HR Lens

AIHR、HR Tech与People Analytics

涵盖 AI 驱动的 HR 转型、HR SaaS、People Analytics、AI Agent、ATS、LMS、自动化、隐私、公平性和数据治理。

  • 当一线员工数据进入AI分析，HR的任务不是仪表板，而是指标管控

    当一线员工数据进入AI分析，HR的任务不是仪表板，而是指标管控

    核心摘要

    • 2026年6月19日公开的Indeavor相关发布，展示了比AI撰写HR文件更偏运营的场景。排班、缺勤、加班等一线员工数据，正与自然语言查询和仪表板直接连接。
    • 这一变化的核心不是“引入AI仪表板”。在24/7运营环境中，问题是谁可以按照什么标准查看scheduling and absence data，并将其用于哪些决策。
    • 韩国企业应参考的重点不是供应商功能本身，而是数据字典、权限、责任人和指标解释标准。特别是缺勤和加班指标，应先作为组织运营信号来解读，而不是直接连接到个人评价。

    比AI仪表板更应先看的，是一线数据的定义

    Techrseries在2026年6月19日公开的发布稿，将Indeavor的AI Analytics Hub介绍为“natural language reporting platform”。其目标环境也相对明确。发布稿提到复杂的24/7运营，以及manufacturing、food and beverage、energy、nuclear等一线轮班和监管要求重要的四个行业。

    值得注意的是被连接的数据。发布稿说明，该工具直接连接scheduling and absence data。从HR视角看，这不是小变化。当招聘、考勤、配置、缺勤、加班分别留在不同表格和系统中时，组织花在核对一致性上的时间往往超过分析本身。AI把界面做得漂亮之前，HR必须先决定同一个“缺勤”在不同部门、现场和期间是否代表同一含义。

    因此，一线员工AI分析更接近运营模型课题，而不只是People Analytics的一个下位功能。如果数据项名称、汇总基准月、缺勤类型、加班公式、例外处理标准不清楚，AI会很快给出答案，但组织会慢慢动摇。数字出来得快，会让会议更容易进行。不过，这并不代表数字就是正确的。

    自然语言查询扩大分析可及性，但也可能模糊权限边界

    发布稿说明，用户可以用plain English提问，而不是使用SQL或spreadsheets。例子也很具体，例如“比较上个月各设施的缺勤趋势”“显示上周生产部门的加班”。发布稿还强调，site managers、HR、enterprise leadership无需分析师或IT支持，也可以直接查看。

    这种可及性显然是优点。一线负责人不必每次等待Excel提取，HR也能减少重复回答同类问题的负担。但如果权限设计薄弱，就会产生另一个问题。某个现场负责人可以在什么程度上查看其他设施的缺勤趋势？可能识别个人的数据依据什么标准被遮蔽？AI查询日志由谁审计？

    自然语言查询与其说让“所有人都容易分析”，不如说会更频繁地测试分析权限的边界。HR在导入前至少要确定三件事。第一，按角色划分的查看范围。第二，个人、团队、设施单位数据的最小显示标准。第三，将敏感指标转入绩效评价或纪律判断时所需的单独审批程序。

    加班和缺勤指标不是生产率数字，而是组织运营信号

    发布稿中的例子是absenteeism trends和production department overtime。这些问题都带有期间和单位，例如上个月按设施划分的缺勤、上周生产部门的加班。发布稿还说明，smart insights可以揭示overtime spikes、staffing gaps等风险和趋势。

    HR在这里需要谨慎的是解释速度。加班增加，并不能马上等同于生产率提高。缺勤增加，也不能立即归因为个人责任。同样是一周内的加班，背后可能隐藏需求激增、设备问题、培训不足、排班表设计、领导力空白等不同原因。

    因此，AI分析结果应从问题清单开始，而不是从评价表开始。如果某个现场的overtime突然上升，HR应同时查看人员补充、工作再配置、安全风险、管理者审批模式。如果absenteeism增加，就要确认健康、倦怠、通勤、班次之间休息时间，甚至缺勤代码的录入方式。指标不是筛选人的工具，而是寻找运营瓶颈的信号。

