目录
课程简介
AI 正在重塑人力资源管理。这门课程将带您了解 AI 在 HR 的应用，从招聘筛选到绩效评估，从员工体验到流失预测，让您用 AI 提升 HR 效率和员工体验。
学习目标：
- 了解 AI 在 HR 的应用场景
- 掌握 AI 招聘和面试
- 学会 AI 绩效评估和薪酬分析
- 了解 AI 流失预测
- 重视 HR AI 的伦理合规
27.1 HR AI 概述
为什么学_this？
了解 AI 在 HR 的整体应用。
核心教学
AI 在 HR 的应用场景：
招聘与甄选
- 简历筛选
- AI 面试
- 人才匹配
员工管理
- 入职培训
- 绩效评估
- 员工体验
薪酬与福利
- 薪酬分析
- 市场比较
- 福利优化
人才预测
- 流失预测
- 技能缺口
- 继任规划
HR AI 的价值：
- 招聘效率提升 50%
- 员工满意度提升
- 流动率降低
- 决策更客观
商业范例
一家拥有 12 间门市的连锁健身中心，过去教练流动率高达四成，招募与排班长期靠人工处理，旺季常出现人力缺口与学员流失。
- 导入 AI 履历筛选与视讯初审：招募周期由 21 天缩短至 9 天，到职率提升 35%。
- 以 AI 预测各时段来客量并自动排班：高峰时段人力覆盖率由 78% 提升至 96%，加班费降低 18%。
- 用 AI 分析教练留任风险并推播个人化激励方案：年度流动率由 40% 降至 26%。
- 建置 AI 员工问答助理处理薪资与排班咨询：HR 行政工时每月减少 42 小时。
小技巧
先从招聘筛选切入，ROI 最直接。三到五条实操贴士如下：
- 用 ChatGPT 改写职缺描述，输入“请将下列 JD 改写为 150 字内、聚焦成果的版本”。
- 请 Claude 比对履历与 JD，prompt 写“列出符合与缺口各三点，附原文依据”。
- 面试题库交给 ChatGPT 生成，指定“依职能出五题行为面试题并附评分标准”。
- 用 Notion 建候选人数据库，字段设阶段、来源与下一步。
- 以 Zapier 串接表单与 Notion，新履历自动建立卡片并通知。
练习题
本节摘要
- AI HR 应用：招聘、员工、薪酬、预测
- 招聘效率提升 50%
- 从招聘筛选开始
商业实战 Prompt：立即试
你是一位具有 10 年经验的 [领域] 顾问，服务对象为香港中小企业。
我的情况：[一句描述业务现状]。
目标：[具体目标]。
请（1）指出我目前最大的一个错位（2）提供我 3 个按成本效益排序的行动（3）每个行动注明预期效果及风险。
这条结构适用于本课程所有场景 — “错位→行动→风险”三段式输出可以直接作为决策会议议程。
| 阶段 | 人手做法 | AI 协作做法 | 预期效果 |
|---|---|---|---|
| 资料收集 | 逐个网站/报告翻查（2-4 小时） | AI 搜索+汇总+来源标注（15 分钟） | 时间 -85% |
| 初稿制作 | 由零写起（1-2 小时） | AI 输出 3 版初稿，人员选择及修改（20 分钟） | 时间 -70% |
| 审核把关 | 自己核对全部（易漏） | AI 逐项自查+人抽查关键位 | 品质更稳定 |
| 迭代优化 | 成稿重写 | 针对性局部修改（实时） | 迭代速度快 5 倍 |
落地检查清单
- 我完成了“人手对比 AI 协作”的时间对比实测（记录实际分钟数）
- 我建立了此场景的个人 prompt 模板
- 我知道哪些输出必须人手复核才可以使用
- 我节省下的时间已安排用于做更高价值的工作（而非闲置）
常见错误AI 输出的内容就直接使用，不进行核对
正确做法事实、数字、承诺类内容必须人手核实 — AI 输出是草稿而非成品
常见错误一开始就追求完美 prompt
正确做法先跑先学：用住再改，三次迭代后自然接近理想
27.2 招聘筛选
为什么学_this？
AI 能大幅提升招聘效率。
核心教学
AI 招聘筛选的应用：
简历筛选
- AI 自动读取简历
- 提取关键技能
- 匹配职位要求
人才匹配
- AI 匹配候选人
- 评分排序
- 推荐最佳
初步评估
- AI 初步评估
- 筛选不合格
- 节省人工
候选人管理
- 自动通知
- 安排面试
- 更新状态
商业范例
一家连锁健身品牌快速展店，每月收到超过 800 份履历，人资团队仅 3 人，过去常因筛选不及而错过优秀教练。
- 导入 AI 履历筛选：自动比对证照与经历，初筛时间由 6 天缩短至 3 小时
- 建立职能标签：针对教练、柜台、行销三类职缺建模，媒合准确率达 88%
- 自动排序候选人：面试邀约率提升 35%，录取者到职后三个月留存率提高 22%
- 异常履历警示：辨识重复投递与资料矛盾，节省人资约 40% 复核工时
小技巧
- 用 ChatGPT 批次改写职缺描述，统一关键词再喂给筛选模型。
- Claude 读取履历后，要求输出评分表并标注证据句，方便人工复核。
- 在 Notion 建候选人数据库，字段记录 AI 分数与复核结论。
- 用 Zapier 把表单新履历自动送入 AI 初筛，通过者才通知人资。
- Prompt 加上“仅依职缺条件评分，不推测年龄性别”，降低偏误。
