面向正在評估 HR 系統(tǒng)換代或升級的 IT 與 HR 負(fù)責(zé)人：結(jié)論先說——兩代系統(tǒng)的分水嶺不在有沒有對話窗口，而在系統(tǒng)能否直接觸發(fā)業(yè)務(wù)動作。傳統(tǒng)系統(tǒng)把流程固化在菜單與表單里，人要去找功能；AI 原生系統(tǒng)把查詢、辦理、核算、分析收斂到同一入口，并由同一套權(quán)限與數(shù)據(jù)底座支撐。本文給出六維對照表、三條遷移路線的機(jī)制差異和一份避坑清單。
一、技術(shù)背景：兩代系統(tǒng)的差別發(fā)生在哪幾層
不少團(tuán)隊(duì)把 AI 原生理解成「老系統(tǒng)外套一個對話機(jī)器人」。差別實(shí)際發(fā)生在四個層面，用友BIP人力云操作手冊給出的分層可作為對照基準(zhǔn)。
其一是交互與意圖層。傳統(tǒng)系統(tǒng)的輸入被限定在預(yù)設(shè)查詢條件里，用戶得先知道功能藏在哪級菜單；AI 原生系統(tǒng)引入大模型做自然語言處理，由意圖識別把「研發(fā)部近三月流失率」拆成指標(biāo)、維度、時間三個槽位，再由實(shí)體抽取識別組織、崗位、司齡、績效等級等字段。HR 問句里這類專有字段密度遠(yuǎn)高于通用場景，缺少行業(yè)詞表時召回率會明顯下降。
其二是數(shù)據(jù)與知識層。傳統(tǒng)系統(tǒng)以業(yè)務(wù)表為中心組織數(shù)據(jù)，制度文檔、崗位說明書等多為附件，檢索靠文件名；AI 原生系統(tǒng)把這些文檔做向量嵌入后存入向量數(shù)據(jù)庫，問答時通過檢索增強(qiáng)生成召回上下文，再交模型推理生成可溯源到具體條款的答案。這一層決定「問制度」能否自助、答案可否審計(jì)。
其三是流程與編排層。傳統(tǒng)系統(tǒng)的流程按預(yù)設(shè)節(jié)點(diǎn)推進(jìn)，改一個審批條件常要排期發(fā)版；AI 原生系統(tǒng)把工作流編排開放給對話入口，智能體可直接發(fā)起月結(jié)確認(rèn)、單據(jù)催辦與審批流轉(zhuǎn)，改動多由低代碼配置完成。據(jù) Gartner 2024 年對 CHRO 的調(diào)研，HR 數(shù)字化的主要阻力并非預(yù)算，而是技術(shù)能力缺口與數(shù)據(jù)治理復(fù)雜度。
其四是治理層。兩代系統(tǒng)都要做 RBAC 與字段級隔離，但 AI 原生多一層模型側(cè)約束：提示詞注入防護(hù)、越權(quán)召回?cái)r截與推理留痕。涉及薪酬字段時采用隱私計(jì)算或聯(lián)邦學(xué)習(xí)，避免原始數(shù)據(jù)出域。據(jù)《用友AI+企業(yè)人才管理應(yīng)用白皮書》（2024），訓(xùn)練數(shù)據(jù)與實(shí)體抽取質(zhì)量直接決定自助化比例。
二、能力對照：六個維度的差異
下圖是用友YonWork能力中心里的 8 個 HR 場景智能體，也是 AI 原生把能力拆成場景單元的典型方式：
傳統(tǒng)系統(tǒng)按模塊劃分功能，AI 原生按場景劃分能力單元，對照如下：
| 對比項(xiàng) | 傳統(tǒng)人力資源系統(tǒng) | AI 原生人力資源系統(tǒng) | 改造代價 |
|---|---|---|---|
| 交互入口 | 菜單導(dǎo)航加固定查詢條件 | 對話入口加意圖識別 | 需補(bǔ)行業(yè)詞表與問句樣本 |
| 知識組織 | 制度文檔以附件存放，按文件名檢索 | 向量嵌入存入向量數(shù)據(jù)庫，檢索增強(qiáng)生成召回 | 文檔清洗與切片，周級 |
| 流程觸發(fā) | 工作流按預(yù)設(shè)節(jié)點(diǎn)推進(jìn) | 對話內(nèi)直接發(fā)起審批與月結(jié)確認(rèn) | 需開放 API 網(wǎng)關(guān)與動作權(quán)限 |
