📖 精译自原文 · 已获取报告全文（6 段）按章节忠实精译；数字与原文逐字一致
重新构想HR需要投资以释放价值（Reimagining HR will require investment to unlock value）
我们发现，HR组织正在被重新架构，以充分利用人类与机器的能力，提升并重新定位该职能对企业及员工队伍的价值主张。代理式AI（Agentic AI）被用于推动端到端流程自动化，创造规模化效率与资源容量，并显著改善员工体验。嵌入式AI（Embedded AI）与生成式AI（Generative AI）的功能特性已在核心解决方案中被激活，为体验带来渐进式改进，并支持HR专业人员完成其工作。
AI正在重塑HR工作（AI is Reshaping HR Work）
调研显示，HR内部各角色所承担的任务和工作将受到不同类型AI与自动化能力的影响，工作投入将随时间推移逐步向更多由AI驱动的方式转移。在**AI辅助（AI-Assisted）模式下，工作主要由人类主导，AI解决方案提供适度支持，例如制定人才战略、与业务领导者咨询、提供高触感人力支持。在AI增强（AI-Augmented）模式下，人类与AI之间需要显著协作以执行工作，并频繁交接，例如管理人才知识文章与政策、搜寻候选人、开展调查。在AI驱动（AI-Powered）**模式下，工作主要由AI主导，人类负责管理AI输出、监控性能并推动持续改进，例如回答人才咨询、执行流程与交易、进行数据分析、创建报告、制作学习内容。随着能力成熟，工作投入将逐步从人类转向AI。
什么是AI代理？（What are AI Agents?）
AI代理是推理引擎，能够理解上下文、规划工作流，并连接外部工具与数据以增强自身能力，采取行动实现既定目标并解锁新机遇。大型语言模型（LLM）是生成式AI解决方案的子集，基于数十亿页内容训练，专注于完成特定任务。AI代理则是一个具有明确角色并能访问工具以完成超出LLM现有能力范围任务的LLM。多代理系统（Multi-Agent Systems）由多个代理组成，能够彼此之间以及与人类之间进行协调，以完成复杂任务，其能力包括反思（Reflection）、沟通（Communication）、协调（Coordination）与委派（Delegation）。
AI代理有潜力彻底改变组织中“工作完成的方式”（AI agents have the potential to revolutionize how “work is done” in organizations）
我们发现，AI代理能够快速处理数据，提供可操作的洞察，推动人类与AI做出明智决策与行动；持续从新数据中学习，推动持续改进并培育创新文化；促进与其他AI代理、应用程序及人类的实时集成、沟通与协作，简化流程与工作流；维护所有行动与决策路径的审计记录，并在企业定义的控制与信任框架内运作；将“智能”自动化并集成到常规任务中，提高效率，使人类能够专注于战略活动；分析人类互动以提供个性化体验，提升用户满意度与体验。
如何识别代理式AI机会（How to Identify Agentic AI Opportunities）
良好的代理式AI机会具有明确的业务成果，依赖决策，需要推理，并利用知识。我们建议首先定义业务必须实现的主要成果，这可以是流程驱动的成果、团队成果等。然后确定执行哪些能力（如分析能力、理解能力）来指导决策制定与行动。接着梳理出为推理提供信息所需的知识类型。最后概述通常执行哪些行动以实现这些成果，以及这些行动在哪些系统/工具中执行。
我们的代理式AI方法（Our Approach to Agentic AI）
我们采取全面的方法来识别代理式AI机会，通过重新构想HR角色、赋能员工队伍以及转型端到端HR业务流程。具体而言，我们以**角色为中心（Role-focused）来增强和复制HR专业人员的工作；以流程驱动（Process-driven）来支持代理编排与HR工作流自动化；以赋能（Empowered）**为导向，推动下一层级无摩擦自助服务的采纳。
人与机器协作
Human and Machine Collaboration
作为劳动力战略的一部分，负责人力资源业务伙伴（HR Business Partner, HRBP）的职责正在发生根本性转变。我们发现，传统HRBP主要依靠个人经验和知识提供咨询，这导致服务水平参差不齐，形成“优秀HRBP的孤岛”（pockets of great HRBPs）。他们往往像“救火队员”一样被动应对人才问题，且由于能力和带宽限制，只能与有限数量的领导和管理者互动。
