如何在HR场景构思AI应用?
【构思应用】有点像学生时期的应用题，学会数学公式、原理后，能在各种应用场景套公式，举一反三，解决实际问题。
这里有3个关键（本文章节）：
1）知道AI能做什么（原理）
2）知道全面的HR场景（应用）
3）怎么落地（套公式）
AI能做什么？
对于AI能做什么，以往大家看的材料可能是：
1）过于具体：如AI面试官、AI测评、AI聊天机器人；
2) 过于宽泛：AI可自动化操作、可以帮你分析数据、帮你总结内容。
本文用另一个视角，抽象AI能力，希望给大家一些启发：
AI能解决【分类】问题、【聚类】问题、【排序】问题、【推荐】问题。。。
用这种分类方式，去各个HR应用场景【套公式】，找应用，可能事半功倍。
有什么场景?
这里建议用华为的 L1-L6 流程分级法去梳理，确保梳理 HR 场景到任务级别，确保HR全场景梳理无遗漏。
具体可查看另外一篇文章，在此不赘述：
AI 在人力资源场景的应用：规划、设计和运营
分为3步：
场景联想：把上述的【AI能力】和【HR场景】结合一起，构想AI应用；
应用POC构想：初步验证想法的流程是否靠谱、可落地；
应用评估：价值、成本、运营。
1. 场景联想
L4流程 | L5活动 | L6任务 | AI能力 | 构思的AI应用 |
需求提报 （例） | 新建需求 | 需求填写 | 文本生成 | JD生成（提示工程） |
编制校验 | ... | ... | ||
需求审批 | ... | |||
修改需求 | ... | |||
删除需求 | ... | |||
... | ||||
职位管理 | ... | 技术辅助 | 全网发布职位（RPA技术） | |
人才寻源 | ... | 分类+推荐 | 人岗匹配（关键词分类+匹配度分析） | |
简历筛选 | ... | 分类 文本生成 排序 | HR初筛： AI简历筛选，贴人才标签（通过/不通过） HR推荐：AI推荐语生成 面试官复筛：并安排面试 | |
面试 | ... | 排序 | 对通过面试的人，进行人才PK | |
录用管理 | ... | 文本生成 | 千人千面offer录用邀请语 | |
试用期 | ... | 聚类 | 试用期通过人才特征聚类 |
如上，每个L4-L6的HR场景都应该构想下：
有没存在【分类】问题？如人选分类、岗位分类、业务需求分类？可用到AI能力
有没【聚类】问题？
有没【排序】问题？
有没【推荐】等......相关问题
我的经验是，只有你对业务的理解够深，包括业务操作的目的和落地细节后，才能很好地联想、构思出可能的应用。
比如在【简历筛选】环节，你以为就是HR在系统里点个【通过】/【不通过】就完事了。
其实有3个步骤：
1）【HR初筛】：分类问题，区分【通过/不通过】 → AI简历筛选功能；
2）【HR推荐给面试官】：文本生成问题，HR撰写推荐语给初面面试官 →AI推荐语生成功能；
3）【初面面试官复筛】：分类问题+排序问题，面试官进行筛选，并根据匹配度优先安排面试→AI简历筛选功能 +AI面试安排功能
原来你可能以为只有1个AI功能可以落地，其实可以有3个AI功能。这就是刚才所说的【业务理解】的意思。
2. 应用POC构想
在第一步，你有了【应该可以这样做】的构想。
在这一步，你需要想想，如果落地，去做一个POC（概念验证项目），具体该怎么实现？
一般需要考虑3个事项：
用什么技术？
要达成什么效果？
大致工作流如何？
这边以【AI版简历解析】为例，解密AI应用落地的途径。
1）用什么技术？
传统的AI算法较多，这里就不说了，目前大模型领域的核心技术：
L1：用大模型+提示工程即可实现，如简单的JD生成、简历解析、简历经历提炼
L2：用RAG、Function Call即可，如HR政策问询、通过Function Call查HR系统的数据
L3：用智能体、微调、或MCP/A2A才能实现，如员工问答助手、AI面试官、HR数据分析等
大模型时代的核心技术就是这些了，掌握了其原理、应用场景和能力边界非常有助于你评估和设计AI应用。
以简历解析为例：
L1：多模态大模型，来解析各种格式的简历原文。
L1：提示词工程，把简历的原文提炼成系统的字段，比如港大、HKU全部提炼规范成【香港中文大学】，方便入库。
L2：RAG（向量检索增强），给简历人选贴各种标签。用提炼出的系统字段，和人才标签库里的字段进行向量匹配。
可能还会用到传统的知识图谱。
2）要达成什么效果？