    韩国企业应在引入供应商前确定数据字典和责任人

    发布稿将benchmarking and standardization、automated delivery、standardized dashboards作为功能提出。这给HR提供了相当实务的提示。标杆比较是一个漂亮的词，但没有标准定义，比较很快就会失真。即使是同一个缺勤率，带薪休假、病假、无故缺勤、换班如何分类，都会使数字完全不同。

    如果韩国企业考虑这类工具，应先制作数据字典。这是一份整理项目名称、公式、分母、基准月、排除对象、审批人、修改权限的文件。第二是指定责任人。如果不清楚指标所有者是HR，还是生产、运营部门，或者IT是否负责数据质量，AI工具即使给出答案，执行也会停下来。

    最后，自动报告的使用目的必须被限定。每周发送给高管的标准仪表板，与用于一线改善会议的报告目的不同。如果数据用于评价、纪律处分、薪酬决策，就还需要审查程序和申诉通道。AI分析工具的成败，很可能更多取决于运营规则，而不是模型本身。

    实务检查问题

    • 排班、缺勤、加班、替代工作的数据定义在各部门是否一致？
    • 自然语言查询用户按角色可以查看哪些设施、团队、个人单位的数据？
    • AI提出的staffing gap或overtime spike由谁审查并采取行动？
    • 自动发送的dashboard是决策用、监控用，还是评价资料？是否已经区分？
    • 引入供应商前，数据字典、权限表、审计日志、例外审批程序是否已经文档化？

    参考资料：Techrseries, “Indeavor Launches AI Analytics Hub to Turn Frontline Workforce Scheduling and Absence Data Into Real-Time Insights With AI”, 2026-06-19. https://techrseries.com/hr/indeavor-launches-ai-analytics-hub-to-turn-frontline-workforce-scheduling-and-absence-data-into-real-time-insights-with-ai/

  • AI会消灭入门岗位？HR首先要看的是角色重设计

    AI会消灭入门岗位？HR首先要看的是角色重设计

    “AI会消灭入门岗位”的说法传播得很快。但HR首先要看的问题略有不同。重点不只是哪些岗位会消失，而是新人原本承担的任务如何被拆分，并重新组合。

    Cognizant与Pearson在6月18日发布的调查摘要，很好地展示了这一区别。摘要指出，在印度，入门岗位任务中已有37%由AI完成，全球平均值也达到33%。同时，94%的HR领导者认为，未来5年内AI将创造新的入门岗位。替代与创造出现在同一张表中。

    入门岗位之争的起点不是替代率，而是任务构成

    这份调查摘要中最引人注目的数字是37%。这是印度入门岗位任务中已经由AI完成的比例，高于33%的全球平均水平。此外，18%的HR领导者表示，AI正在处理一半以上的入门岗位工作。只看数字，焦虑很容易先出现。

    但如果把这个数字直接理解为“减少入门岗位招聘”，HR判断就会变得粗糙。即使一部分任务转向AI，整个岗位也未必消失。招聘负责人反而需要拆解职位说明书中的重复录入、初稿撰写、信息搜索、验证、客户回应和内部协调任务。有些任务会被自动化，有些任务则会更需要人的判断。

    招聘标准正在从专业背景转向与AI协作的能力

    在Cognizant与Pearson的调查中，96%的HR领导者认为，未来5年内入门岗位将向监督或管理AI系统的方向演变。94%的人表示，AI将创造目前尚不存在的新入门岗位。这一点更接近于说明，招聘标准的焦点正从“会不会使用AI”转向“能否审查AI结果，并根据情境进行修正”。

    有意思的是，调查并没有只强调技术专业。摘要称，97%的HR专业人士认为软技能的重要性提高了，69%的人认为，对早期职业人才而言，广泛的跨学科背景比狭窄专业性更重要。韩国企业如果重新查看入门岗位招聘评分表，就不应只计算专业名称、证书和工具使用经验，还应同时评估问题定义、AI输出验证和协作说明能力。

