3月21日【中企出海闭门会】深圳站启动点击图片查看活动详情👇

2月22日，首期「DHR负责人闭门会」在北京圆满举办。活动当天，DHR公会联合创始人兼HR数智化专家王崇良老师，以“当AI遇见HR”为主题，进行了精彩的实践分享。以下内容整理自活动当天嘉宾的精彩分享。

ChatGPT还没弄明白

DeepSeek又来了，怎么办？

目前很多人，包括一些业务部门，可能还没太搞清楚信息化和数字化之间的区别呢，结果新技术层出不穷，比如前两年的ChatGPT，对大家造成了不小的冲击。许多人还没完全理解，现在就又出现了DeepSeek。面对这种情况，我们该如何应对呢？

今天，我想和大家分享一个观点：如何在变化中保持不变。任何事物都有其第一性原理，只要抓住其本质，就会相对容易地在变化中快速找到解决方案，而不是茫然失措。

我认为，人力资源技术演变的核心可以归结为两点：流程智能化和决策智能化。

1.流程智能化

这是日常运营的基础，打通流程是关键，效率提升是目标。许多企业的系统在不同阶段陆续建设，往往像“烟囱”一样彼此孤立。因此，我们需要思考如何更好地实现流程之间的重塑与协同。

2.决策智能化

这是更高一层次的目标，我们在工作中面临四个关键角色：高管、经理、员工和人力资源。每个角色的需求各不相同：

• 高管关注战略和目标，看大势；
• 经理作为执行者，需要一个高效的工具，方便指挥作战；
• 员工关心自身能享受到哪些服务、福利；
• 人力资源则需思考如何更好地支持业务团队和员工关怀。

这四个角色的需求决定了我们在流程和决策智能化上的方案选择。

无论是之前ChatGPT，还是DeepSeek，这些新技术虽然带来了冲击，但其核心理念并未改变。

DeepSeek作为一种AI技术，是大模型的演进升级。就像我们从档案信息化管理，到六大模块数字化，每一步都是渐进的过程。

十年前，我在百度开始探索大数据，随着团队规模的扩大，大家开始关注AI应用。当时，只有拥有资源和资金的大企业才有能力去“玩”AI的开发。

但如今，像DeepSeek的出现，让AI技术使用平权化，降低了使用者的门槛；因为开源，只要你想使用，无论是个人还是企业都能够参与其中。此外，享受这些技术红利的同时，企业也在“喂数据”反刍到大模型。

面对新技术，我们应该如何应对？是推倒重来，还是在现有基础上逐步优化？对于新兴企业来说，它们可以直接进入数字化甚至智能化阶段，因为没有旧系统的历史包袱。

然而，对于大多数企业而言，过去的系统可能成为负担。在这种情况下，我们可以通过逐步迭代优化的方式实现平滑升级，例如先从数据整合开始，再逐步优化系统。

总之，应用场景没有太大变化，只是AI技术使用的门槛降低了。我们需要抓住本质，灵活应对变化。

新技术如何赋能HR管理？

过去，人力资源业务部门的信息量相对较小，大家对数字化的理解也较为有限。

然而，今天有所不同，随着像DeepSeek这样的大模型出现，许多业务人员借助AI工具对数字化的理解甚至超过了我们这些技术人员。

他们可能接触了多种新工具，并能熟练运用。在这种情况下，我们面临的挑战是什么？这是我们接下来要探讨的问题。

（图1）

图1的模型是我2016年总结并一直使用的，尽管现在出现了DeepSeek等新技术，但应用场景并未没有大的变化，只是变得更加丰富细腻。

例如，在“离职预测”方面，过去的预测主要依赖于历史多轮次数据，如薪酬、绩效和调动信息，通过相关性回归分析进行趋势预测。

而现在，DeepSeek能够引入更多细维度的数据分析，对文本信息学习进行自动标注，比如通过文字表达分析情绪波动。尽管这些分析的准确性仍需进一步验证，但至少技术已经具备了这样的能力。

在进行人才画像时，过去我们主要基于人力资源大数据进行相关性分析，而现在，DeepSeek使这一过程趋于透明显性化。

以往我们称这一过程为“黑盒子”，因为业务管理人员无法理解模型输出的结果，例如为何张三的得分为0.95，而李四只有0.55，我们只能解释为模型的输出结果。

如今，DeepSeek正在逐步使这个“黑盒子”趋于透明化，有了可解释性。

在招聘简历的智能推荐中，过去依赖人工标注的方式，比如“担任过项目经理”可能关联4个标签；而现在，DeepSeek能够自动生成10多个标签，极大提升了运算效率。

以往，我们训练模型的方式是将历史数据分为两部分，比如70%用于训练，30%用于验证。而现在，DeepSeek能够准实时处理数据，大大提升了训练、验证、反馈的链条。

