人力賽道+大模型，沒有砸出想像中的水花

原文來源：鈦媒體

圖片來源：由無界 AI生成

大模型在企業級市場落實一段時間后，沒有砸出想像中的水花。

**“都是公網數據，企業不敢用。 實際應用場景也很少。 “**一位HR企業級軟體的售前專家告訴鈦媒體。

現在這家企業主要將場景落地在了人才發現、簡歷評估和面試提問追問三個核心場景。 鈦媒體瞭解到，現在市場上能夠感受到企業裁員、收緊招聘需求的資訊，但這並不影響高品質人才的流動，尤其是對於中大企業的招聘需求，需要對人才的識別、人效挖掘上有一定的能力提升;同理，到了簡歷評估和面試環節，也需要減少依靠經驗判斷不足，或者得不出有效結果的情況。

但實際上，這家企業的客戶案例不多，為客戶訓練出的大模型被稱為“不斷反覆運算的過程”，收費則是計劃以訂閱模式收費，目前接受這一做法的試點客戶來自全球500強的跨國公司和國內業界領先的企業。

實際上，客戶需求市場對生成式AI產品或大模型技術也充斥著不同見解。 鈦媒體瞭解到，尤其是對於大企業客戶，雖然有不少企業客戶公開宣傳在積極嘗試大模型，恨不得以此解決當前業務遇到的所有痛點，但同時，也有企業客戶對此不屑一顧，認為自身已經積累的經驗和人才，不會簡單被大模型所替代。

“大模型的開發訓練依然很複雜，能不能做到更加簡潔？”在與國內某頭部ICT廠商的閉門會上，一家傳統能源行業客戶提出了這樣一個疑問。

該客戶明確指出：**“雖然過去推進智慧化取得了一定成果，但跟我們的想像還存在非常大的差距。 “**除了該行業本身生產作業複雜的自然條件外，各個下設廠家對智慧化理解的不足，導致投入了大量資金，卻仍然各自為戰。

另一方面，大模型現階段並不“便宜”，能用得起大模型的企業，要麼具備一定的生產體量，要麼手裡有一定預算，認為大模型所帶來的生成式技術值得嘗試和佈局。

某AI上市企業負責人近期談及大模型創業時指出，「市面上大模型具備一些基本能力，但只是玩具或工具，大模型不只是這些能力，更關鍵的是實現商業變現。 ”

事實上，無論是文生圖、還是文生文，大模型技術驅動的生成式AI確實展現出了其巨大的應用場景。 據鈦媒體不完全統計，目前相繼參與其中的巨頭公司、AI創企已不下50家，而通用大模型也在嘗試接入多個雲平臺，供企業調用或定製開發私有模型。

值得一提的是，OpenAI在11月6日舉辦的首屆開發者大會上，對其接下來發力的方向進行了說明，包括：加強文本輸入長度，輸出模式符合預定模式，更多更優質的訓練數據，更多的多模態，領域知識和業務邏輯，以及更優惠的價格等方面。

這對於其他AI開發者或使用方而言是個好消息，但對在座的各位大模型技術創業派而言卻是懸頂之劍。

與此同時，生成式內容的合規審查和隱私安全也是大模型或生成式AI技術想要在市場中普及的必要前提。

在國內，10月11日，全國資訊安全標準化技術委員會官網發佈《生成式人工智慧服務安全基本要求》（徵求意見稿），面向社會公開徵求意見。 這是國內首個專門面向生成式AI安全領域的規範意見稿，也是對7月網信辦等七部門推出的《生成式人工智慧服務管理暫行辦法》的支撐。

相比大模型到來時的狂熱與喧囂，到了真正落地的階段，大模型在行業內如何深入應用的探索和考驗才剛剛開始。

每款產品都值得大模型重做？

“每個產品都值得用大模型重做一遍”，這是初入大模型應用層企業的普遍敘事。

但在將產品重做一遍之前，還有一個更基礎的問題：大模型能用在哪兒？

在B端市場，這個問題可能更難回答，或者很難有唯一的答案。

從國外Meta的LLaMA系列、Stability AI的StableLM系列、MPT等模型的開源，以及國內通用大模型面向企業級API的內測，激起了更多創企的跟進試用。

如果將一套招聘流程拆解為簡歷收集、篩選、測評、面試、Offer及入職，在整個鏈條上，大模型驅動下的自然語言交互技術，最直接體現在提高HR招聘效率和改善用戶體驗。

作為一家智慧招聘管理軟體企業，MOKA宣導用AI對核心人力系統進行改造。 今年6月底，MOKA公佈上線基於大模型的智慧產品解決方案Eva，包括簡歷篩選、定製面試題、AI寫面評、對話式BI、員工ChatBot。 例如，員工Chatbot功能用於員工完成與招聘、人事相關的任務並獲取相關信息，類似於提供諮詢的AI助手。 對話式BI以自然語言的介面進行交互，讓員工快速訪問資料庫，查詢關鍵指標，支援業務決策和管理。

