HRM 4.0:AI 优先的人才生命周期
返回洞察
产品与技术

HRM 4.0:AI 优先的人才生命周期

2024-11-20
阅读约 6 分钟

核心要点

"从招聘到留任,AI 正在重塑人力资本管理。了解现代员工体验背后的技术栈。"

人力资本管理的四个时代

要看清我们现在所处的位置,先要回顾来路。HRM 1.0 是行政式的:纸质档案、手工核算薪资,HR 部门的主要职责是管理合规。HRM 2.0 引入了软件:关系型数据库取代了文件柜,PeopleSoft 等系统实现了薪资和基础福利管理的自动化。HRM 3.0 迁移到云端,以 SaaS 平台(Workday、SAP SuccessFactors、Oracle HCM)的形式提供这些功能,并具备移动访问和集成能力,这是客户端-服务器时代所缺少的。

HRM 4.0 是质的变化,不只是技术升级。前三个时代自动化的是行政流程,也就是雇佣员工的事务性工作。HRM 4.0 则把 AI 和数据科学用在战略层面:找到合适的人,有效地培养他们,把他们配置到最能创造价值的位置,并在留任风险演变成离职之前识别出来。HR 系统不再是记录系统,而是智能系统。

用好这项能力的组织,买的不只是一套新的 HR 平台。它们在重新思考人才决策如何做出、谁可以访问人才数据,以及员工生命周期每个阶段“好”的标准是什么。技术是推动因素,但决定能否创造价值的,是战略意图和组织变革。

招聘中的 AI

招聘中的 AI:大规模的技能匹配

传统招聘漏斗围绕职位描述和简历展开:招聘人员写下岗位描述,候选人写下自己的经历,再由匹配流程(人工或基于关键词)把两者对上。这种做法的失效模式已为人熟知。职位描述往往反映的是上一任在岗位上做了什么,而不是新员工需要做什么。简历是为关键词匹配优化的,而不是为展示能力优化的。双方也都系统性地低估潜力,偏重学历证书。

AI 优先的招聘用不同的方式处理这个问题。基于技能的匹配模型把岗位和候选人都表示为技能图谱,即对能力、熟练程度和相邻技能的结构化表示,而不是文本文档。一个岗位可能要求精通财务建模、掌握 SQL,并有跨文化管理干系人关系的实际经验。候选人的技能图谱来自多个来源:结构化评估、工作经历分析、可获得时的项目成果数据,以及经实际表现验证的技能自评。

在企业规模上,基于技能的匹配带来的实际成果相当可观。多项关于技能优先招聘的行业研究显示,与以学历要求为基础的筛选相比,合格候选人池明显更大,技术岗位发出录用通知所需的时间更短,并且技能匹配的员工比仅靠关键词筛选的员工留任情况更好。

GTEMAS 自己的 Talent Ecosystem 也是同一原则:每位工程师都有已验证的 Skill Profile,在七个维度上评分,分别是 Foundational、Technical、Soft Skills、Language & Cultural、Tech Strategy & Consulting、Management & Leadership 以及 Personal Branding & Social Influence,依据的是结构化评估,而不是简历关键词。客户从这个人才库中配置 Direct Hire 或 Contract Talent 岗位时,匹配依据的是有实际表现佐证的技能数据,而不是职位名称搜索。

需要注意的是:AI 招聘工具默认并非没有偏见。用历史招聘数据训练的模型会继承历史偏见。负责任的部署需要明确的偏见测试、多样化的训练数据,以及对 AI 推荐结果的人工监督,尤其是高级岗位和代表性不足的候选人群体。

把入职当作数据问题

员工入职是人才生命周期中影响最大、却最缺乏系统分析的阶段之一。多项研究表明,与无结构、按清单推进的最初 90 天相比,结构化的入职对长期留任有明显更好的效果。然而大多数企业的入职项目被设计成合规清单,而不是能力发展体验。

HRM 4.0 把入职看作个性化问题。AI 优先的入职不再是每位新员工按相同顺序完成的标准 90 天项目,而是根据新员工的技能档案、岗位要求和团队情况来调整。加入新产品团队的资深工程师,与同一岗位上的应届毕业生,需要的入职安排不同。从竞争对手那里加入的区域经理,与内部晋升的区域经理,需要的准备也不同。

技术实现上,通常是把 HRM 平台与组织的学习管理系统(LMS)集成,由自适应学习引擎根据技能差距分析和进度信号来安排学习内容的顺序。更复杂的实现还包括社交图谱分析:根据协作模式和岗位互补性,找出新员工应该尽早与哪些现有团队成员建立联系,以加快关系建立和知识传递。

个性化的 AI 优先员工入职

离职预测:在辞职信递上来之前采取行动

员工离职代价高昂。算上招聘成本、岗位空缺期间的产出损失、替代者的入职时间和流失的组织知识,替换一名中级专业人员通常要花费年薪的 50-150%。替换高级专家或技术负责人,成本可能高得多。对于在竞争激烈的人才市场中拥有大量员工的组织,主动离职直接威胁业务连续性。

