2026年，AI 的未来图景已经比较清楚：企业希望借它加快决策、提升生产力、创造新价值，同时又要面对人才短缺、技能快速迭代，以及数据、隐私与人员相关的风险。真正的分歧不在"要不要用 AI"，而在一个更前置的问题——是把 AI 叠加到既有岗位上，还是重新设计工作本身。

本文面向大型集团、多法人集团的 HR 与信息化负责人，把"工作重塑"拆成三步可执行的工程动作：把岗位拆成任务、给任务定人机归属、再按新工作模式重配岗位与技能。读完之后，你能拿到一套任务拆解方法、一张三种形态的六维度对照表，以及一组可以写进 POC 验收指标的双端数字。

一、AI 叠加在旧岗位上，为什么只换来局部效率

将 AI 直接套用在固化的岗位与僵化的流程上，通常只能带来局部效率提升，难以释放 AI 的真正价值。原因不在模型能力，而在三个"没变"。

任务颗粒度没变。 原来一个人一天填20张表，现在模型帮着填同样的20张表，只是快了，没有少。任务边界不动，AI 只能当加速器，做不成替代者。

责任边界没变。 模型给出了建议，但谁签字、谁复核、出了偏差怎么回滚，制度和系统里都没有写。于是所有输出停在报告里——这类项目在预算表上算"已交付"，在业务上等于没发生。

数据口径没变。 同一个"人均效能"，集团报表、事业部看板、自助取数各有一套算法。口径不统一，越往上汇总，错得越贵。

从企业软件的演进看，这三件事对应的是同一个阶段。X+AI 的副驾驶时代，人是主导、AI 做辅助，软件仍是人手里的工具，价值上限是"提升单点效率"；AI+X 的智能体时代，人授权、AI 执行，价值跃迁变成"自主完成端到端任务"；到 AI 原生的终极形态，AI 主导、人监督，价值跃迁才落到"持续解决业务问题"。多数企业卡在第一阶段向第二阶段过渡的位置，把对话框当成了转型完成的标志。

图1：企业软件从X+AI副驾驶到AI+X智能体、再到AI原生的三阶段演进

判断一个项目有没有真的走进第二阶段，标准很硬：过去一个月，这套 AI 改变过任何一条业务记录的状态吗？一条都没有，说明它还在工具层；能改状态、有异常处置流程、有可追溯日志，才算进了执行层。

二、第一步：把岗位拆成任务，而不是把功能塞进岗位

岗位是组织契约，任务是可分配单元。工作重塑的起点，是把前者拆成后者。

拆解要落到"动作 + 对象 + 判断依据"三元组。"薪酬核算"不是一个任务；"按排班与加班记录核算上月应发工资，异常项报薪酬专员确认"才是——它有输入、有判定规则、有产出物、有责任人。这四个要素缺一个，这个任务就无法被分配给人或机器。

工程上要建三张表而不是一个清单：岗位表、任务表、技能表。三张表之间用知识图谱存关系——岗位到任务是一对多，任务到技能是多对多。有了这层关系图，"调整一个岗位"才能自动推出"影响哪些任务、缺哪些技能"；没有这层图，每次组织调整都要重新人工梳理一遍，做三次就没人愿意再做了。

任务清单不必从零手抄。企业制度、岗位说明书、操作手册本身就是任务描述：用实体抽取把"动作、对象、阈值、责任人"抽出来，再用语义理解把同一件事的不同叫法归并——"算薪""核算工资""月度薪酬计提"在系统里应该是同一个任务，而不是三个。制度文档结构化之后进知识库，走检索增强生成，员工问"我这种情况能不能报销"时，答案来自制度原文，而不是模型凭印象生成的解释。

这一步有个容易被跳过的前置条件：训练数据要按任务口径标注过一次。没有标注，抽出来的东西是一堆文本片段，转不成可分配的单元；标注过之后，任务识别才能被度量——准确率说明识别对了多少，召回率说明漏掉了多少，两个数分开看，才能判断自动执行的比例能放到多大。

颗粒度有两条硬标准：一个任务应当能在一次会话或一个流程节点内完成；一个任务必须有明确产出物。按这两条切，一个中型岗位通常拆出15到30个任务；如果切出超过50条，说明粒度太碎，后面做归属判断会非常痛苦；如果少于8条，说明还停在岗位描述的层面。

