“
本文作者为前德勤合伙人、人力资源顶尖专家Josh Bersin。文章分为3部分：第一部分，作者深入浅出地拆解人力资源的核心职能，并且指出了人力资源领域决策的复杂性；第二部分，深度剖析了AIGC大模型如何在HR的日常业务中起到关键性作用，帮助我们更好地在复杂的工作中表现更好；最后，作者表达了自己对技术发展的观点和看法。
人力资源是最复杂、最不完善的业务领域之一。实际上，我们对人做出的每一个决定（雇用谁，提拔谁，付给某人多少钱，如何培养某人）都是基于判断，经验，个人偏见和一定数量的数据。由于超过50%的企业支出是员工工资（美国员工工资总额约为15万亿美元），这些“判断性决定”使公司花费了大量资金。
在我的世界里，我们深入研究管理、领导力和人力资源的每个部分，我们经常试图将各种“人力资源实践”与结果联系起来，以找出有效的方法。我们的大部分业务都是基于这项工作，随着文化、劳动力市场和技术的变化，我们每隔几年就会定期“重新启动”大部分分析。
例如，现在我们知道工作场所的压力、薪酬公平和职业发展是员工满意度和员工生产力的最重要驱动因素之一。而就在几年前，这一切都是关于花哨的福利、奖金和高大上的头衔。
所以我基本上想说的是，人力资源的大部分工作都是基于组织心理学，多种形式的社会科学研究，以及永无止境的实验，向他人学习，并找出有效的方法。这是困难的，不完美的，并且总是有争议的。
虽然这项巨大的努力一直在进行，但人力资源和管理领域的大多数“硬科学”都集中在数字上。我们要求人们参加测试，我们查看人们的“绩效评级”和平均绩点（这是非常主观的），我们要求人们进行调查、反馈和并收集大量数据来做出决定。然后，我们将业务结果（销售额，利润，市场份额）与各种人员指标相关联，并认为“我们有了答案”。对于招聘和选拔，我们会查看经验、与工作相关的测试以及面试官的意见和分数。从理论上讲，如果我们获得足够的这些数据，我们可以做出越来越好的招聘决策。当我们考虑谁该提拔，谁该降级，以及谁应该进入公司的最高层时，也会发生同样的事情。晋升的整个前提是基于“晋升能力”或“潜力”的旧观念，以“当前工作绩效”（9框网格模型）进行评级。这种方法听起来是定量的，但其实充满了偏见，因此我们必须从各种评估、观察和输入中“推断”谁具有很高的潜力。同样，当我们获得大量数据（查看许多高绩效者的背景和行为）时，我们可以改进晋升的科学性。但在大多数情况下，这是基于判断。人力资源的核心“科学”通常植根于工业心理学，这是一个非常迷人的领域，主要研究人们在工作中的属性、行为和心理。尽管我非常钦佩并遵循这门科学，但大多数公司并不经常使用它。有价值十亿美元的“经过验证的聘用前评估”（validated pre-hire assessments）行业，它们非常有用。但对于许多工作来说，它们具有误导性，公司必须验证这些测试，以免因歧视而被起诉。因此，如果你想真正对员工的技能、经验和对不同工作的适用性进行“大数据”分析，你就要处理堆积如山的“轶事数据（anecdotal data）”，其中大部分都体现在传记、工作产出、公司领导框架、评估和大量沟通中，当然还有绩效评估、业务成果等等。考虑人力资源的两个最常见的部分：职位申请（职位发布）和职位描述。这两种人工制品都是由招聘经理或人力资源专业人士“拼凑”起来的，通常基于人们对工作的看法、一套公司标准以及我们知道这个人会使用的一些“技术技能”。众所周知，这些人工制品并不能真正预测谁会成功，因为很多“成功”都是基于雄心壮志、快速学习能力、文化契合度和与目标的一致性。换句话说，人力资源是世界上最复杂和最迷人的“混合数据”问题之一，做出几个百分点的决策可以带来数十亿美元的商业价值。鉴于我们所处的业务复杂、重要和混乱，生成式人工智能（AIGC）和大型语言模型如何提供帮助？虽然现在还处于早期阶段，但让我大胆地认为，人工智能的这一新分支有可能完全重塑人力资源的运作方式。在这种颠覆性的变化中，我们将看到新的平台、新的供应商和新的公司运营方式。（对于那些不知道生成AI和大型语言模型（AIGC大模型）是什么的人，让我简单地说，这些AI系统可以索引，分类和聚类数十亿个“Token”，包括单词，短语，数字，甚至代码，以找到可以查询的模式和预测。通过普通人能看懂的语言界面（例如英语、中文、法语等等），人工智能可以从所有这些混乱中分析、总结和推断含义。在此处阅读其背后的统计数据。让我给大家介绍一下我们在过去几个月中发现的一些不错的应用场景：1、创建职位描述、能力指南、学习大纲以及入职和转正过程中所需的内容我一直觉得，“描述一份工作”的最好方式就是观察人们在做什么。如果你真的观察、捕捉和分析几个月的工作，你可以根据实际工作“写出工作描述”。