AI采用率高于培训参与率，暴露HR运营模型瓶颈

部署了AI工具，并不等于人们真正改变了工作方式。Aon在6月17日发布的文章相当清楚地显示了这一差距。文章指出，全球近四分之三的组织已经部署AI或正在开展试点，但大多数员工参与AI再培训和技能提升的组织只有18%。

这个数字说明，HR团队看待AI项目时，首先要改变问题的顺序。问题不应先从“采用了什么工具”开始，而应先问“谁接受了学习，哪些工作发生了变化，这种变化是否能被绩效指标捕捉到”。即使采用率很高，如果学习参与率和运营标准偏低，AI投资也会直接暴露HR运营模型中的瓶颈。

部署率与学习参与率之间的差距最先显现

Aon在2026年6月17日的insight中说明，AI部署和试点已经广泛推进。从数字看，全球近四分之三的组织已经部署AI或正在测试AI。按雇主口径，超过四分之三的组织也已经推出AI工具。表面上看，AI转型速度很快。

但同一资料给出的第二个数字更令人不安。大多数员工参与AI reskilling和upskilling的组织只有18%。部署率与学习参与率之间的差距，并不只是培训日程延后。它可能意味着HRD预算、岗位优先级、管理者角色和工作重设计没有在同一张运营图上连接起来。

只统计使用次数，看不见AI投资的成效

Aon指出，AI使用情况仍然常常以“frequency of use”来衡量。有多少人登录、输入了多少次提示词、哪个团队使用最多，这些可以作为早期扩散指标。但仅凭这些指标，很难确认招聘周期、培训转化率、客户响应质量、文档审核时间、管理者决策速度是否真正改善。

培训覆盖率也显示出同样的问题。Aon写道，未能培训哪怕10%员工的雇主不到三分之一，六家雇主中有一家没有培训任何员工。如果AI项目会议只看“用户数”就结束，这个空白会被掩盖。HR需要把培训对象、岗位群、使用场景以及前后绩效指标放在一起观察。

HRD与People Analytics需要看同一块仪表盘

现在，AI培训已经很难像一个独立活动那样运营。18%的参与率数字，不只是HRD团队的问题，而是People Analytics、HRBP、IT和业务领导者都需要共同查看的运营指标。例如，组织不应只看培训完成率，还应同时查看培训后AI实际投入工作的比例、获批使用场景数量，以及完成风险审查的流程数量。

John McLaughlin表示，组织虽然在部署AI，却没有充分提供有效使用AI所需的clarity、direction和operating model。这句话可以被看作HR运营模型的检查点。是否有按岗位区分的AI使用标准？管理者应该批准哪些产出？培训后30天、60天、90天要比较什么？如果没有这些问题，AI使用就会被交给个人好奇心。

韩国企业下一次会议要问的是准备度，而不是工具

Aon资料是从全球咨询视角撰写的，因此不能替代对韩国企业法律义务或行业规则的说明。本次自动执行并未进一步核查样本、调查范围和行业受访者分布，所以这些数字应被理解为检查劳动力准备度的信号。不过，对HR实务判断而言，它仍然给出一个可用的警示：如果AI转型只被当作解决方案导入项目来处理，培训、角色、成效衡量和责任结构就会跟不上。

下一次AIHR会议，最好先展开准备度表，而不是先看功能清单。HR应逐项确认按岗位群划分的培训参与率、实际应用的工作、管理者审批标准、禁止使用场景、绩效指标和数据安全检查状态。如果工具已经进入组织，就需要在更晚之前提问：我们的组织是在增加使用AI的人，还是在重新设计真正能够使用AI的工作？