    培训需求增加了，但L&D的速度落后了

    调查摘要显示，91%的HR专业人士表示，过去12个月员工对AI培训的需求增加了。但60%的人认为，L&D项目跟不上AI带来的岗位变化速度，在印度受访者中这一比例为63%。培训需求与培训供给之间的差距，已经成为运营问题。

    在这一点上，HRD应先制作按岗位划分的任务地图，而不是先增加一次性AI讲座。例如，在入门级销售、市场、开发支持和人事运营岗位中，需要区分AI负责的初稿、搜索和分类任务，以及人必须确认的判断任务。培训指标也不能只看参加人数。培训后的实际任务转换率、管理者反馈、错误审查标准和入职培训周期变化，都应一起确认。

    中层管理者会成为AI招聘与入职培训的瓶颈

    在Cognizant与Pearson的调查中，95%的HR领导者表示，中层管理者对确保员工有效使用AI很重要。92%的人认为，在AI改变日常工作的过程中，中层管理者对重新定义岗位角色发挥重要作用。即使招到了入门员工，如果一线管理者不能重新分配AI与人的工作，变化也会停留在招聘公告的措辞上。

    因此，HR接下来要检查的问题应当比较具体。第一，是否按入门岗位写清了AI接管的任务和新产生的验证任务。第二，入职培训是否不仅教授AI使用方法，也教授判断标准和禁止标准。第三，是否向中层管理者提供了角色重设计权限和辅导语言。第四，像Cognizant在2025年招聘2万名入门员工、并计划在2026年超过这一规模的案例一样，保持大规模早期职业招聘的企业，是否同时扩展了教育、配置和管理者执行能力。

    不能把同样的比例直接套用于韩国企业。该调查覆盖美国、英国和印度3个国家，对象是员工超过1,000人的企业中director级以上的HR专业人士750人。样本和受访者构成于2026年3月23日至4月3日通过在线survey方式收集。即便如此，信息仍然明确。AI时代入门岗位招聘的核心不是“能减少多少人”，而是“哪些任务需要重新设计，哪些能力需要在早期培养”。如果HR错过这个问题，AI就不会成为人力规划的答案，反而会成为入职培训失败的另一个原因。

    参考资料Cognizant Newsroom, 37% of Entry-Level Tasks in India Already Done by AI, Finds Cognizant and Pearson Study, 2026-06-18

  • AI采用率高于培训参与率，暴露HR运营模型瓶颈

    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？

    参考资料

  • [2026 HR Trend ②] 比AI采用率更重要的，是HR的AI责任线设计

    [2026 HR Trend ②] 比AI采用率更重要的，是HR的AI责任线设计

    这是2026 HR Trend系列的第2篇。如果第1篇把整体趋势解读为“HR运营方式的再设计”，那么本文讨论其中的AI。核心不是AI采用率，而是HR会把AI用到哪里、由谁审查、又如何向员工说明。

    SHRM认为，2026年AI仍将是HR的中心议题。同时，SHRM也说明企业必须重新审视AI是否产生了预期成果，成本和风险隐藏在哪里。资料还提出，89%的CEO预计AI会重新定义组织创造和获取价值的方式。期待越大，责任也越大。

    AI越成为HR中心议题，责任线越应先行

    AI正迅速进入招聘、绩效管理、培训、人力规划和员工体验分析。但“HR使用AI”并不是一个单一行为。总结候选人材料的AI、推荐面试问题的AI、生成绩效反馈文案的AI、预测离职风险的People Analytics工具，各自都会产生不同风险。

    问题在于，工具越多，判断来源越模糊。如果没有记录说明HR是否直接采用AI结果、管理者是否进行了修改、认可例外的标准是什么，员工就很难接受结果。因此，2026年HR AI的第一项任务，不是“导入什么”，而是确定“谁是最终判断者”。

    HR AI责任线从三个问题开始

    第一个问题是使用目的。SHRM的2026 HR Trends说明，应去除围绕AI的过度期待，在真正重要的地方使用AI。因此，HR必须区分AI是用于成本节约、生产力提升，还是作为更好人力决策的辅助工具。目的模糊，绩效也难以衡量。

