都AI時代了，怎么還用那套老掉牙的方式選人？

組織給予人才盤點極高的期待，但現實卻不盡如人意。知名人力資源咨詢公司Talent Strategy Group基于全球300余家企業的調查顯示，傳統方法下高潛人才識別的平均準確率僅為44%。管理咨詢與組織研究機構蓋洛普對大型企業CHRO的調查顯示，盡管64%的企業使用九宮格進行繼任規劃，但僅9%的CHRO認為它真正有效；更有甚者，僅3%的CHRO認為其組織在識別和選拔合適管理者方面表現出色。這種糟糕的表現，并不單純因為管理者存在認知偏見或HR尸位素餐，其根本癥結在于，傳統的評估方式難以逾越人類大腦處理復雜信息的先天局限。

當舊大腦盤不了新人才

認知神經科學研究提示，人才盤點的難點并非源于單一環節的失效，而是大腦在執行“評價人”這一任務時，受到多重限制因素的共同制約。

想象一場典型的人才盤點會議。管理者需要同時處理的信息至少包括：當前討論員工的多維表現、與其他員工的對比參照、每項評估維度的標準、以及這些判斷背后的組織戰略需求。認知科學研究顯示，人類工作記憶的容量僅為4±1個信息組塊。當討論中的信息組塊遠超這一上限時，大腦會被迫啟動簡化策略——要么只錨定一兩個最突出的特征下結論，要么給出趨于中庸的模糊評分。這恰好解釋了為何九宮格雖然常被詬病于簡陋，卻在過去幾十年里難以被更復雜的評估框架替代。

不僅如此，評估過程中還潛伏著更隱蔽的干擾。阿爾伯塔大學心理學系研究人員的研究揭示，當管理者用語言評價某人“領導力強”時，由于“領導力”在日常語境中與“戰略思維”“判斷力”“溝通能力”等詞匯高頻共現，大腦會自動激活這些“語義鄰居”，不自覺地拉高其他維度的評分。

人才盤點的核心瓶頸并非管理流程的粗疏或評估工具的匱乏，而在于它始終受制于人腦有限的信息容量、認知架構與記憶機制。既然問題的癥結深植于“人類大腦如何處理信息”這一底層機制，真正的破局之道應轉向探尋一種截然不同的信息處理范式。

用AI換個腦子，形成盤點新范式

與受制于有限注意力、記憶提取及主觀整合的人腦不同，AI能夠以另一種邏輯處理人才數據，提升企業人才盤點中的匹配和預測能力。

匹配：向量化匹配取代標簽管理

傳統盤點有一條隱性的工作主軸：打標簽，而標簽的本質是信息壓縮。傳統模式下，管理者與HR正是基于這些被壓縮的標簽進行篩選與比對，進而完成人崗匹配。這套方式最大的問題，在于用預設、靜態的標簽來壓縮信息。傳統的“打標”是一種自上而下的中心化行為，組織往往需要先構建出既定的技能庫，才能向下為員工賦予標簽。這套體系僅在穩定的環境中有效。

但在AI時代，技能的半衰期急劇縮短。IT研究與咨詢機構Info-Tech的報告指出，功能性技能的半衰期降為2.5年；世界經濟論壇的調查亦顯示，到2030年將有39%的核心技能發生根本性轉變。以過期的標簽來壓縮員工的特征信息，無異于新時代的盲人摸象。

要解這個題，并不是要組織眾多人力，實時更新、產出符合組織需要的標簽，再交由HR對員工完成打標。因為從根本上看，組織未來不再需要那么多預設的標簽。在新的匹配范式中，實時的“向量化匹配”是核心的解題思路。首先，向量就是用一組數字來描繪一個東西，點與點之間的空間距離直接映射了事物的相似度。系統通過計算向量間的距離，跨越字面表達的差異，將內涵相近的內容自動關聯起來。

將這一邏輯置于人才匹配場景中，其作用便十分明顯。以業務部門招聘“后端工程師”為例，傳統系統往往只能依據“后端”標簽進行檢索，因而那些未被顯性標注的員工，極易被排除在候選范圍之外。然而在現實中，不少員工雖然職位名稱并非“后端工程師”，卻長期從事Python開發、數據庫管理、接口設計等工作，其能力結構與后端崗位要求高度契合。AI的關鍵價值就在于，它不再拘泥于字面一致，而能夠識別“表述不同但能力相近”的語義關聯，從而發掘被傳統標簽體系遮蔽的潛在人選。

這不是理論設想，領先企業已在向量化匹配上付諸實踐。2023年，匯豐銀行與AI科技公司TechWolf合作，通過向量化技術識別工作內容與技能的語義關聯。系統建立起涵蓋18個技能域、48個子域、398個技能集群的統一分類體系，映射2500多個崗位角色，并為超3萬名技術員工生成精細的技能檔案。數百名長期隱藏于管理視野之外的數字與技術人才被系統性地識別出來。

然而，上述實踐雖引入了向量化技術，卻并未徹底顛覆舊有模式。人崗匹配雖已建立語義關聯，但最終產出仍落入預設的分類框架和標簽管理之中。相比之下，服務于Salesforce、Microsoft等企業的人力資源科技公司Eightfold AI采取了更徹底的路徑：讓向量直接作為匹配依據，省去標簽這一中間環節。其在數億份人才檔案上訓練模型，通過計算語義距離完成推薦。在此模式下，人崗匹配度通過向量化的方式完成，標簽僅在需要向人類解釋結果時才出現。據Eightfold AI一項覆蓋約69萬名員工的內部平臺數據分析顯示，經AI高匹配度篩選錄用的員工，入職兩年內的晉升率比低匹配度組高出近50%，12個月留存率也相對更高。2026年《Information Sciences》發表的一項對比實驗也表明，在多領域人崗匹配任務中，語義匹配的準確率比傳統關鍵詞工具高出約2-5倍。

