无尘阁日记

无尘阁日记

AI赋能HR:10 倍写在封面,算法留在心里
silcano

《AI赋能HR:AI 10倍提升HR工作效率的方法与实践》,田政、谷燕燕、唐琨著。书名里最抓人的是那个「10倍」,我读完全书也没找到它的出处——没有一处计时,没有一组对照,没有一次「用了之前多少小时、用了之后多少分钟」。这不是这一本书的问题,是这一类书的通病:倍数写在封面上,算法留在作者心里。

但我不想因此把它一棒子打死。它有十二章,把 HR 的整套动作——从写会议纪要到做绩效考核——都拆成「怎么让 AI 帮你干」;其中至少有两处,我认为写得比同类书诚实得多。

一、先说它做对了什么:把提示词当手艺教

第二章讲提示词,是全书的骨架。它给了四种编写方法:角色扮演法、任务分解法、示例学习法、思维框架法。四种方法的分类不算新鲜,但它讲得比大多数同类书扎实。

比如角色扮演法,它不是只说「让 AI 扮演 HR 专家」,而是拆出了三条底层原因:一是让 AI 从虚拟情境出发进行推理,「使其能够『代入』角色,站在用户的立场,更好地理解用户的需求和目标」;二是激活特定知识领域——「HR 专家熟悉人力资源管理的各个方面,包括招聘、培训、薪酬、绩效等;面试官擅长识别候选人的优势与劣势」,设定角色等于告诉模型去调用哪一块知识储备;三是引导语言风格和语气,「HR 专家的语言风格通常比较专业、严谨;而职业规划师的语言风格则可能更倾向于鼓励、引导」。然后紧跟着一组对照案例:同一个任务(招聘新媒体运营的文案),一次不用角色扮演法,一次用,看输出差在哪里。

这个写法是有教学效果的。它没有停在「你可以让它扮演」,而是告诉你为什么管用、在什么层面管用。

讲七条原则那一节,体例也很实用:每条原则下面都配一对「低效提示词」和「高效提示词」。第一条明确性,低效例子是「帮我看看招聘方面的事儿」,批注是「模糊不清,AI 无法理解具体的需求」;高效例子是「请列出五条吸引优秀人才的员工福利政策建议」。第二条相关性,低效例子把两件事混在一起:「现在很多员工都不喜欢参加培训,公司文化建设也遇到了一些挑战,你能给出一些建议吗?」批注点出它「将『培训参与度』与『公司文化建设』混杂在一起」;高效例子是「针对技术部门员工,如何设计更吸引人、更有效的线上培训项目?」

这种「贴一条错的、再贴一条对的」的教法,比列十条抽象原则有用得多。读者看一眼就知道自己平时问的是哪一种。

二、全书最诚实的一节,讲的是「它做不到什么」

如果只让我推荐这本书的一节,我会选「提示词的局限性」。在一本通篇在讲「AI 能帮你干什么」的书里,肯花一整节讲「它干不了什么」,是罕见的。

它列了四条。第一条是有限的上下文记忆:「ChatGPT 等 AI 工具不持续记忆对话历史,每次新建聊天均视为独立事件。」第二条是对模糊指令的处理能力有限。第三条是逻辑推理与创新思维的限制——「AI 虽擅长模拟语言,但主要基于数据模式识别,不具备深度逻辑推理或创新思维」。第四条是输入输出的长度限制,过长的提示词可能被截断,过长的输出要求会让任务无法完成。

第三条里那个例子,是全书我最想抄下来的一段:

例如,我们让 AI 预测公司未来一年的员工流失率,它也许可以根据历史数据和行业趋势给出一个数字,但这个数字缺乏对公司内部政策变化、员工满意度波动等因素的综合考虑,因此参考价值有限。

这句话说得准,而且说在了要害上。人力预测这件事,难的从来不是算,是知道自己算漏了什么。一个有经验的人力资源总监看到 AI 报出的「明年流失率 18%」,第一反应是问:这个模型知不知道我们下个季度要改薪酬结构?知不知道研发部刚换了个总监?AI 不知道,但它照样会给你一个看起来很像结论的数字。

这一节的分量,超过了后面很多章。因为它给读者的是判断力,而不是操作步骤。

三、它给 HR 画的 AI 能力模型,和它自己教的东西不是一套

第一章末尾有一个「人力资源从业者的 AI 能力模型」(图 1-1),九项能力排成一个金字塔:最上面是数据分析与统计学能力;往下是机器学习与数据挖掘能力、自然语言处理能力;再往下是 AI 招聘工具的应用能力、教育和培训规划能力、人机协作能力;底层是跨项目的沟通协作能力、数据隐私和伦理应对能力、风险管理能力。