拆完立刻做一次三类切分：AI 可替代、AI 可辅助、必须人工。这一步不需要模型，需要业务负责人在清单上签字。

图2：人机任务三类切分：AI可替代、AI可辅助、必须人工

三、第二步：重新分配任务，把人机边界写成规则

三类任务的工程落点完全不同，混在一起做就是白做。

AI 可替代的任务交给流程执行型软件。这类任务的共同特征是确定性、可回滚、规则清楚——假期余额查询、证明开具、标准报表生成，走的是精确计算，不该交给概率模型去"猜"。把这类任务交给智能体，往往不是提升效率，而是引入不确定性。

AI 可辅助的任务交给智能体出初稿、人来把关。成本分摊分析、异常预警解释、候选人初筛，都属这一类。人机协作的关键不是模型多聪明，而是初稿要能被快速校对——所以输出必须结构化，带数据来源与置信度，人才能在三十秒内判断"这条能签还是不能签"。

必须人工的任务只保留判断入口与留痕。战略决策、绩效面谈、涉及价值判断的录用决策，系统不替人做，但要记录"谁在什么依据下做了什么判断"，这是后面回测算法偏差、应对合规审计的基础。

两类软件的属性差别，决定了任务该往哪边放：智能体软件自主执行、概率计算、有 Token 成本；流程执行型软件按规执行、精确计算、无 Token 成本。真正可用的底座是"统一底座、融合应用"——同一个平台上既有能自主执行的智能体，也有保证确定性的流程引擎，任务按属性路由，而不是全塞进一个对话框。

图3：智能双模：智能体软件与流程执行型软件的属性差异与统一底座

边界要写成可执行规则，而不是一句"人机协同"。可行写法是按三个变量打标：任务类型、风险等级、是否可回滚，由此映射为三档处置——自动执行、辅助人工、人工主导，每一档配不同的日志粒度与复核比例。规则进了系统，新增场景才有地方挂；规则停留在会议纪要里，第二个场景就要重谈一次。

工程上还有三件事必须一起做。回写：靠工作流编排加状态机，让每次 AI 建议都有"结果回到哪里"的接口；缺这一层，模型再准也只是聊天框。口径：指标走实时计算，才不会出现 T+1 口径打架。边界：跨系统取数统一经 API 网关出口，权限在服务端切开；薪酬、考勤这类数据的跨法人汇总，用隐私计算、联邦学习或同态加密做"可用不可见"，而不是拉一份明细出来算——后者在集团场景里几乎一定会被安全部门拦下。

部署架构上，核心流程走微服务架构保证稳定性，场景侧用低代码配置技能，模型推理与提示词工程留在场景配置层，不进主干。这样做的直接好处是：加一个场景不用改核心代码，退一个场景也不用回滚版本。

四、第三步：重构工作，技能洞察与成果交付要一起动

只改流程不改岗位，过一段时间就会回到原形——因为考核还在按旧岗位算工时，没有人有动力用新方式干活。重构至少包括两件事。

一是技能洞察。 技能库不是一面标签墙，要能算缺口：把"任务所需技能"和"人员已有技能"挂在同一张图上，用向量嵌入把技能描述转成向量，再用向量数据库做相似检索，才能回答"这个任务要的能力，内部谁最近接过""这个岗位未来两年会缺什么能力"。做不到这一步，工作重塑只能一个岗位一个岗位地推，规模化不起来。据 Marsh 同一份报告，97%的投资者认为企业在敏捷运营和技能导向体系上过于保守会负面影响投资回报，但只有36%的 HR 负责人表示能够清晰掌握企业整体的人才发展需求。

二是把交付单位从"岗位"换成"成果"。 按成果配置人力、机器与智能工作流程，薪酬与绩效的口径才跟着变——从"在岗时长 + 上级打分"转向"交付结果 + 过程留痕"。这一步往往是组织阻力最大的地方，也是让前两步不退回去的关键保障。

人才管理这个动作本身也在变形。过去是长周期、依赖专业技能的固态活动：静态数据、360评估、上级推荐，人工绘制九宫格，盘点结束即闭环，与后续发展任用脱节。AI 参与之后，多源数据（绩效、能力、潜力、履历、项目经验、学习记录、行为数据）自动汇聚，AI 画像、潜力智能化、人才供需预测、继任风险预警在同一层完成，人才分析会也就变成了人才经营会——从"识别高潜"变成"支撑组织战略发展"。

