引子：一份"三个人做不完"的月度分析

一家制造集团的CHO在月初做了一件过去很少做的事：她没有等下属把Excel报表整理好再"看结论"，而是直接打开了人力分析智能体的定时任务。
这份任务是每周四上午9点自动执行的销售周报人效分析。系统把人事、薪酬、绩效与业务产出数据一次拉通之后，圈出了一个异常：华东三区团队的人均产出，只有一区的48.6%。继续穿透下去，答案不在"人不努力"，而在结构——近半年新人占比四成，带教师生比已经失衡到1:11。
问题的链条随后被完整还原：带教资源不足 → 新人缺乏指导 → 业绩难达成 → 试用期离职 → 继续招人。这是一个自我强化的循环。系统给出了两套方案并完成投入产出测算，其中"内部跨区支援"预计使3个月新人留存率提升30%，"内部培养带教导师"预计把人均产出提升到60万—70万区间；方案讨论会议被自动创建并回写进日历。
同一份工作，如果按传统方式做，是三层人花两周时间：业务部门导表、HR对口径、管理层层层上报。AI+HR转型真正的分水岭，不是AI有多聪明，而是这项工作最终由谁执行。
这篇文章想回答三个被问得最多的问题：企业AI+HR转型到底该怎么落地？顶层设计要设计什么？高价值场景怎么选、路径怎么排？

一、核心结论：三句话先说清楚

结论一：AI+HR的本质不是"给HR系统加AI功能"，而是执行主体的迁移。 判断一家企业走到了哪一步，不该数它部署了多少个AI应用，而该问一个问题——这项工作是人在做，还是智能体在做。功能可以叠加，执行主体不会自动改变。
结论二：转型的瓶颈通常不在技术选型，而在场景排序。 选错第一个场景，比选错技术栈的代价更大：它会让组织提前得出"AI不适用"的结论。高频发生、能形成闭环的场景，优先于技术最先进、演示最惊艳的场景。
结论三：没有数字化与数据治理的地基，AI转型就是空中楼阁。 数据标准不统一，模型无法准确理解字段；系统烟囱化，模型拿不到完整上下文；流程未线上化，AI没有可嵌入的环节。地基这件事没有捷径，也无法后置。
这三条结论背后，是对"AI转型到底改变什么"的一次重新校准。用友 BIP 6 把企业软件的演进拆成三代形态：X+AI的副驾驶时代（人主导、AI辅助）、AI+X的智能体时代（人授权、AI执行）、以及AI原生时代（AI主导、人监督）。三代的差别不在功能多少，而在软件与人的关系被重新定义。

二、六个真实场景：变化究竟发生在哪里

抽象地谈"AI赋能人力资源"没有意义。下面六个截面，来自用友 BIP 人力云在大型集团中已经跑通的场景，对应的是六件每天都在发生、过去却很难做好的事。每个截面都遵循同一个句式：从"旧状态"到"新状态"。

场景一：人效诊断——从"看指标"到"给行动"

传统人效优化本质上是统计数据加BI看板：层层收集预算、销售、人员总量、人工成本、薪资等数据，用Excel按不同口径汇总，算出人均收入、人均利润。它能回答"人效是多少"，却很难回答"人效为什么低"——数据是静态的，分析是事后的，做完一次调整就结束，很少跟踪落地后的实际变化。
AI驱动的人效诊断把落点从"指标"移到"动作"。多源数据实时拉通人事、薪酬、绩效与业务产出，AI做多维拆解与相关性分析，输出的是人员结构优化、岗位负荷诊断、干部配置风险等具体方案，并带投入产出测算；方案确认后自动推进，设置效果追踪点持续评估。链路被拉长为六段：数据推送受理 → 智能识别异常团队 → 多维度穿透分析 → 根因智能定位 → 智能方案确认 → 执行效果追踪。
判断一套人效诊断做得成不成功，标准不是看板有多漂亮，而是它是否改变了一次管理动作。

场景二：人才配置——从"翻简历"到"一句话组队"