这个模型本身没毛病,甚至有点野心——它假设 HR 要懂一点机器学习、懂一点 NLP。问题在于,这本书后面教的东西,跟这个模型基本不搭。

模型要求「机器学习与数据挖掘能力」,「了解机器学习的基本原理,有助于人力资源……」;可后面十章里,涉及数据的地方都是「把数据粘给 AI,让它出结论」。模型要求「数据分析与统计学能力」,「能够运用数据分析工具如 Excel、Python 等来处理人力资源的大量数据」;可全书没有一段 Python,Excel 也只出现在一句「熟练使用财务软件及 Excel」的招聘要求里。

也就是说:开头画了一张「HR 要变成半个数据工程师」的图,后面教的却是「怎么让 AI 帮你写会议纪要」。图是给行业看的,内容是给读者用的,两套标准。

我并不是说 HR 都得去学 Python——恰恰相反,我认为那个模型画高了。真正的问题是,一本书如果在开头把标准立得太高,后面就必须用内容把它兑现;兑不了,那张图就成了一句漂亮的口号。这本书里像这样的口号还有几处,比如序里那句「HR 要成为 AI 应用的先行者,推动甚至引领公司全员进行 AI 变革」,说得很好,但全书没有一页讲「怎么推动别人」。

四、十二章的配比:最厚的是文档,最薄的是人

把十二章的厚度排一遍,会看到一件有意思的事。

最厚的是第三章「AI 赋能人力资源日常工作」,讲会议纪要整理、工作报告撰写、邮件处理、PPT 制作、合同撰写,还有项目计划、里程碑、内部制度、流程图、工作指南。紧随其后是招聘、提示词、培训与人才管理、绩效、企业文化。

最薄的三章是薪酬与福利、员工管理、大模型部署;讲风险的那一章,也就排在倒数第四。

这个排序值得说。薪酬与福利是 HR 最专业、最不能出错、也最敏感的一块;员工管理(入职、在职、离职、面谈、返聘)是 HR 最需要人的判断力的一块。这两块加起来,比讲「怎么写邮件、怎么做 PPT」的那一章还薄。

我猜原因不难理解:邮件和 PPT 好写,模板一套就是一章;薪酬结构难写,一写就要碰岗位价值评估、宽带薪酬、外部对标数据,还要碰劳动法和个税,写错要担责任。于是这本书选了容易的那条路。结果就是:一本讲人力资源的书,把最多的篇幅给了文档,把最少的篇幅给了人。

这不是写作技巧问题,是这本书的定位问题。它实际上是一本「HR 的办公自动化手册」——教一个 HR 怎么把案头工作交出去。这本身有价值,只是它不该叫「人力资源」,应该叫「HR 的文档工作」。真正的 HR 工作里,最难的那部分——怎么跟一个连续两次绩效不达标的老员工谈离职、怎么在预算冻结的情况下保住核心团队、怎么判断一个候选人的稳定性——这本书几乎没有碰。

五、简历筛选那一节:把「能吃苦耐劳」交给机器

招聘那一章是全书第二厚的,其中「候选人简历筛选与管理」这一节,我读得最不舒服。

它的做法写得很直接:「将设定的筛选标准提供给 AI,同时将候选人简历也提供给它,让 AI 根据筛选标准快速地剔除不合格的简历。」前面的铺垫是,过去招聘人员一份份读简历「不但耗时耗力,而且很容易出现差错」。

接着给了一个案例:某消防设备公司要招聘财务经理,五条任职要求——财经类专业本科以上学历;十年以上相关工作经验,具备全盘账务处理能力,五年以上财务管理经验,熟悉一般纳税人、小微企业、高新企业税务申报等操作流程;具备一定的管理能力,能带领团队完成交办的工作;熟练使用财务软件及 Excel、Word 等办公软件;「积极上进,主动学习,能吃苦耐劳,不计较得失。」

前四条是硬条件,交给机器筛没问题,甚至比人筛得更一致。第五条不是。第五条是一句谁都能往自己身上套的话,也是一句谁都可以被判定为「不符合」的话。把它写进给 AI 的筛选标准里,等于把招聘者心里那点说不出口的偏好,变成了一条自动执行的淘汰规则。而 AI 不会追问「什么叫不计较得失」,它只会照着这句话的意思去判断简历里那个人的性格——从一个三十行的 PDF 里判断一个人的性格。

这一节没有任何一句提到简历是个人信息,也没有一句提到《个人信息保护法》。全书讲个人信息保护,是在第十二章,讲数据安全风险的时候,提到制定数据保护政策要「符合《中华人民共和国个人信息保护法》等相关法律法规的要求」。这是对的,但它出现在书的最后,而且是在讲「数据」的语境里,不是在讲「人」的语境里。

