课前导读
AI 对 HR 的影响不是未来某一天的事，而是今天已经在发生的效率变化。先不用成为 AI 专家，先学会把日常事务交给 AI 打初稿。
教学正文
为什么这波 AI 浪潮，绕不开 HR
很多人以为 AI 跟 HR 的关系是"HR 要不要转去学技术"。不是。真正的关系藏在你每天的活里——写 JD、改制度、筛简历、整理访谈纪要、出培训题、解释政策。把这些活拆开看，其实是同一件事：把一堆文字、表格、材料，按某种规则，变成另一堆文字。
而大模型最擅长的，恰好就是这件事——把非结构化的文本，转成结构化的输出：长文变摘要、简历变表格、制度变问答。所以不是 AI 硬要闯进 HR，是 HR 的工作本来就长在 AI 的能力圈里。你不需要变成技术专家，你需要认出"我的哪些活能拆给它"。
哪些活适合先交给它：低风险、高重复、有验收标准
三个条件像一个漏斗。低风险——错了也不会伤到某个具体的人：JD 初稿写砸了改就是，但录用判断错了，伤的是人。高重复——你每周都要做好几遍，省下的时间才有复利。有验收标准——你一眼能看出它做得对不对，才敢用。
三个条件同时满足的活：JD 初稿、面试题库、培训文案、员工手册 FAQ、会议纪要结构化。这些就是你的起跑线。而录用、淘汰、调薪、绩效定级，是终点线之后的事——现在别碰。开局选对任务，比你学会多少工具都重要。
跟我做：画一张属于你的 AI 可用性地图
别急着学工具，先搞清楚你手上哪些活能交出去。这张地图做完，你带走的不是"我学了个 AI"，而是"我知道明天该拿哪件事开刀"。约 15 分钟。
- 打开 Kimi（kimi.com）或 DeepSeek（chat.deepseek.com），新建对话。涉及最新政策或工具信息，就打开"联网搜索"
- 回忆你过去一周做过的 20 件事，原样列出来——写通知、筛简历、开会记录……越具体越好。想不全就翻聊天记录和邮件发件箱
- 输入：「你是中国企业 HR 数字化顾问。把下面这份工作清单按【可直接用 AI 做初稿 / 可用 AI 辅助但需人工复核 / 不建议交给 AI】三类分好，输出表格：任务、AI 适用度、推荐工具、风险、明天第一步怎么试。清单：{粘贴 20 件事}」
- 追问它：「按低风险、高重复、有验收标准三个条件，从"可直接做"里挑出最适合我明天试的 3 件事。」这一步把地图收敛成行动，别省
- 挑一件（比如"生成销售岗 JD 初稿"），让它继续写「输入材料清单、操作步骤、人工复核清单」——这就是你的第一个小 SOP。
- 预期看到：一张任务分层表 + 3 个试点任务 + 1 个可执行 SOP。存下来，这是你后面所有实操课的起点。
开局选错，比不用还糟
坏开局：有人上来就让 AI"看看这个候选人该不该录用"。看着高效，其实是把"排序"当成了"决策"——AI 能按关键词排个序，但它没见过这个人，替你担不了录用的责任。一旦你习惯让它拍板，风险是复利的。
好开局：同样一份候选人材料，让它做"把面试记录整理成结构化摘要 + 生成 3 个追问方向"，判断权还在你手里。同样是碰候选人，一个是让 AI 替你想，一个是让 AI 帮你想，差的就是这一层。
完整的判断线（哪些活能交、交到哪一步）下一节 S1-3 会拆透；本页底部"深入一层"也有"流程再设计"的思路，学完这节值得一看。
把 AI 当万能 HRBP：它给的答案顺滑，你就忘了看数据来源和责任边界。永远把活拆成"初稿—校对—决策"，AI 只进前两段。
敏感数据直接往里贴：简历、绩效、薪酬原文丢进公有模型，是合规红线。先脱敏再使用——这条 S1-7 会专门讲。
被厂商的成效数字带偏："某银行 2 小时面完数万人"是企业披露的最佳场景，不是你们公司的保证。公开数据当参考，别当承诺。
配套视频演示
太阳星sunstar · 覆盖 S1-1 · 6分13秒 · AI红利与职场竞争力
为什么全网都在教你学AI？AI红利和普通人有何关系？
自测
1AI 跟 HR 到底有什么关系？
HR 的日常工作（JD、制度、简历、纪要、培训题）本质都是"把文字材料按规则变成另一种文字"，而这正是大模型最擅长的事。所以不是 HR 要转技术岗，是 HR 的活本来就长在 AI 的能力圈里——这决定了你该从"我的哪些活能拆给它"入手，而不是从学技术入手。
2判断一件活适不适合先交给 AI，看哪三个条件？