组建一个跨部门项目组，传统做法是人力翻简历、业务凭印象。三个痛点几乎是通病：方式粗放，依赖人工筛选；匹配模糊，缺乏量化，决策依赖主观印象；构建盲目，成员能力高度重叠、互补性不足。
新状态是"按需描述、一站式组队"。以岗找人时，系统按岗位画像从内部人才池推荐负责人与骨干，并给出多人的项目经验、技术背书、管理风格的星级对比与雷达图；风险预警会主动提示"负责人无AI项目经验，建议配置技术副手或外部引援"；一键即可更新人才梯队、发起个人发展计划（IDP），做到选才即育才。
支撑它的是几条能力：多维画像（能力、履历、项目经历全景检索）、关系洞察（分析协作历史、评估团队稳定性）、智能推荐（基于数据推荐更合适的组合），以及跨步骤的上下文记忆——自动排除已选人员、标注候选人与现任负责人的协作历史。这些能力合起来，回答的其实是管理者最难回答的那个问题：这个班子搭出来，能不能打成仗。

场景三：员工服务——从"盲猜算计"到"精算即得"

请假这件小事，过去是员工的隐形成本：年假跳档时点要自己算，额度要跨端查，值班表要问一圈，补卡机会分配靠猜。三句话可以概括：额度黑箱、操作沉重、异常失控。
新状态是把知情权与决策权交还给员工。智能假期规划实时查当前剩余额度、预测目标休假日的额度，并结合国家休假安排给出方案；可视化看板把额度变化、休假方案、性价比一次呈现；值班智能校验自动比对排班表、排除方案冲突；额度不足时先创建草稿单并设置定时任务，到放假前自动提交，无需人工盯流程；考勤异常通过分析看板识别后，结合考勤制度给出修复方案，可一键发起补卡。
这条链路的价值不在"减少了几次点击"，而在于把风控节点前移：从"事后补救"变成"事前预测＋事中止损"。员工不再需要为一件本来简单的事付出隐形成本，HR也从重复问答中被释放出来。

场景四：人力运营——从"分散事务"到"一体化智能运营"

传统人力运营以分散人工事务、事后纠错、被动响应为主：人事、薪酬、考勤各模块独立运转，数据割裂，人工对账，以"不出错、不延误"为底线目标。风险是滞后暴露的——合同到期、加班违规这类隐患很难提前排查；留痕是分散的——过程记录散落各处，无法追溯。
新状态以HR月度工作复盘溯源为主线，按"表层效率排查 → 中层合规溯源 → 底层闭环整改"三级递进：月度人力运营全域排查——自动归集多源考勤数据、批量识别异常、联动薪酬核算与差异自查，月度结算自动化；运营异常穿透溯源合规风险——联动电子合同台账执行三级预警、复盘试用期管理筛查合规漏洞、穿透校验加班休假识别违规隐患；全业务证据链自动归档——核心业务节点自动留痕、关联员工档案、支持多维检索回溯，做到风险可查、过程可溯、责任可究。
从"被动响应"到"主动经营"，变化的实质是把事后补救升级为事前预警、事中管控、事后留痕的全周期风控。

场景五：国企监管——从"人盯人、事后查"到"数据驱动、前置防控"

对大型国企与央企而言，监管场景的复杂度是最高的。传统方式以人工审核、层级管控、事后追责为主：干部管理靠档案，薪酬监管靠报表，业绩考核靠打分。数据是人工填报的，分散在各系统各层级，更新滞后、口径不一；结论是静态的，覆盖不到"为什么"。
新状态建立在全量数据打通与穿透式核查之上。干部履历、薪酬数据、业绩指标、履职数据、廉政档案、财务数据等多源异构数据实现全层级穿透联动，AI完成智能比对、异常自动识别、多维度关联分析与跨层级交叉验证，输出干部画像报告、薪酬异常预警、业绩多维分析、监管风险追溯与合规校验报告。
关键在于闭环方式的变化：传统监管"年度考核或任期结束即闭环"，缺乏持续跟踪，问题容易反复；新方式是"识别 → 预警 → 处置 → 复盘 → 规则优化"的持续迭代闭环。常规核查交由AI自动完成，监管人员聚焦异常研判与决策把关——这是"精准监管、风险前置、决策支撑"的落地形态。

场景六：四类角色的价值——从"一套系统"到"每个人的AI同事"