而未来的HRBP将转变为由AI辅助的角色。借助AI辅助和AI增强（AI-assisted and AI-augmented）活动所释放出的容量，HRBP能够腾出时间专注于与业务和人力成果直接相关的战略性、前瞻性活动。例如，HRBP可以基于业务战略，主动引入内外部人才市场洞察，推动工作和团队结构的动态调整。他们不再仅仅关注“自建、购买还是借用”（build vs buy vs borrow）的人才解决方案，而是开始协调人类与AI能力，重新构想劳动力配置。通过基于组织与员工数据的场景建模，他们能够预测劳动力挑战并主动推荐解决方案，从而将咨询标准提升至一致的高水平。
传统HRBP vs 未来HRBP的关键对比：
- 从“基于个人经验咨询”转向“基于一致的洞察与知识库咨询”
- 从“被动应对人才问题”转向“基于预测数据主动制定解决方案”
- 从“与有限领导者互动”转向“为所有领导和管理者提供有意义的辅导与人才指导”
HRBP所需的核心人类能力（Enduring Human Capabilities） 包括：数据敏锐度（Data Acumen）、批判性思维（Critical Thinking）、情商（Emotional Intelligence）、洞察生成（Insight Generation）、AI流畅度（AI Fluency）以及影响力与谈判能力（Influence and Negotiation）。这些能力将由生成式AI（Generative AI）、预测分析（Predictive Analytics）和机器学习（Machine Learning）等技术增强。
卓越中心的未来
The Future of COEs | Shifting to AI-Augmented Roles
我们发现，代理式AI（Agentic AI）将在传统HR服务的交付和流程执行中扮演越来越重要的角色，这为将人力重新投资于价值创造和AI绩效管理创造了机会。传统卓越中心（Center of Excellence, COE）主要依赖内部滞后数据来制定政策和流程变更，通过调查或耗时的小组访谈收集终端用户反馈，并手动且不频繁地更新政策、计划与知识文章。
而未来的COE将转变为AI增强的角色。例如，全球薪酬福利COE可以利用数据洞察主动制定员工体验策略，并在人才市场中保持竞争力。具体而言，AI解决方案可以管理端到端的薪酬流程，包括审计、对账和上传；基于COE团队成员的提示生成薪酬福利内容的初版与知识文章；为所有全球薪酬福利咨询提供个性化回复，并在全年（如开放注册期）提供及时沟通。人类专家则负责解读AI洞察，与其他COE及业务领导者合作制定针对业务/区域/职能的具体策略，并监控AI解决方案以根据生产趋势识别持续改进的机会。
传统COE vs 未来COE的关键对比：
- 从“管理分散的解决方案和碎片化数据集”转向“利用AI和集成解决方案维护并优化人员产品与端到端员工体验”
- 从“手动且不频繁地更新政策”转向“利用AI/自动化动态实时更新知识，并向相关员工推送提醒”
- 从“主要使用内部滞后数据”转向“结合内外部数据源，形成数据驱动的叙事以推动决策”
- 从“通过调查或耗时小组访谈收集反馈”转向“通过大规模AI驱动的倾听策略生成洞察，持续改进人员产品与员工体验”
COE所需的核心人类能力 包括：数据敏锐度、批判性思维、创造力（Creativity）、洞察生成、细致问题解决能力（Nuanced Problem Solving）以及AI流畅度。这些能力将由生成式AI、预测分析、机器学习和智能自动化（Intelligent Automation）等技术增强。
人与机器的协作
Human and Machine Collaboration
我们发现，在传统HR运营模式中，大量行政/操作类工作仍集中在卓越中心（COEs）和HRBP手中；而在未来HR运营模式下，AI解决方案将负责执行80%以上的行政/操作类工作。人类主动识别研究需求与目标，审阅AI报告并运用经验、背景和知识生成洞察；机器则构建AI提示词（prompts）以引导初始洞察生成，并根据研究提示提供报告。人类利用查询、案例、知识趋势和员工反馈提供额外考量，定期审阅AI生成的报告并优化策略；机器则随时间推移吸收更多组织内外部数据，生成分析结果和额外洞察，并启动、生成和分发常规报告需求。人类负责管理和分类案例及HR相关查询，支持员工和领导者完成需要人性化触达的流程；机器则维护和更新知识库，与COEs协调，优化知识库以赋能AI解决方案并提升输出的质量和可靠性。人类从主要聚焦战术性和行政性工作，转向负责员工倾听（workforce listening）以及AI驱动员工体验的持续改进。