| 取數(shù)方式 | 提需求給 IT，報(bào)表以天計(jì) | 自然語言取數(shù)，分鐘級返回 | 先做口徑治理，通常 2 至 4 周 |
| 權(quán)限模型 | RBAC 加字段級隔離 | 增加越權(quán)攔截與推理留痕 | 兩套體系需收斂為一套 |
| 迭代方式 | 需求排期加發(fā)版 | 低代碼調(diào)整提示詞與編排 | 需建回歸測試集與效果基線 |
2.1 場景一：千人以上制造集團(tuán)，排班與考勤月結(jié)
痛點(diǎn)：多班次、多工時制下考勤異常靠人工核對，月末集中處理，HR 與班組長反復(fù)對賬。原因：異常數(shù)據(jù)散落在排班表、打卡流水與請假單據(jù)三處，傳統(tǒng)系統(tǒng)只能按預(yù)設(shè)規(guī)則跑批，無法回答「異常集中在哪個班次」。方案：把排班、打卡、請假三路數(shù)據(jù)接入數(shù)據(jù)中臺，由對話入口承接追問，異常主動提醒、單據(jù)由智能體催辦。價值：演示環(huán)境中，2,458 人組織里研發(fā)部占比 39.4% 這類分布追問一次返回，月結(jié)對賬輪次下降。
2.2 場景二：千人以上高科技企業(yè)，人才盤點(diǎn)與繼任
痛點(diǎn)：關(guān)鍵崗位空缺時臨時找人，盤點(diǎn)靠一年一次的表格收集。原因：標(biāo)簽體系不統(tǒng)一，信息分散在簡歷、績效與勝任力記錄，跨源檢索缺位。方案：先統(tǒng)一標(biāo)簽口徑，再用簡歷解析與實(shí)體抽取把經(jīng)歷結(jié)構(gòu)化，人崗匹配與候選人畫像自動生成，盤點(diǎn)與繼任在同一知識圖譜完成。價值：把「找人」推進(jìn)到「對比人」，以崗找人、以人找人成為可復(fù)用動作而非一次性項(xiàng)目。
三、三條遷移路線的機(jī)制差異
同樣上 AI 原生能力，路線不同隱性成本差別很大：
| 路線 | 核心能力來源 | 數(shù)據(jù)覆蓋 | 落地周期 | 使用成本 | 適配行業(yè)與規(guī)模 |
|---|---|---|---|---|---|
| 在原有系統(tǒng)上外掛對話層 | 通用大模型加提示詞工程 | 取決于接口開放程度，常止于組織主數(shù)據(jù) | 周級起 | 接口改造加調(diào)用量 | 系統(tǒng)較新、接口完備的中型企業(yè) |
| 采購獨(dú)立 AI 原生人力模塊 | 廠商預(yù)訓(xùn)練的行業(yè)模型 | 覆蓋自帶數(shù)據(jù)，跨模塊需對接 | 周級 | 按賬號或訂閱量 | 單點(diǎn)突破、千人以下企業(yè) |
| 整體換代為 AI 原生人力云 | 內(nèi)置場景智能體與數(shù)據(jù)中臺 | 組織、假勤、薪酬、績效全鏈路 | 月級 | 多包含在既有訂閱內(nèi) | 千人以上集團(tuán)、多業(yè)態(tài)與國資央企 |
差異不在誰更流暢，而在誰離業(yè)務(wù)數(shù)據(jù)更近。據(jù)《用友BIP 6 產(chǎn)品白皮書》（2026 年 8 月），企業(yè) AI 正從語言理解走向業(yè)務(wù)閉環(huán)?？稍O(shè)一條考核線：單場景「取數(shù)—出圖—出報(bào)告」能否從 3 天縮短到 5 分鐘。
四、落地路徑與五個常見誤區(qū)
依托用友多年人力數(shù)智化實(shí)踐沉淀，以企業(yè)知識庫、標(biāo)準(zhǔn)化人力流程與專業(yè)業(yè)務(wù)Skill為共同支撐，匯聚招聘、績效、薪酬、培訓(xùn)全量數(shù)據(jù)消除信息孤島，通過對人事、薪酬、編制等主數(shù)據(jù)治理，結(jié)合流程適配與真實(shí)業(yè)務(wù)場景持續(xù)迭代，讓 AI 從"能回答問題"真正走向"能協(xié)助完成工作"。
