许多企业在拥抱AI时，最先撞上的墙不是技术门槛，而是“找不到对的人”。业务线反复抱怨缺乏既懂业务又通AI的复合型选手，HR团队便全力对外搜罗，内部项目却因无人可用而停滞。但一个极易被忽略的真相是：那些“失踪”的能人，很可能就在公司内部——有人做过类似尝试，有人正用AI优化本职工作，有人具备可迁移的数据或流程能力，也有人渴望转换赛道。可惜，这些信息从未被岗位头衔收纳，未出现在盘点清单上，更未传递到急需用人的管理者眼前。一面是业务端“人才荒”的呼声，一面是大量技能沉睡在简历、项目日志、学习记录和组织壁垒之中。
当今组织真正匮乏的，往往不是人才存量，而是 “人才能见度” ：即能否实时知晓每位成员的真实能力、可拓展角色以及最适合安放的位置。AI时代让这一问题愈发紧迫。以往岗位变化平缓，管理者凭经验可把握团队技能；如今AI持续重塑任务内容和岗位界限，年度盘点与静态职称早已无法应对三个核心拷问：谁已具备新需求下的能力？谁最可能快速转身？谁该进入下一个关键战役？
《The Age of HR》第48章The Future of Workforce Governance in the Age of AI中指出，AI在人力领域的根本角色是 “整合器” ，它打破部门、系统和身份壁垒，让组织得以看清、获取并调度人才与工作。这远比“加速招聘”更具颠覆性，因为它触及的是人才识别、机会连接和能力部署的底层范式转移。
一、为什么人才总被“隐藏”？
过去，人才管理默认三个前提：岗位稳定、边界清晰、管理者熟知团队。如今这些前提均已动摇。一个人的能力谱系远超职位标签，但企业惯常用“岗位+职级+学历+末次绩效”来定义一个人。一位精通客户洞察的数据分析师，系统里可能只显示“运营专员”；一位私下尝试生成式AI的财务人员，绝不会自动成为数字化转型的后备人选。
与此同时，项目需求往往锁在会议纪要里，技能数据困在HCM中，学习记录留在LMS内，成本产能信号淹没在ERP里。人与机会实际存在，却彼此失联。第17章 Technological Revolution and the Rise of Human Networks提出一个精辟公式：企业价值不仅来自人、财、物的数量，更来自连接与共创的乘积效应。工业化时代HR关注“多少人、多少成本、放何岗位”；智能时代则需转向“技能能否与任务相遇，知识能否流动，人才能否穿透边界创造价值”。
因此，“人才短缺”无非三种情形：真缺该项能力；能力存在但未被数据捕获；人被组织围墙圈住，无法流向最需要之处。过去企业常将后两者误判为第一种，于是习惯性外招。AI要矫正的，正是这种粗糙的判断方式。
二、重新发现：让沉睡的记录重见天日
AdventHealth 借助 Workday 的 Fetch AI，重新扫描过往应聘者库，找出曾经达标但未入职的人选。系统并非寻找陌生人，而是从已有接触者中刷新匹配。结果职位填满数翻倍，录用接受率也大幅上升。这一案例的启示不在于“筛选快”，而在于颠覆了人才库的定义——过去它像死档案，一旦落选便遗忘；现在它像活网络，岗位变、个人成长，匹配关系便可重算。这种“重新发现”让过去不可检索、不可关联的能力再次可见。
内部同样如此。企业需构建动态画像，不止记录岗位，还要纳入项目履历、技能证据、学习轨迹、职业意愿、协作关系和时间可用性。AI可从分散信号中推断技能，但推断结果必须交由员工本人确认和纠正。若画像不容修改，就只是更细的标签；唯有可迭代，才能成为人才发展的基础设施。
三、连接机会：让能力主动寻找价值
发现只是起点。如果被看见的人仍只能等一年一度的竞聘或上级提携，能力依旧无法自由流动。Vodafone 全球部署 Eightfold AI，把员工技能、职业偏好和学习路径打通。成果是招聘周期压缩近半，成本大降，跨部门内部流转明显增多。其本质是颠覆了旧有流动逻辑——过去机会靠人脉、放行和岗位相似度；现在则围绕“已会什么、还差什么、如何补上”来匹配。这推动企业从“岗位本位”迈向“技能本位”，将工作拆解为任务和项目，让能力与机会动态对接。与其仅问AI能否预测晋升，不如重新设想：若匹配更灵活，职业路径和内部流动应长成何种模样？晋升只是单行道，机会却有多种形态：短期项目、兼职、轮岗、导师制、代理岗、正式调动，甚至人机协作新角色。AI不是给旧梯子提速，而是把梯子变成网。
