来源：HRflag

　　2026年，企业围绕AI的讨论正在悄然换题。过去两年，管理层最关心的是“有没有部署”“员工用不用”“竞争对手走到哪一步”；进入下半年，问题开始变成“究竟产生了多少价值”“节省下来的时间去了哪里”“为什么系统上线了，经营结果却没有明显变化”。 AI项目正在从技术采购题，转变为一道必须经得起财务、业务与董事会共同检验的经营题。

　　SHRM在2026年集中发布的几份研究，恰好揭示了这一转折。AI已经进入越来越多的工作流程，员工普遍感受到效率和质量改善，企业也在围绕AI重新配置岗位与职责；但与此同时，真正建立投资回报指标的HR部门仍然很少，大量组织甚至没有正式衡量AI项目是否成功。技术应用向前走了一大步，价值管理却没有同步跟上。

　　这并不意味着企业的AI投资没有价值，而是许多价值仍停留在个人感受、零散案例和演示现场。员工说“写得更快了”，管理者看到“使用量增加了”，供应商展示“功能覆盖更多了”，这些都可以证明AI正在被使用，却不能回答一项投资是否值得继续扩大。 当AI从试用工具变成组织基础设施，仅证明“有人在用”已经远远不够。

　　对企业高管和HR负责人而言，SHRM三份报告最值得关注的，并不是哪一个岗位会受到冲击，也不是某项工具又提升了多少效率，而是它们共同指出了一个正在扩大的管理缺口：企业拥有越来越多AI工具，却仍缺少把工具使用、岗位变化、员工能力和经营成果连接起来的方法。这个缺口如果迟迟得不到填补，AI项目越多，组织内部的“价值黑箱”反而可能越大。

　　01

　　AI叙事已经无处不在，正式应用却还没有真正普及

　　SHRM在《Navigating AI in the Workplace: 2026》中调查了5875名美国员工。结果显示，41%的受访者会在工作中使用AI，47%的员工表示所在组织已经正式实施AI，还有8%的员工虽然在工作中使用AI，却并未获得组织层面的正式授权。换句话说，AI的社会讨论热度已经极高，但企业内部的规范化应用仍处在扩散阶段。

　　这种差距值得管理者警惕，因为员工不会等到公司完成采购、审批和制度建设后才开始尝试新工具。当公开可用的AI产品越来越多，组织真正面对的并不是“是否允许AI进入工作场景”，而是它已经以何种方式进入、处理了哪些信息、改变了哪些决策。正式部署速度落后于员工实际使用速度，就会形成典型的“影子AI”。

　　影子AI最明显的风险是数据、隐私和合规问题，但更隐蔽的问题在于，企业甚至不知道效率提升发生在哪里。某个招聘顾问可能已经用AI改写职位说明，某位HRBP可能用它整理访谈纪要，某个培训团队可能用它生成课程材料，但这些改善没有进入流程记录，也没有进入经营指标。员工个人变快了，组织却未必知道如何复制这种变化。

　　SHRM的另一组数据进一步说明了这种状态。受访员工平均认为AI每周可以节省约6小时，其中总监及以上职级平均节省9小时，经理平均节省7小时，个人贡献者平均只有4小时；与此同时，员工平均每周仍需要花约4小时检查和修改AI输出。 AI带来的不是无条件的时间红利，而是一笔需要扣除审核、返工和风险成本之后才能确认的净收益。

　　这组数据最容易被简单理解为“级别越高，AI价值越大”，但真正值得追问的是，为什么同一种技术进入不同职级后，收益差距会达到一倍以上。高层管理者通常拥有更完整的业务背景、更大的信息范围和更强的判断权，因此可以把AI用于信息归纳、情景分析、方案比较和决策准备。个人贡献者的工作则更容易受到权限、流程、数据可用性和任务颗粒度限制，即使有工具，也未必拥有重新设计工作的空间。

　　因此，企业不能把AI成效差异简单归因于员工学习意愿。很多时候，不是基层员工不愿意使用，而是组织只给了他们一个对话框，没有同步提供可信数据、标准流程、应用边界和结果反馈。 当员工只获得工具使用权，却没有获得工作重构权，AI就很容易停留在文案润色和信息整理层面。

