智能风潮高峰论坛：人资智能化后的创新与增效｜WISE 2023新人力时代大会

当AI成为同事，降本增效还是成为“AI奴隶”？

整理编辑｜张灿

8月30日，36氪WISE 2023新人力时代大会顺利举办。今年，我们以“韧者行远”为主题，邀请到各行各业的人力资源专家、企业家、学者和从业者分享经历与经验，共同关注在趋向于更高标准数字化、智能化、绿色化的工业5.0时代，叠加“风险社会”的无常因素，企业如何通过“组织韧性”，在“智能”和“转型”两大趋势下实现可持续发展，从而进行业务战略与人才战略的配套转型，保证企业不被浪潮裹挟。

本次大会设置了智能风潮高峰论坛环节，由36氪组织人才中心副总裁张胜男担任本次论坛主持人，肯耐珂萨高级副总裁楼俊梁、百融云创人力资源副总裁田涛、联想集团高级开发总监张奂珩三位嘉宾围绕“当AI成为同事：人资智能化后的创新与增效”主题进行了对话。

本次论坛，几位嘉宾先后讨论了人力资源和业务部门引入AI工具的不同视角、大模型对人力资源工作的影响以及人力资源数字化转型过程中的痛点等话题。在引入AI工具的过程中，组织中不同角色的视角和关注点不同，心态也不同，由此，数字化转型不仅是一个组织管理变革的过程，也是一个思维转变的过程。当下，企业的数字化转型存在诸多痛点，需要组织和个人不断加强自身韧性，步步为营。

以下是对话实录（经职场Bonus整理编辑）：

张胜男：今天圆桌也是我们上半部分的最后一个环节，主要是聊AIGC最热的主题，我们的主题叫做：当AI成为同事：人资智能化后的创新与增效。今天也荣幸邀请到了三位不同背景的嘉宾来开展圆桌对话。那么我们正式开始之前，先请三位嘉宾简单跟大家打个招呼、介绍一下自己。

楼俊梁：我叫楼俊梁，在肯耐珂萨负责我们的学习发展、组织发现、测评调研等，负责产品事业部的工作。

田涛：大家好，我是田涛，现在在百融云创任人力负责人。在整个人力行业工作有20多年的时间，很期待待会儿的的圆桌能够跟嘉宾、主持人一起分享关于AIGC的很多探讨。谢谢。

张奂珩：大家好，我是来自于联想集团全球IT部门的高级开发总监张奂珩，很高兴有这个机会跟大家一起讨论关于人力资源智能化的一些看法和观点。谢谢大家。

张胜男：大家听到我们三位嘉宾的背景非常不一样，有来自于乙方产品方的专家，有来自于HR的一号位，也有来自于帮助HR开发HR系统的开发同事，相信我们今天的视角会非常全面和丰富。

首先说各自公司HR方面智能化的转型进度怎么样。第一个话题，人力资源和业务部门在引入AI工具的时候，大家的视角会有什么不一样吗？

楼俊梁：因为我们是乙方，服务于人力资源的伙伴。从我们的视角来看，一般性的公司里面，业务部门对于推动数字化、智能化的态度，可能会优于人力资源。这个问题确实也和他们沟通过，一般来说业务部门很有可能是最早的得益部门，由于他们算法的完善，获得更多的商机或者获得更多的客户，或者说分析出来我这个成本上有哪些地方可以进行优化的地方，他们的得益点比较多，他们走在前面的比较多。这也要看到具体的案例，我也访谈过一些公司HR的高管，如果他们在本公司里面的数据储备量就会比较大，同时他自己和他团队的数据意识和智能意识比较靠前，他们很有可能就会变成公司里面去推动这方面往前行的先行者，也是有的。

张胜男：其实我也观察到一些类似的案例，有时候老板也会把一部分负责人角色，会让HR的一号位去推进，业务负责人反而变成了配合或者从业务视角提供专业视角的角色。在你们公司的现状是什么样子的？

