来源：HRflag

　　不妨设想一家企业准备扩大AI应用，管理层把各部门负责人叫到一起，希望回答一个很实际的问题：哪些工作可以交给AI，员工又该把时间用到哪里？销售团队想到客户资料整理，财务团队想到报表分析，HR想到简历处理、培训内容和员工咨询。这些想法都有价值，但当讨论进入岗位编制、人才培养和绩效目标时，新的问题出现了：一项任务变快了，为什么整个部门的工作方式还需要重新讨论？

　　这个场景揭示了AI进入组织之后的一道管理题。工具能够帮助员工完成某个动作，企业还需要决定这些动作如何连接，谁为最终结果负责，以及节省下来的时间应该投入什么。当分析单位从一个完整岗位缩小到具体任务，企业确实能发现更多改进机会；但要把机会变成经营成果，还需要把拆开的任务重新组织起来。

　　近期，Josh Bersin在一篇讨论“任务智能／工作智能”（Task Intelligence／Work Intelligence）的文章中，提出了一个值得HR关注的提醒：任务清单需要放回业务目的、客户成果、工作衔接和情境判断中理解。他用“动态工作设计”（Dynamic Work Design）讨论这种持续调整工作的方式。对于企业管理者，这提供了一个观察AI应用的新角度：看清任务之后，还要重新设计人如何完成工作。[1]

　　就在此前的10月13日，Workday发布了Work Intelligence，介绍其连接岗位、任务与技能，支持工作和人才发展的规划。按照官方说明，该产品当时面向HCM早期访问客户提供，重点是为理解工作变化、规划人才发展提供支持。从产品关注的对象看，企业软件正在进一步深入岗位内部，尝试帮助管理者看清工作具体由什么组成。[2]

　　这也意味着，HR参与AI转型的深度可以发生变化。除了推动员工学习工具，HR还可以与业务负责人一起判断：哪些任务值得保留，哪些可以自动完成，哪些需要重新组合，哪些变化会影响员工成长。 AI带来的管理价值，既取决于它能接手什么，也取决于企业如何安排人接下来要做的事。

　　岗位暴露度之后 企业还需要一张工作地图

　　围绕AI与就业的讨论，经常从岗位名称开始。行政、人力资源、财务、市场、研发，不同职业被放进各种影响程度的比较中。这种观察有助于识别变化的大方向，但一家企业要决定下个季度如何配置人员，还需要了解岗位内部的具体工作。同样叫招聘经理，有人主要服务稳定补员，有人需要支持新业务团队的建立，两者面对的任务组合可能很不相同。

　　国际劳工组织在2025年发布的职业暴露度研究中估计，全球约四分之一就业者所在职业具有一定程度的生成式AI暴露，其中3.3%的全球就业处于更高暴露类别。研究同时强调，由于多数职业仍包含需要人参与的任务，岗位转型是更可能出现的影响。这里描述的是技术可能影响工作的范围，不能直接当作企业未来的人员调整比例。[3]

　　把这一点放进管理实践，就能理解为什么“某类岗位有多少任务可能受到AI影响”仍然只是一个起点。技术上能够处理的任务，未必已经具备合适的数据、稳定的输入和清晰的验收条件。即使这些条件齐备，任务节省的时间也可能分散在不同员工、不同时间段和不同业务场景里。企业需要继续判断，这些变化能否形成可实际使用的工作容量。

　　以招聘为例，撰写职位介绍、整理面试记录和安排沟通，属于比较容易辨认的活动。澄清业务究竟缺少什么能力、帮助用人经理形成一致标准、理解候选人的顾虑，则往往藏在日常交流中。两类活动共同影响招聘结果，但它们在系统里留下的痕迹并不相同。如果只分析容易记录的动作，岗位中重要的一部分价值就可能被低估。

　　因此，工作地图需要比岗位说明书再往前走一步。它要呈现员工为了交付一个结果，实际上经过哪些环节，与谁交换信息，在什么地方等待，又在什么情况下改变原来的做法。地图中既有可以标准化的工作，也有暂时无法写成固定规则的判断。这样形成的认识，才足以支撑后续的技术选择和人员安排。