　　02

　　效率有所改善，不等于企业已经获得经营价值

　　SHRM的调查显示，68%的AI使用者认为工作效率有所提升，63%认为工作质量得到改善，超过一半的受访者还感受到创造力、工作产出量和决策能力的提升。关于工作稳定性，43%认为AI没有带来影响，40%认为有所改善。至少从员工体验看，AI并没有普遍制造失控感，反而让不少人感受到工作方式正在优化。

　　但“感觉更高效”与“企业得到回报”之间，仍然隔着一段很长的管理链条。员工每周节省4小时，并不意味着企业就自动获得了相当于10%工时的财务收益，因为这4小时可能被用于处理更多任务，也可能被会议、沟通和新的返工重新占满。只有当被释放的时间被组织重新配置，转化为更高产能、更短周期、更好质量或新的业务产出，效率才会真正进入经营结果。

　　一家企业过去需要五天完成一轮简历筛选，现在借助AI缩短到两天，这首先是一项流程改善。如果职位空缺时间因此缩短、候选人流失减少、业务部门更快获得关键人才，它才进一步转化为人才价值；如果关键岗位到岗提前带动项目交付或销售增长，这项改善最终才进入经营价值。单看“筛选速度提高”，只能证明工具有用，不能完整证明投资成功。

　　同样的逻辑也适用于员工服务。AI助手能够回答大量常见政策问题，可能显著降低人工响应量，但如果复杂问题被错误分类、员工需要重复提问、人工团队承担更多纠错工作，表面的自动解决率就可能掩盖新的体验成本。真正可靠的指标应该同时观察自助解决率、一次解决率、转人工率、重复咨询率、员工满意度和高风险问题的准确率。

　　这正是许多AI项目进入规模化阶段后出现困惑的原因。试点时，团队往往挑选最容易展示效果的任务，成功标准也以速度、使用量和案例数量为主；进入正式运营后，组织才发现AI已经与权限、数据、流程、绩效、岗位和管理责任纠缠在一起。 AI试点证明的是“可以做”，规模化运营必须回答的是“这样做是否持续创造价值”。

　　03

　　16%与56%，暴露了HR的“价值黑箱”

　　在《State of AI in HR 2026》中，SHRM调查了1908名HR专业人士。39%的受访者表示所在HR职能已经采用AI，另有7%计划在2026年启动；应用最集中的领域依次为招聘、HR技术、学习发展、员工体验和绩效管理。AI进入HR已经不是概念讨论，而是在高频、标准化和数据密集的流程中逐步落地。

　　真正刺眼的数据出现在价值衡量环节。 只有16%的HR专业人士表示，会使用自己建立的投资回报率指标衡量AI项目；56%的受访者则表示，所在组织完全没有正式衡量AI投资是否成功 。 也就是说，在不少企业里，AI已经产生采购费用、实施费用、培训成本和管理成本，却没有一套足够稳定的价值核算方法与之对应。

　　这56%可以被视为AI投资中的“黑暗数字”。管理层能够看到系统数量、许可证数量、活跃用户数和调用次数，却看不清哪些使用真正改善了经营，哪些只是把原来的工作换了一种完成方式。项目汇报里充满过程数据，财务报表和业务结果里却很难找到清晰对应。

　　AI项目之所以容易形成价值黑箱，是因为它不像传统设备投资那样，可以直接通过产能增加和单位成本下降进行核算。AI同时影响速度、质量、决策、体验、创新和风险，其中一些价值能够立即量化，另一些则需要较长时间才能体现。企业如果只接受短期财务回报，会低估质量和能力价值；如果完全不谈财务结果，又容易让AI变成无法检验的创新叙事。

　　HR还面临一层特殊困难：很多人才价值本身就是跨周期、跨部门形成的。招聘质量要经过入职和绩效周期才能判断，培训效果要回到岗位行为才能验证，员工体验对保留率和客户体验的影响也不会在项目上线当天出现。正因为衡量困难，HR更需要建立价值链，而不是以“难以量化”为由放弃衡量。

　　AI价值衡量的核心，不是把每一项变化都强行折算成人民币，而是建立从投入、使用、流程改善到人才结果和业务结果之间可追踪的因果链。 这条链不必在项目初期就完美，但必须让管理层知道价值可能产生在哪里、需要多长时间出现、由谁负责确认。如果没有这条链，任何效率提升都可能停留在主观感受。

