来源：HRflag

　　47%

　　受访美国成年人愿让AI处理薪酬谈判

　　59%

　　受访管理者用AI辅助裁员判断

　　过去，人们谈到AI进入人力资源管理，想到的往往是简历筛选、面试安排、培训推荐和员工问答。这些环节即使出现误差，通常还有时间修正，也不一定会立即改变一个人的收入与职业去向。但最近两项调查把问题推到了更敏感的位置： AI正在同时进入薪酬谈判和裁员判断，开始触碰雇佣关系中最核心的利益分配。

　　HR Dive在2026年7月30日援引Ruth AI与The Harris Poll的调查称，在2131名美国成年人中，47%表示愿意让AI替自己处理薪酬谈判，男性受访者中的这一比例达到53%。三分之一的受访者已经向AI询问过薪资、加薪、奖金或谈判方式，49%愿意让AI参与福利谈判。然而，超过四分之三的人并不知道AI可能给出带有偏差的职业与薪酬建议，这意味着人们交出的不仅是写一封邮件的工作，还有对自身市场价值的判断权。

　　就在后，HR Dive披露了另一项来自ResumeTemplates.com的调查。在1000名使用AI工作、拥有直接下属且任职于501人以上企业的美国管理者中，59%表示会在决定裁减谁时使用AI，58%会在解雇判断中使用AI，24%甚至经常或总是借助AI决定谁应离开。两项调查的样本、对象和问题并不相同，不能简单拼成一条统计结论，但它们共同释放出一个清晰信号： 雇佣关系的双方，都在把最难开口、最难判断、也最影响个人命运的事项交给算法辅助。

　　这不是一个“AI会不会取代HR”的旧问题，而是一个更现实的管理问题。当员工带着AI生成的市场薪酬、贡献清单和谈判方案走进会议室，管理者也可能带着AI生成的人效排序、成本模拟和岗位替代概率坐在对面，谈判表面上仍发生在人与人之间，底层却可能已经变成两套数据、两种模型和两组假设的碰撞。企业真正需要建立的，不是一条简单的“允许使用”或“禁止使用”规定，而是一套能够让事实被核验、判断可解释、责任有人承担的决策秩序。

　　AI为什么会先进入最难的人事决定

　　薪酬谈判与人员调整有一个共同特点：信息分散，情绪浓度高，结果又必须落到具体的人身上。员工不知道企业真实的薪酬空间、同岗分布和未来预算，管理者也未必完整掌握员工在跨部门协作、客户关系、隐性知识和团队稳定中的全部价值。AI擅长汇总材料、比较数据、生成选项，恰好可以缓解这种信息压力，因此它进入这两个场景并不意外。

　　对于员工而言，谈薪一直是一项高度不均等的能力。有的人熟悉市场行情，也善于把项目结果转化为有说服力的语言；有的人贡献并不少，却不擅长开口，更不知道应该从什么数字起谈。AI能够快速整理岗位薪酬区间、模拟对话、检查论据和措辞，降低了获取专业建议的门槛，这也是47%愿意让AI参与谈薪背后的积极面。

　　对于管理者而言，人员调整通常发生在时间紧、预算硬、信息多的情况下。面对跨区域、跨职能和不同雇佣类型的复杂队伍，单靠经验很难迅速比较岗位重叠、业务依赖、人力成本与未来能力缺口。AI可以帮助汇总绩效记录、组织网络、技能标签和财务情景，使管理者更快看见结构性问题，这同样具有真实的管理价值。

　　问题并不在于AI进入了这些场景，而在于它进入之后被赋予了什么角色。整理事实、发现矛盾、生成情景和提醒风险，属于决策支持；替员工定义“你值多少钱”，或替管理者决定“谁应该离开”，则已经接近决策代理。 辅助工具与权力主体之间只隔着一道看似很薄、实际决定组织责任归属的边界。

　　47%背后，不只是员工更信任技术

　　将“愿意让AI谈薪”理解为员工盲目信任机器，容易错过更重要的组织信号。很多员工求助AI，并不是因为他们相信算法比人更懂自己，而是因为现实中的薪酬信息不够透明、发展标准不够清楚、管理者反馈不够及时。在缺少可信解释的环境里，一个能随时回应、不会表现出不耐烦、还能迅速给出数字的工具，自然会成为替代性顾问。