    第二个问题是审查责任。谁来确认AI生成的建议？在招聘中，招聘负责人和业务主管的角色不同；在绩效管理中，管理者和HRBP的责任不同。第三个问题是记录标准。必须留下记录，说明输入了哪些数据、基于什么标准修改结果、例外由谁批准。

    如果这三个问题没有整理清楚，AI可以让HR更快，却无法让HR更受信任。

    招聘AI重在可解释性，而非筛选速度

    SHRM在2026 Talent Trends中，基于2,000多名HR专业人士的数据讨论招聘困难和技能短缺。公开摘要显示，约70%的HR专业人士在正式员工招聘中仍然遇到困难，42%在过去12个月经历了正式员工留任困难。

    在这种情况下，招聘AI看起来像是有吸引力的解决方案，因为它可以快速总结申请材料、分类候选人并生成面试问题。然而，正如SHRM指出的，自动化和算法本身无法解决招聘问题。如果岗位要求陈旧、评价标准不清，AI只会更快地重复这种模糊。

    因此，招聘AI的核心不是速度，而是可解释性。HR必须能够说明为什么某位候选人被排除、哪些能力被判断为不足，以及人类如何审查了AI的建议。

    绩效管理AI应让管理者判断更加透明

    AI教练和People Analytics也在改变绩效管理方式。SHRM的2026 HR Trends说明，AI可以超越成本节约和生产力提升，连接到更好的人力决策。SHRM的2026趋势解读也讨论了AI教练可能加速年度绩效评价终结的 趋势。这并不意味着评价会消失，而是意味着反馈必须更频繁、更具体、更基于数据。

    在这里，责任线同样重要。AI可以起草员工发展计划。但实际传达哪些反馈、调整哪些目标、将哪些绩效问题作为正式记录留下，必须由管理者判断。HR不应让AI替代管理者判断，而应把AI用作让判断过程更一致、更透明的装置。

    韩国企业应留下AI使用记录和例外处理标准

    韩国企业首先要做的，不是宏大的AI伦理宣言，而是整理运营文档。把SHRM将2026年AI议题同时作为成本、风险、生产力和人力决策问题提出这一点转化为韩国HR运营标准，就需要先从招聘、绩效管理、培训推荐、离职风险分析等影响员工的领域划分AI使用标准。

    例如，在招聘中，需要区分AI只是总结申请材料，还是会进行候选人排序。在绩效管理中，需要区分AI反馈文案是参考资料，还是正式评价依据。在HR数据分析中，需要确定是否向管理者提供个人层面的预测，还是只作为组织层面的指标使用。

    2026年HR AI的竞争力不在于使用更多工具，而在于建立一种结构，让人能够审查并解释AI生成的判断。这正是HR把AI转化为组织信任资产的起点。

    2026 HR Trend系列文章

    AI责任线篇与枢纽文章和绩效管理篇一起阅读，可以连接起HR AI运营的 趋势。

    一起阅读HR趋势系列

    本文是2026 HR趋势系列的一篇。把AI导入、责任线、绩效管理、招聘、技能提升、混合型人力、Polywork和员工体验连接起来阅读，可以更立体地理解HR运营模式变化的流向。

    参考资料

    本文基于SHRM的2026 HR Trends、2026 Talent Trends以及2026年HR趋势解读撰写。特别将2026 Talent Trends的HR专业人士回答样本和公开数值作为文章层面的依据。正文只使用公开资料中可确认的数字和表述，未引用会员专用详细报告的非公开内容。

  • AI HR 扩散下，合规基础设施成为 HR Tech 投资的核心变量

    AI HR 扩散下，合规基础设施成为 HR Tech 投资的核心变量

    2026 年第一季度 HR Tech 交易达到 97 笔、28 亿美元，这个数字乍看像是一则普通的投资新闻。但在 HR Executive 6 月 15 日的报道中，更重要的并不是交易金额，而是投资判断重心的变化。当 AI 代理进入招聘、绩效管理和人力规划时，HR 系统就不再只是加快处理工作的工具，而会成为记录“谁批准了行动、哪些沟通是适当的、哪些工作流造成了监管暴露”的装置。