　　04

　　招聘更先拥抱AI，也最容易制造“繁荣假象”

　　SHRM的报告显示，27%的组织已经在招聘领域使用AI，是HR各专业领域中比例更高的一项。现实应用主要集中在简历解析、面试安排、职位广告优化、候选人与职位匹配等流程型任务，这符合企业采用新技术的一般路径。任务高频、数据较多、标准相对清晰的流程，天然更容易率先实现自动化。

　　但招聘也是最容易把“活动增加”误判为“价值增加”的领域。AI可以在更短时间内生成更多职位文案、搜索更多候选人、发送更多触达信息，也可以让候选人在更短时间内提交更多申请。如果岗位需求没有变得更准确、筛选标准没有提高、业务经理没有更快做出决定，新增活动只会扩大流程噪声。

　　一个值得关注的现象是，招聘端和求职端正在同时获得AI能力。企业可以自动生成职位描述、搜索候选人和安排面试，候选人也可以批量优化简历、生成求职信和准备面试答案。双方都变快之后，申请数量、沟通数量和内容完整度可能上升，但真实匹配质量不一定同步提升。

　　这意味着，未来衡量招聘AI不能只看“筛选节省多少时间”。更重要的指标包括需求澄清周期、合格候选人比例、面试转化率、录用接受率、新员工早期绩效、关键岗位到岗周期以及招聘经理满意度。只有当这些指标形成连续改善，AI才是招聘能力的升级，而不只是招聘活动的加速。

　　企业还需要重新审视招聘团队被释放出来的时间。如果招聘顾问不再需要花大量时间整理简历，他们是否把时间投入业务沟通、人才地图、候选人关系和关键岗位研究，决定了AI最终产生的是成本价值还是战略价值。 自动化低价值任务只是起点，把人的时间重新投入高价值活动，才是完整的价值实现。

　　05

　　岗位不会因为一项任务被自动化，就自动消失

　　关于AI对就业的影响，最容易出现的误读是把“任务可以自动化”直接等同于“岗位将被替代”。SHRM相关研究估算，美国15.1%的就业岗位中，至少一半工作内容已经具备自动化可能，其中7.8%的就业岗位至少一半工作可通过生成式AI完成。这个结论描述的是任务结构和技术可行性，并不是对岗位整体消失的直接预测。

　　另一项容易被误读的数据是，63.3%的美国就业岗位至少存在一种“非技术性自动化障碍”。这里的障碍包括客户对人工服务的偏好、法律与监管要求、组织信任、责任归属以及工作现场条件等，它表达的恰恰是技术可行性之外的现实约束。SHRM的相关研究提醒企业，即使一项任务能够由机器完成，组织也未必应该或能够完全交给机器。

　　这对中国企业同样具有参考意义。员工关系、绩效沟通、关键人才选拔、组织调整和劳动争议处理，都可能获得AI辅助，但这些场景涉及信任、责任、公平和具体情境，无法只根据模型输出完成决策。技术可以提高信息处理效率，最终责任仍然需要由具有授权的人承担。

　　企业真正需要做的不是制作一张简单的“可替代岗位名单”，而是把岗位拆成任务组合。一个岗位可能同时包含信息收集、规则判断、利益协调、情绪沟通、专业决策和责任承担，其中部分任务适合自动化，部分适合AI辅助，部分必须由人主导。只有完成这种拆解，组织才能判断岗位究竟应该缩减、扩展、重组还是升级。

　　这也解释了为什么SHRM调查中，52%的员工表示所在组织曾把某种重组与AI应用联系起来，但AI相关重组最常见的结果仍是特定任务被自动化，而不是整个岗位被取消。组织变化通常先发生在任务边界和工作量上，随后才传导到团队结构、管理跨度和人员配置。把所有变化都解释为“AI替代岗位”，会错过更重要的工作设计问题。

　　AI时代的组织设计单位正在从“岗位”下沉到“任务”，再从任务重新组合为新的岗位。 HR如果仍然只维护静态职位说明书，就很难反映真实的工作变化。未来更有价值的岗位体系，需要同时描述核心成果、任务组合、AI参与方式、人工判断点和责任边界。

　　广告

　　06

　　时间节省之后，绩效管理必须重新定义“好工作”