類似地，北森首先公佈了基於百度文心一言大模型的內測功能——招聘JD撰寫和招聘海報製作。 在5月的春季發佈會上，北森還推出了全新AI產品個人領導力教練Mr.Sen，用於新晉領導者的轉型適應、團隊管理、個人發展、績效反饋等方面。 據北森CEO紀偉國透露，AI面試、員工服務機器人、陪練機器人等都將是大模型可結合的場景。

用友、金蝶則選擇通過融合通用大模型能力，結合基於自身私域數據，以訓練應用於人力、財務、供應鏈等流程軟體場景的企業級領域模型。

用友高級應用架構師包飛與鈦媒體交流時指出，「現階段大模型距離行業落地還是比較遠的，客戶最關心的是能在行業里帶來怎樣的價值。 ”

目前用友YonGPT所支撐的領域模型應用名單包括：企業經營洞察、智慧訂單生成、供應商風控、動態庫存優化、智慧人才發現、智慧招聘、智慧預算分析、智慧商旅費控、代碼生成等數十種。

而金蝶蒼穹GPT目前主要在財務、人力、程序研發場景。 例如，金蝶首個公佈的財務大模型，實現類似一個財務AI助手，提供財務問答、費用報銷、合同審批、報告生成、分析預測等服務。

鈦媒體此前報導，金蝶中國執行副總裁、研發平臺總經理趙燕錫在調研時發現企業對大模型確實有濃厚興趣，但提及率最高的兩個反饋，一是“AI焦慮”，怕不用AI則會落後;二是“AI迷茫”，不知道怎麼用到業務里。 金蝶的策略是，先找一批原型客戶做業務場景的試點驗證，更貼近企業的實際業務。

在i人事CTO王景飛看來，“**客戶關注更多的不是用了哪個大模型，而是大模型對於業務的幫助是什麼。 **老闆關注企業經營，就會關注經營指標，如人均產出，投入分析，成本優化等;HR會關注員工體驗，工作效率，如更流暢的人事流程（入轉調離、加班調休等等）。 ”

專注於核心人事+人效的i人事，也在跟釘釘合作推出運營效率、風險管理和業務專家三類智慧化方案，其目的就是解決企業老闆最關注的問題：用最科學的方法、在風險最低的前提下，最高效地實現企業戰略。

運行效率方面，通過大模型能力，可以為員工提供7*24小時，全年無休的人力資源諮詢、流程和其他支援;人事風險管理專家，可對人力資源中可能會出現的風險進行管理，如對勞動合同內容的潛在風險進行預警、提出修正建議和風險預案等;業務專家中的績效專家，可以指導企業員工如何完成OKR的目標拆解、對齊和復盤工作。

找試點場景、找原型客戶，也是絕大多數大模型應用廠家的策略。

是技術黑盒的問題，也是現實投入的窘境

但落地到最終使用者那裡，由於企業業務邏輯、組織形態的千差萬別，大模型從“測試”到“全面落地”，是ChatGPT還是“ChatPPT”，仍存在一定迷惑性。

“我們沒說我們已經做到了，但是能在客戶剛好有這麼一個強需求的時候，給客戶做個技術參考，因為有時技術太前沿的話，客戶管理還跟不上，這也只能讓客戶產生一種垂涎三尺的感覺。 “一位HR SaaS團隊負責人A對鈦媒體表示。 這家企業目前計劃在SaaS版本融入第三方AI大模型能力，在問及是否已經落地時，該負責人不置可否。

在上述不同廠家的內測產品描述中，大模型並沒有在各自領域的應用範式帶來顛覆性改變，更多是針對不同環節增加了多一項交互方式的選擇，衡量的標準無非是“夠不夠理解人類語言，能不能產生相關智能化動作”。 換言之，智慧化水準強弱並非由軟體所決定，而是由背後使用的大模型決定。

客觀上，大模型是個概率模型，生成什麼樣的內容完全屬於改變，想要取得更精準的結果還受限於數據、場景、人才、成本等問題，這都跟現實條件的投入情況相挂鉤。 另外，應用廠家還會選擇跨多個模型開發，目的是降低因模型企業經營和政策引發的潛在風險。

這是作為大模型面向市場必須考慮的問題。

據Oracle Cloud HCM產品負責人透露，Oracle產品約80%的反覆運算都是由客戶需求推動。 目前Oracle已經確定了100多個人力資源生成人工智慧的高價值場景，如輔助編寫、推薦方案、匯總等，並且才剛剛開始。