　　对HR而言，这是一种更具体地理解业务的机会。当讨论进入任务层面，人才问题可以被问得更准确：当前缺少的是专业知识，还是跨部门协调；需要新增一个完整岗位，还是补上一项关键能力？这些问题会把招聘、培训、组织设计与经营现场联系起来，也让资源投入有了更明确的理由。

　　一项任务更快 整条流程怎样才能更好

　　看清岗位之后，企业很容易产生一种直觉：既然工作由任务组成，让每个任务都变快，整体效率就会上升。对于某些流程，这一判断能够成立，但需要检查任务之间的关系。一个环节提前完成，只有在后续能够接住时，才可能缩短最终交付的时间。否则，改变的只是工作在不同环节之间的等待位置。

　　招聘流程就能说明这种差异。AI帮助招聘人员迅速整理好候选人的经历、面试反馈和待核实问题，用人团队因此更早拿到材料。这时，如果大家对岗位要求已经形成共识，准备工作的提速就有机会推动决策。如果岗位目标仍在变化，那么更有价值的动作可能是组织一次需求澄清，先解决判断标准的问题。

　　跨企业实验也提供了一个有用的参照。Dillon等研究者在2025年11月修订的一项研究中，报告了覆盖66家企业、7，137名知识工作者的现场实验结果：在为期六个月的实验后半段，获得工具且使用工具的员工每周处理邮件的时间减少约两小时，同时减少了常规工作时间之外的工作。但研究没有检测到，仅向个人提供AI工具就改变了他们任务的数量或构成。这项发现有助于区分个人时间收益与工作结构变化。[4]

　　从这一发现出发，可以形成一个管理推论：要把个人层面的便利转化为组织层面的变化，通常还需要协调流程、目标和分工。员工有了更多可用时间，并不意味着他们自然拥有新的决策权限，也不意味着其他部门会同步改变协作方式。企业需要主动安排时间的去向，并为新的工作提供相应条件。

　　在实际分析中，一个很有用的做法是沿着交付结果往回看。客户什么时候真正拿到需要的服务，业务什么时候能够使用招聘到的人才，经理什么时候能够依据数据采取行动？再去寻找影响这些结果的等待、重复确认和信息缺口。这样选出的改进点，更容易解释其业务价值，也便于比较投入前后的变化。

　　还有一类机会来自任务本身的调整。当AI可以帮助不同团队从同一份可信数据中获得各自需要的信息，原先反复制作的中间材料就值得重新审视。管理者可以决定哪些内容仍需人工讨论，哪些可以按需获取，哪些重复汇总可以合并。技术由此成为重新安排工作的条件，员工也能减少在不同版本之间来回核对的时间。

　　评价AI应用时，企业需要把任务完成时间与最终交付结果放在一起观察。 这要求HR与业务负责人共同确认改进目标，而技术团队帮助判断实现路径。三方围绕同一个结果讨论，岗位重组才不会停留在一份自动化机会清单上。

　　判断任务能否交给AI 要看真实运行条件

　　当流程中的改进机会变得清楚，接下来才是选择执行方式。这里需要考虑的不只是AI能否生成一个看起来合适的答案，还包括输入是否充分、结果如何验证、出现例外后怎样处理。任务名称相同，这些条件不同，合适的分工就可能不同。因此，判断自动化范围，需要落到真实工作场景。

　　2026年正式发表在《Organization Science》的一项研究，提供了任务选择的重要证据。研究涉及758名知识工作者，在其设定的AI能力边界内，使用AI的参与者平均完成的任务更多，增幅为12.2%，完成任务所需时间平均减少25.1%，方案质量也得到改善。研究讨论的“锯齿状技术边界”提示，表面难度相近的任务，未必同样适合AI。这些结果对应特定模型与实验任务，企业仍需在自己的业务中验证。[5]

　　这意味着，一段复杂材料的初稿整理，可能适合AI参与；一项看起来简短、却需要准确理解特殊背景的决定，则可能需要更多人工判断。文字长短不能直接代表任务难度，重复频率也不能单独决定自动化程度。管理者需要看的是，完成任务所需的信息是否可获得，以及企业是否知道怎样确认它完成得足够好。

　　输入条件往往更先决定效果。如果一项任务依赖的信息分散在不同系统和人员手中，AI生成内容之前，企业就需要确认数据从哪里来、哪个版本有效、哪些内容可以使用。反过来，当任务可以调用清晰、及时、经过确认的资料时，人机协作就更容易稳定运行。准备这些条件，本身也是工作设计的一部分。