田涛：我觉得这是一个非常好的开题问题，我们也在做很多类似新的刚刚提到的数字智能化的研究。至于是对业务更敏感，还是对于人力更敏感？对于人力的大部分同事来说，对于所谓AIGC的趋势有一定的学习意愿度，但整体来讲会比较缓慢一点。如果真正做起来，可能执行力会比较强。如果从业务端，我们内部也做了一些调研，业务端对于AIGC是否真正给我们的客户、产品或我们的客户带来质的飞跃，他们有很高的期盼和敏锐度，如果真的做起来，他们又觉得有一点保守，很担心跟商业相关的像数据、保密性、商业信息、敏感度等这些基础的治疗有没有好的保障，会不会因为这样泄露掉，或者让我们本身很好的商业模式被完全打破。所以人力和业务对于AIGC的认同确实有一些不同的观点和认同点。

张胜男：奂珩能给现场观众一些其他视角的分享吗？

张奂珩：其实相对于业务部门来说，尤其是直接面向客户的部门，他们热情非常高，而且非常积极。对于人力资源部门，可能更关注的是AI在人力资源的整个过程中，可能会给人力资源带来哪些帮助，它会有什么样的变化，在这个变化中相比以前的流程，是不是还会有其他的一些问题。

张胜男：谢谢三位嘉宾，我理解最近每家企业多多少少都有探讨这个话题，作为HR的角色，我观察到我们公司老板会觉得说产品技术的负责人去调研一下市面上各种各样的工具，哪些工具能够帮助业务部门做提效，提效过程中会隐藏着降本的小目标，当他推进这个事情的时候，可能非常需要HR的一号位给他一些组织上的支持，怎么能够把落地的一些阻力，帮他化解掉，让大家变成拥抱和支持这个变化，而不是抗拒和抵触这个变化？这是我们作为HR一号位可以去做推进和落地的部分。这是我穿插的观点。

从刚刚的分享看来，老板和HR可能在这个事情的视角上是很不一样的，大家觉得是老板更想跟AI做同事，还是员工更想跟AI做同事呢？

田涛：这是另外一个很现实的问题，最近我们的业务负责人，以及我所知道的很多兄弟单位公司的CEO、创始人们确实很急迫，希望在这个风口用新的AI技术，能够很快地达成业务的突破或者做很多创新，或者在业务上用新的交付模式。总的来说，老板们或者CEO们肯定非常迫切。

从员工的角度，刚才说到了降本增效，很多时候就想，是不是真正所谓的取代了很多人工的操作或者真正用AI带来大的增效或者降本，老板们肯定是这个心态。对于员工、同事们，或者公司的管理团队，可能有不同的看法，对于实操或者在工作上负责真正工作的同事们来讲，他们更希望看到这些所谓的AI工具对他们有没有带来真正的帮助、突破或者真正在工作上的提效。所以他们更多是保持观望或者试一试的心态，所以老板与员工之间确实有很大的心态的差异在里面。

张胜男：我特别想听一下奂珩的看法，因为你在做这个事情本身，一方面要跟老板汇报，一方面还要收集员工的需求和一些实际的情况，这个过程中你是怎么感知这个问题的？

张奂珩：相对来说员工比较注重这个工具可以对自己的工作带来什么样的效果，他希望效率可以增加。对于老板来说是比较急迫的，他希望这个工具可以降本增效，也希望借助这个机会带来商业化的可能。

张胜男：这个点剖的特别厉害，发现老板的视角，尤其是HR，我们的确会看到降本增效这四个字在里面，老板会觉得如果能用这个工具增收，才是最大意义的部分。

楼俊梁：我是这样觉得的，是我个人的观点，也可能和我自己做AI产品有关，不能以偏概全。

首先把降本增效这四个字拆一下，我们会发现员工和公司都会对于使用新技术，如何能提升效率，这一点大家都是持赞同观点的，都希望我的工作可以提升效率，或者对于公司来说，我可以用更少的人完成同样的工作。

但是对于降本不好说，老板、公司高管和董事会说，我们要赶紧做这个东西，马上把它做出来，我说我们事先的投入怎么办？如果只是想着后面得到那个瓜，前面不去种瓜苗，后面就得不到，你会考虑因此你需要投入的数据治理成本吗？你会考虑你的建模成本以及你的试错吗？如果都考虑进去了这些成本，你去做，这个事情有可能，如果你今天就想引进一个工具，直接把4.0拿过来用，或者Lama拿过来用，两个月以后交活，提升多少，我觉得大概率不太会成功。

