实施全员“青铜AI架构师”认证等制度，迈出学习第一步。同时，设立专项项目管理角色，严格审核数据质量，一旦产出成果（如精准的数据洞察报告），立即让参与员工看到价值，将其工作从“要我做”转变为“我要做”。 ① 搭建“业务-技术”翻译官桥梁机制：例如在HR部门内设立专门的数字化团队（如数字中心），成员专职负责在HR与技术部门间进行沟通、翻译与项目管理。同时，通过“青年人才计划”等内部轮岗机制，有意识地选拔和培养具备潜力的复合型人才。 ● 技术与业务融合挑战：“语言”不通与数据治理瓶颈 ▶ 挑战表现： ① 培训效果不佳：初期由技术专家主导的培训偏重原理，HR业务人员感到晦涩难懂，与实际工作脱节，导致学不致用。 ① 数据治理与安全挑战：AI应用依赖于高质量、标准化的数据。但业务数据分散、口径不一，且涉及敏感信息，数据整合与治理难度大，安全风险高。 ▶ 根源剖析： ① 技术团队与业务部门之间存在深厚的“语言壁垒”和思维差异，缺乏有效的协同机制，导致技术方案无法精准匹配业务痛点。 ① 高敏感数据的安全性要求高，这类数据的特点决定其基础积累较为薄弱，缺乏统一的数据治理体系，且相关合规部门对数据安全的使用也存在顾虑。 ▶ 破解之道： ① 推行“场景化、业务化”的培训改革：彻底摒弃纯技术讲座，全部采用HR实际工作场景中的案例进行教学（如用AI编写JD、分析离职率），确保培训内容“听得懂、学得会、用得上”，核心目标是“用起来”而非“懂原理”。 ① 建立数据隔离与协同治理机制：针对高敏感数据，建立独立的数据库并进行严格的权限隔离与脱敏处理。组建由HR、IT、数据部门组成的联合项目组，共同制定数据标准、使用规范和安全流程，在保障安全的前提下推动数据价值挖掘。 ● 价值验证与投资回报挑战：如何证明AI的价值 ▶ 挑战表现： ① 价值呈现困难：如果AI应用仅局限于HR部门内部的效率提升（如HRSSC流程自动化），其对公司整体业务的贡献价值难以量化，在“降本增效”的大背景下，难以争取充足的预算和资源支持。 ▶ 根源剖析： ① 业务部门是公司的价值核心，若AI项目不能与业务绩效强关联、直接赋能前线，其战略重要性和投资优先级就会降低。 ▶ 破解之道： ① 坚持“赋能业务”为第一性原理：所有HR数字化项目的立项初衷和最终检验标准，都必须是直接支持业务增长和效率提升（例如，智能人才助手为业务部门快速精准匹配候选人，薪酬数据分析为业务决策提供洞察）。 ① “绑定业务+打造标杆”双路径推进HR的AI转型：主动对接业务部门自主发起的AI探索项目，以协作伙伴与资源支撑者的身份深度参与。将HR的AI项目嵌入业务价值链条，依托业务场景需求争取资源与支持，在助力业务目标达成的同时，同步实现HR AI项目的落地与价值兑现。同步拓展支撑业务对外输出的解决方案类项目，在人力资源专属领域内率先完成AI转型突破。通过实战沉淀可复用的经验与成果，将HR部门打造成企业内部AI转型的最佳实践标杆，反向赋能更多业务场景。的智能匹配，推动业务向“买卖俱精”的精细化、智能化方向演进。面，逻辑也由过去依赖客户代表寻找商机，转变为由企业智能体贯穿核心流程，实现客户需求与企业供给敏捷网络型组织，例如整合成立“新奥新智”等新型单元，专门负责企业智能体的构建与运营。在业务层构建并对外输出“能力”的关键载体。相应的，集团的组织架构也从传统的科层制转向以智能体为核心的为响应集团创始人提出的从“卖能源”到“卖能量”再到“卖能力”的战略转型，新奥正全面推进以AI 为核心的组织与业务重构。在这一战略指引下，企业将AI驱动的“企业智能体”视为沉淀数十年业务经验、通过构建清洁低碳、安全高效的现代能源体系，新奥不仅为超过千万的家庭与企业客户提供可靠的能源服务，更致力于创造经济、社会和环境共享价值，立志成为引领行业变革的全球标杆企业。级。集团始终将创新作为核心驱动力，积极投入科技研发，致力于推动能源产业的低碳转型与数字化升源以及与之协同发展的企业数字化和生命健康领域。，集团始终秉持“创建现代能源体系、提高人民生活品质”的企业使命，业务网络遍布中国及海外多个市场，已发展成为中国规模领先的清洁能源分销商之一。其核心业务覆盖天然气、综合能源服务、绿色能年来新奥集团（以下简称新奥）成立于1989年，是一家以清洁能源为核心业务的创新型集团企业。