推荐语

AI如何重塑HR工作？从分类、聚类到推荐，解锁人才管理新范式。

核心内容：
1. AI在HR场景的四大核心能力解析
2. 华为L1-L6流程分级法的场景拆解术
3. 从构想到落地的三步实践路线图

杨芳贤

53A创始人/腾讯云(TVP)最具价值专家

如何在HR场景构思AI应用?

【构思应用】有点像学生时期的应用题，学会数学公式、原理后，能在各种应用场景套公式，举一反三，解决实际问题。

这里有3个关键（本文章节）：

1）知道AI能做什么（原理）

2）知道全面的HR场景（应用）

3）怎么落地（套公式）

   AI能做什么？

对于AI能做什么，以往大家看的材料可能是：

1）过于具体：如AI面试官、AI测评、AI聊天机器人；

2)  过于宽泛：AI可自动化操作、可以帮你分析数据、帮你总结内容。

本文用另一个视角，抽象AI能力，希望给大家一些启发：

AI能解决【分类】问题、【聚类】问题、【排序】问题、【推荐】问题。。。

用这种分类方式，去各个HR应用场景【套公式】，找应用，可能事半功倍。

   有什么场景?

这里建议用华为的 L1-L6 流程分级法去梳理，确保梳理 HR 场景到任务级别，确保HR全场景梳理无遗漏。

具体可查看另外一篇文章，在此不赘述：

AI 在人力资源场景的应用：规划、设计和运营

  怎么落地

分为3步：

• 场景联想：把上述的【AI能力】和【HR场景】结合一起，构想AI应用；

• 应用POC构想：初步验证想法的流程是否靠谱、可落地；

• 应用评估：价值、成本、运营。

  
  

1. 场景联想

如上，每个L4-L6的HR场景都应该构想下：

有没存在【分类】问题？如人选分类、岗位分类、业务需求分类？可用到AI能力

有没【聚类】问题？

有没【排序】问题？

有没【推荐】等......相关问题

我的经验是，只有你对业务的理解够深，包括业务操作的目的和落地细节后，才能很好地联想、构思出可能的应用。

比如在【简历筛选】环节，你以为就是HR在系统里点个【通过】/【不通过】就完事了。

其实有3个步骤：

1）【HR初筛】：分类问题，区分【通过/不通过】 → AI简历筛选功能；

2）【HR推荐给面试官】：文本生成问题，HR撰写推荐语给初面面试官 →AI推荐语生成功能；

3）【初面面试官复筛】：分类问题+排序问题，面试官进行筛选，并根据匹配度优先安排面试→AI简历筛选功能 +AI面试安排功能

原来你可能以为只有1个AI功能可以落地，其实可以有3个AI功能。这就是刚才所说的【业务理解】的意思。

2. 应用POC构想

在第一步，你有了【应该可以这样做】的构想。

在这一步，你需要想想，如果落地，去做一个POC（概念验证项目），具体该怎么实现？

一般需要考虑3个事项：

• 用什么技术？

• 要达成什么效果？

• 大致工作流如何？

  
  