实践操作的时候，这是因为我个人的个性原因，我的做法是会跟公司估算，假设目前这个东西花在上面的成本是一个月20万元，我会告诉公司，以前我储存了这么多数据，我现在打算做3个月的测试，大概基础的东西做了哪些，预计在三个月以后把成本降低到5万元一个月，我降低的中间的差额，请你允许我从现在开始做技术投入，如果没有这些投入，人的投入也好，工具的投入也好，只想在后面做，肯定不行，前面一定要投，但同时我也会跟公司做清楚，有可能中间会有成本，会错。如果你一直做，确实也会有比较把握，假如说有九成或八成把握，公司还是会给你相应的资源去推动的。

在这点上，非常感谢我们公司的宽松环境，我们公司对我是比较open的，允许我们试，我们也可以试出来。

张胜男：曾经有一个高管说过，其实AI比人贵，我用两三年实习生能搞定，如果真的要为算法投入时间成本，也许我养的工程师都够我招好几个实习生的成本了，具体怎么去评估，我的成本投入以及最后的结果产出上，怎么给老板一个更加清晰的算法，这是挺挑战我们评估的能力和维度的。

大家都反馈了老板现在的心态特别急切，特别希望落地，但目前来看还不是那么快的节奏和进展。

员工这一视角，我们也能听到比较多担忧的声音，比如说这个转型是否可能会给我带来更多繁琐的工作，反而让我变成了AI“奴隶”，不仅没有提效，反而给我增加了很多无形的负担。从产品的视角出发，包括你们自己去跟企业自己做对接的时候，现实情况是什么样的？

楼俊梁：从我们自己做AI产品来说，更多的不是在所谓的算法，其实是在前面的数据准备。你有没有结构化的数据，或者现在大语言模型更对应非结构化数据，你的这些数据积攒了多少，够不够做数据累计的训练以及后面的模型验证，如果没有这些东西，就算有钱，你是做不出来的。

一说到数据收集和数据后面的清洗，这就是非常基础的活，这个基础的活很累，同时也决定了你后面能不能产出，因为我们把这个事情倒过来，就会变成你想要一个好的结果，你就要给它前面相对应的这些数据，需要哪些数据字段产生这些结果，这会增加我们的工作量，或者说你需要想到一个非常好的办法，从某一个渠道和角度合理合法的获取这些数据，然后把它跑起来，但一般高管不太会管，一般谁落地这个项目，谁自己去扛这一块，你要能够把这个东西解决掉，往后面可以跑下来，这就会变成决定性因素。这些东西包含我们在中间争取一些其他的资源，就变成了实际做的这些员工遇到的一些挑战，他们需要克服这些挑战，一般是看团队Leader，如果团队Leader有十足的信心，我预计后面我的收益会超过我现在的付出，我能够把这个事情扳回来平本，甚至有更高收益，他心里有谱，他就会持续去做，因为路上一定会碰到坎坷。有些我们也会看到，包括沟通过的一些公司在摸索的时候，他们会碰到一两个问题，本身对AI也不是特别熟悉，后面可能就会放弃，会走到原有的路上，我就再看看，再等等的心态，也会有。

张胜男：的确，你们是专门去做这一块的产品技术的团队，很多公司的领导人也好，决策层也好，也许对这块领域是未知的状态，他们更难去做这样的评估和决策了。刚才楼总从数据基础的视角看待这件事情，我们再看看其他的嘉宾。

田涛：我非常同意楼总的观点，数据为王，如果没有好的数据，数字化也好，智能AI也好，根本没有办法真正运作起来。

刚才主持人问的问题，未来员工会成为AI的“奴隶”，是被AI驾驭，还是我们驾驭它？这个过程从今年初一直到现在差不多6个月了，我们一边在实践一边在观察，还是一个很漫长的过程，我就给咱们人力资源的同行们说，人力资源数字化的进程还是很漫长的，还没走完，又提出了用AI模型提效增速的东西，原来的基础还没打好，我们现在还得面临新的挑战。