未来HR运营 | 向AI角色转型
The Future of HR Operations | Shifting to AI-Roles
Agentic AI将为HR运营专业人员创造新型工作和角色，持续性的项目工作和运营将通过AI与自动化能力交付，重点转向持续改进。场景示例：HR运营团队被要求监控政策咨询，以便COE改进项目，从而在高离职率站点提升员工留存率。
HR运营中持久的人类能力：同理心（Empathy）、好奇心（Curiosity）、批判性思维（Critical Thinking）、AI流畅度（AI Fluency）、细微问题解决能力（Nuanced Problem Solving）、创造力（Creativity）。技术能力涵盖：生成式AI（Generative AI）、智能自动化（Intelligent Automation）、预测分析（Predictive Analytics）、机器学习（Machine Learning）。
赋能员工
Empowering the Workforce
Agentic AI为我们提供了彻底重新构想HR流程和体验的机会，让AI在自动化、个性化及提供洞察方面发挥更大作用。我们识别出八类员工交互场景：
- 接入支持（Access Support）：员工根据问题/请求性质连接相关支持团队。例如：作为员工，我需要联系IT帮助台，因为我的Outlook邮箱无法使用。
- 查找信息与回答问题（Find Information and Answer Questions）：员工获得个性化答案。例如：作为经理，我想知道我的员工是否有资格获得表彰奖励。
- 请求数据（Request Data）：员工根据安全权限访问个人和工作数据。例如：作为员工，我想知道我的成本中心以便处理差旅费用。
- 执行简单交易（Perform Simple Transactions）：员工无需登录后端应用即可完成简单工作流。例如：作为员工，我想在Workday中添加新的紧急联系人。
- 执行复杂交易（Perform Complex Transactions）：员工获得礼宾式体验，跨职能领域完成多个流程步骤。例如：作为新员工，我希望获得帮助以完成跨职能（HR、IT等）的所有入职任务。
- 推动行动（Nudge to Action）：员工根据数据模式收到主动提醒、通知和建议，以完成未完成或相关任务。例如：作为经理，当我在Outlook中显示为可用时，我希望被提醒完成所需的合规培训。
- 提供分析与洞察（Provide Analytics and Insights）：员工从大数据集中获取个性化洞察和情报，以做出明智的业务决策。例如：作为经理，我想了解过去一年我部门的离职驱动因素，以便制定人才保留计划。
- 支持工作完成（Support Work Completion）：员工与AI助手交互，以综合数据、生成新内容并增强工作活动。例如：作为员工，我需要为新技术的投资撰写商业案例。
这些场景的采用率分为高、中、低三个层级。
重塑协作方式
Rewiring How We Collaborate
我们观察到从旧协作模式向Agentic协作模式的转变。在旧协作模式中，人类交互（分配任务）→ 机器执行 → 完成。在Agentic协作模式中，人类与机器共同参与：机器负责推理与假设检验、意图解读、自主决策、学习；人类负责战略决策、审阅与反馈、伦理判断、创造性思维。
Agentic AI实战 | 请假管理
Agentic AI in Action | Leave of Absence
人才业务流程（如请假管理）非常适合采用Agentic AI处理，以推动自动化、运营效率，并提供更具引导性、直观性和个性化的数字体验。我们设计了以下端到端工作流：
- 检测（Detect）：AI监控数据模式，识别触发工作流的需求。在本例中，AI检测到一名员工计划在未来两周内结束休假返回。
- 规划（Plan）：AI根据员工的休假情况、地理位置和组织角色，制定一个多步骤、动态的定制化工作流。
- 推动（Nudge）：根据员工的沟通偏好，其经理的数字助理会提醒该经理即将发生的事件。
- 洞察（Insight）：数字助理提供个性化指导与洞察，帮助经理准备好在流程中扮演的角色，以及如何支持员工返岗。
- 行动（Action）：通过数字助理，经理确认员工已返回，数字助理随即更新必要的下游应用程序。
- 学习循环（Learning Loop）：工作流完成后，AI解决方案收集最终用户的反馈和交互数据，以持续优化体验。