Oracle Cloud HCM是以OCI雲平臺為基礎，內嵌生成式AI相關能力。 一方面，客戶可以使用自己的數據來優化模型，平臺提供對客戶敏感資訊和專有資訊的保障，同時，通過內置提示詞生成更符合使用者需要的內容，同時減少事實錯誤和偏差。

為盡可能將大模型適用於企業級場景，包飛指出，目前用友的解決方案是，一部分會依賴於專家經驗，同時也會實現業務化的流程管控，包括在大模型更上層增加一個管控層，針對於生成結果進行可靠性和合規性管控。

而在8月大模型監管法規出台之後，i人事會優先考慮國內大模型以及開源大模型。 對於通用的一些資訊，如“法律助手”中的法律法條等公開數據，會使用國內大模型來完成訓練和微調;而對於與企業、員工相關的資訊，則考慮使用開源模型，自主完成訓練，以保障個人資訊的安全。

王景飛指出，模型訓練過程中勢必需要自身積累的“私域”數據，為保障企業訓練大模型的數據合規，目前底層的基礎模型大模型提供方，提供了一些接入能力，允許私有資料庫接入大模型，與大模型結合使用。 除此之外，大部分國內大模型在其他方面的數據安全方面提供了支援。

與此同時，應用廠商接入大模型並不順暢。

某HR SaaS產品負責人告訴鈦媒體，“HR廠商跟AI廠商不同，過去雙方是處於一個相互期待對方，但合作相對來講不夠深入的階段。 AI廠商最大的問題是有優秀的演算法，但沒有相關垂直業務的數據;業務方有大量數據，AI能力是相對缺失的。 AI公司的數據以及這種業務公司的這些數據，相對來講會慢慢結合，我覺得這肯定是個趨勢。 ”

比如在大模型出現之前，這家企業就已經在嘗試AI面試，儘管有不少企業在嘗試這一新鮮事物，但其應用還不是很廣泛。 這家企業認為，決定企業是否選擇AI面試作為應用場景，取決於所招聘的崗位、AI面試能力的可信度等，“在實際場景中，用人單位對AI面試評價候選人的能力存在疑慮，系統評價候選人的標準不一，是否客觀可信，都有待驗證，也需要一個時間去接受。 ”

而上述創企負責人A也指出，在產品層面會跟友商合作，或自主研發，也會一些互聯網公司對接，直接封裝其技術方案。

“AI在HR SaaS領域的應用比較有限。 “這家企業所涉及的AI產品主要有：簡歷解析、身份證/銀行卡自動識別、人臉識別、電子簽名，應用環節主要圍繞在了人崗匹配和招聘模組。

在薪酬環節，很多中大型企業的薪酬體系還是比較複雜的，包括傭金、獎金的計算，如果是靈活用工的派遣方式，薪酬體系有的是按時的、有的是按件計算，同時實踐過程中，這些數據來源有很多，也就是系統很多，如果無法做介面（稅、社保、銀行、政府），那麼就需要其他技術將數據同步起來。

“**當前大模型的成本相對來說還是比較高的，所以對於高頻低價值的場景和低頻高價值的場景，性價比差異就會比較大。 **i人事目前推出的人事法務助手、勞動合同風險分析、績效輔導專家，屬於低頻高價值場景，同時，我們也在積極探索高頻高價值的用戶場景。 “王景飛告訴鈦媒體。

為此，i人事首先選擇績效環節，成本方面是考量之一，更重要的是i人事基於“人力資源管理專家”數位角色的考量。 績效管理，尤其是OKR，需要大量方法論和實踐結合才能做好。 i人事會提供大量專家，通過賦予AI這些專家的能力，將專家影響力發揮到最大。

在王景飛看來，應用方想要安全、便捷地用好基礎大模型還得從以下幾個層面著手：

（1）採用向量資料庫配合大模型使用。 自建向量資料庫用來存儲客戶的數據，這些數據只存儲在i人事的伺服器中，不會對外部模型開放。

（2）採用自建大模型。 針對一些垂直領域的大模型，如“人事法務助手”，需要大量的文檔和數據積累，自建模型+微調的方式會更合適。 i人事也在自建模型的基礎上，基於法律的特徵進行微調。

（3）採用數據脫敏。 有些數據一定需要外部大模型進行分析的，就可以將這些數據脫敏之後傳輸給大模型。 脫敏之後的數據，在大模型看來只有一串數位和一個標識數據擁有者的一個隨機ID，大模型在完成分析之後將對應的ID返回i人事系統，然後i人事在內部完成映射之後，返回給客戶。