　　当AI能够显著缩短文案、分析、搜索和整理时间，传统绩效指标会遇到明显挑战。过去，一个员工完成十份分析报告可能代表较高投入和较强能力；现在，如果AI可以帮助他在相同时间内完成三十份，报告数量就不再能够准确代表贡献。企业如果继续只奖励产出数量，可能鼓励员工制造更多内容，而不是解决更重要的问题。

　　速度也不能单独成为AI时代的核心绩效指标。SHRM数据显示，员工平均每周需要花费约4小时修改AI输出，65%的受访者为检查和编辑AI内容投入了中等或大量精力。一个团队生成速度更快，却把大量时间转移到纠错、确认和跨部门解释上，最终周期未必真正缩短。

　　更合理的绩效体系需要把速度、质量和价值放在一起。对分析类岗位，可以观察决策周期是否缩短、建议采纳率是否提高、关键判断是否更加准确；对内容类岗位，可以观察一次通过率、修改轮次和目标受众反应；对运营类岗位，则需要同时观察处理量、异常率、返工率和客户体验。AI使用量可以作为过程观察指标，却不宜被直接等同于绩效结果。

　　管理者还必须区分“AI带来的产能增加”与“员工个人能力提升”。如果员工只是借助模板快速生成更多内容，离开特定工具后无法解释逻辑、验证事实或处理异常，这种产出不代表稳定能力。相反，一个员工即使调用次数不高，却能精准识别高价值场景、发现模型错误并改进流程，可能为组织创造更大价值。

　　因此，将AI纳入绩效管理，不应简单设置每周使用次数或生成内容数量。更好的方式是要求员工说明AI用于哪些任务、解决了什么问题、采用了哪些验证方法、释放的时间被如何重新投入，以及最终对团队目标产生了什么影响。 绩效应该奖励经过验证的业务贡献，而不是表面活跃的工具使用。

　　这也意味着管理者的评估责任会变得更重。过去可以通过工作过程和投入程度大致判断绩效，现在不少过程被AI压缩甚至隐藏，管理者必须更清楚什么结果真正重要。AI并不会让绩效管理自动变得客观，反而会迫使管理者提升目标定义、质量判断和价值评估能力。

　　07

　　高管每周节省9小时，基层员工为何只有4小时

　　SHRM数据呈现出的职级差异，不只是工具熟练度差异，也反映了组织中的权力、信息和工作设计差异。总监及以上人员平均有63%的工作涉及AI辅助，经理为50%，个人贡献者只有34%。高层不仅更早接触AI，也拥有更多可以用于分析、比较、总结和决策准备的复杂任务。

　　高管工作的价值往往不由单一交付物决定。一次更完整的市场判断、一份更清晰的资源配置方案、一场准备更充分的经营会议，都可能带来较大的组织影响，因此AI节省的时间更容易被转化为决策价值。个人贡献者则常常被固定流程、审批节点和标准任务锁定，即使单个环节变快，也可能在下一个环节继续等待。

　　这提示企业，AI普及不能只靠发放账号和安排通识课程。如果权限没有调整、流程没有重构、数据无法调用，基层员工学习再多提示词，也难以获得高层同样的收益。工具民主化不等于价值民主化，真正决定收益分布的是员工能否获得合适的场景、数据和行动空间。

　　企业还要防止出现新的AI能力分化。高层先获得工具、培训和应用支持，因而节省更多时间、做出更好的展示，随后进一步获得更多资源；基层员工缺少场景和指导，只能进行低价值尝试，最终被评价为“不善于使用AI”。如果这种循环持续，AI可能放大原有的信息差和发展机会差。

　　HR需要把AI赋能从统一培训转向分层设计。高层管理者需要学习如何利用AI进行情景分析，同时保持责任判断；中层管理者需要掌握流程重构、团队协作和质量控制；专业人员需要获得与具体岗位相关的数据、案例和验证方法。不同群体面对的问题不同，不能用同一套两小时课程解决。

　　AI能力建设的目标不是让所有人以同样方式使用同一种工具，而是让不同岗位在自己的价值链上获得可验证的提升。 只有这样，企业才能缩小职级之间的收益差，而不是让少数熟练使用者成为孤立的效率高地。AI真正进入组织，必须从个人高手的经验变成团队可以复制的工作方法。