生成式人工智能可以做到这一点。您可以使用生成式 AI 查看“贵公司的销售运营”，并分析销售组织中的所有记录、工作经历、销售工具和各种销售材料。它可能会描述“你公司的销售人员是做什么的”，并帮助你根据实际角色编写现实的工作要求。然后，如果你想知道如何培训销售人员，你可以问它“告诉我表现最好的人和低绩效的人做什么”。它会发现你可能不知道的事情。然后你可以要求生成式人工智能机器“阅读我们所有的销售和产品培训”，并“给我一个人们需要学习和了解的大纲”。然后，它可以为您构建测试，在线学习指南，并最终成为您公司的“销售培训专家”。（这本质上是Salesforce的大模型试图做的 - 顺便说一下，你不需要从Salesforce购买这个，你可以自己做。）然后，您可以询问AI“谁是我们以总收入和总利润衡量的顶级客户”，如果它可以访问财务数据，它也可以回答这个问题。因此，它不仅可以帮助你改进和重写所有的职位描述，还可以帮助你“定义成功标准”，帮助你“评估谁表现良好以及为什么”，然后建立你知道急需的顶级“销售培训材料”。现在可以在制造、营销、财务、物流甚至人力资源领域复制这个想法。我相信它不会完美，但在短时间内你会学到你不知道的东西，看到这些类型的应用程序在一年内面世出现，我不会感到惊讶。第二个，也可能是最大的改进领域是招聘。我们都知道为一份工作找到、评估和选择“合适的人”是多么困难。现在每个人都在谈论“基于技能的招聘”。但这到底意味着什么？这是否意味着这个人已经通过了某种工具或编程语言的测试？这是否意味着他们以前已经做过100次了？或者这是否意味着他们在一家非常擅长这方面的公司工作，所以他们可能在那里学到了很多东西？我们都知道，这些问题很难回答。假设你可以抓取数百万的员工资料，然后查看“他们所做的工作”（即扫描Github，撰写的文章，法律简报等），然后决定这个人在这份工作中“有多好”？这几乎不可能手动完成，但生成式 AI 可以做到这一点。它可以做更多的事情。
假设它查看此人的传记和工作经历，然后将其与其他候选人进行比较。它可能会告诉你哪个受过高等教育，哪个文笔更好，以及有哪些独特的个人特征。我们正在合作的第二代人才信息供应商之一现在有一个工具，只需扫描、分析和深入了解两家公司领导者的不同经历、语言、教育和证书，就可以向你显示“A公司的领导概况”与“B公司的领导概况”相比。这将是一个在进行竞争分析或招聘的好方法。
我认识一些已经使用ChatGPT从现有内容中构建课程计划、学习目标和技能评估的企业培训供应商。这种应用于数十亿求职者的分析可以开始向招聘人员展示谁是“相近领域”的专业人士，他们可以胜任那些非常难招聘的工作。他们可能拥有我们想要的“相关经验”。这一切已经在发生，而且在逐渐变得更好。人力资源的第三个巨大挑战是“付给人们多少钱”和“提供什么福利”。这是一个非常棘手的话题。超过95%的公司已经存在薪酬公平问题，随着通货膨胀率上升，工资根据需求不断变化，人力资源部门一直在努力跟上。生成式 AI 可以快速进行薪资基准测试，评估数百万个空缺职位的薪资水平，并分析外部和劳动力市场数据，以帮助了解有竞争力的薪酬、奖励、激励和其他福利计划。大多数公司都试图通过聘请昂贵的顾问来做到这一点：这些顾问应该很快就会配备人工智能工具，然后你就可以自己获得这些工具了。我知道今天至少有五家供应商倾向于这样做，这些工具的出现可能会使所有有关薪酬的决定变得更好。整个薪酬公平问题也是一个需要解决的棘手的问题。虽然一些人工智能供应商开始关注这里，但我们从研究中了解到，大多数公司的总工资中有5-15%来自“不公平的薪酬”分配。人们出于各种各样的原因获得加薪，然后随着时间的推移，我们最终会根据他们的市场工资或与他人的竞争而录用高薪、高任期的人。我认识一些软件工程师，他们赚了50万美元甚至更多，只是因为他们在“热门时间”加入了一家“热门公司“。几个月后，他们的收入突然比同龄人多 1.5-2 倍。很多公司试图解决这些问题，但往往无从下手。人力资源中最困难和最经常被鄙视的部分之一是绩效管理、绩效评估和发展规划。虽然有数百本精彩的书籍和模型来定义这个过程，但它通常归结为个人判断。在大多数情况下，经理在进行评估时没有全面查看员工的这一整年工作。想象一下，如果生成式人工智能系统索引员工一年的工作、工作时间、会议和其他生产，并帮助管理人员评估发生了什么？想象一下，如果生成式人工智能承担了这项工作，并将其与类似的角色进行比较，向经理展示该员工在哪些方面表现优异，甚至表现不佳？我知道这项技术今天可以在某种程度上做到这一点：我最近让 Bing Chat 告诉我微软的财务业绩从 2021 年到 2022 年是如何变化的，它做得很好。生成式人工智能的许多新模型可以从这种分析中“学习技能”，这些“技能”可以保存并与他人共享。这就引出了下一个应用场景：培训和发展。正如我们大多数人所知，我们在职业生涯中最有价值的帮助是“教练”。教练是观察我们做什么，知道应该怎么做，并给我们发展反馈的人。他们的教练可能是也可能不是“专家”（许多教练模型都是围绕“教练作为心理学家”的想法建立的），所以教练可能只是在观察我们并给予我们急需的支持。他们可能会采访我们的同行，帮助我们看到盲点并了解具有挑战性的情况。