　　验收条件同样关键。员工咨询的回复，可以检查其是否依据适用的制度、是否回答了实际问题、是否说明后续办理路径。管理建议则需要进一步判断：事实与推测是否分开，关键限制是否被遗漏，还有哪些信息需要补充。如果组织对“好结果”没有共同理解，增加生成速度也很难带来稳定的服务质量。

　　错误的后果和纠正方式，也会影响分工。内部讨论材料可以经过反复修改，正式向员工或候选人作出的承诺，则需要明确的核实和确认。相同内容处在不同使用阶段，适合AI参与的深度可以不同。企业由此能够把探索空间与正式执行区分开，让员工有机会试验，也清楚何时需要提高审查要求。

　　有些任务可以直接使用传统自动化。已经确定的字段搬运、固定规则校验和状态提醒，只要现有系统能够准确完成，就值得优先考虑稳定、易维护的实现方式。涉及自然语言理解、非结构化材料整理或方案生成时，再评估生成式AI的价值。这样的选择有助于把复杂程度控制在业务实际需要的范围内。

　　另一些任务则适合采用分阶段协作。AI先准备材料，人对关键判断进行确认，系统执行已经批准的动作，再把结果反馈给负责人。随着真实使用证据增加，企业可以调整各环节的自动化程度。 任务是否适合自动化，应当是一个有条件、可验证、能修订的判断。

　　从招聘开始 看清任务如何重新组合

　　为了把这些判断放到具体业务中，可以设想一家正在为新业务补充人才的企业。以下是用于分析工作设计的应用示例，并非某家企业已经实现的案例。它的价值在于，让招聘过程中的不同任务、责任和交接关系变得可讨论。企业可以据此对照自己的业务，形成更适合实际情况的设计。

　　招聘的起点是明确用人目标。用人经理需要说明新成员将解决什么问题、预计承担哪些结果，以及团队现有能力还缺少什么。AI可以根据已有资料整理问题、对比不同版本的需求，并帮助形成讨论材料。招聘人员则需要组织澄清，确认这些要求之间是否一致，以及哪些条件确实影响履职。

　　当需求明确之后，职位介绍才有了稳定依据。AI可以帮助生成适合不同传播场景的表达，并检查职责、要求和工作条件是否相互对应。招聘人员需要确认描述与真实工作一致，用人经理需要确认岗位交付要求。这样，内容生成带来的便利才能服务于更准确的人才沟通。

　　进入候选人材料整理阶段，AI可以依据经过确认的岗位标准，提取与工作有关的经历和证据，也可以提示信息缺口。这里有必要保留原始材料的对应位置，让招聘人员能够核实，而不是只看到一个笼统分数。对于需要进一步了解的情况，可以形成面试问题，由人结合完整背景继续判断。

　　面试过程中，AI可以协助整理经过授权的记录，将反馈对应到具体能力要求，并标记不同面试官意见之间需要讨论的地方。面试官需要提供实际观察，说明判断依据，而不是把评价责任交给自动生成的总结。候选人也应有机会补充背景、解释信息，帮助企业获得更完整的认识。

　　到了录用讨论，招聘团队需要把信息转化为可供决策的材料。哪些能力已有充分证据，哪些仍存在不确定性，岗位条件能否匹配候选人的期待，都应清楚呈现。AI可以帮助组织这些内容，但录用标准、资源安排和最终决定需要对应到明确的负责人。随后，招聘与入职支持之间还要完成信息交接，让承诺能够落实。

　　在这个示例中，招聘人员的工作重心可以逐步转向需求澄清、证据判断、候选人沟通和流程协调。相应地，岗位要求、培训内容和绩效指标也需要一起调整。如果企业只更新工具，却继续依据原先的材料处理数量评价招聘人员，就难以充分体现新的贡献。招聘任务的重组，最终会推动人才管理规则本身发生变化。

　　人的判断需要保留 也需要被具体描述

　　当招聘这样的流程被拆开后，一个问题会越来越清晰：究竟什么是应该由人承担的判断？企业经常使用“战略思考”“复杂沟通”“业务理解”等表述，但要安排工作，还需要知道这些能力在具体场景中表现为什么。否则，人承担的部分容易变成自动化之后留下的笼统责任，员工也难以据此成长。