差别在哪?简历不是数据,简历是一个具体的人。你把一百份简历粘进对话框的那一刻,这一百个人并不知道;你让 AI 剔除掉三十份,这三十个人也不知道为什么。这件事在合规上是个人信息处理,在伦理上是「用一个人的模糊偏好批量否定另一些人」,而这本书只讲了前一半,还把前一半放到了最后。

六、它给绩效面谈写的那几步,问题在主语

绩效那一章的「绩效面谈」一节,逻辑很清楚:AI 帮管理者做面谈前准备——「通过对员工的绩效数据进行深入分析,AI 能够提炼出员工在工作中的优点与不足,为管理者提供针对性的面谈指导」;AI 提供改进建议与发展计划——「根据员工的绩效表现与个人发展需求,AI 能够生成个性化的改进方案与发展路径」;AI 提供记录与整理。

三步都对着「管理者」写。管理者被武装得很充分:知道该说什么、该提什么建议、该定什么目标。可面谈的另一方——那个被评估的员工——在整节里没有出现过一次。他不会知道对面那位手里那份「针对性指导」是机器给的,也不知道「个性化的发展路径」是模型根据他的绩效数据推出来的。

这是这本书的一个结构性盲点:它把 HR 的每一个动作都写成了「HR 对 AI」,很少有「HR 对员工」。十二章、上百个小节,绝大多数的主语是「用 AI 做某某」,宾语是文档、方案、报告、计划。人是被处理的材料,不是被沟通的对象。

我不认为作者是冷血。更可能的原因是:写「AI 怎么帮我干活」很容易,写「AI 介入之后,员工怎么想」很难,也没有标准答案。但这恰恰是 HR 这个职业和别的职业的区别——它的产出不是文档,是人和组织之间的关系。文档可以自动化,关系不行。

七、用 AI 写企业价值观,生成的必然是通稿

企业文化那一章,讲怎么用 AI 制定愿景、使命、核心价值观,怎么讲故事、办内刊、策划活动,还讲文化怎么落到管理和雇主品牌上。这是全书里最「软」的一章,也是我最不同意的一章。

它先把价值观拆成四个层次:企业核心价值观、企业精神、企业管理理念、企业人才理念。然后每个层次配一个大厂例子——苹果的核心价值观是「创新」「卓越」和「用户体验」;谷歌倡导的是「开放」「创新」和「员工自由发挥」;亚马逊强调「顾客至上」和「坚持做正确的事情」;Facebook 注重招聘具有创造力和技术能力的人才,并提供丰富的培训和发展机会。

这些说法是网上流传最广的版本,书里一个出处都没给。而且它们彼此不是一个层级的东西:「创新」「卓越」是形容词,「员工自由发挥」是一种管理风格,「坚持做正确的事情」近乎一句道德口号。把它们并列成「四个层次」,层次就不成立了。

更要紧的是方法本身。价值观不是写出来的,是选出来的——一家公司在具体的事上做过取舍,取舍重复几次,才沉淀成一条价值观。比如「客户第一」这条,真正的含义往往体现在「客户投诉和销售额冲突时,你扣谁的钱」。这种事,AI 不知道,因为它不在你的会议记录里。

所以当你把「请帮我们制定企业核心价值观」这句话交给模型,它只能从语料里捞出那套行业通稿:创新、诚信、客户至上、以人为本、追求卓越。这些词都对,都没有信息量,也都没有约束力。一条价值观如果不能否掉某件事,它就只是一句装饰。

这本书在这一章里其实也意识到了分寸:它把「传播」的部分写得比「定义」的部分实——用 AI 讲企业文化故事、做内刊、策划活动,这些是合适的。讲故事这件事,AI 确实能帮上忙,因为它要的是结构和表达。而定义价值观要的是取舍,AI 没有取舍可给。

这两件事放在同一章里,用同一套「用 AI 做某某」的句式写,读者很容易以为它们难度相当。这就是这类书的通病:它把「能做的」和「该做的」混在一起写,读者得自己分辨。

八、两个「成功案例」为什么不能信

第十一章讲大模型在企业里的部署,分了小微企业和大中型企业两套方案,各配一个案例。我本来很期待,因为这是全书唯一可能出现真实数据的地方。

结果是这样:某小型企业的做法分四步——选择参数量较小、推理速度更快的轻量化模型,并做定制化开发,添加企业内部知识库和常见问题解答;利用云服务的算力和语料库训练调优;与现有 HR 系统集成,通过 API 打通数据,扩展员工自助查询、自动回复常见问题、辅助招聘流程;用模型做数据分析,生成员工满意度分析、招聘渠道效果分析等报表。