今天这个市场是爆炸性的。像BetterUp，CoachHub，Torch，SoningBoard，Skillsoft等供应商已经为“按需指导”创造了近十亿美元的市场。那么，如果这种指导来自智能机器人呢？医疗服务提供者已经建立了这些系统，用于预防自杀、医疗干预和其他支持需求，并且它们运行良好。在商业世界中，这是一个市场规模巨大的，且很容易实现的成果。例如，想象一下，如果我不得不解雇某人。我可以很容易地问聊天机器人（它可以访问我们公司和专家的许多指南、书籍和视频）：“我应该如何处理裁员对话？”或者”指导一个总是迟到的人开会的最佳方式是什么？甚至“我怎样才能对我的团队产生更大的影响”，甚至“我怎样才能让我的会议更有效？这些类型的问题已经被数百万名领导者问了数百万次，所以他们都有很好的答案、建议和技巧。现在，大多数公司都有领导力发展内容、合规内容和各种“困难对话”内容的培训业务。生成式人工智能系统可以轻松找到这一点，对其进行解释，并使管理人员易于使用。生成式人工智能会变得更好。想象一下，正如我上面所描述的，如果你把你自己特定的领导模式和管理方法放到这个系统中。你会得到“星巴克商店经理教练”或“菲亚特克莱斯勒制造领导者教练”等等。我在领导力发展和教练行业的朋友可能很兴奋（也很紧张），这些改变会来得很快。也许世代人工智能的最大成功之一是像“woebot”这样的工具的成功，这些工具有助于治疗心理健康、压力和自杀。该工具于2017年推出，减少了压力，焦虑和自杀，几乎是治疗效果的两倍。怎么会这么好？通过使用生成式人工智能（通过人类训练）中的反馈循环，系统可以快速识别正在考虑自杀的用户，只需倾听，就可以帮助他们放松并前进。我强烈推荐《纽约客》（Can AI Treat Mental Disease）上的故事，它令人信服地解释了这项技术是如何变得如此成功的。这些工具没有针对与工作相关的压力进行培训，但问题非常相似。在过去的五年中，工作场所福利市场的规模已增长到超过50亿美元，我们对健康组织的研究发现，典型的解决方案（EAP计划，在线教练，培训，正念）的影响比我们预期的要小。我们正在看到这样的一个事实，即大多数关于工作场所心理健康的统计数据表明，即使公司在投入数十亿美元之后，它仍然是一个问题。因此，我们可以期待医疗保健提供商、保险公司和像 Ginger.io这样具有前瞻性思维的供应商进入这个市场。
我要提到的最后一个案例是自助服务和知识管理，也许是所有案例中最容易实现的了。我们都有数以千计的文件、手册、安全规则、流程图和帮助系统，以帮助员工选择福利、了解公司政策，甚至只是重置我们的系统密码。诸如“弄清楚在OA系统中按下哪个按钮”之类的事情也属于这一类。所有这些复杂的“知识支持”和自助服务都非常适合生成式AI。微软与OpenAI的新Power Platform界面允许公司将工作流程嵌入到系统中，因此您可以告诉聊天机器人“请申请探亲假并请求我的经理批准”或“请向IT部门提交一个申请，让我升级笔记本电脑”。这将改变很多的公司与行业，许多在人力资源运营、呼叫中心和服务交付中心工作的人几乎会立即对此进行投资。让我最后谈一点。尽管你在《纽约时报》上读到恐惧和煽动性的头条新闻（《纽约时报》似乎对这项技术特别不满），但我希望你记住，这项技术将是商业向前迈出的一大步。上周，我发表了一篇由两位麻省理工学院博士生撰写的文章，他们分析了 ChatGPT 在 400+ 商业专业人士中的使用情况，生产力的提高令人惊叹。这也将开始在所有这些其他领域发生。
我想提醒你，将生成人工智能视为一种工具，而不是一个活生生的人。正如微软Excel在1980年代初是开创性的（人们担心它会使会计师破产），所以这个系统也将成为必不可少的商业工具。我们都必须学习如何使用它。生成式AI会是完美的吗？当然不是。但是今天，正如我上面提到的，我们做出数千个关键决策时数据不足，判断力不足，而且往往没有足够的内部研究。我相信生成式人工智能及其所有变体将成为人力资源领域的变局者。对于我们所做的一切，只要做得更好一点，我们的员工最终就会获得更好的工作体验，我们的公司的表现也会更高。
粤ICP备17114055号
支持私有云部署