    HR 负责人需要看到的核心，并不是某一家供应商或某一份报告的名称。真正容易在 AIHR 投资会议中被功能自动化比较所掩盖的，是合规基础设施：审批日志、偏见审计、数据流和责任归属，正在成为 HR 运营模式的核心变量。

    HR Tech 采购标准正在从自动化速度转向责任追踪

    根据 HR Executive 介绍的 Norwest Venture Partners 分析，2026 年第一季度 HR Tech 交易为 97 笔，规模达 28 亿美元。ADP 以 12 亿美元收购 WorkForce Software、Workday 以 11 亿美元收购 Sana，也被列为主要交易。表面上看，这是大型并购新闻；但从 HR 角度看，更重要的信号是，治理与合规层的重要性正在超过单纯的自动化功能比较。

    随着 AI 代理在 HR 工作流中扩散，合规暴露面也会同时扩大。HR 负责人此时应关注的，不是自动化功能的数量，而是可追踪的责任结构。当招聘信息撰写、候选人筛选、绩效反馈草稿、人力规划情景都经过 AI 时，只保留最终结果已经不够。谁以什么标准批准了工具，例外处理记录在哪里，模型输出在多大程度上替代了人的判断，这些都会成为采购要求。

    AI 招聘和绩效工具的风险不会止于供应商合同

    围绕 AI HR 工具的法律与监管风险也正在变得更加具体。在招聘、绩效管理和人力规划中使用 AI 的企业，需要在地区性要求与既有反歧视法律原则之间说明责任结构。Colorado 对 high-risk AI systems 的影响评估要求、Illinois 对 AI video interviews 的限制、New York City 对 automated employment decision tools 的 bias audit requirement，都指向同一个方向。

    这些案例属于美国制度，因此不能直接理解为适用于韩国企业的义务。不过，它们确实给 HR 运营判断留下了共同问题：使用第三方 AI 工具这一事实，并不会自动减少雇主责任。HR Executive 引述的 Littler 的 Britney Torres 的说法也指向同一方向。其含义是，法院在判断存在偏见的雇佣决策责任归属时，可能会同时考察 AI 相关规定与一般反歧视法律原则。

    韩国 HR 团队应先询问审批日志和数据流，而不是功能清单

    合规与 HR 服务管理领域，与 employee relations case management、compliance training、background screening 等难以中断的业务相连。虽然这一讨论的范围限于美国 HR Tech 市场，但在 2026 年第一季度 97 笔、28 亿美元的交易流中，这些运营性项目被一并提及，仍然具有重要意义。尤其是在 AI 代理影响大量 HR 决策的环境下，一个缺失的日志日后就可能变成无法解释的决策。

    韩国企业在应用这一讨论时，与其背诵美国监管名称，不如先画出内部数据流。候选人信息、评价意见、管理者反馈、培训完成记录、绩效等级等敏感 HR 数据经过哪些系统，AI 又在哪些节点进行推荐、摘要、分类或自动执行，都需要被确认。Colorado 的影响评估、Illinois 的 AI 视频面试限制、New York City 的偏见审计要求，并不是韩国国内义务条款，而更像是一个信号：应把审批人、变更记录、例外处理人、删除期限、供应商访问权限、偏见检查周期转化为标准审查项目。

    下一次 HR Tech 审查会议，如果从“自动化什么”开始就已经晚了

    HR Tech 审查会议需要提出的实务问题相当直接：谁批准了行动，沟通是否适当，工作流是否造成监管暴露。这三个问题会改变 HR Tech 导入会议的议程顺序。如果第一个问题是“哪些工作可以自动化”，演示画面可能会很好看。但如果第一个问题是“以后需要解释的判断是什么，证据会留在哪里”，供应商比较表的项目就会不同。

    实务上，可以先确认四点。第一，对于 AI 推荐的候选人、评价和人力配置结果，是否保留了人进行修改的痕迹。第二，管理者和 HRBP 是否能够哪怕简短地记录采纳或拒绝 AI 建议的理由。第三，当特定群体反复出现不利结果时，是否有能够发现这一点的指标和检查周期。第四，供应商合同是否不仅包括功能 SLA，还包括数据保存、审计日志提供、模型变更通知和事故响应时间。归根结底，合规暴露面扩大，意味着审批、沟通和监管风险发生的接点正在增加。