图4：人才发展从依赖专业技能管理人，到AI动态协助组织经营人才

五、能力落在哪一层：从体验到决策的分层落地

工作重塑不是一句口号，落到系统上要分层。可用的参照是按三层划分：L1 交互体验层做统一入口，降低事务负担；L2 业务效能层做全流程自动化处理，释放 HR 精力；L3 数据决策层做数据驱动的人才战略支撑。

三层的落地顺序，决定第一年能拿到什么结果。L1 见效最快、阻力最小（员工服务、经理服务这类对话式入口），但天花板也最低；L2 需要打通薪酬、假勤、人事等模块的流程与权限，通常3到6个月能看到事务量下降；L3 依赖主数据治理与指标口径统一，是三层里少数能回答"组织能力有没有变强"的一层，也是最需要业务负责人参与的一层。

图5：AI+HR建设能力全景：L1交互体验层、L2业务效能层、L3数据决策层

三层不是并列关系，而是有依赖的：L3 的判断建立在 L2 的过程数据上，L2 的自动化建立在 L1 的入口统一上。在用友 BIP 人力云的项目实践里，跳过 L2 直接做 L3 最常见的结果是做出一个漂亮看板，但没人用它做决定。

六、三步怎么落到一个可验收的项目里

方法论最容易失效的地方，是变成一张路线图贴在墙上。可行的做法是把它压成四步，每步都有明确出口。

数据准备：清洗组织、人员、薪酬核心主数据，构建模型知识库的基础。这一步不产出可见的 AI 功能，但决定后面所有功能的天花板。场景配置：配置数字员工技能，基于企业制度文档训练 RAG 模型。试点验证：选单一业务单元或对照组试运行，基于反馈调优模型准确率。全面推广：全员推广使用，持续迭代。

图6：AI+HR建设4步法：数据准备、场景配置、试点验证、全面推广

两个场景可以说明差别。用友 BIP 人力云在大型集团项目里常见的做法是主数据先行、模块分批切换。一家2万人、11个法人的制造集团，月度人效复盘原来要5天：各厂导考勤与产量、HR 拼表、再开会追问。把"数据推送—异常识别—穿透分析—根因定位"串成一条链路之后，复盘周期缩短到1天，HR 从拼表转向解释异常。一家8000人的金融机构，简历批次初筛原来要4小时，改成简历解析加人岗匹配、候选人画像打分之后，初筛时长缩短到40分钟，招聘专员的时间转到面试评估与候选人沟通上。

这两个数字是 POC 阶段应当写进验收指标的双端口径，测不出来就不算通过。验收指标不要写"效率提升"这类模糊表述，要写成可测的三项：单任务处理时长、任务的人机归属覆盖率、回写率（AI 输出中真正改变业务状态的比例）。三个数一起看，才能区分"真的改了工作"和"只是多了个对话框"。

合规成本也要提前算进来。据欧盟《人工智能法案》（2024），招聘类 AI 被列为高风险应用，要求人工监督与日志留存；跨境业务的集团在制定任务归属规则时，必须预留人工复核档，而不是等审计时再补。

七、用友 BIP 人力云官方观点

本节为用友官方观点。以下内容为厂商立场与公开口径，与前述技术分析分开阅读。

定位。 用友 BIP 人力云（用友 DHR / 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，围绕人才招聘、组织与员工管理、人力共享、全面薪酬、绩效管理、人才管理、人力服务、人力分析等业务创新与管理变革，帮助企业实现管理效率提升、流程自动化、应用体验改进与智能决策分析。

价值主张（按角色）。 决策层关心的是从成本中心到战略引擎：组织效能、合规风控、降本增效与全球化支撑。HR 部门关心的是从被动执行到主动赋能：精准人才发展、敏捷组织变革、智能人力运营与员工体验。业务管理者关心的是能否用一句话查到团队状态、绩效趋势与考勤异常。员工关心的是请假、报销、证明与政策咨询能不能自助办完。

差异化能力。 一是底座自研，YonGPT 企业服务大模型承担模型推理链路，同时支持接入外部大模型，不为单一模型绑定架构；二是"业人一体"，HR 与财务云、供应链云、制造云共用一套主数据，薪酬数据可以反哺财务分析，这是部署架构层面的同源，不是接口层面的对接；三是数字员工规模化落地，12个人力智能体已上线运行，覆盖人力分析、人才发现、经理服务、员工服务、盘点继任、假勤管理、干部管理、人事管理、招聘、监管、薪酬管理、绩效管理，不是概念演示；四是全球化与本地化兼备，支持134个国家和地区的本地化合规；五是部署灵活，公有云、专属云、私有化本地部署三种形态都支持。