　　08

　　只教工具操作，培养不出AI时代的工作能力

　　SHRM India发布的《Skill Intelligence Report 2026》把另一个矛盾推到了台前。根据报告相关披露，未来三年，印度后台、数据与报告、客户服务等岗位都将受到不同程度的AI影响，45%的受访组织把AI、数字和数据技能短缺视为首要劳动力约束。企业已经知道能力缺口存在，但培训投入方式并没有完全转向新的工作需求。

　　该报告显示，印度组织约60%的学习发展预算投入数字化自学课程和课堂培训，真正用于实操型学习的比例只有3%，仅34%的组织正式衡量技能项目结果。相关报告披露还提到，54%的组织对AI投资仍保持中等或较低紧迫度。这组数据描绘的不是“不重视学习”，而是学习内容、学习形式和业务变化之间尚未建立紧密连接。

　　报告中关于印度正式培训率与英国、德国、韩国的比较，需要结合不同的统计定义谨慎理解，不宜直接转化为对企业能力的简单排名。但它揭示的结构性问题具有普遍意义：员工完成了课程，不代表能够在真实工作中使用AI；企业购买了学习平台，也不代表岗位能力已经发生变化。学习投入如果停留在观看课程和获得证书，往往最容易形成“培训完成率很高，工作方式没有改变”的结果。

　　AI实操能力无法只靠听课获得。员工需要在真实任务中练习如何定义问题、选择工具、提供上下文、检查事实、识别偏差、处理敏感信息，并判断何时必须停止使用AI。每一个环节都与具体业务和组织规则有关，很难通过通用课程一次覆盖。

　　中国企业在设计AI学习项目时，也需要从“课程供给”转向“任务转化”。例如，让招聘团队用真实职位完成需求澄清、人才搜索和筛选校验，让HRBP围绕真实业务问题进行组织数据分析，让学习团队用现有课程完成内容重构和效果验证。项目结束时交付的不只是学习心得，而是可复用的工作流程、质量标准和业务结果。

　　更有效的学习项目通常包含业务任务、主管反馈、同伴评审和结果复盘。员工不仅要展示AI生成了什么，还要解释为什么采用这一结果、排除了哪些错误、修改了哪些部分。这个过程培养的不是单纯提示词技巧，而是问题定义、证据判断和责任意识。

　　因此，企业的AI能力模型至少应覆盖四个层面：能否正确操作工具，能否把工具嵌入专业任务，能否验证输出并控制风险，能否重新设计流程并创造业务价值。前两层解决“会不会用”，后两层决定“能不能产生稳定价值”。 真正稀缺的不是会调用AI的人，而是能够对AI辅助结果负责的人。

　　09

　　50%的信任度，意味着“人工审核”不能只写在制度里

　　SHRM调查发现，只有50%的员工对AI输出感到自信或非常自信，另有27%只是“有些自信”。与此同时，AI仍然为多数使用者带来了时间和质量改善，这说明员工并未盲目接受输出，而是在效率与谨慎之间寻找平衡。企业的管理目标不应是消除所有人工审核，而是让审核投入与任务风险相匹配。

　　目前不少AI制度都会写上“重要内容需人工复核”，但很少进一步说明由谁复核、复核什么、依据什么标准、出现错误后由谁承担责任。结果是，有的员工把复核理解为快速浏览，有的团队把所有内容重新做一遍，前者风险过高，后者则抵消了AI价值。制度如果没有转化为可执行的控制点，就只能提供形式上的安全感。

　　企业可以按照任务风险建立不同审核等级。内部头脑风暴、初步材料整理等低风险任务，可以采用抽查和使用者自检；对外发布内容、候选人筛选、绩效建议、薪酬分析和员工关系事项，则需要更明确的数据来源、人工确认和授权记录。风险越高，审核责任越不能依赖一句笼统的“请注意核实”。

　　审核本身也应进入AI价值核算。计算时间节省时，需要扣除提示准备、结果检查、事实验证、格式调整和错误修复所消耗的时间；计算质量价值时，则要观察错误率、返工率和一次通过率是否改善。只有把这些隐性成本纳入，企业才知道AI是在创造净收益，还是把成本从生产环节转移到了审核环节。

　　“人机协同”不是一句文化口号，而是一套关于任务分工、审核节点和责任归属的运营机制。 它既不能理解为机器完成一切，也不能变成人工对机器结果进行无差别重做。成熟的协同机制应该让AI处理适合规模化的部分，让人把注意力集中在判断、例外和责任上。