    参考的公开资料
    – HR Executive, “Compliance tech is becoming a strategic priority, as AI expands in HR”, 2026-06-15. 查看参考报道
    – Google News RSS field collection，AIHR·HR Tech / 劳务与雇佣领域。该资料仅作为文章选题的辅助收集信号使用。

  • AI 代理带来的工作转型，正在重新撼动 HR 数据审批结构

    AI 代理带来的工作转型，正在重新撼动 HR 数据审批结构

    2026年5月公开的 Work Trend Index 条目并没有把 AI 代理描述为单纯的工作辅助工具。其核心句子很短：当 AI 和代理承担执行时，人的 agency 会扩大。从 HR 角度看，问题在这里开始分化。比起员工是否能够完成更多工作，首先要问的是，能否留下记录，说明谁基于哪些数据批准了哪项执行。

    工作的执行主体发生变化时，审批人记录首先会被撼动

    2026-05-05 公开的 Work Trend Index 最新年度报告条目使用了“AI and agents take on execution”这一表述。它意味着执行的一部分正从人的手中转移到工具和代理。这一变化很可能首先扩散到 HR 已经用数据处理的工作，例如撰写招聘公告、候选人分类、培训推荐、绩效对话准备等。

    因此，HR 运营文件至少需要3个栏位。第一，代理执行的工作范围。第二，人员审批的时间点和审批人。第三，当结果对个人产生不利影响时可以撤回或纠正的程序。如果没有这3项，生产率改善案例或许会留下，但责任顺序会变得模糊。

    调查和观察研究这一形式，会促使 HR 追问指标的基准月份

    Work Trend Index 页面说明，这组资料是基于“global, industry-spanning surveys”和“observational studies”的研究。2024年、2025年、2026年的年度报告被一并排列，这一点也很重要。因为这表明，围绕 AI 工作的讨论不是一次性的技术发布，而是持续3年以上的工作方式变化信号。

    HR 数据团队需要在这里重新确认指标的基准月份。若要比较 AI 导入前后，招聘提前期、培训完成率、内部流动申请、绩效反馈撰写时间的基准月份必须一致。如果一个部门使用2026年5月以后的资料，另一个部门使用2025年6月后续报告时点的标准，那么即使是同一个仪表板，也会讲述彼此不同的故事。

    个人信息与 People Analytics 之间需要审计日志

    个人信息保护委员会的公开菜单单独列出了企业政策、假名处理与假名信息结合、ISMS-P、个人信息影响评估等项目。这并不意味着这些项目会立即对所有 HR AI 工具施加相同义务。不过，韩国企业在同时处理 People Analytics 与 AI 自动化时，无法回避个人信息处理、安全认证和影响评估的语言，这一点是明确的。

    从实务上看，内部日志比供应商合同更优先。必须记录哪些 HR 数据进入了模型输入、谁区分了原始资料和假名处理资料、人员在何时审查了推荐结果。尤其是候选人、低绩效者、培训推荐对象等对个人影响较大的群体，有必要将数据字典和审批记录分开管理。

    下一季度的决策差异，将更多取决于异常处理，而非导入范围

    Work Trend Index 提出的问题，更接近于组织是否已经准备好抓住这一机会。在 HR 会议中，如果只把这句话解读为是否导入的赞成或反对，是不够的。在2026年下半年 AIHR 审查中，更困难的部分不是“要自动化到哪里”，而是“出现例外时由谁来叫停”。

    下一季度的审查表应列入四个项目：AI 代理将执行的工作清单、不得在没有人员审批的情况下推进的工作、数据基准月份和分母、提出异议或请求重新审查的路径。如果这四个栏位是空的，AI 导入可能看起来很快。然而在 HR 运营中，比起快速执行，能够回溯的记录会留下更久。