离职预测模型分析与离职风险相关的行为信号,通常在辞职发生前数周到数月。这些信号包括:

  • 参与度指标下降(会议参与度、协作工具活跃度、响应时间模式)
  • 近期没有内部流动的迹象(项目申请、浏览内部职位、技能发展活动)
  • 薪酬在同等技能和经验水平的当前市场基准中所处的位置
  • 根据调查数据和互动模式得出的上下级关系指标
  • 基于司龄的风险模式:在大多数组织中,特定的司龄节点与离职风险上升相关

当模型标出风险升高时,组织可以主动介入:与经理谈职业发展轨迹、对照市场数据复核薪酬、讨论内部调动,或沟通岗位丰富化。这些措施在员工决定离开之前开展,比在他们开始外部求职之后开展有效得多。

一个现实的考虑是:离职预测模型会带来重大的员工隐私问题,组织必须明确应对。数据被用来生成风险评分的员工,应当知道这种分析的存在、使用了哪些数据,以及可能触发哪些行动。在没有透明度框架的情况下实施离职预测,会使组织面临信任流失,而这本身就可能成为离职的驱动因素。

个性化学习

个性化的学习与发展路径

企业培训历来是 HR 投入中回报率最低的项目之一,原因不是培养人才不重要,而是大多数 L&D 项目与个人需求和组织的技能缺口匹配得很差。向 2,000 名经理统一推送一个必修的领导力培训模块,不论他们目前的领导力成熟度如何,制作成本很高,大部分也是浪费。

AI 优先的 L&D 个性化把个人层面的技能差距分析与组织层面的学习效果数据结合起来,以此解决这个问题。系统知道每位员工有哪些技能(来自评估、绩效数据和工作经历)、其当前和未来可能的岗位需要哪些技能,以及哪些学习体验在培养特定能力方面历来有效,看的不只是完成率,还有后续的技能提升和绩效结果。

在此基础上,系统生成个性化的发展路径:具体的课程、项目经历、导师关系和挑战性任务,并按顺序安排,弥补每个人职业发展轨迹上最重要的技能缺口。这些路径是动态的,会随着员工技能的变化、岗位要求的变化和新学习资源的出现而更新。

组织层面的收益不止于个人发展。当每位员工的技能档案都是最新且准确的,人力规划就会明显更依赖数据。HR 负责人可以用数据而不是直觉回答这类问题:“如果我们收购这家公司,内部是否具备处理整合管理所需的技能?”或者“如果我们进入这个市场,哪些团队成员最接近能够担任区域领导岗位?”

个性化学习路径与技能发展

员工体验平台层

上述智能能力建立在员工体验平台之上,也就是员工和经理使用 HR 功能的界面层。在 HRM 4.0 中,这一体验层是统一的、移动优先的、对话式的。员工不必为一件事去福利门户,为另一件事去学习管理系统,再为第三件事去绩效管理应用,而是通过一个整合了这些功能的界面完成交互,并根据情境呈现相关信息。

嵌入体验层的 AI 助手处理常规的 HR 咨询,如休假余额查询、福利问题、政策查阅,这些以前占用着 HR 服务中心的人力。更复杂的应用包括绩效辅导支持:AI 工具帮助经理组织有意义的绩效谈话,为团队成员发现成长机会,并识别正式考核周期常常遗漏的贡献模式。

GTEMAS 的 HRM 4.0 实施方法

GTEMAS 实施 HRM 4.0 的方法

GTEMAS 在两个层面与 HR 技术负责人合作:技术实施(平台选型、集成架构、数据管道设计)和组织设计(治理框架、隐私政策、面向经理和员工的变革管理)。后者的投入往往不足,却始终是 HRM 4.0 投资能否达到预期成果的决定性因素。

我们对照客户的人才战略评估其现有 HRM 平台,区分哪些 AI 能力可以叠加在当前技术栈之上,哪些需要迁移平台。许多组织在决定整体更换平台之前,先在现有 Workday 或 SAP SuccessFactors 部署上以附加能力的形式引入基于技能的匹配和离职预测,就能获得可观的价值。

我们提供的也不只是一个框架,还有一个正在运行的实例:GTEMAS 自己的 Talent Ecosystem 目前在生产环境中运行上述技能图谱模型,依据已验证的 Skill Profile 而不是简历,将工程师匹配到 Direct Hire 和 Contract Talent 岗位。正在构建自己的 HRM 4.0 能力的客户,欢迎在设计自己的方案之前,先了解这套评估与匹配流程是如何运作的。

AI 优先的 HR 平台大规模提供员工体验

把员工视为首要竞争资产的组织,在有数据驱动的替代方案时,不应再凭直觉做人才决策。如果贵组织正在评估 AI 优先的能力会如何改变人才生命周期,我们愿意与您探讨,在您的具体情况下,价值最高的机会在哪里。

需要工程方面的建议吗?

告诉 GTEMAS 团队您正在构建什么,与专家把想法谈透。

与专家交流