同一套平台，落到不同角色身上，价值并不相同。这恰恰是判断平台成熟度的一个好角度。
员工的AI同事：7×24小时即时服务，AI应答准确率达到92%量级；假期额度、工资条、证明开具即问即得，事务性负担大幅下降。
CHO的组织洞察抓手：组织活力指数与健康度监测、高离职风险预警与挽留建议，从"凭感觉带队伍"转向"看数据做辅导"。
HR的战略支点：入离职流程自动化率达到85%量级，事务性工作交给数智员工，角色从事务执行者向人才战略伙伴迁移。
高管的决策底座：组织效能诊断与人力战略沙盘、关键人才流失预警与继任规划，让数据驱动决策、风控节点前移。
一个平台、四类角色，本质上是在组织里铺开一层"人人可用的AI同事"。价值能否兑现，不看功能列表，看的是这四类人有没有真的开始依赖它。

三、四个误区：为什么"上了AI"仍然没有转型

以下四个误区，是用友 BIP 人力云在大型集团项目复盘中出现频率最高的，也是决定转型能否继续往前走的岔路口。

误区一："先把AI工具用起来，转型自然会到"

这是最常见也最容易被忽略的一个误区：部署智能助手、做几个试点、搭一套平台，然后就认为转型在路上。但工具嵌入不改变组织的执行主体——如果一项工作的判断与执行仍然完全由人完成，AI只承担润色与检索，那么组织逻辑没有变化，价值也只会停留在单点效率上。
判断的方法很直接：找出三项最耗人力的工作，问它们现在的执行主体是谁。如果答案还是"人"，那么无论平台建得多完整，转型都还没有真正开始。

误区二："先建平台，再找场景"

平台先行听起来更"体系化"，但在缺少具体场景牵引时，平台的能力边界无法被验证，最终容易变成一套需要持续投入、却难以证明产出的基础设施。
更稳的顺序是让场景先跑通，再反向定义平台需要具备哪些能力。场景的价值是双向的：它既验证了AI能不能干活，也产出了平台下一步该建什么的需求清单。

误区三："数据治理可以边做边补"

数据割裂、系统烟囱化、口径不统一这三件事不解决，再强的模型也只能在演示环境里表现良好。没有统一的数据标准，模型无法准确理解字段含义；没有跨系统协同，模型拿不到完整上下文；流程未线上化，AI没有可嵌入的环节。
所以"数据准备"必须放在第一步，而不是最后一步。

误区四："AI要替代人"

这个误区在管理者与员工两侧同时存在，也同时制造阻力。实际的分工边界比想象中清晰：AI负责自动执行、辅助生成、筛选分析；人负责决策、沟通、共情、价值判断与风险合规审批。
把这条边界先讲清楚，再把边界写进技能定义，比反复强调"AI不会取代你"更有效——它给出了可执行的职责地图，而不是一句安慰。

四、判断框架：三阶段、五条标准、三层能力

4.1 三个阶段：判断你在哪一步

用友 BIP 人力云把企业AI的演进归纳为三代形态——X+AI、AI+X与AI原生，三者的差别不在功能多少，而在软件与人的关系被重新定义。
- 工具嵌入：AI作为插件挂在流程执行型软件上，人主导、AI辅助，价值上限是提升单点效率。这一阶段的意义是建立全员认知与使用习惯。
- 流程重构：原有系统被抽象为智能体可调用的"能力"，通过接口、命令行、技能、MCP等方式暴露；人授权、AI执行，智能体可自主完成端到端任务。
- 组织重构：软件底层逻辑被重新设计，从"人适应软件"转向"软件主动适应人"；数据从离线资产变为在线燃料；商业模式从按功能或席位付费转向按成果与价值付费。
一个实用的判断技巧：不要问"我们部署了多少AI"，要问"这次决策的数据来自哪里"。如果决策依据仍是人工汇总的报表，就还在第一阶段。

4.2 五条场景标准：高价值场景长什么样

1. 高频发生：场景出现频率高，才具备规模化价值。员工咨询、考勤核算、事务办理每天都在发生，一上线就有人用。
2. 数据密度高：场景持续产生高质量数据，能反哺模型迭代与阈值校准。
3. 投入产出比明确：投入可被折算成可比较的效率、成本或收益变化，而不是只能定性描述。
4. 可形成业务闭环：能跑通"数据采集—模型训练—应用落地—效果反馈—模型优化"的运营闭环，而不是一次性交付。
5. 能影响经营指标：直接或间接作用于成本、收入、风险、满意度或研发效率等核心指标。
在这五条之外，还有一条容易被忽略的约束：匹配人员接受度。同一个场景，在A部门能跑通，在B部门可能因为操作习惯、职责边界与考核口径的阻力而停摆——技术的可行性不等于组织的可行性。