　　以HRBP参与组织讨论为例，准备人员数据与解释人员数据，是相互关联却不完全相同的工作。AI可以协助整理趋势、比较口径和提出待验证的问题；HRBP则需要与业务负责人确认经营背景、组织变化和实际约束。一个数字变化可能有多种解释，采取行动前需要理解哪些解释具有充分依据。

　　情境判断也不等于一种无法学习的直觉。员工为什么采用某种做法，客户为什么提出特殊要求，团队为什么在某个环节需要更多协调，都可以通过观察和复盘逐渐形成可讨论的知识。员工能够帮助组织识别关键线索，说明什么情况下可以按标准处理，什么情况下需要进一步了解。这些经验被描述得越清楚，越有利于人机协作。

　　同时，也不必把所有涉及判断的活动都完全留给人工准备。AI可以帮助列出替代解释、整理反例、提示尚未核实的条件，让负责人看到更完整的信息。人的价值由此体现为提出合适的问题、判断证据是否充分，以及在现实约束下作出选择。这样的分工能够扩大人的分析范围，同时保留明确的决策责任。

　　对于重要事项，负责人还需要拥有相应的时间、信息和权限。如果一个人只能看到系统生成的结论，却无法查看依据，也没有时间进行复核，那么责任安排就缺少实际支撑。工作设计应当让人能够真正作出判断，包括提出异议、请求补充资料，以及在必要时暂停执行。这些条件应与任务安排同步建立。

　　这也为人才培养提供了更清晰的方向。企业可以围绕具体决策，积累事实判断、方案比较和结果复盘的材料，让员工看到经验如何发挥作用。随着资料和能力增长，一部分准备工作可以进一步由AI协助，员工则有机会承担更完整的业务问题。人的判断能力与技术能力，由此能够在同一套工作同发展。

　　时间释放之后 岗位要围绕什么重新组合

　　任务分工明确之后，岗位重组才进入最实质的阶段。企业需要决定员工未来负责什么、如何与其他人协作，以及完成这些工作需要多少稳定投入。这一步需要同时考虑任务总量、出现时间、业务覆盖范围和能力要求。把若干节省时间的数字加在一起，还不足以完成岗位设计。

　　可以用一个纯粹假设的例子帮助理解。一个八人团队，每人每周工作四十小时，其中四分之一时间用于资料准备，合计是八十小时。即使这部分时间全部得到释放，也不能立即推导出两个完整岗位的变化，因为时间可能分散在不同人员和业务节点上。企业还需要确认复核、维护、异常处理以及新的业务需求会占用多少容量。

　　任务之间的衔接，也会影响怎样组合更合适。某些资料准备工作同时帮助员工理解客户、发现问题，如果完全转移，后续就可能需要重新补充背景。某些重复处理则可以集中完成，为其他岗位提供稳定服务。企业应比较不同安排带来的总体交付效果，判断保留关联、集中处理或跨岗位整合各自适用于什么情况。

　　岗位组合还需要考虑工作的节奏。持续处理需要高度专注的分析，同时承担随时可能出现的紧急咨询，对员工提出的是两种不同要求。即使总工时看起来合适，频繁切换也可能影响质量。因此，企业可以通过值班、轮换、集中服务或明确响应时段，帮助不同任务形成更可执行的安排。

　　AI参与以后，一种值得探索的岗位方向，是让员工围绕一个更完整的结果承担责任。例如，从分别整理数据、制作材料和追踪反馈，转向负责某类人才项目的交付。AI及现有系统承担其中适合标准化的部分，员工协调需求、识别例外并推动改进。这种组合能否成立，需要结合员工能力、业务规模和真实负荷验证。

　　新增的工作也应被纳入设计。知识更新、结果抽查、问题反馈和流程维护，都需要有人持续完成，不能默认它们会在日常工作之外自然发生。当这些职责进入工作安排，企业才能更准确地评价AI的实际投入与收益。 释放时间只是岗位重组的一个条件，让时间形成稳定、可承担的责任范围，才是设计工作的关键。

