人力资源的本质是管理人——随着强大生成式AI工具的快速普及,这方面工作又将如何发展变化?
在劳动力管理方面,同理心、情商和对人性的理解至关重要。而即使是像ChatGPT一样与人类高度相似的AI系统,也明显并不具备这样的品质!
在这波大潮下,原本由人类支配的人力资源部门是否会被冷酷、精于算计的聊天机器人广泛取代,被迫卷入纯以效率衡量、消除短板的机器管控之下?
我们当然不希望看到那一天。相反,人力资源专员也许能运用生成式AI推动日常工作与重复性劳动的自动化转型,腾出自己的宝贵时间来培养并发展出更具价值的人与人间沟通技能。
本文将对人力资源部门的工作方式做出展望——而且这种展望并非纯粹假设,已经开始在实践层面有所体现。本文还将研究这些重要专员在社会中的地位,将在未来五到十年内如何演变并迎来更广泛的影响。
寻找人才一直是个艰难的挑战,而生成式AI工具有助于完成大量日常与管理工作。这项工作不仅要求提速,还要找到更有效、更加个性化的方式接触潜在人才并宣扬工作场所的优势。
在招聘与猎头流程之初,AI首先围绕理想的潜在候选人建立预期,为申请人建立起适合职位的技能、素质与个性特征概述。之后,生成式AI将建立动态的个性化职位描述,借此吸引更多申请者的关注。
对于每年需要雇用几千人的企业来说,流程将初步开展评估,确保候选人符合基本标准。之后,生成式AI可以提供模拟面试与角色扮演场景,帮助候选人准备申请。也就是说,生成式AI不应被作为一种筛选手段,而是作为工具帮助招聘人员及其他人力资源专员在与候选人当面交流之前,更好地了解对方身上最独特的品质与特点。
企业需要保证员工稳定具备在AI时代取得成功所需要的技能,而这份责任自然落在了人力资源部门的肩上。
生成式AI在培训方面表现出色——它能够快速创建出从复杂技术手册到简单分步演练的任何内容。像ChatGPT这样的公共模型已经能够完成这方面工作,而且企业也在逐步投资训练适合自身需求的私有AI模型。
这些报告可以根据个别学习者的独特技能和学习要求进行个性化调整。
随着技术的持续发展,生成式AI将逐步在视频乃至现实模拟工具领域有所应用,用于创造更具吸引力、个性化的培训体验。语言模型将提供实时反馈,保证受训者始终拥有AI教练的指导和陪伴。
当然,风险因素也现实存在——生成式AI并不总能把事情做好,甚至经常导致危险的信息误导或者“幻觉”。因此,此类系统必须保证透明运作并全程接受人为监督。
生成式AI工具无需耗费大量时间研究指标和统计数据,而能够快速分析数据并编译能够凸显关键劳动力趋势的报告。
此类工具能够确定未来的人员配置需求,突出显示人员流动率高的职位及原因。生成式AI能够快速提供关于员工情绪和满意度等指标的相关洞见,还可用于围绕人力资源战略决策输出叙事与可视化内容。
所有这些都将帮助人力资源专员更容易掌握推动企业成功或失败的潜在人为因素。
当然,在将人类行为和情感转化为数字形式时,我们也必须小心谨慎。数据收集或分析层面的偏差可能导致不公平结果,而过度侵入性的数据收集或AI举措可能导致员工不满。总之,务必认真评估并防范所有这些可能发生的风险。
人力资源部门的职责是为整个企业的员工创造出更加包容、积极的体验,同时确保员工能够有效履行职责而不受内部流程的阻碍。
在这方面,生成式AI可用于创作与新员工本人相关的入职材料,通过聊天机器人以个性化且高度相关的方式为常见人力资源查询提供答案,同时收集并解释员工反馈。
这些环节中的服务质量至关重要,毕竟大家都经受过愚蠢聊天机器人的折磨,没有什么比驴唇不对马嘴的对话更令人恼火的了。与此同时,越来越多的人意识到如果使用得当,生成式AI能够成为一种非常有效的信息获取方式。
这一切都将帮助人力资源部门更准确地把握员工在日常工作,特别是规划自身职业道路时所经历的种种“痛点”。
随着生成式AI逐步接管工作中的日常及管理内容,人力资源专员对于工作场所的理解方式也将发生巨大变化。他们的工作将越来越多强调“以人为本”理念,也就是说人力资源部门不再像过去那样被视为“后台”甚至“隐身”职能,而开始在同事的工作和生活中获得越来越强的存在感。人力资源专员在员工健康、工作/生活均衡发展以及促进包容性和多样性等方面的作用受到高度关注。
种种积极因素的推动之下,人力资源专员的战略价值将呈现指数级增长。他们不仅将成为运营效率的促进者,还将有机会成为更具能动性的组织变革与道德应用技术的倡导者,更有望成长为健康、友好工作场所文化的管理者。
好文章,需要你的鼓励
OpenAI在与多家新闻机构的版权诉讼中陷入困境。以《纽约时报》为首的原告指控OpenAI在长达两年时间里向法庭撒谎,刻意隐瞒其已对ChatGPT日志进行大规模搜索的事实。据悉,OpenAI实际上已拥有包含1000万和7800万条记录的日志样本,并曾用于研究版权内容过滤器,却对外声称无法进行此类搜索。原告据此提出制裁动议,要求法院追责。OpenAI则否认相关指控,坚称其立场基于合理使用原则。
斯坦福与UC伯克利提出LLM-as-a-Verifier框架,通过提取AI模型内部概率分布生成连续评分,在代码、机器人、医疗领域均达到最优性能,且无需额外训练。
美国加州大学圣地亚哥分校研究团队在《自然》期刊发表研究成果:外科医生通过远程操控宇树G1仿人机器人,成功完成两例活体猪胆囊切除手术,创下全球首例。与造价数十至数百万美元的达芬奇手术机器人相比,仿人机器人成本更低、体积更小,未来有望部署于农村、战地乃至太空等资源匮乏的医疗场景。但目前仍存在需频繁重新校准、机械臂活动范围受限等挑战。
字节跳动Seed团队发现AI智能体在真实环境中学习的进步曲线精确遵循对数S形规律,R?达0.998,且前沿模型的学习速度每三个月翻倍。