　　10

　　从岗位到绩效，再到能力，最终都指向管理责任

　　当企业开始拆解岗位任务，绩效指标就必须随之调整；绩效标准发生变化，员工需要的能力和培训方式也会改变；能力建设要真正进入工作流程，又必须获得管理者授权和资源支持。这条链条说明，AI转型不能被单独交给IT部门，也不能被缩小为HR组织几场培训。它本质上是一项涉及业务模式、工作设计与管理机制的组织变革。

　　SHRM的研究显示，AI治理目前更多由法务与合规职能牵头，HR虽然在技能升级和再培训方面接近主导位置，但在整个AI生命周期中的责任仍不够清晰。法务能够规定不能做什么，IT能够解决工具和数据问题，财务能够审视投资回报，但只有业务与HR共同参与，才能回答工作应该如何改变、员工如何转型以及管理者如何承担责任。

　　CEO和经营团队需要明确AI投资所服务的业务问题，而不是仅提出“全面拥抱AI”的方向。CIO或技术负责人需要保障工具、数据、集成和安全，财务负责人需要共同确定价值口径，法务与合规团队需要建立风险边界。CHRO的关键角色，是把技术变化翻译成岗位、能力、绩效、组织与人才配置的变化。

　　业务负责人则不能把AI转型外包给职能部门。流程是否缩短、质量是否提高、被释放的产能如何使用，最终都发生在业务单元内部，只有业务管理者能够对这些结果负责。HR可以提供方法和机制，却不能替代业务负责人定义价值。

　　中层管理者尤其值得被重新定位。SHRM调查中，58%的员工认同AI未来可能减少部分管理岗位需求，这意味着管理者不能继续把主要价值建立在信息传递、任务分派和进度汇总上。AI越能承担这些工作，管理者越需要把重心转向目标澄清、复杂判断、协作协调、人才发展和结果负责。

　　因此，企业不应只要求员工证明自己会使用AI，也要要求管理者证明自己会管理AI参与的工作。管理者需要知道哪些任务可以交给AI、哪些判断必须保留在人手中、怎样检查团队输出，以及如何把节省的时间转化为更高价值。 AI时代真正需要升级的，不只是员工技能，还有管理责任。

　　11

　　建立AI价值账本，不能只计算节省了多少工时

　　不少企业衡量AI时会从“节省工时”开始，这是必要的，但不应该止步于此。时间可以比较直观地反映流程改善，却无法单独说明质量、创新、体验和风险变化。更完整的AI价值账本，应当同时记录效率价值、质量价值、业务价值、人才价值和风险价值。

　　效率价值关注周期、处理量、单位成本和人工投入。例如，招聘需求到职位发布需要多长时间，员工咨询平均处理周期缩短多少，课程开发需要多少人天。这里需要记录的是扣除审核和返工后的净改善，而不是工具演示中的理论速度。

　　质量价值关注准确率、一次通过率、返工率、异常率和决策可用性。AI生成了更多内容，如果采用率下降、错误增加或管理者需要投入更多时间修改，质量价值就可能为负。质量指标能够防止企业把“快”误当成“好”。

　　业务价值关注AI改善是否传导到收入、交付、客户、创新和关键人才供给。招聘周期缩短是否支持了项目交付，学习推荐是否改善了岗位绩效，人才分析是否帮助企业降低关键能力缺口，这些才是高管真正关心的结果。并非每个AI项目都能直接对应收入，但每个项目都应该说明自己服务于哪项经营目标。

　　人才价值关注员工能力、工作体验、内部流动和关键人才保留。AI如果只是增加监控、提高任务密度或制造持续学习压力，即使短期产出增加，也可能积累新的组织成本。相反，如果它减少低价值重复劳动、扩大员工解决问题的空间，并形成新的成长路径，就会产生更长期的人才回报。

　　风险价值经常被忽略，却可能决定一个AI项目能否持续。企业需要观察数据泄露、错误决策、偏差投诉、知识产权问题、违规使用和责任不清等事件是否得到控制。风险价值不只是“没有出事”，还包括通过标准化审核、权限管理和过程留痕减少潜在损失。