这边以【AI版简历解析】为例，解密AI应用落地的途径。

1）用什么技术？

传统的AI算法较多，这里就不说了，目前大模型领域的核心技术：

L1：用大模型+提示工程即可实现，如简单的JD生成、简历解析、简历经历提炼

L2：用RAG、Function Call即可，如HR政策问询、通过Function Call查HR系统的数据

L3：用智能体、微调、或MCP/A2A才能实现，如员工问答助手、AI面试官、HR数据分析等

大模型时代的核心技术就是这些了，掌握了其原理、应用场景和能力边界非常有助于你评估和设计AI应用。

以简历解析为例： 

L1：多模态大模型，来解析各种格式的简历原文。

L1：提示词工程，把简历的原文提炼成系统的字段，比如港大、HKU全部提炼规范成【香港中文大学】，方便入库。

L2：RAG（向量检索增强），给简历人选贴各种标签。用提炼出的系统字段，和人才标签库里的字段进行向量匹配。

可能还会用到传统的知识图谱。

2）要达成什么效果？

从深层角度来看，可能是提高业务运转效率、提高产出的质量、改善员工使用体验、节省成本这些。这些比较宽泛，对于落地没有很明确的指导意义。

从落地角度，应设定关键几个【北极星指标】，即关键的可量化指标，作为业务验收标准。最好还是能和传统方式进行对比的。

如：

AI客服（回答员工问题）：答准率、首次拦截率。

JD生成：业务人员直接采纳率、修改率。

以简历解析为例的关键业务指标：

• 准确率：解析出来的字段如实反映简历含义的比例，侧重于效度。比如简历里体现了候选人有5项技能，解析出来时4个，则准确率为80%。（简历原文可能并没有明确列举5个技能，但是通过招聘HR解读即可知道有5个）

  
  

• 召回率：解析出来的字段如实反映简历内容的比例，侧重于信度。比如3段工作经历解析出了2段，则召回率是60%。

  
  

• 支持格式：PDF，Word, 图片等。对主流格式的支持力度。

  
  

• 解析速度: 一般业务可以接受的时间范围是5s。如果AI的方式超过10s,甚至30s,那HR人员可能不接受这个结果。那这个产品也没有设计的必要了。

  
  

以上的这些指标均需要和传统AI技术下进行对比。

3) 大致工作流如何？

还是以简历解析为例，

你可以把AI当人看，首先你要知道的是，一般的招聘HR是如何看简历的。

   应用评估

这个话题都说烂了，需要评估ROI，需要评估技术和业务的成熟度，需要评估风险等。

这边放一些干货给大家一些启发。

免责声明：对于甲方和乙方来说，一个AI应用的商业价值衡量标准完全不同，不构成商业建议！

1. 价值评估

总结：在简历解读效果上（准确+召回），有明显提升，但是解析速度略慢(但是在可接受范围内）。

对于简历解析这个场景，慢一点没事，就怕有关键的候选人信息没解读出来，导致业务部门错失优秀的人选！

2. 成本评估

3. 运营能力评估

需要评估企业自身资源是否有能力做以下事项：

1）AI版简历解析的运营事项：

• 当业界推出更聪明的大模型时，进行替换：上限极高，无天花板

• 不断优化提示词：重点，重点！需要强大的业务理解，不断进行标注、找错、做数据，提高准确召回速度等各项核心指标，有点像测试工程师

• 不断更新向量数据库：向量模型和库的内容

• 构建可能的自动化测试脚本（智能体）

  
  

2）传统算法版简历解析的运营事项：

• 不断根据个别简历问题，完善算法：有天花板

• 开发支持更多的简历格式

• 开发支持更多解析的字段

对比传统应用构建方法，AI搭建速度快，但是优化提升慢。（生孩子容易，养大难）

   总结

【构思应用】像学生时期的应用题，利用数学公式，在各种应用场景套公式，做到举一反三。

个人感受，构思出有价值的应用，以下几个条件非常重要：

• 深度的业务理解：可能大家都有类似的思路，但你对业务理解的深入，加了几个简单的步骤，让AI生成效果大大提高。

  
  

• 对AI能力边界有基本了解：不需要知道什么transformer结构是怎么弄的，但是要知道transfromer结构的特性（能联系上下文、抓重点、有随机性），这样才能引导你构思出优秀的应用。

  
  

• 纸上谈兵不如足行万里：想这么多，不如直接找个大模型，扔个简历看解析情况如何；不如直接找个智能体平台，如扣子/dify，充个20块钱会员费，试试智能体的路径图怎么画，效果是否像宣传的那么惊人。

  
  

在这个AI爆发的时代，我也希望出一份力，让大家互相启发，探索有意思的新模式，让人力资源从业者也能多享受AI带来的【wow】时刻!