三十余企业简介: 魏涛新奥集团 HRSSC 总经理闫明新奥集团 DHR 负责人一、AI战略实施的准备与支撑为保障AI战略的有效落地，新奥在技术投入与组织能力方面做了系统性准备，主要体现在人才储备与人员培养两个层面： ● 人才储备先行布局：集团在AI与数字化能力建设上已进行五到十年的前瞻性人才布局，覆盖技术平台搭建、企业级智能体开发及行业应用等多个层面，为战略推进奠定坚实的人才基础。 ● 人员培养体系化推进：通过“新奥智学”等平台，开设智能体搭建等相关课程，并借助每日Tips、账号开通等具体措施，赋能员工自主开发垂直场景的智能应用，持续提升全员的AI应用能力。二、企业对AI技术的关注度与拥抱程度战略引领不仅为新奥的AI转型指明了方向，也深刻提升了组织对AI技术的关注度与拥抱程度。在这一战略推动下，新奥对AI的认知远超工具层面，将其提升至组织变革与核心业务战略的高度。与许多企业将AI视为新奥集团AI转型实践优化流程的“生产工具”不同，新奥将AI定位为驱动根本性转型的“生产力”。这一战略层面的共识，进一步体现为自上而下的文化认同与全员融入： ● 文化认同：从集团主席到一线员工，对AI的接受实现了“入心、入脑、入行”，普遍认为“取代你的不是AI，是比你更会用AI的人”，形成了积极拥抱变革、主动学习提升的组织氛围。 ● 全员融入：AI不再是可选项，而是“必须做的事”。集团推动“人民的战争”，要求五万名员工及生态伙伴都具备使用和调用AI工具的能力，将AI融入各自的工作角色与职责中。三、AI技术对HRSSC组织与能力的深远影响新奥的人力资源是以三支柱为基础架构的，即COE（专家中心）负责政策制定与专业支持，BP（业务伙伴）聚焦业务端人力资源需求对接，HRSSC（共享服务中心）处理标准化事务，三者核心定位虽不会因 AI 技术而改变，但AI在各支柱正在产生深刻影响，HRSSC也因此在发生巨大转变。 ● AI技术对HRSSC的影响 ▶ 从自动化到智能化的效率大提升：从之前的标准化流程处理，到现在AI的加持，使得HRSSC90%的标准化、事务性工作可以被替代，员工从入到出所涉及的全生命周期的事务性需求如合同签订、薪酬发放、社保缴纳、证明开具、离职办理等均可通过AI的加持大幅度提高运作效率与实现个性化需求满足，仅保留10%需人工沟通的复杂问题。 ▶ 从自动化到智能化的合规严控制：以前需人工判断与校验的风险点逐一嵌入产品，使得薪酬、社保、员工关系业务从流转之处就可规避风险，实现合规办理，降低用工风险。 ▶ 从自动化到智能化的体验新升级：自动化阶段的数据有时是断点的，AI时代的到来，使得数据之间相互贯通，如员工在提请假时，相关关键数据、温馨提示等均会自动带出给员工本人及审批伙伴，使得双方体验升级，业务无感运行。 ● HRSSC的转型方向 ▶ 从“事务处理中心”向“数据洞察中心”转变：AI让HRSSC积累的大量系统数据，可以通过智能数据分析与洞察，帮助预测分析与支撑战略决策。 ▶ 从“标准业务承接中心”向“初级HRBP专家”转变：HRSSC可将初级HRBP的职责划入共享中心，如离职方案设计、离职政策指引、离职面谈等，减轻 BP 基础工作压力，将BP的基础精力释放以更加聚焦业务。 ▶ 从“业务操作员”向“系统优化者”转变：当更多标准业务被智能产品承接后，共享中心需将更多的注意力转向数据治理、产品迭代与优化，确保 AI 工具与业务流程高效适配。 ● AI技术对HRSSC伙伴的新要求 ▶ 数智化思维：能梳理业务价值流，清晰判断业务与系统的适配逻辑以及现有业务纳入系统如何运作。 ▶ 数据洞察能力：借助分析工具挖掘数据价值，理解数据逻辑并分析；对数据变化、异常数据有感知力，可快速发现数据背后的问题。 ▶ 新技术应用能力：无需掌握AI研发、编程技能，但需熟悉AI工具的实际操作，如利用AI进行初步数据处理、规则匹配等。 ● HRSSC伙伴的能力培养方式 ▶ 外部交流与学习 ① 行业交流：参与人力资源数字化相关的行业会议，了解其他企业的 AI 应用方案，拓宽视野。 ① 资料学习：分享行业内数字化转型案例、文章、书籍，让大家掌握前沿实践与理论。 ▶ 内部激发与实践 ① 头脑风暴：通过内部会议梳理业务价值流，集体讨论系统优化方向，逐步培养数智化思维。 ① 项目实践：拆解跨部门、跨组织的数字化项目，让有潜质的伙伴牵头负责，在实践中提升协调、系统优化能力。 ① 针对性课程培训：开设逻辑思维、AI工具应用等专项课程，弥补员工在硬性能力上的短板。 ▶ 人员筛选与轮岗 ① 优先选拔有潜质的员工：招聘或内部筛选时，重点关注对新技术感兴趣、愿意研究、熟悉业务的人员。 ① 大学生轮岗培养：针对新人开展轮岗，让其在不同岗位中理解业务与AI工具的结合点，定向培养数智化能力。四、AI战略落地实践：从基础构建到HR“智办”的智能化转型在明确的AI战略指引下，新奥以“企业智能体”为核心载体，系统性地推进AI能力与组织业务的深度融合。其落地过程建立在技术、团队与流程三大基础之上，并逐步从概念构建走向具体业务场景的实践，人力资源领域的“智办” 正是这一战略的典型体现。 ● 实施基础：技术、团队与流程的协同支撑为确保企业智能体战略的有效落地，新奥在技术、人才和组织流程上构建了三大坚实基础： ▶ 技术基础：自研平台确保自主可控与数据安全。集团自主研发了“N牛”企业级认知平台，作为所有智能体的统一技术基座。该平台虽底层对接多种主流大模型，但通过严格的本地化部署和封装，确保了核心业务数据不出域，为智能体的规模化、安全化应用提供了可靠保障。 ▶ 团队基础：设立IT与业务双线运营机制。智能体的建设和运营并非IT部门的独角戏，而是形成了“IT 与业务双线协同”的模式。总部设有专业的IT团队负责平台底座与复杂技术攻关；各业务单元则配备了“AI 运营”角色，由业务专家负责本领域智能体的知识库更新与优化。 ▶ 流程基础：标准化业务逻辑的沉淀。企业智能体的“智慧”源于对现有最佳业务实践的萃取。例如，共享服务中心（SSC）长期积累的成熟工单处理流程、政策解答规范和海量历史问答数据，为智能体提供了高质量、结构化的学习素材，使智能化升级能在坚实的业务基础上高效推进。 ● 战略落地：HR“智办”的实践与价值在统一的战略与基础支撑下，各类垂直智能体应运而生。作为新奥自主研发的垂直领域智能体， HR“ 智办”是企业智能体理念在职能部门的成功实践。智能体在新奥被定位为承载业务逻辑、沉淀组织智慧的战略载体，能够通过自然语言交互、知识库调用与业务流程嵌入，自主完成特定任务。“智办”的核心目标，正是将这一理念应用于人力资源领域，实现员工服务的智能化与自动化。 ▶ 优先落地HR“智办”场景的关键逻辑 ① HR场景是全员高频需求的核心痛点领域：人力资源服务覆盖集团五万名员工及生态伙伴，政策咨询、证明开具、流程查询等需求高频且重复，传统人工响应模式效率低、成本高，难以匹配集团规模化运营与AI转型节奏，亟需通过智能化手段突破效率瓶颈。 ① HR数据是业务智能匹配的基础支撑：集团战略转型聚焦“买卖俱精”，核心是实现客户需求与企业供给的精准对接。“伙伴能力”“激励策略”等 HR 关键数据，是判断内部资源能否满足客户需求、核算业务价值的重要依据。落地“智办”可快速整合并调用这些数据，直接支撑业务决策，与集团核心战略诉求高度契合。 ① HR领域具备智能体试点的成熟条件：共享服务中心（SSC）长期积累了成熟的工单处理流程、政策解答规范及海量历史问答数据，业务标准化程度高，能为智能体提供高质量学习素材，降低试点难度，可快速验证企业智能体模式的可行性，为后续向其他业务领域推广奠定基础。 ▶ HR“智办”的落地路径与核心价值 ① 落地核心动作 ♦ 数据与规则的结构化整合：依托“N牛”企业级认知平台，将HR制度文件、操作手册、历史问答数据及“伙伴能力”“激励策略”等业务关联数据进行结构化处理，接入智能体知识库，确保 “智办”既能响应 HR需求，又能支撑业务数据调用。 ♦ 人机协同闭环搭建：构建“智能体自主响应—复杂问题人工补位—知识沉淀迭代”流程。日常咨询、简单事务由“智办”7x24小时处理；涉及多政策交叉、特殊场景的复杂问题自动转交 HR专家，处理后的数据与规则同步更新至知识库，持续优化“智办”能力。 ♦ 业务场景的深度嵌入：将“智办”与“客创（客户创新）等核心业务流程打通，当业务端需匹配客户需求时，“智办”可实时输出“伙伴能力”匹配度、激励策略适配建议，实现人力资源与业务需求的无缝衔接。 ① 核心功能与价值输出 ♦ 智能问答：精准高效的全员服务：7x24小时响应员工咨询，不仅能精准解答问题，还可溯本追源标注答案对应的制度或操作手册，既提升员工服务体验，又减少信息不对称导致的沟通成本。 ♦ 事务办理：流程优化与人岗转型：引导员工自主完成证明开具等事务，替代传统线下审批模式，缩短办理周期；同时将HR员工从重复性事务中解放，转向AI训练、流程优化等更高价值工作，实现人机协同的岗位转型。 ♦ 交互革新：低门槛与业务协同：推动交互模式从GUI图形界面转向CUI对话界面，降低员工使用门槛；通过嵌入核心业务流程，助力集团实现“客户需求与企业供给智能匹配”，支撑“买卖俱精” 的业务战略落地，让HR能力成为业务价值创造的重要组成部分。 ● 从“智办”到多元应用 “智办”在员工服务领域的成功，验证了企业智能体模式的可行性。新奥正将这一模式拓展至人力资源的全链条，其核心是将各环节的专业能力转化为可复用的组织智慧。 ▶ 面试场景：AI面试助手针对面试官专业能力不一、提问深度难以保证的痛点，新奥开发了AI面试助手。该智能体能够深度分析候选人简历与岗位要求，为面试官实时推荐个性化问题，并在对话过程中根据候选人的回答智能追问，助力面试官更深入地挖掘候选人的潜力与适配度，提升招聘精准度与专业性。 ▶ 发展场景：能力沉淀与智能陪练为将资深员工的“隐性经验”转化为组织的“显性能力”，新奥正构建能力萃取智能体。它可辅助专家将关键业务能力（如燃气阀安装、保险销售话术等）结构化、数字化，并生成智能陪练场景。新员工可通过与智能体进行模拟对话和演练，快速掌握以往需要“师带徒”数年才能积累的专业技能，加速人才成长。 ● 战略落地：HR“智办”的挑战与应对 ▶ 挑战：复杂业务场景的应答瓶颈与知识库运营压力 ① 具体问题：当员工提出涉及多政策交叉、需要专业判断的复杂场景问题时（例如，特殊假期的薪酬计算规则、跨地域政策的适用性等），智能体可能无法给出准确答复或直接表示无法处理。同时，确保知识库的准确性与时效性面临持续运营压力，例如政策更新后，知识库若未同步更新，会导致回答过时或错误。 ① 应对方式：采用人机协同的闭环运营机制。当智能体遇到无法处理的复杂问题时，系统自动转交人工处理。关键在于，人工客服在解决问题后，须将新知识、新规则反馈至运营团队，用于更新 RAG知识库与优化提示词（Prompt），从而使智能体实现持续迭代、“越用越聪明”。 ▶ 挑战：AI 幻觉”与回答准确性的保障 ① 具体问题：确保AI的回答严格符合企业内部规章制度且准确无误是一大挑战，即避免大模型常见的“幻觉”现象。例如，若员工询问某项未正式发布的福利政策，“智办”绝不能凭空编造答案。 ① 应对方式：严格限定答案来源与建立权限控制。基于自研的“N牛”认知平台，所有回答均严格源自经过审核的内部制度、SOP及历史问答数据，从技术上杜绝随意发挥。同时，答案提供溯源功能，并设置信息访问权限，确保回答的准确性与数据安全。 AI点亮HR服务：中国燃气HRSSC的数字化蜕变凭借其广泛的业务布局、扎实的组织基础与前瞻的数字化管理能力，中国燃气在能源服务领域确立了坚实的市场地位，致力于通过可持续的运营模式，为社会与客户创造长期价值。中，旨在不断提升运营效率与员工体验。此外，集团设立的数字化事业群持续推动技术赋能，将智能化工具深度集成于内部管理与客户服务流程燃气建立了超过百人的共享服务中心（SSC），为全集团提供集中化、标准化的人力资源与行政服务支持。集团拥有深厚的组织底蕴与庞大的运营规模，员工及相关服务团队总规模约十万人，融合了专业化自有员工、资深外包服务人员以及由老国企转制而来的技术骨干。为支撑这一庞大体系的高效运转，中国百个城市的清洁能源供应网络，为广泛的居民、商业及工业用户提供安全、稳定的燃气服务。其主要业务涵盖城市燃气管道基础设施的投资、建设、运营与输配，并延伸至液化天然气（LNG）贸易与物流、综合能源站、分布式能源、车用燃气以及燃气器具销售等多元化领域。该集团构建了覆盖全国数团。中国燃气控股股份有限公司（以下简称“中国燃气”）成立于2002年，是中国领先的能源综合服务集企业简介: 刘皞中国燃气 HRSSC 总监一、AI技术的关注度与应用现状在数字化转型浪潮下，AI技术已成为企业提升管理效能的核心驱动力，中国燃气也围绕AI在HR领域的落地，形成了从战略规划到实践落地、再到文化培育的完整推进体系。 ● 战略驱动：AI支撑HR数字化转型中国燃气集团管理层及HR体系对AI技术持有高度的关注和“谨慎积极”的应用态度。AI应用并非孤立的技术尝试，而是集团整体数字化转型战略的核心组成部分。