不管是数字化的转型变革，或者是现在AI来临，对于我们来讲，就像今天的主题-韧性组织，就是非常大的变革管理，变革管理里面会有很多挫败和失败，我们要用这个心态来看。

至于未来我们作为人力的伙伴们怎么来面对这个问题，其实是个很漫长的过程，从思维到行动的转变，从认知到落地的改变，如果真正要做的时候，资源够不够，资源不够的时候可能做不出来，资源投入也是一个问题，做的过程中有谁能够牵引，有真正的专家、顾问或者有好的标杆能够牵引我们去把这个事情走在一个正确的方向上，还是越做越反效果？所以在整个过程中里都是漫长的旅途。

我们还是要回到数字化转型的本质，我之前一直有分享一个重要的点，不管是业务的数字化转型，或者人力的数字化转型，第一个都是思维的转型，我们现在说的人力的BP也好，或者说人力的同事一定要懂业务，这个话很流行，如果真正数字化转型，它的本质是用新的方式、新的交付或者创新的模式来给业务带来增值，人力这个角色会从现在的BP角色变成业务的一分子，甚至是业务整个圈里面不可缺少的一部分，从BP变成一分子，本身这个思维的改变、能力的改变、模式场景的改变是很漫长的。

先不说技术，坦白讲，技术都不难，很多技术都已经可以帮我们实现，但第一步的思维已经花了我们很长时间。

当然好的技术、好的系统平台、软件、云服务等等很重要，另外一点，如果我们在线下都没有能把人力的很多大的关键节点在线下跑通，或者线下能体验的非常好，如何在云端真正发挥效能就很难，就算我们用了一套系统，也不一定能够理解到数字化转型的真谛。所以在整个过程里，我们就是要开放多元，去拥抱新的技术、新的思维。我们一直说人力懂业务，要懂到多少，才谓之懂，或者能够叫做介入多深，才能够为业务所接受，我觉得这些问题，反而我们在实战中可以多去思考，不一定要真正做业务。我们要理解业务的逻辑，从人力的专业角度，如何能够赋能或者助力我们的业务，我觉得这就是数字化转型最关键的底层。有了这个之后，再赋予AI、云计算、数据的分析等等，我们未来还是需要做AI的主人，而不是被它控制。

张胜男：您刚刚提到了两个很重要的观点，有时候我们想做数字化转型，但的确线下的整个基础太差导致结果不好，另外可能有一些公司或老板认为数字化转型就采购一套无错的适合我们公司的系统和工具就可以了，但这样的往往是失败的，因为刚刚田总所说的文化有没有跟着一起变，这是很多大型企业去做数字化转型的时候未能达到所期望的结果的一个非常核心的原因。我们再听一下奂珩具体就在做这个事情，想听您分享一下观察和观点。

张奂珩：数字化转型根本是为了提高企业的生产力，实际来说，我们原来的业务有很多都是比较成熟的运作模式，这个模式在市场中是不是有竞争力？可能每个企业不太一样，但是今天是一骑惊雷，GPT突然出来了，它用最快的速度达到了1亿的用户量，大家才关注到它，事实上它已经积累了很久，从它基础的模型到研究，其实已经好多年了，大家关注到它之后，我们会想到能不能使用它来提高生产率，如果不去提高生产率，可能过了几年之后，企业运作很好的模式可能就会被淘汰，这就是我们为什么要去做数字化转型。

对于员工来说，他本身做本职的业务工作，也许已经很饱和了，还去做数字化转型的工作，的确工作还是蛮多的。

在这个过程中，还是应该去拥抱变化，当然这个技术在外面很流行，但是它对企业是不是适合，需要去看，因为整个过程中应该是去其糟粕，取其精华的过程，每种技术对于每种业务是不是适合，只有亲自做一些很小的实验才会知道。

大家知道我们都有一个快速验证、小步快跑的方式，用非常小的成本来验证它能不能在整个流程中走的通，验证的过程会有用户模型的验证，就是在需求上能不能走得通，在底层的技术上能不能走得通，在用户层面真正运行起来，在商业模式上能不能走得通，我们需要用最小的成本快速验证，这样投资回报率会相对较高一些。

张胜男：太好了，这呼应了我们韧性的主题，晓萌教授最开始就在强调，无论是个体，还是组织，我们需要在看到变化来临之前，提前做好准备，但是我们的准备方式不是急转弯方式，急转弯太过于冒险和激进了，更多的是持续地小步小赢，来逐渐接近某些胜利的终点。