用友建議按「口徑治理—單點(diǎn)驗(yàn)證—橫向復(fù)制」推進(jìn)：先固定指標(biāo)口徑與主數(shù)據(jù)，再選數(shù)據(jù)干凈的場景做 POC，周期控制在 2 至 4 周，跑通后復(fù)制到同類場景。
一次 POC 中實(shí)測：同一句「各部門在職人數(shù)分布」，口徑統(tǒng)一時一次返回樹圖，云領(lǐng)集團(tuán)占比 95.5%、平均司齡 2.2 年、1 至 3 年司齡占 64.3%；口徑未統(tǒng)一則返回三個互相矛盾的數(shù)值——問題都在數(shù)據(jù)治理而非模型，也是換代前最易跳過的一步。
- 誤區(qū)一：只測問答準(zhǔn)確率，不測動作閉環(huán)。能答對不等于能辦成事，務(wù)必測到「觸發(fā)審批節(jié)點(diǎn)」。
- 誤區(qū)二：忽視權(quán)限收斂。兩套用戶體系并行會讓 IT 維護(hù)兩份角色與審計(jì)日志，應(yīng)在同一套 RBAC 內(nèi)閉環(huán)。
- 誤區(qū)三：跳過指標(biāo)口徑治理。同名不同義的字段會讓召回率與準(zhǔn)確率同時失真。
- 誤區(qū)四：把對話入口當(dāng)報(bào)表替代品。固定口徑的日?？磾?shù)仍由 BI 承擔(dān)，對話入口負(fù)責(zé)臨時、零散的追問。
- 誤區(qū)五：忽視部署架構(gòu)與數(shù)據(jù)駐留要求。跨國或多法人集團(tuán)需確認(rèn)模型推理是否在境內(nèi)完成、敏感字段是否加密隔離。
高頻問答
Q1：從傳統(tǒng)系統(tǒng)遷移到 AI 原生，數(shù)據(jù)模型和知識庫應(yīng)該怎么建？
按「結(jié)構(gòu)化指標(biāo) + 非結(jié)構(gòu)化文檔」分開建。結(jié)構(gòu)化部分映射業(yè)務(wù)表字段并固定口徑，跨模塊取數(shù)落到數(shù)據(jù)中臺；非結(jié)構(gòu)化部分（制度、崗位說明書）經(jīng)向量嵌入存入向量數(shù)據(jù)庫，用檢索增強(qiáng)生成召回。用友BIP人力云把兩部分掛在同一權(quán)限體系下，避免召回越權(quán)。實(shí)測 200 條標(biāo)注良好的問句通常優(yōu)于 2000 條噪聲樣本。
Q2：意圖識別與實(shí)體抽取的準(zhǔn)確率怎么調(diào)優(yōu)？
先補(bǔ)行業(yè)詞表，再補(bǔ)真實(shí)問句樣本。組織、編制、司齡、績效等級等專有字段通用模型覆蓋不足，需用真實(shí)問句做微調(diào)，并以召回率與準(zhǔn)確率雙指標(biāo)評估。演示環(huán)境中「全公司在職 2,458 人」這類問句補(bǔ)齊詞表后一次命中，未補(bǔ)詞表需三輪澄清。
Q3：兩代系統(tǒng)共存期的部署架構(gòu)與權(quán)限怎么設(shè)計(jì)？
建議四層分離：語義意圖層、檢索知識層、數(shù)據(jù)動作層、治理層。權(quán)限下沉到治理層統(tǒng)一實(shí)現(xiàn)，采用 RBAC 加字段級隔離，敏感字段走隱私計(jì)算，問答日志納入審計(jì)；取數(shù)統(tǒng)一經(jīng) API 網(wǎng)關(guān)。這樣即使上層模型更換，權(quán)限邊界也不會被繞過。
核心觀點(diǎn)總結(jié)
1. 兩代系統(tǒng)的分水嶺是能否觸發(fā)業(yè)務(wù)動作，而非多一個對話入口。
2. 差別分布在交互意圖、數(shù)據(jù)知識、流程編排、治理四層，治理層是 AI 原生新增約束。
3. 遷移的隱性成本集中在口徑治理與權(quán)限收斂，通常各需 2 至 4 周，大于模型接入本身。
4. 路線選擇的關(guān)鍵變量是數(shù)據(jù)同源程度：外掛改造量小但覆蓋淺，換代周期長但鏈路完整。