AI不是在淘汰HR,而是在淘汰说不清楚为什么的HR工作方式

多客科技

作者：微信文章

那些无法被系统化表达的HR能力，才是最危险的

---

想象一下未来，可能就在明年9月我们内部月度复盘会上的一个场景。

会议室里坐着我们团队的7个人。屏幕上投着这个月的工作数据：智能招聘系统筛选了1200份简历，匹配成功率提升到78%；离职预测模型预警了5个高风险员工，挽留成功3个；自动排班系统节省了HR部门每周8小时的重复劳动。

数据看起来很漂亮，但产品负责人突然问了一个问题：这些AI功能上线后，客户的HR部门具体省下来的时间都在干什么？

会议室安静了几秒。

有人说应该在做更有价值的事吧，有人说可以有更多时间思考战略了，还有人说这个得看客户怎么用。但没有人能给出具体答案。

我坐在靠窗的位置，笔记本上刚写完这个月的产品优化计划，突然意识到一个我们一直在回避的问题——当AI可以自动筛简历、智能匹配岗位、预测离职风险时，HR的核心价值到底在哪里？

我们在帮客户的HR提效，但提效之后呢？他们会做什么？还是说，他们根本不知道除了那些被自动化的工作，自己还能做什么？

这不是一个产品问题，而是整个HR行业正在面临的生存危机。AI不是在抢HR的饭碗，而是在逼着这个行业回答一个被回避太久的问题——当那些填表、汇总、对账、重复审批的工作都消失后，HR到底为组织创造了什么价值？

更扎心的是：很多HR做了很多事，但说不清楚为什么这么做；有很多经验，但无法解释这些经验如何转化为结果。
一、会消失的不是岗位，是那些本就不该存在的重复劳动

先说个我们客户的真实场景。

上个月去一家3万人规模的企业做调研，他们的HRBP每周要花整整一个下午处理考勤异常。我看了下流程：从系统导出考勤数据，在Excel里标记异常，逐个找员工确认原因，然后手动填写到另一个表格里，最后发给财务。

我问为什么不直接在系统里处理，HR主管苦笑：系统功能太弱，还不如Excel灵活。

但这种工作真的有技术含量吗？完全没有。它唯一的价值就是把数据从A搬到B，再从B搬到C。如果把这叫做HR的核心能力，就像说司机的核心能力是踩油门——不是说不重要，而是这根本不是你的壁垒所在。

再看更普遍的场景：

每次招聘都要重新筛一遍简历，但说不清上次筛选的标准是什么每月花2天整理绩效数据，实际只是在和Excel死磕批量发offer时手动修改100遍姓名和部门，一个不小心还会发错每年做员工满意度调查，数据填完就存档，明年接着做

这些工作占据了HR至少60%的时间，但它们本质上都是事务性劳动，不需要专业判断，只需要耐心和细致。

AI正在做的，就是把这些重复性、标准化的工作自动化。简历筛选从3小时压缩到3分钟，考勤异常自动标记并推送确认，offer批量生成零出错，数据汇总实时完成。

我们的智能招聘系统上线后，某客户的招聘专员每周节省了15个小时。听起来是好事，但三个月后我们回访时发现，这位专员被调去做行政了。

为什么？因为当那些重复劳动消失后，她发现自己不知道该干什么了。她的全部工作技能都建立在那些即将被自动化的任务上——筛简历、约面试、发通知、整理反馈。除此之外，她说不清自己还能为招聘流程创造什么价值。

这就是问题的核心：很多HR从来没有想过，除了填表、汇总、对账、转发，自己还能做什么。
二、真正稀缺的不是经验，是能把经验拆解成规则的能力

我们去年服务过一个做了12年招聘的HR总监。她有个绝活：看一份技术岗简历30秒就能判断要不要约面试，准确率据说很高。

我问她怎么判断的，她想了想说：就是感觉，看项目经历的描述方式、技术栈的广度、跳槽的频率，综合起来就有感觉了。

听起来很厉害，但我追问：这些判断标准可以量化吗？比如项目经历怎么算好，跳槽频率多高算高？她摇摇头：这个说不清，真的是经验。

在传统时代，这叫专家能力。但在AI时代，这恰恰是最危险的。

为什么？因为这种能力无法被复制、无法被传承、无法被放大。它锁在一个人的脑子里，离开这个人就失效。更关键的是，它无法被验证——你不知道她的判断准确率到底是70%还是90%，也不知道哪些因素真正影响了决策，哪些只是她的偏见。