　　培训要跟着任务变化 同时保护能力积累

　　岗位中的工作发生变化，培训内容也需要随之调整。员工当然需要理解AI工具的基本使用方法，但对于企业而言，更值得进一步回答的是：员工将承担哪些新任务，怎样判断自己完成得合格？围绕这些问题安排学习，培训才容易与实际交付建立联系。员工也能理解学习内容为什么与自己的职业发展有关。

　　一项研究客服工作的实证研究提供了积极参照。Brynjolfsson、Li和Raymond在修订版论文中，分析了5，172名客服人员的数据，发现AI辅助使以每小时解决问题数量衡量的生产率平均提高约15%，经验较少、技能较弱员工的速度与质量改善更明显。研究还发现了AI帮助员工学习的证据。这说明，在合适任务和支持条件下，AI有机会帮助员工更快获得工作所需的知识与方法。[6]

　　企业可以沿着这一方向，把优秀实践转化为更容易获取的工作支持。新人遇到问题时，不必每次都从零寻找资料，而能够在经过确认的知识范围内获得提示、案例和处理路径。主管则可以把更多辅导时间用于解释为什么这样判断，以及哪些情况需要改变处理方式。知识获取与判断训练由此可以相互配合。

　　与此同时，能力培养需要保留必要的练习机会。一位员工能够在AI帮助下完成材料整理，并不必然说明他已经理解信息之间的关系。企业可以在部分训练任务中，要求员工先形成自己的判断，再比较AI提供的不同方案，解释取舍依据。这样的安排能够让工具的帮助转化为学习过程，而不只体现为一次任务交付。

　　原先通过基础工作获得的经验，也可以重新设计。企业可以使用模拟案例、经过适当处理的历史材料、导师讨论和分阶段授权，让员工逐步接触复杂问题。关键是明确每个阶段需要掌握什么，以及通过什么表现证明已经掌握。基础能力的学习路径因此可以更新，同时与真实工作保持联系。

　　面向更有经验的员工，培训重点则可能转向任务设计与质量判断。如何把业务需求转化为可执行的工作要求，如何识别生成结果中的信息缺口，如何安排人机交接，都可以成为训练内容。员工学会的既是使用工具，也是重新组织自己所负责的工作。这会增加内部人才向新职责转变的可能性。

　　因此，培训成效可以逐步观察到具体工作上。员工能否更准确地识别问题，能否解释依据，能否在需要时向合适的人求助，能否在新场景中运用学到的方法，都比单纯完成课程更有说明力。这样的评价也能反馈岗位设计：如果某项新职责需要更长时间形成能力，转型计划就应留出相应空间。

　　当工作方式变化 绩效与人才标准也要跟上

　　培训帮助员工承担新任务，绩效管理则决定组织是否认可这些变化。如果材料制作已经得到明显支持，而评价仍主要关注材料数量，员工就很难把时间稳定投入更有价值的工作。企业需要重新确认，哪些交付能够说明岗位正在创造价值，以及这些交付如何获得证据。评价标准与工作设计一致，变化才容易持续。

　　招聘岗位的评价，可以同时观察招聘过程和入职后的结果。候选人信息是否准确、用人需求是否清晰、关键环节是否及时推进，属于较接近招聘人员实际贡献的部分。人才入职后的表现，还会受到岗位安排、业务环境和经理支持等因素影响，需要与业务共同理解。这样能够避免把一个共同结果简单归到某一位员工身上。

　　HRBP和培训岗位也存在类似问题。一次分析是否帮助业务澄清了问题，一项学习安排是否支持员工承担了新职责，都需要结合实际背景评价。企业可以保留必要的过程记录，同时通过复盘了解这些工作的作用。AI使用次数、生成内容数量可以帮助了解应用情况，但不足以单独代表业务贡献。

　　团队共同形成的成果，还需要合理的归因方式。技术人员维护数据和系统，业务人员定义需求，HR推动人才与流程调整，最终改善往往依赖多方协作。如果评价只奖励最后呈现结果的环节，就难以完整体现其他人的投入。企业可以围绕共同目标设置团队指标，再通过具体职责和证据识别个人贡献。

　　人才选拔的标准也可以更贴近新工作。在适合的岗位测评中，企业可以明确允许使用的AI工具与条件，让候选人完成一段接近真实工作的任务，再解释自己的判断和修改理由。这样能够观察到候选人如何定义问题、核实材料和处理不确定性。评估需要与岗位相关，候选人获得的说明和使用条件也应保持一致。