　　这五类价值不需要在同全部出现。企业可以为每个项目设定近期流程指标、中期人才或业务指标，以及需要持续监控的风险指标。 价值账本的意义不是制造更多报表，而是让每一项AI投入都拥有清晰的价值路径和责任人。

　　12

　　HR各模块需要的，不是同一张AI成绩单

　　招聘领域可以重点衡量需求澄清周期、合格候选人率、关键岗位到岗周期、新员工早期绩效和候选人体验。AI使用次数、生成职位描述数量和自动筛选简历数量可以保留，但只能作为辅助信息。招聘价值最终要回到人才质量和业务供给，而不是流程活动量。

　　学习发展领域需要从课程完成率转向能力应用率。企业可以观察员工是否在真实任务中使用所学方法、主管是否看到行为变化、任务质量是否提高，以及形成了多少可复用工作流程。AI课程学完多少门不重要，重要的是哪些岗位因此改变了工作方式。

　　员工服务领域可以观察自助解决率、一次解决率、转人工率、重复咨询率和员工满意度。对于薪酬、劳动关系、健康和隐私等敏感问题，还要单独设置准确率与升级机制。机器人回答了多少问题，不应成为成功标准。

　　绩效管理领域更需要保持谨慎。AI可以帮助管理者整理材料、识别目标进度和准备反馈，但不应以不透明方式代替管理者作出关键人员判断。衡量重点应放在反馈及时性、证据完整度、校准质量、员工理解度和管理者责任，而不是自动生成了多少份绩效总结。

　　人才分析和组织设计领域，则需要观察洞察是否真正进入决策。模型可以生成漂亮的趋势图和人员预测，但如果业务负责人没有采取行动，分析价值仍然有限。采用率、决策周期、预测准确性和行动结果，应该成为这类项目的重要指标。

　　不同模块使用不同指标，并不意味着企业无法形成统一治理。统一的部分应当是价值定义逻辑、风险原则、数据要求、责任机制和复盘节奏；差异化的部分则是业务结果与专业标准。 企业需要的是统一方法，而不是统一数字。

　　13

　　2026年下半年，HR可以用90天补上价值衡量缺口

　　未来90天内，HR没有必要重新盘点所有AI产品，更值得做的是盘点AI已经进入的工作。可以从招聘、员工服务、学习发展、绩效管理等高频流程入手，列出正在使用的工具、实际使用人群、处理的数据、发生变化的任务和现有指标。这个过程往往会发现，企业的真实应用范围与采购清单并不完全一致。

　　0—30天：建立基线

　　明确当前问题、基准数据、目标结果、隐性成本和风险边界。

　　31—60天：打通闭环

　　选择少量高价值场景，同时设置效率、质量和业务或人才指标。

　　61—90天：形成规则

　　将有效经验沉淀为岗位流程、培训任务、审核标准和管理责任。

　　在最初30天里，管理层需要停止使用模糊的“提升效率”作为项目目标。每个重点场景都应写清楚当前问题、基准数据、希望改善的结果、可能增加的成本和不能突破的风险边界。没有基准数据的项目，可以先建立短期人工测量，而不是继续依赖使用者印象。

　　接下来的30天，应挑选少量高价值场景建立价值闭环。一个场景至少设置一项效率指标、一项质量指标、一项业务或人才指标，并明确由谁提供数据、由谁确认结果。项目不宜铺得过多，因为衡量机制本身也需要通过实践校正。

　　后30天的重点是把试点经验转化为管理规则。企业需要确定哪些指标可以进入月度经营会议，哪些项目应该扩大，哪些项目需要调整，哪些使用方式应当停止。与此同时，还要把有效方法沉淀为岗位流程、培训任务、审核标准和管理者要求。

　　90天结束后，管理层不一定会得到一份完美的AI财务报表，但至少应该能够回答几个基本问题：AI在哪些流程产生了净收益，哪些收益仍停留在个人层面，哪些风险正在增加，被释放的时间去了哪里，下一轮资源应该投向哪里。能够回答这些问题，企业才算从AI部署迈入AI经营。

　　这一过程也能帮助HR改变在AI项目中的位置。HR不再只是培训组织者、工具推广者或制度发布者，而是参与定义价值、重构工作和配置人才的经营伙伴。对CHRO而言，这比单纯提高HR部门的AI采用率更重要。