　　员工向AI询问“我应该要求多少加薪”，表面是在寻找一个数字，实际是在寻找价值确认。他想知道自己的工作是否被低估，新增加的责任是否已经超出岗位级别，掌握的新能力是否获得市场溢价，以及企业对他的未来是否仍有投入意愿。如果组织无法提供这些答案，AI就会用公开招聘信息、网络经验和模型训练数据拼出一个看似完整的答案。

　　这种答案可能很有帮助，也可能暗含明显偏差。Ruth AI与The Harris Poll的调查显示，在曾向AI询问职业或薪酬建议的人中，43%认为自己的种族、性别、族裔或性取向影响了得到的建议。相关研究也通过大量控制实验发现，不同模型版本、提问立场、学校与专业等变量，都可能造成薪酬建议的显著波动；这说明薪酬谈判并不存在一个只要输入个人信息就能自动算出的“客观正确值”。

　　更值得管理者注意的是，AI会提高员工谈判准备的平均水平，却不会自动消除信息不对称。员工可以用AI整理成果，却拿不到企业内部的岗位评估方法、薪级带宽、预算约束和同岗公平数据；模型可以引用网络上的平均薪酬，却未必理解企业所处城市、业务阶段、现金与长期激励结构。于是，员工的表达会更专业，诉求会更具体，但如果企业仍依赖模糊回应，双方的不信任反而可能更快显现。

　　因此，47%并不是一个提醒企业“准备和AI讨价还价”的数字，而是提醒企业重新审视薪酬沟通基础设施。员工是否能够看懂岗位层级，是否知道加薪与晋升分别依据什么，是否能获得持续的绩效反馈，是否有正式渠道校正外部数据与内部政策之间的差异，这些问题决定了AI最终成为理性沟通的助手，还是成为放大猜疑的工具。

　　59%背后，真正需要警惕的是责任被悄悄转移

　　在ResumeTemplates.com的调查中，使用AI辅助裁员的管理者最常要求AI考虑绩效与生产率，比例达到80%；57%会考虑出勤，42%会考虑薪资或成本。乍看之下，这些都是企业进行人员配置时常见的数据，但一旦把它们放进模型，指标的定义、采集方式、时间窗口和权重就会同时影响结果。一个排名非常整齐的表格，可能只是把过去管理系统中的偏差重新排列得更像科学结论。

　　调查还显示，31%的相关管理者会让AI考虑频繁病假或医疗休假，32%考虑司龄，23%考虑带薪休假，14%考虑年龄。不同和地区对这些因素的法律规定并不相同，但从管理常识看，健康、年龄、照护责任和合法休假都可能与受保护权益密切相关。 当模型把容易统计的个人特征当成“成本”或“稳定性”代理变量时，企业得到的未必是更客观的判断，而可能是更难察觉的偏差。

　　更关键的数据是，38%的受访管理者从未接受过使用AI作出人事判断的伦理培训，58%无法确认企业是否对所用AI做过偏差测试。43%承认至少偶尔让AI在没有人工复核的情况下作出裁员判断，17%经常或总是如此。虽然91%表示会推翻自己不同意的AI建议，但“我不同意才推翻”并不等于有效监督，因为管理者首先需要知道模型为什么得出结论、遗漏了什么，以及自己的直觉是否也受到自动化结论的影响。

　　这正是所谓“自动化偏见”的危险之处。人们面对语言流畅、数字、排序清晰的输出时，容易高估它的可靠性，并把原本需要自己承担的判断转化为“系统建议”。如果最终结果引发争议，管理者可能说模型只提供参考，供应商可能说客户决定了数据和用途，HR可能说业务部门拥有最终决定权，责任就在多个主体之间被稀释。

　　但对企业来说，责任不会因为使用了外部模型就自然消失。中国《个人信息保护法》要求，利用个人信息进行自动化决策应保证透明度以及结果公平、公正；通过自动化决策作出对个人权益有重大影响的决定，个人有权要求说明，并有权拒绝仅通过自动化决策作出决定。规则传递出的核心并不复杂： 工具可以参与分析，组织仍必须能够说明决定、接受质疑并承担后果。