　　岗位价值评估同样值得随职责变化复核。当员工开始承担更完整的交付、更复杂的协调或更重要的决策，企业可以依据既有岗位评价逻辑，重新审视责任范围与能力要求。是否使用AI，只是理解工作方式的一部分；岗位承担了什么结果、需要怎样的专业能力，仍然需要具体判断。这样才能让人才标准反映工作本身的变化。

　　智能体进入流程 谁来持续负责这份工作

　　当任务能够被清楚描述，企业也就有了开发智能体的更好基础。一个智能体需要知道处理什么请求、依据什么信息、可以执行哪些动作，以及何时交还给人。这些要求与企业管理一项具体服务有很多相通之处。业务目标越清楚，技术实现和验收也越容易对齐。

　　可以继续用员工咨询作分析示例。针对常见制度问题，智能体能够在批准使用的知识范围内帮助查找信息、组织回复并指向办理渠道。对于资料不足、制度适用情况不清楚或需要特殊协调的问题，则应进入人工处理路径。这样设计的服务，能够同时发挥自动响应的便利与人工处理复杂情况的能力。

　　这里尤其需要明确交接方式。转给人工时，系统可以保留员工已经提出的问题、使用过的资料以及尚未确认的信息，帮助负责人继续处理。员工也应知道下一步由谁跟进，以及如何补充情况。智能体与人工服务之间衔接得越清楚，整体体验越容易保持连贯。

　　持续维护则需要一位能够推动改进的业务负责人。制度更新之后，谁确认新内容；员工反映答复不清楚时，谁评估并调整；服务范围需要扩大时，谁决定是否具备条件，这些问题都应有明确归属。技术团队负责系统能力与运行支持，业务负责人确认服务内容和工作要求，HR协调相关角色与能力安排。

　　这种分工可以先以职责形式建立，不必急于增加一套新头衔。在试点规模较小时，由现有团队承担明确的维护与复盘任务，往往更便于了解真实需求。随着服务量与复杂程度变化，再判断是否需要专门岗位。组织由此能够依据工作证据调整配置，避免职责增长快于实际需要。

　　智能体上线以后，工作地图仍然需要更新。某类问题可能逐步具备更稳定的处理条件，另一类问题可能因为业务变化而需要更多人工介入。企业持续记录这些变化，既能改进系统，也能了解员工承担的任务如何迁移。这使岗位设计成为一项有反馈的管理活动。

　　从一条业务流程开始 让变化有机会被验证

　　面对这样一项涉及业务、技术和人才的工作，企业可以选择从范围明确的流程开始。对于HR，入职支持、内部人才项目、培训运营或员工常见咨询，都可能提供合适的观察入口。具体选哪一个，应取决于业务需要、资料条件和负责人能否投入。一个便于获得真实反馈的场景，通常比覆盖面很大的设想更适合作为起点。

　　企业可以给自己设置一个约九十天的探索周期，但把它作为可调整的安排，而非统一进度要求。开始阶段，业务与HR共同确认希望改善的结果，并记录当前任务、等待、返工和服务体验。对现状的理解足够具体，后续才容易判断变化是否来自新的工作方式。原有流程如果存在不必要的环节，也可以在这个阶段一并讨论。

　　接下来的设计应同时包括技术与人员安排。哪些任务使用现有系统，哪些由AI辅助，哪些继续由人处理，怎样验收和交接，都需要在试点前达成基本共识。员工将承担的新工作、需要学习的内容和可以获得的支持，也应在计划中出现。这样，试点验证的是一套工作安排，而不只是一个工具功能。

　　进入实际运行后，可以选择适当范围与原有方式进行比较。观察时既看速度与数量，也看准确程度、后续返工、人工投入和服务对象的反馈。若业务量、任务难度或参与人员发生变化，需要在解释结果时一并考虑。比较的目的，是帮助团队了解什么条件下有效，以及哪些地方还需要调整。

　　对于节省下来的时间，管理层可以事先约定几种用途。例如，把更多精力投入候选人沟通、为经理提供辅导、提高服务覆盖，或者支持当前尚未充分开展的业务。经过一段运行，再检查这些安排是否实际发生，以及是否需要补充技能或调整职责。由此，效率收益与人才发展才能建立可观察的联系。