我们刚才主要是聊了大环境的情况以及老板和员工之间的一些视角的差异或者是业务和HR视角的差异。

因为今天我们是新人力资源的大会，在场的很多同学同事都是HR行业的工作者，AIGC的到来会HR会带来哪些影响和变化？今年被广泛讨论的大模型的技术会给人力资源的具体工作带来什么改变呢？

田涛：大模型给我们带来的改变还是蛮多的，我先说几个观点。

第一，我们一直在做的，各个企业不管是已经在尝试做数字化转型，或者做得很好的，我觉得这条路还是要坚持下去的。原来人力资源的数字化转型一步一步的探索，或者不断去加深加强对它的理解，真正为整个企业人效和能效的提升，是我们的核心价值，这是持续做下去的。

第二，随着今年新的AIGC的产生，我觉得是一种相得益彰的方法，基于好的数字化的底层，或者好的数据底层，如果用AI去做一些对话或者做一些快速的问答的方式，可以帮助人力也好，员工也好，获取更快的工作效率的提升。

第三，人力的核心能力是去拥抱新的技术、新的科技。在整个过程里面，我们可以看到现在很多AI和语言模型帮助我们，写一些面试问题，甚至让语言模型解析简历有哪些特点等，我觉得这是很基础的应用，是很好的，但我们在人力里面因为有各个同事在做OD的，也有做绩效、薪酬或者是人才发展、学习发展等。我的建议是不管你在人力资源工作得哪个模板职能，都要真正去拥抱AI，把我们大量日常面对的场景运用到跟AI去做多轮对话，去跟它讨论，把它的智慧发挥出来，给我们做一些添砖加瓦的工作。

举个例子，如果我们做一次真正的组织改革或部门级的调整改革，有可能是BP跟OD去合作的，或者是人力负责人亲自牵头。如果是以前，我们可能要组织很多团队去写各种准备稿或者各种会议安排等等，如果现在我们用一个AI的助手，从整个变革的策划里面所用到的所有发言稿、沟通文稿、沟通函，我们预判到员工情绪的反应等等，我们可以把这些真实的情景跟语言模型做大量的交付，你会得到很多意想不到的惊喜。

我最近做了一次很真实的尝试，我们做了很多部门级的大变革，以前我们是基于线下经验，这次是跟语言模型助手去互动，基本上一两个小时内，把所有的关键文件、开会要注意的关键点等，全部输出来了，前提是我比较理解这次变革的底层逻辑，我们用自己的经验跟它来做大量的交互，是15-20轮的对话交付，如果它不能再给到我们好的建议，我们基本就知道它的水平到哪，这让入行不久或者经验不太丰富的人力资源的同事们，会带来非常好的真正实践的经验。

我觉得人力圈的伙伴们，要积极拥抱AI，大量使用它。其实在企业里，无非是整个六大模块作为基础，延展到OD、TD和学习发展等职能，这些场景完全都可以套进去用，如果不用，我们就只知道它是工具，用起来的时候，我们可以发现里面有很多我们意想不到的知识点，真正帮助我们去提升效率。

张胜男：我特别支持这个观点，我身边还有一些人没有在用，我强烈建议每个人都去用起来，无论是用它做工作，或者是生活中的任何小事大事都尝试一下，试着试着自己会找到一些方法的，也会找到它更能解决你自己目前面临的哪些问题，哪些问题可能还暂时解决不了的，如果不用的话，的确完全是对新的技术和产品一无所知，我觉得是该焦虑一下了，开始行动起来了。

田涛：我们在日常中有很多方法论，比如说科特变革的八步骤等等，这些都是我们大量在线下接触到的好的工具，我们现在有一个很好的方法，把我们这么多年来接触到的工具、方法论、框架等输到语言模型或者AI助手，跟它做大量的交互，这个交互不是我们只问它问题，而是把我们遇到的情况、讨论或者是我们预判到的一些问题、困难放在那儿，让它跟你探讨，这样会有很大的收获，这也是我最近发现的情况，虽然我的经验很丰富，如果跟超级AI大脑比，还是提升了很多之前忽略的或没注意到的地方。

