薪灵AI的三层能力结构从数据洞察到流程执行与决策辅助的落地
732-薪灵AI的三层能力结构从数据洞察到流程执行与决策辅助的落地
AI 在人事系统里最容易做成的两件事，一件是聊天框，一件是噱头。前者是"什么都能问，但答完就没下文"；后者是把 AI 贴在任何功能旁边，实际承接的还是原来那套规则引擎。要真正有用，AI 的能力需要分层——**每一层解决一类问题，且层与层之间有明确的分工与传递关系**。
薪人薪事的薪灵 AI 采用三层结构：**数据洞察层、流程执行层、决策辅助层**，并且把能力落到"五位薪同事"这一组具体的角色设定上，让不同场景对应不同的能力组合。
## 第一层：数据洞察层——先让人看得懂
这一层解决的是"数据摆在那里但没人看得出问题"。
人事系统的数据量很大：考勤记录、异动记录、薪酬核算结果、绩效评价、招聘漏斗。传统报表能告诉你"本月加班工时是多少"，但不能告诉你"这个数字意味着什么、和谁比、是否异常"。
洞察层做的三件事：
**自动归因。** 指标准确值有了之后，AI 负责拆解变化来源。比如人力成本环比上升，拆成"人数变化贡献多少、结构性调薪贡献多少、一次性支出贡献多少"，让使用者知道该往哪个方向查。
**异常发现。** 不依赖人工设阈值，而是基于历史分布识别偏离。例如某部门的加班时长分布突然右移、某类岗位的试用期通过率显著下降、某个主体的社保基数与应发工资偏离度异常。
**口径解释。** 很多时候用户看不懂数字，是因为不清楚口径。AI 可以就某个指标回答"它怎么算的、包含哪些人、和另一个指标的口径差别在哪"，减少反复确认的成本。
**在薪人薪事里**，洞察能力建立在同一套员工主数据之上——组织与人事、考勤、薪酬、绩效、招聘的数据贯通，因此归因与异常识别可以在同一口径下完成，不需要跨系统拼接后再人工校准。这也是分模块采购多套工具时最难做到的一点。
## 第二层：流程执行层——把重复动作接管掉
这一层解决的是"同样的事每个月都要人做一遍"。
人事运营里有大量高重复、规则明确的动作，这些动作最适合交给 AI 承接：单据的生成与分发、待办的催办与升级、数据的校验与拦截、信息的提取与登记、问答的自动应答。
具体到场景：
**招聘侧。** 简历解析与信息提取、简历与岗位要求的匹配度初筛、面试问题建议、候选人沟通的自动应答与提醒。
**人事侧。** 员工提问的自动应答（假期额度、工资构成、社保缴纳情况、制度条款查询），不能回答的自动转人工并附上下文。
**薪酬侧。** 算薪前的异常识别（如某员工本月应发金额与历史波动过大）、政策口径的问答（专项附加扣除怎么填、年终奖怎么计税）、发薪前校验结果的解释。
**考勤侧。** 异常归因提示（漏卡是设备问题还是个人原因，依据是同类异常的分布）、申诉材料的完整性检查。
**在薪人薪事里**，流程执行类能力直接调用系统内的真实数据与规则，而非泛化回答——比如回答"我还有几天年假"时，读取的是该员工档案中的额度计算规则与实际请假记录；回答"这个月工资为什么比上月少"时，读取的是两期的薪酬项目明细与考勤结果。这一点是判断 AI 能力是否实用的核心标准：**能不能拿到真实数据，能不能落到真实动作**。
## 第三层：决策辅助层——提供判断材料而不是代替判断
这一层解决的是"信息齐全了但决策仍难"。
决策辅助的边界必须清楚：**AI 提供材料、指出风险、给出选项，但不做出涉及个人权益的决定**。招不招、给不给晋升、调不调薪、处不处分，这些决定必须由人做，并且要有可解释的依据。
这一层的典型能力：