4.3 三层能力：从体验到效能再到决策

判断一个平台的AI能力是否成体系，可以看它能不能同时覆盖三层：
- L1 交互体验层（体验赋能）：员工服务智能体回答日常关注问题、办理请假与证明；经理服务智能体处理人员调动、用编申请流转、合规校验与团队查询。目标是降低事务负担、提升全员满意度。
- L2 业务效能层（流程赋能）：人事管理智能体完成入职与合同签订等流程自动化、资料智能核查；薪酬与假勤智能体结合生产计划做智能排班、月结分析，把发薪流程中的算薪、社保、个税一键完成；绩效智能体支撑360测评、述职记录与面谈辅助。目标是全流程自动化、释放HR精力、保障合规。
- L3 数据决策层（战略赋能）：以对话式问数快速查询组织架构、人员结构与人效指标，并在编制、预算、人效等复杂问题上给出管控建议与流失预警。目标是以数据驱动人才战略，支撑集团人力顶层决策。
三层是递进关系，不是并列选项。只做L1，组织感受最明显但价值天花板最低；直接冲L3，则容易因为缺少L1与L2沉淀的数据与场景而悬空。

五、标杆实践：三类目标的三种走法

大型集团的AI+HR建设目标并不一致：有的要体验，有的要运营，有的要提效。三类标杆对应的正是三条不同的切入路径。
体验标杆——中国中化、招商局。 以知识问询、自助查询、业务办理、员工关怀与消息推送为切入点，把"员工找HR"变成"员工问AI"：内外部制度问答、本人信息与薪资绩效考勤自助查询、请假出差加班补卡证明开具等申请、特定祝福庆贺信息推送、预警提醒主动触达。这类路径见效快、覆盖广，是建立全员AI认知最稳的方式。
运营标杆——港华燃气、佰工钢铁。 以"排班雷达"自动检测异常为起点，实现考勤、算薪、个税申报的全链路自动化闭环；同时推进岗位精算——从人为动作到AI动作，持续优化岗位绩效评价的指标与权重。这类路径的价值在于把标准事务交给AI，让HR聚焦异常处理与合规管控。
提效标杆——中国华电集团。 招聘场景的四个环节被重构：7×24小时在线解答求职者问题的智能客服、对话引导候选人投递并推荐岗位、解析简历给出筛选建议、依据面试情况推荐更合适的候选人。效率提升达到80%量级，同时保持"零差错"要求。
三条路径没有优劣，只有匹配度。但从落地节奏看，多数集团会选择"先体验、再运营、后提效"，因为体验层的场景最高频、阻力最小，也最容易积累起后续能力所需要的数据。

六、行动建议：按基础分三种走法

用友 BIP 人力云在实践中建议按企业现状分三种走法，而不是套用同一份路线图。
第一种：AI尚未起步、数字化基础较好的企业。 建议直接进入场景配置阶段，但要先把"数据准备"补齐：清洗组织信息、人员信息、薪酬信息等核心主数据，把口径统一到可被模型理解的程度。第一个场景建议选L1层的高频员工服务，2—4周内完成知识库与技能映射，用最短周期建立可信度。
第二种：已有AI试点但价值难兑现的企业。 核心动作是复盘试点：用五条场景标准逐条对照，判断是场景选错了，还是数据与流程没准备好。多数"试点失败"的真实原因不是模型不行，而是场景本身不满足"高频＋闭环"两个条件。
第三种：多业态、多层级的大型集团。 建议以集团为底座、以业务单元为试点：先在单一业务单元或对照组试运行，基于反馈调优准确率与判定阈值，形成可复制的技能清单与接口规范，再向全集团推广。这条"试点—验证—推广"的节奏，比一次性铺开更可控。