能力：Agentic工作流用例。
代理式AI在行动 | 离职风险
Agentic AI in Action | Turnover Risk
一位高绩效员工因任期、劳动力市场趋势和薪酬基准（compensation benchmarks）等指标被标记为存在离职风险。AI会创建一个动态且智能的工作流，专门针对该情境的独特情况，并为该员工进行个性化定制。该员工的经理会通过其移动设备上的数字助手收到提示（nudge），考虑是否应采取行动。经理会获得具体的选项和建议，以便根据其可用预算有效表彰和奖励该员工。经理根据其对员工偏好的独特了解选择特定的表彰奖励，交易将代表其执行。经理实时提供关于该体验的反馈，AI领导力教练（AI Leadership Coach）会从该互动中学习并改进。
检测高绩效者离职风险（Detect Turnover Risk for High Performer） → 创建并触发事件（Create and Trigger Event） → 提示领导者行动（Prompt Leader Action） → 提供降低离职风险的指导（Provide Guidance to reduce turnover risk） → 处理奖励（Process Reward） → 改进未来离职缓解体验（Improve Future Turnover Mitigation Experience）
识别代理式AI工作流
Identifying Agentic AI Workflows
角色（Roles） 是否存在需要人工操作的任务？哪些任务属于数据密集型或需要决策？团队成员之间的沟通与协作存在哪些痛点？人才员工体验（Talent Employee Experience）是否存在痛点？是否存在个性化机会？是否存在需要解决的技能差距？AI可以在哪些方面增强人类能力？
业务流程（Business Processes） 是否存在利用AI进行更深入洞察或预测分析的机会？客户旅程（customer journey）是否存在痛点？是否存在个性化机会？当前使用哪些工具和技术？这些工具是否存在任何局限性？延迟、错误或低效通常发生在哪里？
评估人才业务流程在哪些方面可以通过AI增强，以推动自动化并改善体验。解构角色，以确定AI可以在哪些方面协助、增强或驱动活动。
工作流（WORKFLOWS）：一系列AI用例，从根本上改变业务流程和支持人才的角色。
代理式AI分类法
Agentic AI Taxonomy
下表列出了不同类型的AI代理（AI Agents）及其在HR/人员各领域部署的机会程度。
| 代理类型 | 定义 | 招聘与人才获取 | 入职 | 员工体验 | 人才与绩效管理 | 学习与发展 | HR运营与服务交付 | 劳动力管理与薪酬 | 劳动力规划与分析 |
|---|---|---|---|---|---|---|---|---|---|
| 反应式代理（Reactive Agents） | 对环境中的特定刺激或输入做出响应 | 高 | 中 | 中 | 高 | 中 | 高 | 中 | 中 |
| 主动式代理（Proactive Agents） | 预测未来事件或需求并采取行动 | 中 | 中 | 高 | 高 | 高 | 中 | 中 | 高 |
| 自适应代理（Adaptive Agents） | 从互动和体验中学习以改进 | 中 | 中 | 高 | 高 | 高 | 中 | 低 | 高 |
| 协作式代理（Collaborative Agents） | 与人类或其他代理协同工作以实现共同目标 | 高 | 高 | 高 | 高 | 高 | 高 | 中 | 高 |
| 自主式代理（Autonomous Agents） | 独立运作，无需人类干预即可做出决策并采取行动 | 低 | 低 | 中 | 中 | 中 | 中 | 低 | 中 |
| 智能代理（Intelligent Agents） | 拥有高级认知能力，如推理和问题解决 | 中 | 低 | 高 | 高 | 高 | 中 | 低 | 高 |
| 社交代理（Social Agents） | 以具有社交意识的方式与人类互动 | 中 | 高 | 高 | 中 | 高 | 高 | 低 | 低 |
= 高机会 = 中机会 = 低机会
地平线1（Horizon 1） | 地平线2（Horizon 2）
人才招聘与 HR 运营全景图
Talent Acquisition and HR Operations Landscape