　　不要先问“裁谁”，先问工作究竟发生了什么变化

　　企业引入AI后最容易犯的判断错误，是看到某些任务耗时下降，便直接推断对应岗位可以按同样比例缩减。一个岗位通常由多类任务组成，其中既有可标准化的资料整理，也有需要情境判断的客户沟通、异常处理、跨部门协调和风险承担。AI能够压缩某项任务的时间，并不代表岗位的全部价值已经消失，更不代表剩余工作可以被其他人无成本接走。

　　更稳妥的起点是拆解工作，而不是排列员工。企业需要识别每个岗位中的可自动化任务、可增强任务、必须由人承担的责任以及AI带来的新增任务，再观察工作量、质量要求和风险结构如何改变。只有当工作设计已经清楚，组织才有条件讨论岗位合并、职责扩展、人员转移或自然减员，而不是先让模型输出一份“最适合离开的人”。

　　例如，一个共享服务岗位中，信息查询、单据核验和标准答复可能被AI大幅加速，但复杂投诉、政策例外、数据纠错和内部协调仍需要经验丰富的人处理。随着简单请求被机器吸收，留下的人均任务往往更复杂，对判断力和情绪稳定性的要求更高。如果企业只根据处理单量测算人效，可能会低估复杂任务的占比，并在缩减人员后发现服务质量、响应时间和员工负荷同时恶化。

　　AI还会创造过去不存在的工作，包括知识库维护、输出抽检、数据标注、权限管理、异常升级和责任留痕。这些工作常常被分散到原有岗位中，没有独立编制，也没有进入绩效口径，结果看起来像“AI减少了工作”，实际只是把一部分劳动隐藏起来。决定组织规模前，企业必须把这些看护AI、修正AI和治理AI的工作重新纳入劳动量测算。

　　因此，人员规划的基本单位应从“现有岗位人数”转向“未来任务组合与服务水平”。业务量会如何变化，AI覆盖率能够稳定到什么程度，错误率需要多少人工兜底，旺季和异常场景是否仍要保留冗余，这些问题比员工之间的简单排序更能决定合理编制。 真正负责任的AI人力规划，不是让机器替企业挑人，而是让数据帮助企业看清未来究竟需要什么工作。

　　岗位价值不能被“最容易量化的部分”定义

　　当企业开始重构岗位，岗位评价体系也必须同步更新。传统岗位说明书通常强调职责范围、汇报关系和任职资格，但AI时代更需要描述决策权、复杂度、影响范围、关键关系以及对机器输出的监督责任。否则，一个员工因为AI提高了执行速度，岗位反而可能在旧体系中被低估，即使他承担了更多质量控制和风险判断。

　　AI在分析岗位价值时，天然偏好结构化数据。销售额、工单量、项目周期、客户数量和成本都容易进入模型，关系修复、经验传承、危机预警和跨团队信任却很难被准确记录。如果企业只把可量化指标作为岗位保留依据，就可能留下大量“看得见的产出”，同时损失维持组织运行的隐性能力。

　　这并不意味着企业应拒绝量化，而是需要把量化从单一结果扩展到价值链。一个岗位是否直接创造收入，只是价值的一部分；它是否降低重大风险、保护客户体验、缩短新人熟练周期、维持关键流程连续性，同样需要进入评估。对不同岗位使用同一套效率尺度，看似统一，实际上可能把业务差异和责任差异全部抹平。

　　薪酬谈判也会受到同一问题影响。员工用AI搜索公开薪酬时，往往根据岗位名称进行匹配，但同名岗位在不同组织中的决策权限、业务规模和结果责任可能差异巨大。企业如果只能用“市场上同岗位就是这个价格”回应，就会与员工的外部数据陷入无休止争论；更有效的做法，是明确说明内部岗位价值由哪些因素构成，以及员工当前承担的工作已经落在哪个层级。