对比另一个场景。某电商公司的招聘负责人找我们合作时，带来了一份详细的筛选规则文档：

技术岗筛选规则（初版）：

学历权重25%（985/211加分，但非硬性条件）项目经验权重45%（开源贡献>大厂实习>个人项目>课程作业）技术能力权重20%（算法题通过率、GitHub活跃度、技术博客质量）软实力权重10%（简历逻辑、自我评价的客观程度）

触发条件：

若项目经验评分>8分，学历要求可降至二本若有3个月以上大厂实习经验，技术能力权重可调整为15%若简历中出现具体的性能优化数据、用户增长数据，人工复核优先级+2

我们把这套规则接入系统后，他每个月会导出筛选结果和最终录用数据做对比分析。两个月后发现，项目经验权重过高导致一些基础扎实但缺乏实战的应届生被漏掉了，于是把权重调整为40%，同时增加了一条：若算法能力评分>9分，项目经验要求可适当降低。

四个月后，这套规则的筛选准确率从最初的72%提升到了85%。更重要的是，新来的招聘专员只需要两周就能上手，因为判断标准清清楚楚写在那里。

这才是AI时代HR的核心能力：不是拥有经验，而是能把经验拆解成可解释、可验证、可迭代的规则。

很多HR会说：人是复杂的，怎么可能完全用规则描述？没错，人确实复杂，但这恰恰是你要做的事——在复杂性中找到规律，在模糊性中建立标准，在不确定性中设计容错机制。

如果连你自己都说不清楚为什么这么判断，凭什么让系统相信你？凭什么让老板相信你的决策是专业的而不是拍脑袋？
三、从做决定的人到设计决策系统的人

这里有个认知误区需要纠正：AI不会替代HR做决定，但会替代HR做那些不需要专业判断的决定。

什么叫不需要专业判断的决定？比如：

这个人的简历符合岗位要求吗？（匹配规则就能判断）这个员工的考勤异常需要扣款吗？（考勤制度就能决定）这个调岗申请流程走到哪一步了？（审批规则就能追踪）

这些决定看起来需要人来做，实际上只是因为我们没有把判断标准显性化。一旦标准清晰，AI可以做得更快、更准、更稳定。

但有些决定，AI做不了：

公司今年的招聘策略是扩张还是收缩？（战略判断）绩效考核应该重结果还是重过程？（价值观选择）某个高潜员工该留在原岗位深耕还是调岗培养？（长期权衡）

这些决定需要对业务的深度理解、对人性的洞察、对组织文化的把握。AI可以提供数据支持，但无法替你做选择。

未来HR的角色会发生根本转变：从执行者变成设计者。

你不再是那个亲自筛100份简历的人，而是设计筛选规则、监控筛选质量、迭代筛选策略的人。你不再是那个手动计算绩效得分的人，而是定义绩效维度、设置权重逻辑、处理边界情况的人。

这是一种更高阶的能力，也是更稀缺的能力。

我们有个零售行业的客户，引入智能排班系统后第一个月就出了问题——系统总是把新员工排到周末高峰期，导致顾客投诉率飙升。HR总监复盘后发现，系统的优化目标设置成了人力成本最小化，完全没考虑服务质量。

她重新设计了排班规则：

周末高峰期必须安排至少50%的入职3年以上员工新员工前三个月不能单独值晚班每个班次必须配备至少一名应急处理经验>10次的员工成本控制的优先级排在服务质量之后

这些规则输入系统后，投诉率在一个月内下降了40%，同时人力成本只增加了8%。她在复盘会上说：以前我每周盯着排班表调整，累死累活也就做到这个水平。现在我只需要告诉系统什么叫好的排班，它就能自己跑。