这一战略自2020年前后启动，覆盖人资、财务、法务等各职能板块，旨在支撑业务的快速发展和精细化管理的需求。对于HRSSC而言，AI是推动其从事务处理转向智慧服务、解放HR生产力、提升员工体验的关键赋能工具。 ● 落地模式：试点验证后全国推广在技术落地方面，中国燃气采取了审慎的供应商合作模式。初期，HR团队邀请了十多家供应商进行方案竞标，经过严格筛选，最终与两到三家供应商达成深度合作。合作重心聚焦于数据分析、员工关怀和信息反馈等能够创造战略价值的领域。为确保方案的实效性，公司优先选择短平快、易见效的场景进行试点，如社保、年假、入职信息审核等标准化咨询，在上海、深圳等地成功验证后，再逐步向华北、西南等全国片区推广。 ● 文化培育：从公司到HR的协同推动在内部推广AI技术的过程中，中国燃气通过公司层面的机制引导与HR层面的具体实践，系统性地推动了AI文化的形成与落地。 ▶ 公司层面：资源支持与机制引导公司为AI技术的推广提供了顶层设计与资源保障。集团设立了“数字化转型专项费用”，明确将AI 应用列为重点支持方向，鼓励各业务单元主动提报创新项目，从战略资源上激发各单位的参与积极性。 ▶ HR层面：团队建设与实操落地 HR团队作为关键推动力量，开展了一系列内部活动与机制建设。一方面，通过组织“点子工作坊”、参与“智享会”等行业技术活动保持前沿敏感度；另一方面，设立“奶茶奖励”等轻量化即时激励，营造积极的创新氛围。在实操层面，HR组织一线服务人员直接参与AI知识库的训练与优化，将个人经验转化为结构化语料，实现了知识管理模式的升级与团队能力的同步提升。二、AI对HR三支柱架构与职责影响 AI未颠覆中国燃气传统HR三支柱（SSC、COE、HRBP）架构，各支柱核心职责保持稳定，但AI为三支柱注入“智能化基因”，其中对HRSSC的影响最为直接，推动其在架构、职业发展与人才能力的全面转型。 ● HRSSC组织架构适配：明确分工，支撑AI落地为匹配AI应用需求，HRSSC重新梳理团队结构与职能分工，确保“人岗匹配、协同高效”： ▶ SSC管理团队（含HRIS经理）：负责把握AI思维，具备“业务翻译”能力，即将人力资源业务需求精准转化为AI可落地的技术方案。 ▶ 一线业务服务人员：重点掌握AI工具的协同办公能力，其关键考核指标之一是对AI干预的敏感度，即在机器人应答不当时能迅速接管，确保服务无缝衔接。 ▶ HR分析/运营质量团队（SSC内部IT团队）：由HR背景员工培养而来，作为“翻译者”，比人力资源事务性的团队要更懂流程和功能实现，负责与外部技术供应商对接，掌握自然语言处理（NLP）、机器人流程自动化（ RPA）等基本原理，承担系统维护与优化职责。 ● HRSSC员工职业发展：打破“天花板”，开辟新路径 AI的应用不仅优化了工作流程，更打破了HR岗位的“职业天花板”，为员工提供了横向流动与能力提升的新可能。例如，过去专注于单调事务处理（如考勤统计、社保申报）的员工，如今可转向AI机器人管理（如语料维护、机器人应答优化）或薪酬数据分析等领域，接触数据分析师等新岗位技能；这种岗位调整既避免了员工因长期重复工作产生的职业倦怠，又帮助其掌握了更具竞争力的数字化能力，实现了个人与组织的共同成长。 ▶ 具体能力要求与职责：HRSSC人员需先通过诊断与规划能力，系统性分析团队现有工作流程，精准识别重复性高、规则明确且耗时较长的任务，为AI工具的优先引入划定领域；在此基础上，还需掌握AI 工具驾驭、数据分析、智能体管理等AI技术相关能力，能熟练运用AI提升工作效率；同时要具备人机协同能力，通过高效联动AI与人工，将工作重心转向更具战略性的事务，推动HRSSC整体效能升级。 ● HRSSC人才能力建设重点针对AI应用需求，集团通过“培训+实践+激励”组合策略提升团队能力： ① 定期组织AI技术培训，覆盖NLP基础、AI工具操作等内容，确保团队理解技术逻辑； ① 安排员工参与供应商协同项目，在“干中学”中提升技术对接与问题解决能力； ① 将AI技能掌握情况与晋升、薪酬挂钩，为转型员工开放数据分析岗、系统优化岗等核心通道，激发能力提升动力。三、中燃机器人应用场景与赋能点中国燃气在HR领域引入AI技术时，以“分阶段推进、聚焦核心价值”为原则，先部署中燃AI机器人作为核心工具，再围绕HR工作关键场景拓展应用，通过深度赋能实现员工服务优化与HR能力升级，同时将AI与公司内部知识库深度融合，确保服务的专业性与针对性。 ● 核心工具：中燃机器人的引入与定位中燃AI机器人是HR领域AI应用的核心载体，其设计与迭代深度结合公司业务特性——不仅整合了大量人力资源专业知识、内部管理文档，还通过持续投喂员工对话语料（含人力、法务、行政事务相关情绪与需求），让AI能精准识别问题实质属性。优先覆盖政策查询、考勤异常分析等重复性高、规则明确且耗时较长的任务。同时，机器人建立了“自我优化流程”，通过“服务后五星好评”机制收集反馈，不断优化响应质量，为多场景应用奠定基础。 ● AI招聘助手：优化招聘反馈，提升候选人体验 ▶ 应用场景：聚焦招聘全流程中的“反馈环节”，在面试结束后，AI招聘助手可自动向候选人推送面试结果，无需HR手动跟进，有效解决传统招聘中“候选人等待反馈周期长、易焦虑”的痛点。其核心优势不仅在于流程简化，更体现在反馈的深度与精准度——AI在反馈中可融入技能匹配度分析，并非仅通过关键词判断，而是能理解技能的上下文与相关度，例如向候选人反馈：“您的后端开发经验很丰富，但与本职位更看重的‘ 高并发系统架构’经验匹配度稍低”，让候选人清晰知晓自身优势与待提升方向，避免传统反馈“仅告知结果、不说明原因”的模糊性。 ● 薪酬机器人：简化数据核查，降低人工误差 ▶ 应用场景：承接薪酬管理中“数据逻辑核查”的重复性工作，如工资计算、社保公积金缴纳金额核对、考勤数据与薪酬挂钩校验等，替代HR手动逐一核查的流程。借助薪酬机器人，原本需1-2天完成的月度薪酬数据核查，可实现效率提升，AI可快速完成且覆盖全员数据，避免人工漏查；同时通过预设的薪酬计算逻辑规则（如个税扣除标准、考勤扣款比例），AI能自动识别数据异常（如“社保缴纳金额与工资基数不匹配”），生成异常清单供HR复核，达成误差降低，减少人工计算失误导致的薪酬纠纷。 ● 员工服务助手 ▶ 应用场景1：作为员工日常服务的核心入口，员工服务助手可处理政策查询、社保咨询、考勤异常反馈、年假申请指引等标准化问题，实现“员工需求随时响应”。该助手7x24小时在线解答问题，解决“非工作时间员工有疑问无人响应”的痛点；且依托公司知识库的深度融合，AI可根据员工问题关键词（如 “社保断缴如何补缴”“考勤迟到扣钱规则”）实现需求精准匹配，快速定位对应政策条款与解决方案，避免员工“反复咨询仍无法获取明确答案”；同时能承接80%以上的标准化咨询需求，通过事务轻量化减少HR手动回复压力，让HR聚焦离职面谈、纠纷处理等更复杂的员工问题。 ▶ 应用场景2：HR开展员工走访、岗位调研等工作前，需快速了解不同岗位的核心职责与痛点（如巡线员、电商岗、工程师），此时AI可辅助HR建立岗位认知，无需依赖传统“查阅JD文档、询问业务部门” 的繁琐流程。借助与公司知识库的深度融合，AI能自动整合内部岗位数据库（含岗位说明书、过往工作记录、员工反馈），生成岗位认知报告，实现岗位信息快速解析，提炼岗位核心职责（如巡线员“日常管线巡检、隐患排查”）与常见痛点（如“户外作业考勤记录繁琐”）；同时基于岗位特性与公司业务场景，AI从知识库中调取同类岗位沟通案例，提供适配的沟通方向（如与工程师聊“技术培训需求”、与电商岗聊“客户投诉处理支持”），达成沟通话术适配建议，帮助HR快速切入员工关心的话题，避免 “沟通不同频、无法理解岗位难点”的问题。 ● AI陪练（沟通模拟训练）：提升HR实战沟通能力 ▶ 应用场景：针对HR高频高难度的“沟通场景（如绩效面谈、离职沟通、员工冲突调解），HR在正式沟通前，可通过AI陪练进行模拟训练，提前应对不同性格的沟通对象（如“法务出身严谨型业务主管”“亲和型员工”），积累实战经验。AI陪练依托公司内部沟通案例库（含过往绩效面谈、离职沟通的真实记录），可实现高还原场景构建，精准复现不同沟通对象的性格特征、语言风格与常见诉求，还原真实职场沟通差异，避免传统培训“泛泛而谈”；在模拟训练过程中，AI还能实时捕捉HR的语言表达、情绪把控、共情反应，给出量化评分并针对问题提供改进方向，实现多维度即时反馈，帮助HR快速提升沟通技巧。 ● AI应用成效评估：数据验证AI价值公司通过年度项目复盘对AI投入进行严谨的投资回报分析，重点关注直接人工成本节省与间接收益，目前成效已全面显现： ▶ 效率与人效显著提升：AI技术有效承接社保咨询、年假申请、入职信息审核等标准化事务，大幅减少HR手动处理工作量，服务效率与人服比（单HR 服务员工数量）均实现明显优化，解放了HR团队的生产力。 ▶ 员工满意度持续增加：借助AI高效服务与“五星好评”优化机制，员工对HR服务的满意度每年以1-2% 的幅度提升，当前稳定在%的高水平，员工认可度与信赖度持续增强。 ● 应用挑战与解决措施：在破局中实现AI价值最大化尽管AI应用成效显著，但在落地过程中，中国燃气也面临着数据安全、技术准确性、员工接受度等多重挑战，并针对性制定了应对策略： ▶ 挑战一：数据安全与合规风险 ① 问题描述：作为关键基础设施企业，中国燃气对HR数据（如员工个人信息、薪酬、社保数据）的保密性要求极高。若采用公有云部署AI系统，可能存在数据外泄风险，且需严格符合《网络安全法》《数据安全法》等法规要求——这是AI落地的首要安全门槛。 ① 应对措施： ♦ 本地化部署：所有AI系统均部署于本地服务器，杜绝使用公有云，确保数据全程可控。 ♦ 权限管控：严格限制AI机器人调取敏感信息的范围，例如仅开放“工号”等必要字段，不允许获取员工毕业院校、家庭住址等隐私数据。 ♦ 合规评估：在数据采集、存储、处理的每一个环节都进行严格风控审查，各部门内部会设立KPI,要求风控达标，确保全流程符合国家法律法规，从根源上规避安全风险。 ▶ 挑战二：AI幻觉与回答准确率不足 ① 问题描述：在智能客服应用中，AI偶尔会因语料不完整、训练数据不足产生“幻觉”——即给出错误或模糊的回答，这不仅会误导员工，还可能降低员工对AI的信任度，影响服务体验。人文关怀本质，这也正是其AI实践能够持续落地、创造价值的核心逻辑。更高效、有温度”的员工服务平台。在AI与HR服务的深度融合中，集团始终坚守“硅基人处理高频重复事务、碳基人专注情感与复杂决策”的原则——既让技术充分释放效能，又不偏离人力资源“以人为本”的能、中国燃气推进AI技术的初心始终清晰：一切以业务满意度和价值创造为导向，最终目标是打造“更智总结: ① 应对措施： ♦ 高质量语料投喂：由HR管理团队与IT人员共同维护知识库，持续输入制度、政策等结构化内容。 ♦ 人工干预机制：设置实时监控后台，一线客服人员在AI回答不准确时立即转接人工服务。 ♦ 头像标识区分：机器人使用漫画头像，真人客服使用真实照片，明确服务主体，管理用户预期。 ▶ 挑战三：员工接受度与数字素养不一 ① 问题描述：集团不同年龄段和岗位的员工对AI接受程度差异大。年轻员工易于接纳，而部分中年或传统岗位员工存在抵触心理，担心学习成本高、流程改变。 ① 应对措施： ♦ 鼓励年轻员工作为“AI先锋”输出使用反馈； ♦ 为老员工提供AI培训课程，弥补技术语言差距； ♦ 对传统岗位员工，通过轻量化激励和简化操作引导其逐步适应。 ▶ 挑战四：人机协作中服务温度的缺失 ① 问题描述：过度依赖AI可能导致服务“冷冰冰”——AI能解决标准化问题，却无法感知员工的情感诉求，尤其在员工投诉、离职沟通、职业困惑等敏感场景中，缺乏情感共鸣的服务会让员工产生疏离感，违背HR“以人为本”的核心原则。 ① 应对措施： ♦ 人机分工明确：AI处理标准化、重复性咨询，真人聚焦情感化、复杂性场景； ♦ 软性KPI引导：在考核中加入“服务态度”“情感反馈”等指标，强调有温度的服务。 ♦ 线下互动补充：举办HR与员工的线下见面会，增强真实连接。 ▶ 挑战五：流程更新与系统迭代的管理难题 ① 问题描述：AI系统的运行依赖标准化作业程序（SOP），而集团的制度、政策会随业务发展调整，若SOP与语料库频繁实时更新，不仅易导致系统混乱，还可能因规则衔接不当引发员工二次投诉；同时，全国各区域管理差异较大，也增加了系统推广的难度。 ① 应对措施： ♦ 定期集中更新机制：每两年对制度与语料库进行一次全面更新，期间收集的反馈统一纳入“公示期”管理，待验证成熟后再集中调整，避免随意变动。 ♦ 小步快跑推广策略：AI系统先在政策相对统一的华南、华东试点，成熟后再向全国推广，确保系统稳定与流程一致性。 4 关于人力资源智享会人力资源智享会（HREC）是高端、专业、广具影响力的，面向中国人力资源领域专业人士提供会员制服务的企业。我们致力于成为 HR 团队的学习伙伴，赋能 HR 的日常工作，支持 HR 的职业发展。