反思想

其實不止HR賽道，其他行業同樣面臨大模型落地的難題。

4月，釘釘搶先展示了其智慧化成果：通過接入阿裡通義大模型，在群聊、文檔、視頻會議、應用開發等四個高頻場景實現AI“魔法棒”能力。 從最近成效來看，在超過50萬家企業內測後，釘釘“AI魔法棒”正式上線，在釘釘聊天、文檔、知識庫、腦圖、閃記、Teambition等17項產品、60+場景全面開放測試。

談及接入大模型的過程，葉軍在此前與鈦媒體交流中談到兩點：一是在交互層，做釘釘各個產品應用介面和千問大模型API的連接，二是模型之間的對接，千問大模型需要來自於知識庫文檔的一些通用文字文本。

在葉軍看來，與大模型對接不難，難的是怎麼將釘釘平臺上不同的業務系統與大模型實現對接。 “現在釘釘上面的很多數據是有業務含義，對接模型就複雜一些，理論上它不是傳統意義上的大模型，而是有一定行業特徵的，或者有一定應用系統結構化的一些中型模型。 所以對接我覺得投入的時間週期會更長，這也是企業級應用跟傳統通用搜索之間很大的差異。 ”

關於商業化，葉軍表示釘釘會考慮兩種模式：一是針對比較高價值的商業服務，直接做訂閱式收費，將其組合到釘釘專業版、專屬版、專用版的底座;二是會參考Midjourney的收費模式，按照調用次數一次性付費，如釘釘個人版可能首先嘗試走這個模式。

而由於釘釘本身連接了非常多的生態應用，怎麼通過釘釘讓SaaS創企去直接調用平臺的模型能力，對SaaS產品進行改造，這是作為平臺應用所能承載的事情。 上述釘釘與i人事的合作，或許會是未來典型路徑之一。

“對於企業應用而言，大模型是需要訓練的，不僅效率要高、準確性要好，這跟寫個散文或簡單的人機對話完全不同。 “談及Oracle（甲骨文）在HCM領域的大模型實踐經驗時，甲骨文公司副總裁及中國區董事總經理吳承楊告訴鈦媒體。 他認為，Oracle的特點在於，已經在跟Cohere這樣的大模型企業密切合作，同時在數據層面，會將向量搜索與存儲在Oracle資料庫的客戶業務數據相結合，加之RAG架構等生成式AI技術，“只有這些技術結合起來，才會有一個顛覆性改變。 ”

所有軟體都值得用大模型重寫一遍——這樣的結論是理想主義的樂觀遠眺，但在企業實際的場景和業務當中，還要考慮“是否值得”的實際考量。

再回到HR SaaS與大模型的結合當中，跟「人」高度相關的簡歷資訊、面試資訊、勝任力評測等資訊，如果大模型能夠用更精準的專有數據訓練，那麼這個HR SaaS系統將是企業效能最高的管理終端，但是這個包含個人高度隱私的數據是否獲得個人授權，用於訓練？所以現階段用數據，用什麼樣層級的數據？怎麼用？用到什麼地步？ 其中所要承擔的風險與收益，都是廠商必須考慮的，而並非一味追求技術的先進。

當下，許多招聘平臺都在緊密的與大模型產品/服務積極接入或者合作，但得到相對成熟應用場景的確實不多，招聘場景、面試陪練場景、人才測評場景，這幾個場景的數據恰好**介於公有數據和專有數據之間，就是所謂巧妙地用到合適層級的數據，用於這些對企業以及面試者雙向獲益的場景中。 **

值得一提的是，儘管企業可以接入開源平台訓練大模型，但勢必要遵守更加嚴格的合規和安全保護準則。 目前業內已經在警醒開源技術關停的風險。 接入開源平臺，甚至私下使用GPT進行內測，都在冒巨大風險。

目前看來，HR SaaS的場景中“選、用、育、留、離”大環節中的千百個場景，都需要HRSaaS廠商去一一試錯，這個成本或許跟重寫一套產品也相差不大了。

此外，能否商業化才是生成式AI的終極命題，至少在ToB市場里，技術要為商務服務才是本質。

無論是選擇開源大模型蒸餾，還是第三方API調用，企業和廠商都在躍躍欲試，不過對AI大模型的應用最終是提供給員工一款場景應用。 外界普遍期待AI能將一線人員從繁瑣、危險、重複性的工作中解放出來，但現階段，生成式AI主要只是在各自領域增添了新的功能體驗。 未來還會有更多AI技術的加持，但它會對企業產生多少經濟價值，是否足以贏得客戶方與一線員工的共同認可、買單… 這條AI應用的探索之路才剛剛開始。