四步都是合理的。然后写成效:「支持员工自助查询功能,减少了 HR 人员的工作量,提高了 HR 工作效率。」

减少了多少?没有。提高了多少?没有。上线前后各是多少?没有。企业多少人、什么行业、上线多久、花了多少钱?也没有。整个案例唯一的量词是「各类报表」。

大型企业那个案例也一样,落在「显著成效」四个字上。一本以「10 倍」为书名的书,在唯一两个可以给出数字的地方,一个数字都没给。这不是资料的缺失,这是选择:有了具体数字就要接受检验,只写「显著提升」永远安全。

九、它的短板

四条。

第一,「10 倍」没有出处。这是最直接的一条。效率提升是一个可以测量的东西:同一份会议纪要,人整理要多久、AI 加人整理要多久;同一份招聘文案,写三版要多久、改三版要多久。这些数据不需要实验室,作者自己做一遍就有。全书没有做。于是「10 倍」只能理解为一种修辞。

第二,案例全是「某公司」,没有一个能核。某消防设备公司、某小型企业、某大型科技公司——这类匿名案例在管理书里很常见,但代价是读者无法验证,也无法复用。真正有用的案例,读者要能看到「他当时的具体处境和我像不像」。匿名的案例只能看个热闹。

第三,风险章来得太晚,也太薄。数据安全、知识产权、职业道德、商业伦理、法律合规,这些问题在 HR 场景里是高频的——简历是个人信息,绩效数据是敏感信息,聊天记录里可能有员工的病假、孕产、家庭情况。这些内容被放在最后一章,篇幅也排在倒数。而前面十章教的是「怎么更快地把这些信息交给 AI」。顺序反了。

第四,工具介绍的部分必然过期。第一章用整节介绍国内外主流 AIGC 工具,这类内容在成书那天就开始贬值。相对地,那些讲方法的部分——四种提示词写法、七条原则、局限性——反而不会过期。一本工具书如果把篇幅押在工具名单上,它的半衰期就很短。

第五,「人机协作」被反复提起,却从没交代谁负责。这本书在多处强调「AI 提供分析和建议,最终决策由人做出」,第十二章还专门举了个「AI 初步评估,HR 专家做决策」的例子。方向是对的,但它停在了「人机协作」这四个字上。真正需要回答的是:AI 筛掉的简历,谁签字确认?AI 写的绩效评语,谁承担描述失实的责任?AI 给出的薪酬建议若造成同工不同酬,算谁的?这些问题的答案不在技术里,在流程和授权里,而这本书对流程的描写,最多到「点击复制按钮」为止。

十、这本该怎么用

我的建议是反着读。

先读「提示词的局限性」那一节,知道它会在哪儿骗你;再读第十二章的风险,知道哪些东西不能给它;然后才去翻第三章那些「怎么让 AI 写会议纪要、做 PPT」的操作。顺序反过来,你会把它当成一本工具箱;顺序正着读,你会把它当成一本保证书。

它真正有用的部分,是那套提示词方法:角色扮演、任务分解、示例学习、思维框架,加上「低效/高效」对照的训练。这套东西换到任何行业都能用,不只是 HR。

它没做到的部分,也很清楚:它把 HR 的桌面清空了,却没有碰 HR 的桌子。招人、留人、评人、劝退人——这些事的难处不在写文档,在于对着一个具体的人做判断,并且承担后果。这部分,AI 暂时替不了,一本书也不该假装它替得了。

至于「10 倍」这件事,其实自己测一次就知道。挑一件你每周都要重复两次的活——比如整理会议纪要,或者把面试记录写成评估意见。先按老办法做三次,掐表,记下平均耗时;再按这本书的四种提示词方法做三次,同样掐表。差别就是你的倍数,可能是 2 倍,可能是 4 倍,也可能在改稿环节被吃掉一半。这个数字比书封上的「10 倍」有用得多,因为它是你自己的。

读完这本书,我最想记住的不是那四种提示词方法,而是第二章那个关于流失率的例子:AI 会给你一个数字,但它不知道你下个季度要改薪酬结构。这句话值得贴在每一个正在用 AI 做判断的 HR 的显示器上。

AI赋能HR 核心知识图谱
这本书的骨架、真本事、盲点与限度。左边两列可以照做,右边两列要当心。

阅读记录

书名:AI赋能HR:AI 10倍提升HR工作效率的方法与实践
作者:田政、谷燕燕、唐琨
读法:全书十二章通读,含内容简介、两篇序、赞誉、作者简介
说明:文中引语、案例细节与章节结构均来自原书,可逐字核对;书中未给出「10 倍」的测算依据,我据此判断其为修辞性表述
逐页精读系列 · 2026 年 11 月

关于作者 · 江天(楠哥)
AI 实战导师 / 企业 AI 落地顾问 / 智能体工程师,17 年跨界、15,000+ 小时 AI 实操、20+ 套已交付工作流。