张胜男：我们听听做技术的奂珩对这个话题怎么看，有什么建议和分享？

张奂珩：大模型对于企业来说，它不是一个单一的存在。大模型能做什么？它擅长的是跟人对话，以拟人的方式去对话，它后面是用很多通用的知识来做训练，所以它可能跟你聊的时候会聊一些很通用的知识，如果你跟它说一个很专业的知识，比如说人力资源里边很专业的某一个政策，它可能是不知道的。这时候需要把这个专业的知识放到里边，让它能够学习到这些东西。在这个大模型的背后还有很多之前已经应用过的技术，比如说我们最早的去做数字化转型，是把线下的一些东西搬到线上来，这样就没有了地域的限制，效率更高了。在我们使用的过程中就会产生很多数据，这些数据存下来之后，我们可能会进一步去想能不能对这些数据做一些分析，能让我们整个过程效率更高，这时候会有数据的分析，有了预测，有了辅助决策，这些东西都是在大模型之前就有的。我们现在去做大模型，我们希望大模型在它后边可以对企业的很多东西有一些好的想法，甚至有一些分析的动作在里边，大模型自己单纯做不到，它需要把以前的这些技术融合在里边，让它一起去学习，可能会有一些工程化实践的方式融合到一起，它可能才会做到这一点。

我们今天真正关注它，其实也是因为它能以拟人的方式跟我们沟通，包括大家也接触了很多数字人，它在视频里仿佛就像一个真正的人一样跟人去沟通，我们可能把它认为是一个好的伙伴，我们更加去关注它。当然它背后有非常多的技术，还是需要自己实践探索的。如果将来真的出现这种通用的人工智能，它可能会变成一个更独立的存在，我们可能认为它是一个同事，或者认为它是一个专家，在未来的将来，这也许是一个趋势。

张胜男：楼总是做产品的，HR SaaS产品里面也是帮助HR，比如说在选育用留等不同功能上做支撑，现在从你团队的研究或者你个人的一些洞察来说，到底它对HR的选育用留各个不同环节起到什么样的支持和帮助呢？

楼俊梁：我记得在学校里面，教授给我讲了一句话，我印象非常深刻，没有最好的算法，只有最合适的算法。我们每个场景下，比如说我们今天讨论大语言模型、讨论AIGC，其实它是否能解决我们所有的问题，或者说解决我们很多问题，我同时持正反两个态度，我并不认为它能解决我们所有的问题，我也不直接认为它一定用在我们的工作场合里，一定能够把你的工作都改造的很好，有些很好，有些不行。

举个人力资源的实践场景来看，如果是一个HR，我现在要做的工作，本来我是对一个员工做一个培训计划，ok，这个时候你可以用大语言模型跟它对话，然后你做，做完以后，可能会给你一些新的Idea参考一下，但是你会发现从总体效率上来说，或者从结果上来说，你未必会比以前自己来做有什么样的提升，如果你想一口气给3000-5000个员工每个人都制定出适合每个人个性化需求方案，你就一定要依靠系统、算法和AI，现在来看，可能你也不需要依靠我们的大语言模型，你可以依靠经典的算法实现我们的回归就够了，这完全可以支持。假设你还想再快一步，我们刚才讲到了数据以及外部数据的使用，我们现在碰到很多企业的转型，我以前是一个制造企业，现在想转成智能制造，我想做的更好的时候，我想去跨越的时候，我想看一下我的企业和智能制造的差异在哪里，如果这部分的数据要进行对比、降维和分析，可能会依赖于我们给它提供的一些AI系统来帮助它，要不然决策系统太多了，一二三级维度加起来有好几十个，根本分不清楚哪个对你最终的驱动值是有决定性影响因素的，你找不到那个K点在哪里，它就要依赖。

我们在这个市面上除了我以外，或者全球化公司和中国公司已经有探索，我们之前用的是传统的AI手段，将来或许生成式的AI在非结构性数据的方面上，对于员工持有的开放性问题的分析上，我们已经做过实测了，以前我们用的是自然语义分析，做了近半年才把那套东西做出来，但是现在我们借助于大语言模型，一个礼拜不到，我们就能做出来，结果差不多。如果各位HR有兴趣，你们到时候也可以来尝试一下，给员工在做调研的时候就把这些非结构性的问题都交给大语言模型，确实，这是它的擅长。