　　14

　　董事会真正会追问的，不是员工用了多少次AI

　　当AI投入还处在探索期，董事会可以接受试验、学习和不确定性。但随着采购规模扩大、流程依赖增加、组织结构开始变化，管理层必然需要更清楚的证据。届时，“行业都在用”“员工反馈不错”“活跃率持续上升”都不足以独立支撑下一轮预算。

　　董事会更可能关注的是，这些投入解决了什么经营问题，释放了多少可重新配置的能力，是否改善关键人才供给，是否改变成本结构，以及风险是否处于可控范围。它还会追问，既然员工每周节省了时间，为什么交付周期没有明显变化；既然招聘效率提高了，为什么关键岗位仍然迟迟无法到岗。 价值追问会沿着AI工具一路进入流程、岗位、管理和组织设计。

　　这并不是对HR提出一个无法完成的财务要求。董事会真正需要的不是对每一次模型调用进行折现，而是一套可信的解释框架：投入与结果如何连接，哪些假设已经得到验证，哪些仍需观察，谁对下一阶段结果负责。相比一个看似但无法复核的ROI数字，这种透明度更有管理价值。

　　HR也不必等待财务部门制定统一方法后再开始行动。招聘周期、返工率、一次解决率、关键技能覆盖率和内部流动率，本来就是HR能够掌握的指标；需要补充的，是把这些指标与AI应用场景建立更清晰的对应。财务可以帮助核算价值，业务可以确认结果，HR则负责把人和组织变化纳入其中。

　　15

　　AI落地只是开始，价值落地才是分水岭

　　SHRM三份报告共同呈现的，并不是一个“AI即将全面取代工作”的简单故事。员工正在获得效率收益，岗位任务正在发生变化，企业也越来越重视技能升级；与此同时，信任、培训、流程、制度和价值衡量仍明显落后于技术速度。AI带来的真正挑战，不是组织有没有工具，而是有没有能力管理工具造成的变化。

　　39%的HR职能已经采用AI，说明应用正在加速；只有16%建立自己的ROI指标，说明价值管理仍处在早期；56%完全不正式衡量，则意味着许多组织还无法清晰解释投入与结果。三组数字放在一起，构成了2026年AI管理最重要的提醒。

　　对中国企业而言，海外报告中的就业比例和培训数据不能直接照搬，但其中揭示的管理逻辑具有高度共通性。AI越深入工作流程，越需要拆解岗位、重设绩效、重做能力建设，并明确管理责任。技术部署越快，价值衡量越不能继续停留在年终总结和优秀案例中。

　　2026年下半年，HR最重要的AI指标不应只是部署率和使用率，而是价值实现率。

　　企业要知道哪些被承诺的价值已经出现，哪些仍停留在流程改善，哪些因为数据、能力或管理问题没有兑现。只有把这笔账算清楚，AI才会从一项令人兴奋的新技术，变成能够持续改善经营的组织能力。

　　AI已经开始上岗，但它创造的价值不会自动入账。节省下来的时间需要被重新配置，改变的岗位需要被重新设计，新的能力需要在真实工作中形成，最终结果也需要由管理者承担责任。 企业之间下一阶段真正拉开差距的，不是谁更早买到AI，而是谁更早建立起一套让AI持续产生价值的管理系统。

　　参考资料

　　1. SHRM：Navigating AI in the Workplace 2026 https://www.shrm.org/media-only/navigating-ai-in-the-workplace

　　2. SHRM：The State of AI in HR 2026 https://www.shrm.org/topics-tools/research/state-of-ai-hr-2026/full-report

　　3. SHRM：New Research Predicts the Impact of AI on the Workplace https://www.shrm.org/topics-tools/news/new-shrm-research-predicts-impact-of-ai-on-workplace

　　4. SHRM：The Human + AI Advantage https://www.shrm.org/content/dam/en/shrm/advocacy/shrm_thehumanaiadvantage_whitepaper.pdf

　　5. SHRM India Skill Intelligence Report 2026相关报道 https://www.livemint.com/technology/tech-news/ai-set-to-disrupt-up-to-28-of-back-office-and-data-roles-in-india-over-the-next-three-years-report-11779587989988.html

　　原文链接：https://mp.weixin.qq.com/s/FcKQXQYqGOLtTWFKGeKeww