截止至 2024 年 6 月 30 日： ① 智享会付费会员企业超过 4500 家 ① 遍布 20 个行业门类和超过 81 个行业大类 ① 其中本土领先企业约占 %，外资企业约占 % ① 已经进入中国的世界 500 强和全球 2000 强企业中，超过 90% 的企业正在享受智享会的各项服务 ① 注册会员代表中，人力资源总监及以上级别占 % ，人力资源经理级别占 % ① 人力资源智享会（HREC）每年举办近 200 场会员专享活动 ① 人力资源价值大奖以及人力资源供应商价值大奖 ① 人力资源智享会（HREC）旗下双月刊《HR Value》会员通讯内参，读者人数超万名 ① 人力资源智享会（HREC）每年出版超过 12 份研究报告人力资源智享会（HREC）每年邀约、采访并撰写超过200 个企业实践案例 ① 人力资源智享会（HREC）旗下“HR 年度采购指南（TPG 红宝书）——智享会人力资源供应商价值大奖分类榜单”集合了市场上兼具知名度和美誉度的近 200 家人力资源服务商帮助人力资源从业者在采购服务时，节省时间，降低风险关于智享会人力资源实践研究院研究院介绍与定位智享会人力资源实践研究院关注人力资源热点话题，每年为智享会会员呈现 24 份研究报告。 ① 数量：全年 24 份研究报告，涵盖人力资源各模块的热点话题。 ① 类型：针对不同人力资源热点问题，采用不同的研究方法并产出不同类型的报告 Benchmarking（数据对标）：针对市场的热点问题，以数据对标为主的调研研究 Practice Mapping（实践地图）：梳理、总结和归纳人力资源某一特定领域最佳实践的研究报告 Blue Print （行动蓝图）：针对某一人力资源实践领域，提供模型、体系及步骤性指导的调研研究 Trends Exploration ( 趋势探索 )：聚焦人力资源行业趋势性话题，提供趋势解析与洞察以及行动指南的调研研究 Deep Topic（深度话题）：深度话题研究，主要针对更为聚焦和精专的话题 ① 定位：客观、前沿、落地、专业 ① 人员：10+ 位全职专业资深顾问，多年致力于人力资源行业性研究。了解更多详情电话：021-31065698 智享会官方网站智享会官方微博：智享会微信公众账号：HRECChina 智享会人力资源实践研究院研究院介绍与定位智享会人力资源实践研究院关注人力资源热点话题，每年为智享会会员呈现 24 份研究报告。 ① 数量：全年 24 份研究报告，涵盖人力资源各模块的热点话题。 ① 类型：针对不同人力资源热点问题，采用不同的研究方法并产出不同类型的报告 Benchmarking（数据对标）：针对市场的热点问题，以数据对标为主的调研研究 Practice Mapping（实践地图）：梳理、总结和归纳人力资源某一特定领域最佳实践的研究报告 Blue Print （行动蓝图）：针对某一人力资源实践领域，提供模型、体系及步骤性指导的调研研究 Trends Exploration ( 趋势探索 )：聚焦人力资源行业趋势性话题，提供趋势解析与洞察以及行动指南的调研研究 Deep Topic（深度话题）：深度话题研究，主要针对更为聚焦和精专的话题 ① 定位：客观、前沿、落地、专业 ① 人员：10+ 位全职专业资深顾问，多年致力于人力资源行业性研究。广受行业赞誉的旗舰报告 ① 招聘招聘技术路线与效能提升研究报告企业校园招聘实践调研报告企业入职管理与培训管理实践调研报告社交媒体与人才招聘调研研究 …… ① 人才发展与培训企业移动学习项目调研报告企业内部讲师团队搭建与培养调研研究中国企业国际化人才发展与培养实践研究 …… ① 薪酬福利企业员工健康福利与健康管理调研报告企业高管福利管理与实践调研研究企业弹性福利管理与实践调研研究 …… ① 信息技术人力资源共享服务中心研究报告 AI 技术在人力资源领域的发展与应用研究离职风险管理与流动预测研究报告人力资源数字化转型调研研究 People Analytics 的发展与应用研究人力资源信息化管理调研研究 …… ① 其他弹性工作制与灵活用工研究报告 HRBP 能力发展提升研究变革沟通管理实践调研研究企业绩效管理改善与优化调研报告企业工厂蓝领员工管理状况调研报告 ……

合作伙伴

来自星星的小胖子

关注进入主页

联系我们

智库文档公众号

客服微信

合作伙伴

来自星星的小胖子

标签

联系我们

意见反馈