　　岗位体系一旦清楚，AI才有机会成为共同语言。员工可以用它整理职责变化与市场信号，管理者可以用它检查同岗差异和组织重叠，HR则负责把外部市场、内部公平和业务支付能力放进同一框架。 如果岗位架构本身模糊，AI只会以更快速度复制模糊；如果岗位架构足够清楚，AI才能提高讨论效率。

　　绩效不能只记录过去，还要证明判断是怎样形成的

　　无论是调薪还是人员调整，绩效数据都会成为最常被调用的依据。调查中80%的管理者让AI考虑绩效和生产率，说明绩效系统正在从年度管理工具变成算法决策的数据底座。问题在于，很多企业的绩效记录原本只为完成考核流程而设计，并没有为高影响的人事判断准备足够完整的证据。

　　绩效评分可能受目标难度、资源条件、经理风格和团队分工影响。同样拿到“达成目标”，有人是在成熟市场维护存量，有人是在新业务中解决大量不确定问题；同样被记录为“协作不足”，有人确实配合有限，有人则承担了多次必要的反对与风险提醒。如果AI看不到情境，它会把评分当作事实，而不是把评分视为需要进一步解释的管理记录。

　　更值得警惕的是数据闭环。过去的经理评价影响绩效评分，绩效评分进入人才模型，模型结论又被下一任经理当作客观依据，偏见就可能在多轮使用中逐渐固化。员工随后得到更少机会、更弱项目和更低曝光，未来数据再度证明他“潜力有限”，组织由此制造出一个自我实现的结论。

　　AI时代的绩效管理需要增加证据密度，而不仅是增加评分频率。目标是否在周期中发生变化，员工获得了哪些资源，关键结果由谁共同完成，客户和协作方反馈是否一致，员工是否承担了未写入目标的新增任务，这些信息都应被保留。管理者还需要区分事实、解释和判断，避免把一句笼统评价直接当成可供模型学习的标签。

　　对高影响决策而言，绩效数据还应有明确的可申诉性。员工不一定能看到模型细节，但应当有机会核对基础事实、补充重要情境并指出明显错误；复核者也不能只是重新按一次确认键，而要拥有修改结果的权限和足够信息。 人类复核的价值，不在于为算法输出盖章，而在于真正能够发现并纠正算法没有看见的部分。

　　能力评估要从“会不会做”转向“能否迁移”

　　AI改变工作的速度，正在削弱传统技能清单的有效期。今天能够被自动化的任务，可能只是某个岗位过去能力的一部分；一个员工当前不熟悉AI，也不意味着他无法在合理培训后掌握。若企业只根据现有技能与当前效率决定人员去留，容易把可培养的人误判为不可用，也会错失内部转型成本更低的机会。

　　更有价值的能力评估，应同时观察专业基础、学习速度、问题拆解、质量判断和跨界协作。专业基础决定员工能否发现AI输出中的错误，学习速度决定他能否适应工具更新，问题拆解决定他能否把模糊需求变成可执行任务，质量判断则决定企业敢不敢把更大责任交给他。这些能力不一定在旧绩效数据中表现得最突出，却往往决定人机协作的上限。

　　企业还需要区分“任务被替代”和“能力被贬值”。当AI接管常规分析后，熟悉业务的人不再需要花大量时间搬运数据，但他对异常原因、客户语境和经营逻辑的理解仍然稀缺。岗位可能从亲自完成每一步，转向定义问题、验证结果和处理例外，原有能力并未消失，而是需要被重新组合。

　　这也是为什么人员调整前必须设置真实的转岗与再培训窗口。培训不能只发一套通用课程，然后用完成率证明企业已经尽责，而要针对未来岗位提供工具、练习、业务场景和可验证的能力标准。员工需要知道学什么、学到什么程度、在哪项工作中证明，以及达标后能够进入什么岗位。

　　当员工用AI准备谈薪时，他也可能提出新的能力价值主张。例如，过去一个人完成十份分析，现在借助AI可以完成三十份，但更关键的价值不是数量翻了三倍，而是他能否用节省的时间发现经营机会、提高决策质量或服务更多内部客户。HR应帮助管理者把“使用AI”从一个模糊标签，转化为可观察的能力和业务结果，避免形成会用某个工具就普遍涨薪、不会用就被快速淘汰的简单逻辑。