这就是设计决策系统的价值：你不需要每天盯着具体事务，但你要确保系统懂得什么是对的。
四、HR的影响力，第一次可以被量化了

过去HR最大的痛苦是什么？做了很多事，但老板看不到价值。

为什么看不到？因为HR的价值很难量化。你说招了50个人，但老板想知道的是这50个人的质量如何、留存率如何、产出如何。你说做了员工关怀，但老板想知道的是关怀是否降低了离职率、提升了满意度。

这些问题过去确实很难回答，因为HR的工作结果和业务结果之间隔了太多层。但AI正在改变这一点。

我们给客户搭建的HR智能系统，可以追踪每个决策的长期影响：

这批通过新规则筛选的员工，3个月后的绩效达标率是多少？这次组织架构调整后，跨部门协作的响应时间缩短了多少？这套新的激励方案上线后，核心员工的主动离职率是上升还是下降？

所有的HR工作，第一次可以被完整地追踪、量化、评估。

有个客户的CHO跟我说，这种感觉有点可怕。因为这意味着HR不能再用这个很难说、要看长期效果来搪塞。你的每个决策都会留下数据痕迹，都会被验证是对是错。

但从另一个角度看，这也是HR建立影响力的最好机会。

当你能用数据证明：通过优化招聘规则，候选人入职后的6个月留存率从68%提升到83%；通过离职风险预警，核心员工的挽留成功率从35%提升到72%；通过智能排班，人效提升了18%的同时员工满意度还上升了15%。

这时候，你不再是那个不知道有什么用但又不能没有的后勤部门，而是用数据说话的战略部门。

HR的价值不再靠汇报PPT、不再靠领导印象、不再靠和老板关系好，而是靠系统跑出来的真实效果。

这是一种更硬核、但也更公平的评价方式。
五、被淘汰的不是HR，而是那些拒绝进化的工作方式

说到这里，可能有人会问：那我该怎么办？

基于这段时间和客户的交流，我总结了三个转变：

第一，从经验主义转向规则主义。

停止说我觉得、凭经验、一般来说，开始问自己：我的判断依据是什么？这些依据可以被拆解成规则吗？这些规则的准确率如何验证？

把你脑子里的隐性知识显性化，这是AI时代HR最重要的能力。

第二，从执行者转向设计者。

不要再把时间花在重复性劳动上，而是思考：这个流程可以被优化吗？这个判断可以被系统化吗？这个决策可以被智能化吗？

你的价值不在于做了多少事，而在于设计了一个能自动运转、持续优化的系统。

第三，从感性判断转向数据驱动。

学会用数据验证你的决策。每次做完一个项目，回头看数据：达到预期了吗？哪里做得好？哪里可以改进？

建立自己的决策反馈闭环，这样你才能持续进化，而不是靠运气。

有人可能会说：这不是在让HR变成程序员吗？

不是。你不需要写代码，但你需要有结构化思维。你不需要懂算法，但你需要知道什么问题可以用算法解决。你不需要成为数据科学家，但你需要能看懂数据在告诉你什么。

AI不是来抢HR饭碗的，而是来逼HR升级的。那些愿意拥抱变化、重构工作方式的HR，会发现自己的影响力被放大了10倍；而那些固守传统、拒绝改变的HR，会发现自己做的事情越来越没价值。
写在最后

9月那场复盘会之后，我们团队内部又讨论了两次这个话题。

有同事说：我们是不是应该在产品里加个模块，教HR怎么用好这些AI工具？

我说：不只是教怎么用工具，而是要帮他们理解，当工具替代了执行层的工作，他们的核心价值在哪里。

说实话，这个问题我自己也没完全想清楚。但至少可以确定的是——

技术变革从来不会直接淘汰人，但会淘汰那些不愿改变的人。就像电脑普及后，会用Excel的会计没有失业，反而更值钱了；不会用电脑的会计才被淘汰了。

HR也是一样。未来最值钱的不是那些能做事的HR，而是那些能设计系统、让系统自动做事的HR。不是那些有经验的HR，而是那些能把经验转化为规则、让规则持续进化的HR。

AI时代，HR的价值不在于做了多少事，而在于能否设计出一个让组织更聪明的系统。

那些说不清楚为什么这么做的工作方式，是时候被淘汰了。