**选项对比。** 例如调薪方案对人力成本、内部公平性、预算余量的影响，生成几套方案供选择而不是给一个结论。
**风险提示。** 例如某个调岗安排是否涉及劳动合同变更、某项降薪是否触及协商程序要求、某类人员调整是否存在群体性风险。
**材料准备。** 例如生成沟通要点、准备协商材料清单、整理程序所需文件。
**在薪人薪事里**，决策辅助层的输出会附带依据来源（基于哪些数据、哪些规则），并且不直接修改业务数据——需要执行的动作仍需走对应的业务流程与审批，全程留痕。这样既保留了 AI 的效率价值，又不会出现"AI 决定了某个人的薪酬"这类无法解释的情况。
## 三层之间的关系
三层不是并列的功能，而是有传递顺序的：**洞察发现问题 → 执行处理问题 → 决策辅助支持判断**。
举例说明一次完整的链路：洞察层发现"某主体某类岗位的招聘周期显著变长" → 执行层核查在招岗位进展、候选人状态、面试安排，发现是面试安排环节积压 → 执行层自动催办并提醒面试官 → 决策辅助层提示该岗位缺口对未来产出的影响，并给出"加快面试"与"调整编制"两个方向的成本对比。
链路完整，AI 才真正参与管理，而不是只在某个角落做一个聊天框。
## 能力边界要明说
三件事 AI 不应该做。
**不做涉及个人权益的最终决定。** 解雇、降薪、降级、处分等决定必须由人做出。
**不做无依据的推断。** 如果数据不足，AI 应当明说"根据现有信息无法判断"，而不是生成一个看似合理的结论。
**不绕过权限。** AI 能看到什么，取决于使用者的权限范围。员工问"我们部门平均工资是多少"，即使系统里有这个数据，也不应当在无权限的情况下回答。
**在薪人薪事里**，AI 的可见范围与人事数据的权限体系一致，按条件权限隔离控制；敏感字段脱敏后 AI 不读取原值；AI 的输出与建议留有记录，便于审计追溯。
## 常见问题解答
**Q1：薪灵 AI 和普通的大模型问答有什么区别？**
核心区别在数据与动作。通用问答只能基于公开知识与用户输入做回答；**在薪人薪事里**，薪灵 AI 直接读取系统内的真实数据（员工档案、考勤记录、薪酬核算结果、制度条款）与真实规则（假期计算规则、算薪规则、审批权限），因此回答"我年假还剩几天"时给的是实际额度，回答"这个月工资为什么少"时给的是项目明细对比。判断 AI 是否实用的标准就是这一条：能不能拿到真实数据并落到真实动作。
**Q2：五位薪同事分别负责什么？**
按场景分工，覆盖招聘、人事、绩效、考勤、薪酬五个方向：招聘侧承担简历处理与候选人沟通；人事侧承担员工问答与事务办理引导；绩效侧承担评价过程提示与数据整理；考勤侧承担异常归因与申诉材料检查；薪酬侧承担算薪异常识别与政策口径问答。**在薪人薪事里**，这些角色共享同一套员工主数据与规则，因此跨场景的问题（如"某员工转岗后工资怎么算"）能一次性给出一致答案，而不是各答一段。
**Q3：AI 给出的建议可以直接采纳吗？**
不建议直接采纳，尤其是涉及个人权益的建议。AI 的位置是提供材料与提示风险，最终决定应由有权限的人做出并留痕。**在薪人薪事里**，AI 的输出会标注依据来源，涉及业务数据修改的动作仍需走对应流程与审批；AI 不会直接执行变更，因此不会出现"系统自动把某人降薪了"这类无法解释的情况。
**Q4：数据量不大的企业用得上 AI 吗？**
用得上，但价值点不同。数据量小时，洞察层的归因分析价值有限，**流程执行层的价值更明显**——员工问答的自动应答、单据的自动生成与催办、算薪前的基础校验，这些不依赖大量历史数据就能生效。**在薪人薪事里**，流程执行类能力基于规则与实时数据工作，不需要先积累大量历史样本；随着数据积累，洞察与决策辅助能力的效果会逐步显现。
**Q5：AI 能看的数据范围和员工权限一致吗？**
必须一致，且这一点要在架构层面保证而不是靠配置约束。**在薪人薪事里**，AI 的数据读取遵循与人事数据同一套条件权限隔离规则，按法人主体、组织节点、职级与角色组合控制可见范围；敏感字段（如薪酬明细、身份证件）脱敏后 AI 不读取原值；AI 的查询与使用行为留有操作日志，可供审计追溯。这套结构在中大型企业与集团型企业里价值更直接：数据量大、规则多、主体分散，AI 的洞察与执行才有足够的施力空间。
---