总结而言，尽管技术变得更为强大，应用场景也更加丰富，但核心逻辑并未改变。我们需要抓住本质，灵活运用新技术，同时不断验证和优化模型的准确性。

DeepSeek在HR管理中的核心优势

过去，大约十年前，我们的工作方式相对传统，这种模式得到了领导层的认可，因为它体现了一种核心理念。

就像医生在诊断时，普通CT、增强CT和核磁共振等检查手段各有特点，但它们只能提供检查报告，最终的诊断和处方仍需主治医生来决定。

同样，我们过去的模型输出结果也只是概率值，而非最终决策。

如今，随着DeepSeek等技术的出现，效率显著提升，标签体系也更加丰富。尽管结果仍然是一种概率工具，无法完全替代决策者，但已经大幅提高了我们的运营效率。例如，在问答系统中，DeepSeek可以多轮次处理问题，帮用户找到所求。

过去被称为“黑盒子”的人才智能盒子模型，开始演变为“灰盒子”，未来可能会变得更加透明。这是因为大家的学习和交流频率在增加，术语逐渐统一，模型的可解释性也在不断提高。

尤其对高级知识工作者的影响尤为显著。过去，领导可能依赖于你作为智囊，但现在，他们的手机中可能已装有AI助理，能够直接通过语音提问获得答案。

这对我们作为“智库”“参谋”的角色提出了新的挑战。然而，善用工具，会让我们插上飞驰的翅膀。

在人力资源领域，DeepSeek能深化和优化原有的工作基础。例如，在人才画像和人岗匹配等方面，它能够帮助我们更有效地处理数据，建立指标体系和标签体系，这些都是大数据和人工智能的核心要素。

举个例子，过去在招聘中，简历的匹配需要人工标注，例如“担任过项目经理”这一表述可能涉及4个标签。

而现在，DeepSeek能够自动生成10个以上标签，显著提升了工作效率。尽管其准确性仍需不断训练和优化，但其潜力是巨大的。

DeepSeek在HR管理中的应用：潜力与挑战并存

几年前，我在讨论“智慧HR平台”时提到过一个概念：就像美国中央情报局或五角大楼，全球各地的军事基地每天都会源源不断地上传各地信息到“大脑”，并进行训练和分析。如今，DeepSeek使这一构想得以实现。

现在，无论是大企业还是中小企业，大家都在处同一起跑线上——尝试使用这些新技术。

有些企业已经独立部署或接入DeepSeek，而有些企业仍在实施阶段，但总体而言，大家都在积极探索。这表明我们的领导者已经意识到技术的重要性，整个社会都在不断学习。

就模型分解而言，DeepSeek的最大贡献在于将大模型分解为若干个小模型（专家模型），降低了模型复杂度和计算要求，使其使用更加平民化、行业化和领域定制化。当然，DeepSeek的贡献不仅仅限于此。

这使得更多人能够使用这一技术，先进行实际应用，然后逐步解决准确性的问题。当然，DeepSeek仍然是一个辅助工具，无法完全替代专业判断。

正如我在百度工作时常对领导所说，大数据只是辅助决策的工具，最终的决策仍需权限人来完成。

关于隐私和安全问题，过去我们把“门”一关，只需妥善保管钥匙即可确保信息保密。然而，现在信息就如同窗户被打开，难以完全锁住。

理论上，每个人都有机会可以通过自媒体等渠道传播，公司的信息就有可能被敏感性差的人泄露出去。

这就是为什么许多大企业选择独立部署和私有化部署，以解决信息安全和数据保护问题。但这也带来了新的挑战：社会和企业内部应如何制定相关机制，来管理这些信息？

在传统优势的基础上，DeepSeek进一步提升了效率。例如，在招聘和离职预测中，它能够自动生成标签。过去我们需要人工标注，现在它可以通过学习自动完成这一过程。

以招聘为例，以前业务人员会告知我们“项目经理”所需的能力，如领导力和沟通协调能力。我们需通过访谈获取这些信息并手动标注。而现在，DeepSeek能够自动学习并生成这些标签，从而显著提升效率。

数据处理方面，过去我们需要耗费大量时间和人力来清理数据，而现在DeepSeek能轻松完成这些任务。

用户只需上传数据并指明分析需求，DeepSeek便能生成结果。当然，敏感数据仍需私有化部署以确保安全。

总之，DeepSeek使许多过去复杂的任务变得简单化。它提升了效率，优化了决策支持，提供了个性化解决方案。

虽然无法完全替代人类判断，但它可以大幅加速我们的工作流程。随着技术的进一步发展，我们期待更多的创新与突破，让我们的工作与生活更美好。

如果您对近期DHR、HRSSC、中企出海等系列的闭门会感兴趣，欢迎您添加DHR公会小助手了解更多！