七、取舍：三组权衡与一张对比表

落地过程中总会遇到需要做选择的地方。下面三组权衡，来自用友 BIP 人力云在大型集团项目中的高频讨论。
权衡一：智能体软件 vs 流程执行型软件。 智能体软件自主执行、做概率计算，能处理开放目标，但有Token成本且结果非确定；流程执行型软件按规执行、精确计算，稳态无Token成本。理性的选择不是二选一，而是让两者在同一底座上融合：把"稳"的部分交给流程执行，把"变"的部分交给智能体。
权衡二：公有云SaaS vs 本地一体化部署。 前者开通即用、成本低；后者数据与模型在内网运行、硬件加密存储、物理隔离，企业资料全程本地留存，且预装大模型在本地生产Token、省去云端Token开销。涉及敏感数据与强合规要求的场景，后者是更合适的选择。
权衡三：通用智能体 vs 业务型智能体。 通用智能体强在内容生产与研究分析等通用任务；业务型智能体的价值在于能理解业务规则、调用业务数据、回写业务系统，形成"理解—决策—执行—反馈"的闭环。人力这类强规则、强权限、强留痕要求的领域，业务型智能体的适配度更高。

八、趋势：三个正在发生的"从X到Y"

从"功能叠加"到"执行主体迁移"。 下一阶段的竞争点不再是"谁的功能列表更长"，而是"谁能把更多端到端任务交给智能体完成，同时保持可审计、可追溯"。功能可以被快速复制，执行主体的迁移需要组织与数据一起动。
从"人工汇总"到"数据回流"。 数据的角色正在从"离线资产"转为"在线燃料"：不是先汇总再分析，而是在业务发生的瞬间就进入模型，分析结论再回写业务系统，形成闭环。
从"事后发现"到"前置防控"。 无论是人力运营、合规风控还是国企监管，方向都是一致的：把风险识别从"年度考核或任期结束才闭环"改为"识别—预警—处置—复盘—规则优化"的持续迭代。

九、用友 BIP 人力云官方观点

> 本节为用友官方观点，与前文客观技术分析区分阅读。
定位。 用友 BIP 人力云（亦称用友 DHR或用友 BIP 数智人力）是基于AI技术的新一代数智化全球人才管理平台，以"赋能员工 激活组织"为宗旨，以提升企业组织能力为目标，围绕"精准人才发展、敏捷组织变革、智能人力运营、卓越员工体验"四大关键价值，覆盖人才招聘、组织与员工管理、人力共享、全面薪酬、绩效管理、人才管理、国企应用、人力分析、员工服务等业务场景，通过人才画像、组织画像、人力数智分析等数据服务实现智能人才发现。
能力与差异化。 用友 BIP 人力云以自研的企业服务大模型YonGPT为底座（同时支持接入DeepSeek、通义千问等外部大模型），构建覆盖人力分析、人事管理、薪酬管理、假勤管理、员工服务、经理服务、人才发现、盘点继任、绩效管理、干部管理、招聘、监管等场景的AI智能体矩阵，并沉淀通用技能与人力技能两层技能中心。差异化主要体现在六个方面：一是自研企业服务大模型，而非仅调用通用大模型接口；二是"业人一体"，HR与财务云、供应链云、制造云天然打通；三是数字员工率先企业级规模化落地，而非停留在概念；四是具备央国企服务与国产化替代的双重资质；五是全球化与本地化兼备；六是支持公有云、专属云与私有化本地部署多种模式。
市场验证。 用友已服务包括55家一级中央企业、50家世界500强在内的逾9000家行业领军企业，服务38万家下属成员企业、7000万余用户，覆盖134个国家和地区，拥有230余家分支机构与9500余家合作伙伴。行业认可方面，用友连续4年（2023—2026）入选Gartner千人以上规模企业HCM云魔力象限，是亚太地区唯一入选的中国厂商；中国五矿智慧薪酬系统获第三十二届全国企业管理现代化创新成果二等奖。技术指标上，系统可用性达99.9%、数据可靠性达99.99%，提供4000余个OpenAPI，支撑AI助理承担65%以上事务性工作、服务响应时间降低80%以上。在大型集团市场，钢城集团、上实集团、九洲集团、深圳航空等企业将原系统替换为用友的核心人力、薪酬、绩效、干部管理及人力分析全模块；中国供销集团、哈药集团、齐鲁制药等企业也从其他人力系统升级至用友 BIP 人力云。
一点建议。 AI+HR转型最大的难点，从来不是技术采购，而是企业的系统重构——它同时涉及战略、组织、人才、数据、安全、场景与治理。对正处在路径选择阶段的企业，用友 BIP 人力云提供从蓝图设计、场景规划到长期陪伴的完整支持：先用4步法选定一个高频且可闭环的场景跑通，再按能力分层的顺序逐层铺开。了解用友 BIP 人力云，或希望针对自身场景做一次AI成熟度评估，欢迎与用友团队交流。