　　薪酬管理将面对“员工AI对企业AI”的新局面

　　未来的调薪沟通中，员工可能提交一份由AI整理的材料：外部职位薪酬、所在城市生活成本、个人项目贡献、同类技能溢价，以及一套完整的谈判话术。企业也可能使用AI生成内部薪酬定位、预算影响、离职风险和替代成本。双方都有更多数据并不必然带来共识，因为不同工具引用的数据源、时间范围和比较对象可能完全不同。

　　如果企业把自己的模型结论当成最终答案，员工把公开模型结论当成市场真相，谈判就会迅速变成数字对撞。某个工具认为岗位中位数是一个区间，另一个工具给出更高区间，双方继续追问模型也无法解决根本分歧。真正有用的问题应当回到数据口径：比较的是基本工资还是总现金，样本来自招聘报价还是在岗收入，企业规模、行业、城市和职责复杂度是否可比。

　　因此，薪酬团队需要为AI时代准备一套可解释的“价值翻译机制”。企业不必公开每位员工的薪酬，但应能说明薪级带宽、岗位定位、个人薪酬在区间中的位置，以及绩效、稀缺技能和内部公平如何影响调整。对于不能满足的诉求，也应区分预算限制、岗位级别不匹配、市场数据差异或贡献证据不足，而不是用一句“系统测算结果如此”结束对话。

　　这种透明度并不会削弱管理权，反而能够降低无效谈判。员工知道哪些事实可以核验、哪些标准可以努力、哪些限制短期无法改变，就更容易把讨论从“我听说别人拿多少”转向“我的职责和结果是否已经达到下一层级”。管理者也能减少临场承诺与个人偏好对薪酬结果的影响。

　　更重要的是，企业不能让谈判能力成为决定薪酬公平的隐藏变量。AI可以帮助原本不擅长表达的人更充分地提出诉求，这是一种进步；但如果只有主动谈判者才能被重新评估，沉默员工仍可能长期被低估。薪酬治理应定期检查同工价值、区间位置和群体差异，在员工开口之前主动发现不合理偏差。

　　AI进入谈薪后，HR最重要的任务不是训练管理者如何驳回一份更漂亮的谈判材料，而是确保企业自己的薪酬逻辑经得住更专业的追问。 当员工能够快速获得市场信息，企业过去依靠信息不对称维持的模糊空间会持续缩小。留下来的应当是更清楚的岗位价值、更稳定的政策和更可信的沟通。

　　人员调整要建立“业务理由—岗位方案—个人决定”的证据链

　　人员调整是一项组织决策，不能从个人名单开始。企业首先需要说明业务发生了什么变化，例如需求下降、流程整合、业务退出、技术升级或资源重新配置；随后确定未来需要哪些工作、哪些岗位发生实质变化；最后才根据一致、合法且与工作相关的标准处理具体人员。这个顺序能够避免企业先选定结果，再让AI寻找支持理由。

　　AI最适合介入的是前两个环节。它可以模拟不同业务情景下的工作量，识别重复流程，分析技能供需差距，比较内部调动与外部招聘的成本，也可以提醒某项方案可能造成关键岗位断层。它不应在缺乏完整语境时，直接根据员工姓名、年龄、休假、薪资或零散绩效记录生成去留名单。

　　进入个人层面后，企业应当设立比一般分析更高的使用门槛。输入数据需要与决定目的直接相关，来源明确，错误可以纠正；评价标准需要在同一可比群体中一致应用，并检验是否对特定群体产生异常影响。任何模型建议都应附带理由、数据范围、不确定性和限制，不能只输出一个分数或红黄绿标签。

　　人工复核也需要避免“单人确认”。重大人员决定可以由业务负责人、HR和必要的法务或合规角色共同审查，分别检查业务合理性、标准一致性、员工权益与数据使用边界。复核会议应记录哪些建议被接受、哪些被否决、为什么修改，使责任链条清楚，而不是把“有人工参与”停留在流程表面。

