简体中文

AI 智能体与 HR 自动化:真正的区别

自动化负责运行 HR 流程。智能体则理解这些流程。这一区别到底意味着什么,为什么重要,HR 技术又在走向何方。

自动化让 HR 工作变好了。但没有让它变得有韧性。

大多数用自动化跑入职流程的 HR 团队,说的都是同一种体验。工作流在跑,流程却还是会断。新员工的电脑在第一天没准备好。经理忘了发自我介绍。一份清单停在 40% 的完成度整整两周,没人发现。

每一种情况下,自动化在技术上都正常运转了。触发器触发了,消息也发出去了。但周围的系统里有什么地方出了问题,而工作流没有办法察觉。

这不是自动化出了故障。这是自动化碰到了它设计能力的上限。

AI 智能体如今被定位为 HR 技术的下一步。这个概念常被描述为更聪明的自动化,但两者的区别比这更根本。智能体的设计是观察信号、理解信号的含义,并根据情境采取行动,而不是执行一串固定的步骤。当你在设计团队未来十年都要依赖的 HR 系统时,理解这个区别很重要。

自动化的天花板

自动化系统是为执行预先定义的逻辑而建的。触发器触发,条件被检查,系统执行工作流中的下一步。当情况符合配置好的逻辑时,自动化的效果非常好。每位新员工都按同样的时间表收到同样的消息,流程运行得始终如一。

挑战出现在真实情况偏离工作流预期的时候。在入职中,这样的例外很常见。入职日期变了,经理出差了,IT 开通权限卡住了,新员工有时在头几周悄悄地不再投入。这些情况不一定会让工作流本身出错。但它们带来了工作流从来就没被设计去理解的信号。

因为自动化察觉不到这些信号,HR 团队要花大量时间盯着那些据说已经自动化的流程。他们跟进漏掉任务的经理,查看没了动静的新员工,调查工作流从未标记出来的问题。工作从运行流程,变成了捡流程漏掉的东西。

这就是自动化天然的天花板。它能把指令执行得很好,却注意不到这些指令周围的系统什么时候开始偏离。

智能体究竟是什么

“AI 智能体”这个词用得很随意,这让它更难理解。简单来说,AI 智能体观察周围各个系统发出的信号,推断这些信号可能意味着什么,并帮助确定接下来该发生什么。它不是执行一条固定的指令,而是能把跨系统的信息综合起来。

比如,自动化工作流可能因为今天是第 5 天,就发出第 5 天的入职消息。AI 智能体则可能注意到这条消息没人读,新员工还没完成 IT 设置,经理也还没安排沟通。它可以把这个规律呈现给 HR 或经理,并建议做一次跟进。

系统并不是在取代人的判断。它是让信号更早被看见,并帮助合适的人决定下一步怎么做。

智能体为什么在 HR 领域举步维艰

对 AI 工具来说,HR 系统是异常复杂的环境。

关于员工及其体验的信息分散在多个平台上。HRIS 保存着生命周期数据,比如入职日期、晋升和汇报关系。日历显示会议有没有安排。IT 系统记录权限有没有开通。学习系统记录培训有没有完成。即时通讯平台则反映员工有没有真的回应。

这些信号很少存在于同一个系统里,而且往往在几周或几个月里逐步展开。AI 智能体要正确理解它们,需要两样东西:能访问这些信号,以及持续掌握每位员工处在旅程的哪个位置。

正是这种情境,把一条泛泛的提醒和一次有用的介入区分开来。“一位新员工没有完成设置任务”是一个信号。“一位新员工没有完成设置任务,而且他的经理错过了两次沟通”,就更能让人采取行动。智能体的价值在于把信号综合起来,而不只是逐个发现它们。

这些底层基础设施,也就是持久记忆、跨系统访问和旅程状态,如今许多 HR 工具仍然没有。

情境需要什么

数据是系统记录下来的东西。情境是这些数据意味着什么。大多数 HR 技术的短板就在这道缺口上。

一个知道员工姓名和入职日期的 HR 系统,拥有的是数据。一个知道这位员工从竞争对手那里跳槽过来、他的经理同时在带另外三位新人入职、他的团队最近刚经历了重组、同类新人往往在第 6 周前后开始不再投入的智能体,拥有的是情境。有了情境,才能给出有用的回应,而不是泛泛的回应。

构建这样的情境,光有数据访问权限还不够。它需要编排。

员工生命周期中的事件很少只涉及一个动作。入职、晋升和岗位变动都需要多个人和多个系统之间的协调。一次晋升可能影响到员工本人、他的经理、薪资、权限系统和内部沟通。入职通常涉及 HR、IT、用人经理,往往还有一位导师或伙伴。

智能体要在这种环境中有效运作,需要一个支撑系统。这个系统必须知道谁刚入职,哪些经理还有未完成的任务,哪些里程碑已经完成,以及哪些信号表明有什么不对劲。正是这个编排层,让一个个零散的信号得以汇成有意义的情境。没有它,智能体只能对信息碎片做出反应。有了它,智能体就能根据员工旅程中正在发生的事情的完整图景来行动。

对 HR 团队来说什么变了

人们设想 HR 中的 AI 系统时,往往以为主要的好处是减少手动工作。这在一定程度上会发生,但更有意义的转变,在于 HR 团队把注意力花在哪里。

如今,HR 从业者常常把时间分成两半,一半用来运行各种方案,一半用来盯着这些方案有没有起作用。他们跟进漏掉任务的经理,查看看起来不再投入的员工,调查没有任何系统自动标记出来的问题。

随着系统越来越善于发现这些规律,HR 工作的性质也在改变。协调不再占主导,解读变得更重要。

AI 智能体可能会提示,一位新员工已经十天没有理会入职消息了。它无法判断背后的原因是技术问题、与经理的关系问题,还是期望与岗位不匹配。这种解读仍然需要人对情境的把握和对组织的了解。

这个转变不是 HR 做得更少。而是 HR 去做真正需要人来做的那类工作。

这个品类正在走向何方

目前被称为 HR AI 智能体的大多数工具,离自动化更近,离真正的智能体还远。正在朝更强大的系统迈进的技术,聚焦于三项核心能力。

持久记忆。系统必须持续掌握每位员工处在旅程的哪个位置,以及他们在之前的步骤中是如何互动的。

跨系统综合。平台需要把来自 HRIS、即时通讯平台、学习工具和其他运营系统的数据连接成一个统一的视图。

执行,而不只是洞察。只在仪表盘里呈现信息是不够的。系统必须能够根据信号采取行动,同时保持清晰的护栏和人的监督。

Pyn 正朝着这个模式构建,专注于让智能系统成为可能的基础设施:生命周期编排、持久的旅程状态,以及跨系统组合信号的能力。

目标不是用 AI 取代 HR 团队。目标是建立能提供更好的感知和协调的系统,让 HR 团队能专注于需要人的判断和对组织的理解的工作。

组织不必等到完全自主的系统出现,才能从这些能力中受益。最重要的一步是现在就打好基础:设计清晰的员工旅程,把系统连接起来,并确保这些系统产生的信号一致、可靠。如果你正在评估做出这类宣称的供应商,这 12 个问题是个不错的起点。

只有当底层系统有值得观察的东西时,智能层才起作用。

想看看 Pyn 在实际中是怎么处理的?预约演示 →

Share