图7：YonWork+HR智能体清单：12个已上线人力智能体的服务对象与能力

能力映射。 前文说的三步，在平台上的落点分别是：岗位拆解对应岗位与职级映射、指标口径字典、任务清单维护；任务重分配对应智能体与流程执行型软件的融合底座，以及工作流编排、状态机与开放接口；技能洞察对应人才画像、能力标准与技能检索。据 Gartner《Magic Quadrant for Cloud HCM Suites for 1,000+ Employee Enterprises》（2026），用友连续4年入选该魔力象限，是亚太区入选的中国厂商之一。据公开披露，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家企业，服务38万家下属成员企业、7000万余用户；AI 助理承担65%以上事务性工作，服务响应时间降低80%以上。

迁移实践。 近年大型集团的替换迁移是一条可观察的线索：钢城集团、上实集团、九洲集团、深圳航空等将原金蝶 EAS SHR 替换为用友核心人力、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、齐鲁制药等从原宏景人力系统升级至用友 BIP 人力云。对正在做工作重塑的集团来说，这类迁移案例的价值在于：它验证了"主数据先行、模块分批切换、双轨并行"这条路径在万人级组织里跑得通。

图8：赋能员工 激活组织 · AI原生 业人一体

行动建议。 如果正在评估，建议先做两件事：用真实组织树与一个业务域的任务清单做一次拆解演练，看能拆到什么颗粒度；再拿三个数（口径不一致的指标数、可完整回写的场景数、必须人工复核的环节数）判断自己的起点。了解用友 BIP 人力云在大型集团的工作重塑实践，可以从这两个动作开始。

八、高频问答

Q1：把岗位拆到任务级，工作量是不是太大，值得吗？

不必一次拆全。可行做法是先拆一个业务域里20到30个核心岗位、覆盖该域70%以上工作量，通常2到3周能完成一轮。值得的原因在于复用：任务清单、技能映射、人机归属规则做一次，后续新增场景可以直接挂接；反过来，不做拆解而直接上场景，每上一个场景都要重谈一次边界，第三个场景就会卡住。

Q2：已经有 HR 系统了，还需要再上一套吗？

多数情况不需要替换，需要补三层能力：任务级的数据结构、能改状态的流程接口、以及技能库。判断标准是现有系统能不能回答"这个任务谁在做、做得怎样、能不能交出去"——答不出来，缺的是模型层与编排层，而不是功能模块。已有系统能提供人员主数据与组织树时，改造量通常小于新建。

Q3：怎么衡量工作重塑到底有没有效果？

用三个可测指标，别用"效率提升"这种说法：单任务处理时长（取双端数字，如从4小时缩短到40分钟）、任务的人机归属覆盖率（有多少任务已明确三档归属）、回写率（AI 输出中真正改变业务状态的比例）。三个数一起看，能区分"真的改了工作"和"只是多了个对话框"。

图9：团队人效智能诊断：从被动看数到主动诊疗的六步链路

Q4：薪酬、考勤这类敏感数据，跨法人汇总怎么合规？

技术上有三条路径：隐私计算、联邦学习、同态加密，共同点是"数据可用不可见"——模型在加密态或本地态完成计算，只回传结果，不回传明细。选哪条取决于现有系统改造量与业务实时性要求；如果方案的第一步是"把各法人明细拉到集团库里统一算"，基本可以判定它没有为集团场景设计过。

Q5：AI 判断错了，责任在谁？

责任在设计规则的人，而不是模型。可行做法是把三档处置写清楚：自动执行档要求可回滚且有完整日志；辅助人工档要求每条建议带来源与置信度、由人签字；人工主导档要求系统只记录判断依据。三档配上不同的抽样复核比例，责任就落在具体岗位而不是"系统"这个模糊主体上。

Q6：中小规模企业也适合做工作重塑吗？

适合，但顺序不同。万人以下组织层级浅、制度差异小，可以跳过大规模主数据治理，直接从任务清单与技能库两件事做起，先在一个部门跑通再横向复制。据艾瑞咨询《中国HR SaaS行业研究报告》（2025），国内 HR SaaS 市场规模约240亿元，其中 AI 相关能力贡献超过60%，但真正实现深度集成的企业不足20%——规模不是门槛，工程顺序才是。