　　企业还应提前设计替代方案。岗位能否调整，员工能否转入相邻职能，培训成本是否低于重新招聘成本，工作时间和团队结构是否可以重组，这些选项都应在最终人员决定前得到评估。AI可以帮助扩大方案空间，但不能因为生成“替代概率”更快，就让组织跳过内部流动和能力转换。

　　这套证据链的意义不仅是风险控制，也直接影响留下来的员工。人们会观察决定是否一致、解释是否可信、管理者是否亲自承担沟通，以及企业是否为受影响者提供尊重与支持。 一次人员调整如何被决定，会成为全体员工判断组织是否值得信任的长期证据。

　　管理责任不能被“人类最终决定”六个字替代

　　许多企业的AI政策都会写“最终决定由人作出”，这句话是必要的，却远远不够。一个管理者如果不知道模型用了哪些数据、不理解指标之间的关系，也没有权限修改建议，即使由他点击最终确认，实质上仍可能是自动化决定。真正的人工负责，需要具备知情、质疑、修改和承担后果四种能力。

　　知情意味着管理者知道工具被批准用于什么，不得用于什么，输入哪些数据会带来隐私或歧视风险。质疑意味着他能够要求证据，检查异常，并理解模型不确定性；修改意味着流程允许他基于业务事实改变建议，而不因偏离算法而受到默认质疑。承担后果则意味着最终沟通不能推给系统、HR或供应商，业务负责人必须对组织选择作出解释。

　　调查中91%的管理者表示会推翻自己不同意的AI建议，这个数字看似令人安心，却也提示另一项培训重点：管理者不能只在“感觉不对”时才复核。算法输出往往会形成心理锚点，后续讨论围绕它展开，哪怕最终调整幅度不大，原始排序也已经影响判断。企业需要通过反向验证、盲审抽样和替代情景测试，主动寻找模型可能错在哪里。

　　管理者还需要学习如何面对员工带来的AI建议。员工展示市场薪酬数据时，不应因为来源是AI就一概否定，也不能因为图表完整就直接接受；更合理的回应是共同检查口径、补充内部信息并回到岗位和贡献事实。这样的对话本身就是AI素养，它强调对证据负责，而不是对工具表态。

　　对HR而言，新的责任不是成为所有模型的技术专家，而是成为高影响决策的制度设计者。HR需要定义场景风险等级、允许的数据范围、复核角色、申诉路径和留痕要求，并推动业务、技术、法务、数据安全共同参与。技术团队知道模型如何运行，业务知道工作如何创造价值，只有HR能够把这些知识转化为对员工可理解、对管理者可执行的规则。

　　企业需要一张“高影响人事决策”红线清单

　　与其制定一份覆盖所有工具、充满原则口号的AI政策，不如先围绕高影响场景建立清晰清单。招聘淘汰、绩效等级、晋升、调薪、奖金、纪律处分、人员调整和劳动关系终止，都可能直接影响个人权益，应被纳入更严格的审批与监督范围。风险等级越高，数据要求、解释要求和人工复核强度就应越高。

　　有些用途可以被明确允许，例如汇总公开市场薪酬、整理员工本人提供的贡献材料、模拟沟通对话、分析匿名化群体趋势和生成多个组织情景。这些用途的共同点是，AI帮助人们准备信息、发现问题或比较方案，不直接对个人作出最终评价。即便如此，企业仍需控制敏感信息输入，并提醒使用者核验数据来源和时间范围。

　　有些用途应设置严格条件，例如预测离职风险、识别低绩效、推荐调薪比例、计算晋升准备度和提出人员优化建议。企业至少应完成目的审查、数据合法性检查、偏差测试、业务验证、权限控制和人工复核设计，且不能把模型分数作为依据。员工还应有渠道核对与本人有关的关键事实，并对重大影响决定提出说明请求。

　　另一些用途应当明确禁止。将年龄、健康、医疗休假、家庭状况等与工作无直接必要关系的信息作为人员去留依据，使用未经批准的公共模型处理实名薪酬或绩效数据，让生成式AI自动形成最终裁员名单，或者要求管理者以模型输出替代正式绩效记录，都不应被视为普通的效率尝试。红线越具体，管理者越不容易在压力下把高风险行为误认为创新。