預測：人的“元能力”

匹配所完成的工作，本質上是立足當下、回望過去。但同樣的方法直接用于預測未來就會遇到困難。原因不在于向量化匹配在預測場景失效，而在于預測所面對的目標并不穩定：在AI時代，什么樣的人才算優秀，其標準本身在持續變化。當優秀人才的概念不斷漂移時，任何基于既有樣本畫像的靜態擬合都可能逐漸失準。

因此，人才預測不能只回答“誰更像今天的優秀者”，而必須進一步回答“誰更可能適應明天的變化”。

通過對2022—2026年知名科技播客Lenny's Podcast共303期轉錄文本的解析，筆者對AI語境下“人應具備何種能力”的討論進行了系統分析。結果顯示，在全部400多次有效提及中，能力類占比最高（約55%），其次是特質（約30%），專業技能最少（約15%）。在能力類表述中，被提及最多的是學習能力、戰略思考與愿景、適應能力；在特質類表述中，高頻詞條包括好奇心、品味與直覺。

這一結果至少說明，在AI時代的人才討論中，最受關注的已不再只是某項固定技術本身，而是那些能夠支撐持續學習、跨情境遷移和快速適應的上位能力。

我們將這類超越具體領域知識、能夠支持個體在全新情境中持續適應和重構能力結構的高階能力，概括為“元能力（Meta-competence）”。這一概念最早由管理學者Burgoyne提出。

在元能力的諸多理論框架中，“學習敏銳度”是當前管理實踐中應用最廣的核心概念，已被騰訊、匯豐、寶潔等頭部企業深度植入人才評估體系。領導力發展與人才評估公司Lominger創始人將其定義為：在面對全新、嚴峻或多變的情境時，能夠從經驗中快速學習，并將所學轉化為成功表現的意愿與能力，經發展后形成五個子維度：心智敏銳度、人際敏銳度、變革敏銳度、結果敏銳度、自我認知。

元能力的評測要將評估焦點由“給評價”轉向“測其在新情境中的行為表現與能力遷移軌跡”。具體而言，首先需將元能力拆解為可觀察的行為模式。

以學習敏銳度中的“變革敏銳度”為例，它的行為錨點可以概括為“對新想法和新做法保持好奇，樂于面對新情境，主動尋找創新甚至帶風險的新方法”。不同于易受表達能力或單次高光表現干擾的傳統評估，AI能夠從項目經歷、績效文檔、協作記錄等多源系統中提取出連續的證據鏈。它通過抽取關鍵事件、行為過程，構建軌跡模型，將主觀感覺轉化為基于客觀事實的判斷。同時，還可嘗試引入情境模擬，通過構造高不確定性的任務場景，重點考察候選人在有限信息下如何提問、識別約束及重構方案。最后，評估結果不應被壓縮為一個籠統的“潛力總分”，務實的做法是輸出包含維度得分、證據摘要與風險提示的多維畫像。

CHRO立刻能采取的5個動作

真正的向量化匹配、元能力評估與可解釋AI系統落地，都需要大量時間投入。在它們就緒之前，CHRO立刻就可以踐行以下五個動作，改變思維和習慣，作為撬動范式轉變的起點。

1、寫一份AI能讀懂的崗位畫像

大多數崗位說明書是寫給人看的，不是寫給機器看的。人才匹配的上限，首先取決于人才標準的清晰度，取決于輸入信息的語義密度。輸入越模糊，輸出越失真。

選一個最關鍵、也最難招的崗位，用1個小時重寫崗位畫像。原則只有一條：不用模糊形容詞，只寫具體、可觀察、可驗證的要求。比如具體職責的要求、技能要求、不想要的人等。短期看，它可以用于通用大模型初篩候選人。長期看，它是未來向量化匹配系統的關鍵輸入。

2、畫一張人才數據地圖

在一張紙上列出組織內所有與“人”有關的數據存放在哪，管理者是誰。這一步的意義，不是馬上打通數據，而是讓組織第一次看清：從今天到真正跑通向量化匹配，中間究竟隔著多少座數據大山。

3、寫下你對人的預測，密封，三個月后回看

選十位關鍵人才，寫下你對他們未來三個月的判斷：誰會晉升，誰會流失，誰會在新項目中脫穎而出。寫完后封存，三個月后再拆開，用詳細的事實數據逐一核對。這是成本最低、卻最難受的一步，因為它要求管理者在推動組織“借助AI改進判斷”之前，先檢驗自己的判斷模型。

4、選一個你真正認可的元能力，把它拆成行為錨點，再找三個人試跑一次評價

第一步，選一個你真正認可的元能力。第二步，將其拆解為可觀察的行為錨點。第三步，選擇三位人，你高度看好的、長期看低的、始終看不清的各一位，要求先逐條寫證據，再打分。這一步的價值，在于檢驗組織現有的觀察系統是否足以支撐元能力評價。

5、在盤點會上引入“反對派”機制

找一場人才盤點會，要求對每一位被討論的關鍵人才，管理者都必須同時提供兩類證據：支持當前判斷的證據，以及不支持當前判斷的證據，兩者各不少于三條。這一動作本質上是用最低成本把反向信號的權重人為抬高，以規避依賴主觀經驗進行預測的弊端。

人才盤點的目的，其實是在找尋不確定時代當中的確定性。AI時代，確定性在哪？也許答案變了，確定性不再是一個明確的錨點，而是一股向前的動能。如果在巨變中，注定不可能看清未來，那么我們追求的確定性，可能就藏在，每個個體奮力向前的每一步里。

沈凱杰 | 文

獲取更多 AI時代的科技參考

歡迎點擊下方卡片關注 信睿科技評論