我们发现，传统 HR 职能正被重新拆解为可被 AI 赋能的原子化流程。在人才招聘领域，从创建与发布职位需求、管理常设需求（Evergreen Requisition）、处理内外部候选人申请，到管理员工推荐、代理招聘（Agency Sourcing）、招聘活动、被动候选人寻源（Passive Candidate Sourcing）以及建立和维护候选人库，每一个环节都具备 AI 介入的可能。筛选候选人、评估候选人、管理面试排期、面试与选拔、准备并发出录用通知/合同、执行入职前尽职调查、准备拒信、管理职位需求撤销与撤回——这些步骤构成了完整的招聘闭环。
在组织关系与薪酬管理方面，我们识别出创建/维护基础架构、创建和维护岗位（Jobs）与职位（Positions）、监控空缺职位、建立和维护组织架构等核心活动。薪酬管理则涵盖管理薪资调查（Salary Surveys）、职位评估与定价、薪资结构管理、预算审查、与利益相关方沟通预算、管理固定薪酬（Non-Variable Pay）与浮动薪酬（Variable Pay）、临时薪酬调整、一次性支付、以及奖项与认可管理。
员工离职管理包括处理自愿离职、非自愿离职、因故离职、退休管理、裁员管理（Reduction In Force）。员工数据管理则涉及个人信息变更、工作信息变更、员工调动、批量数据变更、数据质量/修正管理、员工合同管理、员工档案管理、在职证明开具，以及临时工（Contingent Worker）入职管理——包括入职前准备、首日活动管理和前 90 天管理。
我们还梳理了请假管理流程：支持请假决策、管理请假申请、管理替代职责/排班调整、管理返岗、处理申诉/复议、管理长期残疾（Long-Term Disability）。薪酬核算（Payroll）方面，维护薪酬数据、接收收入/扣款/支付信息、处理工资扣押（Wage Garnishments）、处理离职付款、处理冲销、数据交换（入站与出站）、资金管理、生成并分发正常/非正常周期工资、与第三方供应商协调薪酬、将薪酬过账至总账、处理无人认领款项/退回付款、处理调整以及税务管理。
员工与劳动关系涵盖接收不合规通知、评估指控并通知相关方、开展调查或审查、确定解决问题的行动、执行商定行动、管理申诉、确认是否需要纪律处分、处理不当行为，以及提供咨询、辅导与指导。我们还支持裁员管理、并购与剥离（Mergers, Acquisitions, and Divestitures）。
学习与发展板块包括学习需求分析、课程管理、构建/购买/修改学习内容、设计/重新设计学习内容、管理认证与合规、测评设计与开发、内容策展（Content Curation）、管理学习者请求、线下培训的排期与后勤、线上培训的排期与后勤、交付课堂/虚拟培训、管理课程完成情况、管理课程注册/取消、交付在岗培训、评估培训效果、管理课程目录、管理学习者等候名单、管理外部学习活动。
福利管理涉及管理福利注册、管理支出账户、管理残疾索赔、处理福利终止、维护资格、管理供应商付款、管理生活事件变更、管理 COBRA（仅美国）、管理《平价医疗法案》（仅美国）、管理退休计划、向外部供应商传输数据、管理可保性证明（Evidence of Insurability）、管理合规项目、管理福利项目有效性。
劳动力管理包括创建和分配排班、处理请假申请、设置假日日历、记录工时、输入数据至正常/非正常周期薪酬流程、处理历史调整、管理系统访问权限、审核、解决和批准工时。综合人才管理（Integrated Talent Management）则涵盖创建/维护能力模型（Competency Models）、识别关键劳动力群体、识别关键人才、分配组织目标、创建和分配绩效目标、创建或维护发展计划、创建和维护人才库、创建和维护人才档案、管理定期沟通、获取自我反馈、获取他人反馈、给予反馈、创建和执行绩效改进计划、进行年终绩效评估、进行绩效校准（Calibration）、进行人才盘点、定义和执行继任计划、管理全球人才流动。
战略劳动力规划（Strategic Workforce Planning）包括规划设置、劳动力管理、人员编制规划、运营规划、企业级战略劳动力规划、管理项目有效性。员工敬业度管理涉及组织范围的脉冲调查（Pulse Surveys）。HR 运营则包括管理战略与有效性、供应商管理、沟通管理、服务与体验管理、内容管理、管理咨询与事务处理、管理 HR 报告与分析。
AI 对 HR 的机会热力图（AI for HR Opportunity Heatmap） 显示，我们按 AI 驱动（AI Powered）、AI 增强（AI Augmented）和 AI 辅助（AI Assisted）三个层级对上述所有流程进行了标注，并评估了预期的 AI 影响程度。