　　企业还应建立工具台账，记录模型供应方、版本、用途、数据类型、责任部门、风险等级和复核方式。生成式AI持续更新，同一个提示在不同版本中可能给出不同结果，今天通过测试的工具不代表以后可靠。定期抽检与变更复评，应像信息安全更新一样成为常规管理，而不是等到争议发生后再回溯。

　　HR的治理重点，应沿着岗位、绩效、能力和责任逐层推进

　　岗位层面要解决的是“未来需要什么工作”。HR应推动业务把岗位拆成任务、责任与关键关系，标明哪些由AI执行、哪些由人机协作、哪些必须由人承担，并同步测算新增的监督与治理工作。没有完成工作重构之前，不宜直接把自动化比例换算成人员比例。

　　绩效层面要解决的是“什么证据能够支持重要决定”。企业需要清理长期不用、口径不一或可能形成代理歧视的数据，提升目标变更、资源条件、协作贡献与异常事件的记录质量。模型可以帮助发现模式，但个人结果必须能够追溯到与工作相关、可核验且一致适用的事实。

　　能力层面要解决的是“谁能够进入新的工作组合”。评价不能只看员工今天会不会使用某个AI产品，而要识别专业判断、学习敏捷性、问题拆解、数据意识和协作能力，并提供真实的学习机会。转岗与再培训不是人员调整前的礼貌动作，而是企业保留业务知识、降低未来招聘成本的重要投资。

　　责任层面要解决的是“谁为结论负责”。每一种高影响场景都应指定业务决策人、数据负责人、模型审核者、HR流程负责人和申诉处理人，避免所有人都参与却没有人真正承担责任。供应商可以提供工具，算法可以提供建议， 但企业不能外包自己对员工的解释义务与管理责任。

　　这四个层面不是四项彼此独立的HR项目，而是一条连续的治理链。岗位不清，绩效指标就容易失真；绩效证据不可靠，能力判断就会被过去偏差牵引；能力没有被识别和培养，人员方案就只剩缩减；责任不明确，前面的制度最终也可能沦为表格。AI时代的人力资源转型，真正难的不是上线一个模型，而是让这条链条能够稳定运行。

　　一套可以立即启动的90天行动方案

　　最初30天，企业可以先完成场景盘点，而不是急着选购更多工具。HR与业务部门共同列出已经使用AI或可能使用AI的招聘、绩效、薪酬、晋升和人员规划场景，特别关注管理者私下使用公共模型的“影子AI”。每个场景记录使用目的、数据来源、影响对象、最终决策者和现有复核方式，从中识别最需要暂停、修正或补充控制的事项。

　　同一阶段还应完成临时红线发布。规则不必一次写成厚重手册，但必须立即说明哪些个人数据不得输入公共模型，哪些高影响决定不得仅凭AI输出作出，哪些场景必须由HR或法务复核。对已经形成模型评分的项目，先检查员工是否有事实核对渠道，以及企业能否清楚解释评分如何影响结果。

　　接下来的30天，可以选择一个薪酬场景和一个人员规划场景做深度验证。薪酬场景可从市场数据整理、同岗区间检查或调薪沟通准备开始，人员规划则从匿名化的岗位与任务分析开始，避免一上来处理实名个人名单。验证不仅看模型是否节省时间，还要看数据准确率、建议稳定性、群体差异、人工修正比例和管理者能否解释。

　　培训也应在这一阶段进入真实业务。给管理者的课程不应停留在提示词写法，而要让他们练习识别不恰当变量、检查数据口径、反驳模型建议和记录最终理由；给HR的课程需要加入岗位设计、薪酬数据解释、偏差审查和员工沟通。只有当使用者能够说明“为什么不能照做”，培训才真正触及高影响决策。

　　最后30天，企业应把试点经验固化为治理流程。形成高影响场景清单、工具台账、数据准入规则、复核模板、员工说明与申诉机制，并确定定期审查节奏。管理层需要看到的不只是效率提升数字，还包括模型输出被否决的比例、异常群体差异、数据错误数量和人工复核投入，因为这些指标共同反映系统是否值得信任。