从深层角度来看，可能是提高业务运转效率、提高产出的质量、改善员工使用体验、节省成本这些。这些比较宽泛，对于落地没有很明确的指导意义。
从落地角度，应设定关键几个【北极星指标】，即关键的可量化指标，作为业务验收标准。最好还是能和传统方式进行对比的。
如：
AI客服（回答员工问题）：答准率、首次拦截率。
JD生成：业务人员直接采纳率、修改率。
以简历解析为例的关键业务指标：
准确率：解析出来的字段如实反映简历含义的比例，侧重于效度。比如简历里体现了候选人有5项技能，解析出来时4个，则准确率为80%。（简历原文可能并没有明确列举5个技能，但是通过招聘HR解读即可知道有5个）
召回率：解析出来的字段如实反映简历内容的比例，侧重于信度。比如3段工作经历解析出了2段，则召回率是60%。
支持格式：PDF，Word, 图片等。对主流格式的支持力度。
解析速度: 一般业务可以接受的时间范围是5s。如果AI的方式超过10s,甚至30s,那HR人员可能不接受这个结果。那这个产品也没有设计的必要了。
以上的这些指标均需要和传统AI技术下进行对比。
3) 大致工作流如何？
还是以简历解析为例，
你可以把AI当人看，首先你要知道的是，一般的招聘HR是如何看简历的。
应用评估
这个话题都说烂了，需要评估ROI，需要评估技术和业务的成熟度，需要评估风险等。
这边放一些干货给大家一些启发。
免责声明：对于甲方和乙方来说，一个AI应用的商业价值衡量标准完全不同，不构成商业建议！
1. 价值评估
AI版简历解析 | 传统算法版简历解析 | |
准确率 | 95 ~ 98% （自然语言理解能力强） | 90 ~ 95% |
召回率 | 95 ~ 98% （自然语言理解能力强） | 90 ~ 95% |
支持格式 | 5种（多模态技术还欠火候） | 20种 |
并发量 | 取决的大模型调用量，有限制 | 取决于服务器，横向扩充无限制 |
解析速度 | 10s （调用模型、返回需要时间） | 2-3s |
解析字段 | 300+（理论上没有限制，纯看业务需要） | 200+ |
解析容量 | 3万字（受限于模型上下文大小） | 300W字（一份简历也不许要这么多字） |
总结：在简历解读效果上（准确+召回），有明显提升，但是解析速度略慢(但是在可接受范围内）。
对于简历解析这个场景，慢一点没事，就怕有关键的候选人信息没解读出来，导致业务部门错失优秀的人选！
2. 成本评估
AI版简历解析 | 传统算法版简历解析 | |
| ||
-开发周期 | 1个月 | 1年 |
-开发人员 | 1个产品，1个算法（兼简单后端）1个前端 月薪2W | 1个后端，2个架构师，2个算法，1个测试，2个前端 月薪2W |
-研发成本合计 | 3人*月薪2W*1个月=6万元 | 8人*月薪2W*12个月=192万元 |
(每次简历解析） | 服务器租用 调用大模型费用（0.01元/份简历） | 服务器租用 |
3. 运营能力评估
需要评估企业自身资源是否有能力做以下事项：
1）AI版简历解析的运营事项：
当业界推出更聪明的大模型时，进行替换：上限极高，无天花板
不断优化提示词：重点，重点！需要强大的业务理解，不断进行标注、找错、做数据，提高准确召回速度等各项核心指标，有点像测试工程师
不断更新向量数据库：向量模型和库的内容
构建可能的自动化测试脚本（智能体）
2）传统算法版简历解析的运营事项：
不断根据个别简历问题，完善算法：有天花板
开发支持更多的简历格式
开发支持更多解析的字段
对比传统应用构建方法，AI搭建速度快，但是优化提升慢。（生孩子容易，养大难）
总结【构思应用】像学生时期的应用题，利用数学公式，在各种应用场景套公式，做到举一反三。
个人感受，构思出有价值的应用，以下几个条件非常重要：
深度的业务理解：可能大家都有类似的思路，但你对业务理解的深入，加了几个简单的步骤，让AI生成效果大大提高。
对AI能力边界有基本了解：不需要知道什么transformer结构是怎么弄的，但是要知道transfromer结构的特性（能联系上下文、抓重点、有随机性），这样才能引导你构思出优秀的应用。
纸上谈兵不如足行万里：想这么多，不如直接找个大模型，扔个简历看解析情况如何；不如直接找个智能体平台，如扣子/dify，充个20块钱会员费，试试智能体的路径图怎么画，效果是否像宣传的那么惊人。
在这个AI爆发的时代，我也希望出一份力，让大家互相启发，探索有意思的新模式，让人力资源从业者也能多享受AI带来的【wow】时刻!