代理型 AI 解决方案架构模式
Agentic AI Solution Architecture Patterns
我们预计，在未来 12-18 个月内，用户体验层的交互将从传统的 API 模式显著转向多智能体系统（Multi-Agent Systems）。在体验层，我们看到了三种界面形态：网页界面（传统 UI + 对话式）、聊天界面（对话式）和移动界面（传统 UI + 对话式）。在 AI 与编排层，AI 智能体（AI Agents）通过 API 网关/集成层与多智能体系统（MAS）协同工作。数据与分析层提供底层支撑，而应用与服务层则承载具体业务功能。
我们识别出三种核心架构模式：
- 模式 #1：传统 API（Traditional API）
- 模式 #2：智能体对智能体（Agent to Agent）
- 模式 #3：多智能体系统（Multi-Agent System, MAS）
在编排层与推理引擎之上，我们强调四大设计原则：自主驱动运营（Autonomous Driven Operations）、负责任且安全的 AI 治理（Responsible and Secure AI Governance）、认证与授权（Authentication and Authorization）、以及人机协作设计（Human x AI Collaboration by Design）。这些共同构成了支撑未来 HR 代理型 AI 系统的通用服务层。
行动中的代理型架构：入职场景
Agentic Architecture in Action: Onboarding
以下入职场景展示了三种解决方案架构模式如何组合，以提供端到端的体验。
新员工在入职头几天与一个入职代理（Onboarding Agent） 协作，完成一系列任务。AI 代理将意图传递给编排层，以触发正确的工作流和下游操作。多种平台、应用程序和服务组合起来，共同支撑业务流程。数据层则提供知识、分析和洞察，以支持与 AI 代理的交互。
- 新员工 AI 代理：询问“我需要做什么才能完成入职？”（MAS）
- 编排层与推理引擎：通过 API 网关/集成层，连接入职应用、核心 HR 系统、案例/知识管理门户。
- AI 代理从核心 HR 系统、使能技术（Enabling Technologies）及其他数据源拉取数据，创建一个动态的入职工作流，并与新员工共享。
- 福利注册场景：AI 代理就计划选项提供指导，并直接与第三方提供商的 AI 代理协作完成注册。
- 培训场景：AI 代理与其他代理（学习计划代理、日程安排代理、学习代理）协作，创建学习计划、安排培训时间并促进学习。
多代理系统（MAS）生态系统架构
Multi-Agent System (MAS) Ecosystem Architecture
以下是一个示例生态系统架构，旨在利用多 AI 代理系统（Multi-AI Agent Systems, MAS）实现代理型 AI 的规模化部署。
- “人在回路中”（Humans in Loop）：利用代理框架和提示词（prompts）将代理与 SME（领域专家）连接，实现人在回路。
- 代理（Agents）：根据角色，利用自身的知识、记忆和工具进行规划和行动。
- 工作流（Workflows）：编排代理，结合人在回路，实现流程自动化。
- 数据与集成（Data & Integrations）：使用 API、事件、消息和知识库进行数据集成与编排。
- 垂直代理用例（Vertical Agent Use Cases）：针对特定职能和领域，为企业及其需求专门构建和定制的基于代理的用例和解决方案。
- 模型、工具及其他（Models, Tools & More）：模型（AI/ML、LLM、SLM 等）的训练、管理和微调；自动化与集成工具等。
- 业务流程层（Business Process Layer）：由人员和业务应用执行和治理。
多 AI 代理系统（MAS）：代理之间以及与人类之间相互协调，以完成复杂任务。
AI 与数据基础设施、平台和工具包：高性能硬件，以及 AI 和数据平台（混合云）。
关键使能要素（1-7）：
- 业务流程转型与再造
- 人类专业知识与劳动力整合
- 企业应用 AI 转型，包括信任、网络与合规方面
- 数据编织（Data Fabric）/数据管理能力
- AI 与数据基础设施、平台和工具包
- 代理系统（构建与运营），包括 AI 与数据信任
- 模型微调与私有语言模型（Private LMs）；自动化与集成工具