　　到了复盘阶段，企业可以依据证据决定扩大、修改或暂时保留试点范围。一个项目即使只证明某类任务适合AI辅助，也可能帮助组织形成更准确的能力判断。记录有效条件、例外情况和员工反馈，会让下一次工作设计更容易。逐步积累的经验，也能成为HR与业务讨论岗位变化时的共同依据。

　　HR需要把工作设计与人才发展连接起来

　　沿着任务理解工作，最终仍要回到企业希望实现什么结果，以及人如何在其中发挥作用。企业需要保留足够稳定的责任关系，让员工知道自己向谁协作、对什么负责、怎样获得成长。同时，也需要允许任务安排随着技术能力和业务需求变化。稳定的职责与可调整的执行方式，可以在同一个岗位中并存。

　　这要求HR更早参与AI项目的讨论。在方案形成阶段，就与业务一起判断岗位会如何变化，员工需要哪些支持，以及哪些人才机制需要跟着调整。技术团队提供实现条件，财务帮助理解投入与收益，业务负责人确认结果，HR把这些变化落实到能力、职责和协作安排上。各方因此能够围绕一套可执行的工作方式共同推进。

　　员工也应参与描述和改进自己的工作。实际执行者最清楚哪些资料需要反复核实，哪些交接容易遗漏背景，以及哪些基础任务同时承担学习功能。把这些经验放进设计，能够帮助企业看见正式流程之外的重要条件。员工理解变化的目标与新职责之后，也更容易把日常经验转化为可持续的改进建议。

　　管理层则需要决定释放出来的能力将服务于哪里。更好的客户服务、更深入的人才判断、更充分的经理支持，都是可以讨论的方向，但需要与经营重点相连。目标清楚，岗位重组就有了依据；支持到位，员工才有条件完成变化。AI的价值由此能够进入企业持续创造结果的过程。

　　从岗位名称走向具体任务，是企业进一步理解工作的开始。接下来，还需要把任务与流程、责任、能力和成长重新连接起来，让新的工作安排能够运行，也能够被检验。对于HR负责人，这意味着一种更深入参与经营的方式：在AI改变任务的时候，帮助企业形成更好的分工，并让员工看见自己可以走向什么样的新职责。

　　当AI能够承担更多任务，企业需要同时提高设计工作的能力。 这项能力会体现在每一次清晰的交接、每一项有依据的判断、每一段能够持续积累经验的成长路径里。技术提供了新的执行可能，组织则要把这些可能安排成有价值、可负责、能发展的工作。HR能够在这个过程中，把效率改善与人的成长真正联系起来。

　　参考资料

　　[1] Josh Bersin，2026年10月19日，What Is Task or Work Intelligence And Can We Decompose Every Job For AI? https://joshbersin.com/2026/10/what-is-task-or-work-intelligence-and-can-we-decompose-every-job-for-ai/

　　[2] Workday，2026年10月13日，Workday Introduces Work Intelligence to Help Customers Design Work for AI https://newsroom.workday.com/2026-10-13-Workday-Introduces-Work-Intelligence-to-Help-Customers-Design-Work-for-AI

　　[3] 国际劳工组织，2025年5月20日，Generative AI and Jobs: A Refined Global Index of Occupational Exposure https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure

　　[4] Eleanor Wiske Dillon等，Shifting Work Patterns with Generative AI，2025年11月修订版 https://arxiv.org/abs/2504.11436v4

　　[5] Fabrizio Dell’Acqua等，Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality，Organization Science，2026年3月11日在线发表 https://doi.org/10.1287/orsc.2025.21838

　　[6] Erik Brynjolfsson、Danielle Li、Lindsey Raymond，Generative AI at Work，2024年11月修订版；本文采用该修订版摘要中的样本和数据口径 https://arxiv.org/abs/2304.11771v2

　　文中的招聘、HRBP、员工咨询、岗位容量和试点安排为基于上述议题展开的管理分析或应用示例；假设数据已在相应段落说明。

　　原文链接：https://mp.weixin.qq.com/s/5Vz_INcE-PxmOTVUIbu28w