综合来说，我觉得我们可以用，最主要的是能不能分辨得出来在什么样的场景用什么样的方式来解决这个问题，这可能是一个比较关键的点。

张胜男：没有最好，只有最适合。只有找到最适合，还是需要理解和学习大模型是什么、它能做什么、不能做什么，我们不停去思考、去试，跟AI形成高频的交互和互动之后，我们才可能知道是不是真的能够帮助到我们实际的工作场景，所以能听到也能看到AI在不同的职能、不同的场景下，的确可以帮助，以及有一些暂时还无法替代的部分。

我们最开始聊了人力资源数字化转型或智能化转型等等，无论名词叫什么，都是为了提升生产效率的组织变革。现在这个节点，这些变革到底面临的痛点是什么？可不可以帮我们总结几个常见的痛点？我觉得楼总和奂珩可能更有发言权。

楼俊梁：我抛砖引玉，之前我琢磨过这个问题，也跟蛮多企业有过这方面的交流，综合有两点，最大的问题点和痛点。

第一是数据，你有没有数据，如果没有数据，现在一切都不要想了。

第二是人才，谁来做这个事情，有很多企业踩坑的是去大厂，或者去找两个专家，他们进到公司以后就能帮我们智能化的这套系统做出来，基本不行，一方面要能够懂AI，另一方面要懂业务，要知道它做出来的东西究竟是给客户解决什么样的问题，你帮用户提升了什么，你帮企业降低了什么，如果这个点想不透，直接上手去做，可以做出来，但做出来的东西没有什么用，这是比较关键的。

我就提这两点。

张胜男：请奂珩总结一下这部分常见的痛点，或者你面临的组织里面最痛的是什么？

张奂珩：首先我同意以上两点。其他的还有：

第一是投资回报率的问题。很多人会去想我做这个东西之后，投入了很多钱，能不能把这些钱赚回来，不知道怎么做，这可能会是一个挺大的问题。

第二是想法、观点，有些是员工的，有些是老板的，原来的业务运行的很好，现在去用AI改变这个业务，到底能不能把这个业务变的更好，或者在改变的过程中会不会产生很多问题，或者产生投资回报率的问题。

第三是隐私和安全。随着系统的智能化越来越高，必然收集的数据越来越多，在收集数据的过程中会有非常多的隐私和安全问题，这也值得大家去注意。

张胜男：我们总结一下常见的 5 大痛点：

1.想马上见到投入产出的效果。

2.想做，但不想投入费用。

3.想做，但线下流程弱、基础差。

4.历史遗留问题多，无从下手。在公司还比较小的时候无法自研，就从市面上采购各种各样的产品，发展到一段阶段的时候会很痛，每个产品之间无法打通，或打通很困难。

5.想做，不敢做/不懂做。想做，但不懂，没有这方面的人才，周期会比较长，或者决策挺难做。

人力资源的数字化转型、智能化转型，一方面是我们刚刚提到的需要又懂技术又懂业务的人才，同时对我们的决策者、对我们的负责人，在投入、产出、我公司数据的基础、数据的盈利性，包括员工的改变、改革者文化的调整等，它是非常综合的项目，看起来是我们产研的Leader会立的项目，但各个部门都要强支持和配合，才有可能把这个项目跑通。

归纳一下，的确现在面临的这些痛点还是在每个企业挺常见的，我们还有很多话题，但时间已经到了，每个话题都想带给线上线下的同事们更多的分享以及我们三位不同视角的分享，所以我们前面的时间会花的多一点。

我个人感觉很意犹未尽，一会在茶歇环节，感兴趣的小伙伴们可以跟我们的嘉宾继续做分享，包括后续有合适的机会，我们也邀请各位嘉宾再到我们36氪直播间做客，我们可以继续聊AIGC跟当下时代、跟HR等结合的话题，也欢迎大家持续关注我们36氪的视频直播间。下周开始我们会有全新的职场直播栏目，敬请大家期待。

微信扫码关注该文公众号作者

戳这里提交新闻线索和高质量文章给我们。

来源: qq

点击查看作者最近其他文章