　　90天之后，企业可以逐步扩大AI的应用范围，但扩展顺序应由风险和成熟度决定，而不是由部门热情决定。低风险的信息整理可以更快推广，高影响的个人决定则要在岗位、数据、流程和责任都准备充分后再进入。 AI治理的目标不是让企业少用AI，而是让企业在最需要谨慎的地方仍然保持判断力。

　　真正的效率，不是把艰难决定交给机器

　　AI能够帮助员工更充分地表达自身价值，也能够帮助管理者更早看见组织成本与能力结构。它可以减少资料搜集、情景模拟和基础分析的时间，让薪酬沟通更有准备，让人员规划更有数据依据。这些价值都值得企业积极探索，问题只在于不能把“更快得出答案”误认为“更好地承担责任”。

　　谈薪之所以困难，是因为它既涉及市场价格，也涉及公平感、认可感和未来承诺；人员调整之所以困难，是因为它既是成本选择，也是组织能力与员工生活的重大变化。AI能够计算部分变量，却无法代表企业作出价值判断，也无法替管理者完成一场尊重、诚实且承担后果的沟通。越是高影响的决定，技术越应该提高证据质量，而不是降低人的参与程度。

　　当近半数受访者愿意让AI谈薪，当不少受访经理已经让AI参与裁员判断，企业不能再把这看作少数技术爱好者的尝试。员工已经带着新的信息能力进入雇佣关系，管理者也已经拥有新的分析权力，HR需要尽快为双方建立共同规则。否则，组织将面对的不是单个模型是否准确，而是信任、解释与责任在日常决策中逐渐流失。

　　未来优秀的企业不会以“从不让AI参与人事决策”为荣，也不会以“所有决策都由AI驱动”为先进。它们更可能形成一种成熟分工：AI负责整理事实、发现差异、模拟方案和提醒风险，人负责理解情境、平衡价值、作出决定并承担后果。 真正需要守住的不是某一道人工流程，而是组织对人的决定始终能够被说明、被复核，也能够由具体管理者负责。

　　薪酬桌的一边，员工可以带着AI；组织规划桌的另一边，管理者也可以使用AI。但坐在桌前的人不能因此退场，因为雇佣关系从来不只是数据交换，它还是一套关于贡献如何被看见、机会如何被分配、尊严如何被维护的制度。AI进入得越深，企业越需要把这套制度建设得清楚、稳定而可信。

　　参考资料

　　HR Dive， Nearly half of workers say they’d let AI negotiate their pay ， 2026年7月30日：https://www.hrdive.com/news/nearly-half-of-workers-say-theyd-let-ai-negotiate-their-pay/826476/

　　Ruth AI × The Harris Poll， The Trust Gap ， 2026年7月：https://ruthapp.ai/research

　　HR Dive， Managers say they are using AI to make layoff decisions ， 2026年7月31日：https://www.hrdive.com/news/managers-are-using-ai-to-make-layoff-decisions/826697/

　　ResumeTemplates.com， 3 in 5 Managers Use AI To Decide Who Gets Laid Off ， 2026年7月：https://www.resumetemplates.com/career-advice/3-in-5-managers-use-ai-to-decide-who-gets-laid-off/

　　HR Dive， HR teams cautiously experiment with using AI to help set workers’ pay ， 2026年4月9日：https://www.hrdive.com/news/hr-teams-cautiously-experiment-ai-setting-worker-pay/817015/

　　Geiger， R. Stuart， et al.， Asking an AI for salary negotiation advice is a matter of concern ， arXiv：https://arxiv.org/abs/2409.15567

　　《中华人民共和国个人信息保护法》，中国网信网：https://www.cac.gov.cn/2021-08/20/c_1631050028355286.htm

　　NIST， Artificial Intelligence Risk Management Framework 1.0 ：https://www.nist.gov/itl/ai-risk-management-framework

　　European Commission， AI Act—Regulatory Framework for AI ：https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai

　　— END —

　　原文链接：https://mp.weixin.qq.com/s/0aoRsXBEn9-5DsHdzB44gQ