四、动态配置：不必重组，让人才流向价值
Boston Scientific 的实践颇具代表性。他们利用AI人才分析识别出正在萌发的能力集群，随后将相关人才重新部署到各项目，结果不仅转化率提升，战略能力也得到加强，且全程无需调整组织架构。这表明，许多战略需求完全可以通过项目制、内部市场和敏捷小组来满足，不必每次都大动干戈。这种能力被称为 “劳动力编排” ，它区别于传统人力规划：规划是预测未来人数，编排是实时感知业务信号，动态组合人力与智能体。
书中保险理赔案例更具体：先读取ERP数据，识别可自动化任务；再由HRBP与业务方共商人机分工；接着将HCM和LMS数据汇入统一视图，发现某些技能将逐步由AI接手，而新角色需更高阶分析力；最后锁定最接近新要求的员工，为其配置培训和转岗机会。这不是“减员”算术，而是回答三个递进问题：哪些工作在变？最佳人机组合是什么？现有人才如何迁移到新价值点？当这三环闭环，HR就从管理存量升级为配置能力。
五、90天启动：从具体痛点跑通闭环
很多企业急于建全司技能图谱，结果耗时一年，业务仍不知找谁。ACAI模型（提问—收集—分析—影响）给出务实顺序：先有业务场景，再定数据范围，分析后必须进入决策。
第1-2周 ：选定一个真实难题，比如关键项目长期缺人、某类技能外招成本过高、历史候选人复用低，或AI上线后某岗位急需转型。同时明确量化指标（组建周期、内部填补率等）。没有决策场景的数据只是摆设。
第3-6周 ：构建最小数据模型。工作端拆解任务和所需技能；人才端整合自述、项目记录、绩效证据和学习数据。AI抽取归一，员工确认，专家校准。不求全，只覆盖所选场景，遵循“小步快跑”原则。
第7-10周 ：生成推荐，但保留人做决定。系统需解释推荐依据、技能证据、差距和弥补途径。员工有权修正标签，决定是否公开意愿。
第11-12周 ：复盘业务价值——是否更快找人、减少外招、给员工带来新机会、改善业务交付？然后进入“感知—建议—行动—衡量—再校准”循环。真正的智能不在首次精度，而在持续学习。
六、警惕算法偏见
“可见”不等于“公平”。若历史数据中某类技术岗女性稀少，模型可能将此视为规律；若过度依赖现有岗位绩效，非典型经历和隐性潜力仍会被埋没。AI用好了可提透明、减偏见，用不好则放大碎片化、侵蚀信任，甚至固化偏见。主张隐私、公平和信任必须“设计即治理”，而非事后补救。因此，负责任系统应守住底线：数据使用须知情、推荐可解释、员工可纠错、高影响决策不得由算法独断。AI是雷达，不是法官。
朴谷观点
人才可见性已成为数字时代组织效能的核心瓶颈。多数企业并非人才储量不足，而是人才配置系统的“分辨率”过低，无法穿透岗位标签、部门边界和静态档案的遮蔽。AI在这一议题上的真正价值，不是替代HR的判断，而是大幅提升组织对自身能力存量的感知精度与响应速度。
然而，技术只是必要条件，远非充分条件。有效的AI人才管理，必须建立在清晰的业务场景、可验证的决策闭环和严格的治理框架之上。脱离业务问题谈技能图谱，容易陷入数据沼泽；缺乏人工制衡的算法推荐，则可能将历史偏见放大为系统性问题。最务实的起点，是在一个具体业务痛点中，用90天跑通“感知—匹配—决策—复盘”的完整链路，让能力识别与业务结果形成正反馈。
更根本的转变在于管理哲学：HR需从“管人”走向“连人”，从维护岗位秩序的守门人，转型为激活能力网络的架构师。那些率先完成这一认知跃迁的组织，将具备一种难以复制的竞争优势——不是拥有最多人才，而是最善于让人才在正确的时间、以正确的组合，流向正确的价值命题。这既是AI赋予组织的新能力，也是对HR专业性的新要求。
Disclaimer: The information provided in this article is for general informational purposes only and does not constitute financial advice.