低风险、高重复、有验收标准。低风险保证错了不伤到具体的人，高重复保证省下的时间能复利，有验收标准保证你一眼看出对错、敢用。三个同时满足才是安全的起跑线，比如 JD 初稿、面试题、会议纪要结构化。
3为什么不建议一上来就让 AI 判断候选人录不录用？
因为那是把"排序"错当成"决策"。AI 能按关键词排序，但它没见过这个人，也担不了录用责任。开局让它拍板，等于把最该由人负责的环节先交了出去；正确做法是让它做整理和追问，判断权留给你。
小结
- AI 跟 HR 的关系不在"要不要学技术"，而在你的活本来就是文字、材料、规则的组合——正好是大模型的能力圈
- 开局只选低风险、高重复、有验收标准的活：JD、面试题、培训文案、纪要结构化
- 把每件活拆成"初稿—校对—决策"，AI 只进前两段，判断权留给人
- 第一课的产出不是"学会所有工具"，是带走一张属于你的 AI 可用性地图
实操落点
- 打开 Kimi 或豆包，输入：请帮我写一封入职通知邮件。岗位：HRBP，入职日期：下周一，报到地点：公司3楼人力资源部，需携带：身份证原件、学历证书原件、一寸照片2张。
- 观察 AI 多久给出初稿，以及这版初稿离可发送还差哪些修改。
深入一层 · 实战演练与研究依据
样品：同一份周报，用 AI 前后的一小时
你每周五要把 6 个业务组的培训周报汇总成一页给业务 VP。手工做法：挨个打开、复制、删重复、改口径、排版，普遍 50 分钟起。
换成一条 prompt：「你是我的培训运营助理。把下面 6 段周报合并成一页给业务 VP 的周报：①三句话总结本周整体进展；②一张表列各组关键数据（场次/人数/满意度/风险）；③单独列出所有遗留和风险项并按紧急度排序。口径统一用『覆盖人数』，删掉过程性描述。」
好的输出：三句话真的只有三句、表格口径统一、遗留项被拎出来排了序，你只核对数字，5 分钟收工。坏的输出：它把 6 段各自缩写一遍变成 6 小段——那不是汇总，是复述。坏就坏在 prompt 只说「合并」没给结构。①②③ 那三条就是在钉结构，给结构是新手和熟手用 AI 的第一个分水岭。
这波浪潮真到了什么程度
不是「AI 很厉害」这种空话。2024 年中国人力资源数字化市场规模约 303 亿元，同比增长 13.2%，报告预计 2027 年约 484 亿元，并判断 AI+HR 会从招聘、测评向培训、人才盘点、知识服务扩展。
但 HR 群体自己没跟上：2025 年一份趋势调研里，42.7% 的受访 HR 已经或计划学 AI 工具，同时 42.7% 说企业没提供任何学习资源，20.2% 觉得资源很少或帮助不大。缺口就是你的机会窗。
厂商案例可以当场景参考，别当审计结论：智联招聘 AI 易面被报道已用于 11 个行业、1200 多家企业，累计面试超百万，某国有银行 2 小时内完成数万名求职者初步面试——这是企业公开披露的数据，展示的往往是最佳场景。
两个开局翻车点
第一，从最高风险任务开始试。有人上来就让 AI 判断某个候选人该不该录用，本质是把「排序」当成了「决策」。正确做法是从 JD、面试题、培训题、会议纪要这类低风险、高重复、有验收标准的活开局。
第二，只学工具按钮不学工作拆解。今天学豆包怎么点，明天换 Kimi 就失效。先把任务写清楚——输入什么、输出什么、约束是什么、谁来验收——再去选工具，这套拆解换哪个工具都不作废。
再深一层：画一张属于你的可用性地图
第一节课的作业不是「学会所有工具」，是带走一张个人版 AI 使用地图。把你一周做过的 20 件事丢给 Kimi 或 DeepSeek，让它按「可直接用 AI 做初稿／可辅助但需人工复核／不建议交给 AI」分三类，输出表格：任务、AI 适用度、推荐工具、风险、第一步怎么试。
真正的深一层是「流程再设计」：不是把旧流程原样塞进 AI，而是重画「输入材料—处理规则—输出物—复核点—责任人」。开局就该把《个人信息保护法》里关于个人信息处理、敏感个人信息、自动化决策的红线放进这张地图，别把 AI 单纯当成效率工具。
- 艾瑞咨询《中国人力资源数字化研究报告》，2025
- 北京大学国家发展研究院等《2025 年人力资源发展趋势》，2025
- 中国人力资源市场网《中国组织人事报：AI 如何为就业服务插上「翅膀」》，2025