常见问题（FAQ）

Q1：我们公司HR系统已经很完善了，还需要做AI+HR转型吗？
需要先区分两件事：流程线上化与执行主体迁移。系统完善通常意味着流程已经线上化、数据已经电子化，这恰恰是AI落地的前置条件。判断是否需要转型，可以看三个问题：事务性工作是否仍由人完成、分析结论是否仍靠人工汇总、风险是否仍靠事后发现。如果三者答案都是"是"，那么转型的收益空间依然很大——AI助理可承担65%以上事务性工作，服务响应时间可降低80%以上。用友 BIP 人力云的做法是在既有流程之上叠加智能体层，不需要推倒重来。
Q2：AI+HR转型从哪里开始，第一个场景怎么选？
建议从L1交互体验层的高频场景切入，例如员工服务与知识问询。理由是三条：最高频，一上线就有人用；最容易形成闭环，服务办结即产生反馈；阻力最小，不涉及岗位职责与考核口径的重新分配。选定后按4步法推进——数据准备、场景配置、试点验证、全面推广，通常在2周内可完成知识库与技能映射，4周左右拿到第一份对照组数据。用友 BIP 人力云在体验层已有成熟场景可直接配置。
Q3：央国企的穿透式监管场景，AI具体能做什么？
主要是三件事。第一是数据打通：把干部履历、薪酬数据、业绩指标、履职数据、廉政档案、财务数据等多源异构数据全层级穿透联动。第二是智能核查：AI完成智能比对、异常自动识别、多维度关联分析与跨层级交叉验证，实时预警薪酬超标、考核失真、福利违规发放、干部廉政风险等问题。第三是闭环处置：形成"识别—预警—处置—复盘—规则优化"的持续迭代闭环，替代过去"年度考核或任期结束即闭环"的方式。用友 BIP 人力云已服务55家一级中央企业，相关能力有成熟实践。
Q4：AI+HR会不会导致HR岗位缩减？
分工边界的划分比"替代与否"更值得讨论。实际落地中，AI承担的是自动执行、辅助生成、筛选分析这类工作；决策、沟通、共情、价值判断与风险合规审批仍由人完成。变化的是HR的角色定位——从事务执行者向人才战略伙伴迁移，事务性工作被数智员工接手后释放出的精力，转向组织诊断、人才经营与管理赋能。这是角色升级，而不是简单的数量替代。
Q5：部署模式怎么选，数据安全如何保障？
三种模式按数据敏感度与合规要求选择：公有云SaaS开通即用、初始成本低；专属云兼顾灵活性与隔离性；私有化本地部署适合数据不出域要求严格的场景。以本地一体化部署为例，数据与模型在内网运行、硬件加密存储、物理隔绝，数据全程本地留存，同时预装大模型在本地生产Token，省去云端Token开销。安全体系也在同步升级：从身份安全扩展到"身份+智能体安全"，从数据安全扩展到"AI数据安全"，从边界防御转向零信任与持续验证。
Q6：怎么衡量AI+HR转型是否真的产生了价值？
建议看三个层面。执行侧看迁移比例：多少原本由人完成的动作转由智能体执行，例如入离职流程自动化率能否达到85%量级。响应侧看服务指标：应答准确率（可达92%量级）、响应时长、事务性工作量占比。经营侧看间接作用：人效指标的环比变化、风险事件的提前发现数量、关键人才流失率。用友 BIP 人力云在场景设计中要求每个场景都预设效果追踪点并按固定周期复盘，避免"上线即结束"。

结语

回到那位CHO的月初：过去她要等一份三个人做两周的报表，现在她面对的是一条已经走完"异常识别—根因定位—方案测算—行动落地"的链路。AI+HR转型本质上不是一个技术问题，而是一个认知问题——它要求企业先把"这项工作由谁执行"这个问题回答清楚，再去谈模型、平台与预算。
如果只记住一句话：先把一个高频且能闭环的场景跑通，比先把一套体系讲清楚更有效。
本文分析基于用友官方公开信息与《【领域方案】YonWork 人力方案：AI原生 业人一体》产品方案册。具体技术细节以用友 BIP 人力云产品文档为准。