    参考的公开资料
    • Microsoft WorkLab, Work Trend Index
    • 个人信息保护委员会政策、法令及企业政策指南

  • Deloitte 2026 人力资本趋势：AI 成效讨论转向 HR 运营模式再设计

    Deloitte 2026 人力资本趋势：AI 成效讨论转向 HR 运营模式再设计

    Deloitte Insights 的 2026 Global Human Capital Trends 将关于 AI 的讨论，从技术采购或生产力工具问题，转向工作再设计问题。尤其值得 HR 关注的是，在受访的 100 名 C-suite 领导者中，59% 对 AI 采取技术中心方法，而这类组织无法实现超出预期的 AI 投资回报的可能性，是采取人本中心方法组织的 1.6 倍。也就是说，AI 成效更接近于由工作的结构决定，而不是由采用率决定。

    59% 的技术中心方法暴露了 AI 投资评审表中的空白

    在 Deloitte 提出的 100 名 C-suite 领导者调查中，59% 的组织以技术为中心推进 AI。同一资料说明，采取技术中心方法的组织，相比采取人本中心方法的组织，无法实现超出预期的 AI 投资回报的可能性高出 1.6 倍。这个数字并不是 AIHR 预算审议中的简单警示语。它发出的信号是：如果不追问所购买的工具将如何改变业务判断、审批、协作和学习，绩效衡量本身就是空的。

    因此，HR 必须改变 AI 导入评审表。只比较功能清单和许可费用是不够的。同一张表中还应纳入使用岗位、数据访问权限、结果审核者、错误报告方式、培训对象，以及绩效指标是否需要变更。1.6 倍这个数字指向的不只是技术团队的成果，也指向 HR 运营设计的责任。

    优势来自人、技能与数据的实时协同，而不是静态配置

    Deloitte 原文说明，随着 AI 提升工作速度，竞争优势正在从静态的人才分配，转向对人、技能、数据和技术进行实时协同的方式。这句话谈的不是组织架构图调整，而是运营节奏的变化。每年一次的人力规划、每半年一次的能力诊断、每季度一次的培训申请，已经难以跟上业务需求变化的速度。

    在 HR 实务中，首先应确认技能数据的更新周期。需要检查哪些岗位使用哪些工具，当新工作出现时能否在几天内识别内部流动候选人，项目人员配置是否会留存在绩效管理和学习记录中。实时协同人、技能和数据，并不是先引入平台，而是要求先改变数据质量和决策周期。

    HR 职能将不再是孤岛，而会重组为以结果为中心的能力组合

    报告写道，HR、财务、IT 等传统职能对于当下的业务需求而言反应迟缓且孤岛化。同一 section 还提出，有必要将职能拆解并重组为以结果为中心的能力。站在 HR 的角度，这意味着招聘团队、培训团队、评价团队、HRIS 团队各自只执行年度计划的方式，可能会与 AI 时代的工作变化发生冲突。

    例如，如果组织导入客服 AI，招聘就不能只看提示词编写经验。培训也不能只教工具使用方法。绩效管理必须决定如何评价 AI 生成的草稿和人类修正后的判断。HRIS 必须保留日志与权限数据。如果职能别 KPI 原封不动，一边会提高导入速度，另一边则会在事后处理风险，形成割裂的结构。

    持续学习不是培训课程，而是工作流程中的适应能力

    Deloitte 认为，传统变革管理和培训可能不足以及时匹配组织和员工所需的适应速度。原文还补充说明，AI 会把学习、适应和技能应用带入工作流程之中。这一点把 HRD 的角色，从管理培训申请率或完成率，扩展到管理工作过程中产生的学习数据。

    在下一季度 HR 会议上，值得提出三项指标。第一，发生与 AI 相关的工作变更后，该岗位的培训内容会在几天内更新？第二，员工在实际工作中使用了哪些帮助、辅导和审核流程，是否会以数据形式留下记录？第三，新技能是否反映到绩效评估和内部流动决策中？2026 年人力资本趋势的核心并不是购买更多 AI，而在于能以多快的速度重新设计人们判断、学习和协作的方式。

    参考的公开资料
    Deloitte Insights, 2026 Global Human Capital Trends.