练习题
本节摘要
- AI 招聘筛选：简历、匹配、评估、管理
- 筛选时间从 5 天降到 2 小时
- AI + 人工复核结合
27.3 AI 面试
为什么学_this？
AI 面试能提高面试效率。
核心教学
AI 面试的应用：
初步面试
- AI 进行初步面试
- 标准化问题
- 评估回答
语音分析
- 分析语调和情绪
- 评估沟通能力
- 提供洞察
技能评估
- AI 测试技术能力
- 评估解决问题
- 客观评分
面试记录
- AI 记录和转录
- 生成报告
- 辅助决策
商业范例
一家连锁健身中心在全台拥有 18 间分店，每年需招募超过 300 名健身教练与柜台人员。过去人资团队仅 3 人，履历初筛与电话面试常拖延两周以上，导致热门教练人选被同业抢走。
- 做法：导入 AI 视讯面试进行初筛，评估 320 名候选人的表达力与服务情境反应，初筛时间从 14 天缩短至 3 天。
- 做法：以 AI 自动评分排序候选人，人资仅需复试前 25% 高分者，面试工时减少 68%。
- 做法：针对教练职缺加入动作示范录像评分，录取者试用期通过率由 61% 提升至 82%。
- 做法：AI 面试纪录同步至门市主管系统，单店招募周期平均缩短 9 天，年度招募成本降低约 24 万元。
小技巧
- 用 ChatGPT 生成题库后，请人资逐题改写成公司专属情境题。
- 在 Claude 贴上职缺与履历，请它列出三项待追问的疑点。
- 评分表用 Notion 建立，每题设 1-5 分与必答关键字。
- 面试链接与提醒信交给 Zapier 自动寄送，减少人工作业。
- Prompt 注明“仅供初筛参考，最终由人资复核”再输出结果。
练习题
本节摘要
- AI 面试：初步、语音分析、技能评估、记录
- 节省面试时间 70%
- 最终决策仍需人工
27.4 入职培训
为什么学_this？
AI 能提升入职培训效率。
核心教学
AI 入职培训的应用：
自动化入职
- 自动发送文件
- 自动建立账号
- 自动安排培训
新员工助手
- AI 回答问题
- 引导流程
- 提供信息
个性化培训
- 根据岗位制定
- 个人化进度
- 持续学习
培训追踪
- 追踪完成情况
- 评估效果
- 提醒进度
商业范例
一家拥有 12 间门市的连锁健身中心，过去新人教练报到后得花三天跑纸本流程、等排班系统开通，还常因不熟悉场馆规范而延误带课，导致首月离职率偏高。
- 做法：导入 AI 入职助手自动推播场馆安全规范与器材操作测验，新人当天即可完成必修课，培训完成率由 68% 提升至 94%。
- 做法：以 AI 对话模拟会员接待与突发状况应对，新人上线前完成 15 组情境演练，客诉率下降 32%。
- 做法：串接排班与证照系统，AI 自动提醒补件与复训时程，行政作业时间由 3 天缩短至 4 小时。
- 做法：提供 24 小时 AI 问答助手，新人首月提问响应时间从平均 6 小时降至 3 分钟，首月留任率提升 21%。
小技巧
- 用 Notion 建立“新员工 Q&A”页面，将常见问题分成账号开通、薪资福利、请假流程三类。
- 把 FAQ 内容贴进 ChatGPT，请它改写成语气亲切的问答，再汇入页面。
- 用 Zapier 串接表单与 Slack，新员工送出问题时自动通知 HR 并记录。
- 在 Claude 输入“依以下手册回答问题，不确定就说请洽 HR”，生成助手提示词。
练习题
本节摘要
- AI 入职：自动化、助手、个性化、追踪
- 入职从 2 天缩短到 2 小时
- 建立新员工助手
27.5 绩效评估
为什么学_this？
AI 能提升绩效评估的客观性。
核心教学
AI 绩效评估的应用：
客观评估
- AI 基于数据评估
- 减少主观偏见
- 更公平
持续追踪
- 持续追踪绩效
- 实时反馈
- 早期预警
智能建议
- AI 提供改进建议
- 培训推荐
- 发展规划
360 评估
- 整合多维度数据
- 综合分析
- 全面评估
商业范例
一家连锁健身中心拥有 12 间分店、约 350 名员工，过去教练与柜台人员的考核高度依赖店长印象，导致流动率高、跨店调动争议频传。导入 AI 绩效评估后，系统整合会员续约率、课程出席与客诉纪录，建立一致的评分基准。
- 做法：以续约率与课程达标率自动计分，取代店长主观打分，考核争议案件减少 65%。
- 做法：每月自动产出个人回馈报告，教练平均续约率由 58% 提升至 71%。
- 做法：跨店数据统一比对，店长完成考核工时由每季 18 小时降至 5 小时。
- 做法：针对低分项目推送培训课程，员工年度留任率提升 14%。
小技巧
- 用 ChatGPT 拟 prompt：“根据以下 KPI 数据，列出三项具体表现与两项待改进，语气中立”。
- 把主管评语丢进 Claude，请它标出偏见字眼并改写成可佐证的句子。
- 在 Notion 建评语模板库，用 Zapier 自动把表单回复汇入对应员工页面。
- 要 ChatGPT 产出评语后，逐条核对原始数据，删掉无纪录支撑的推论。
练习题
本节摘要
- AI 绩效评估：客观、追踪、建议、360
- 减少主观偏见
- 最终决定需管理者
27.6 员工满意度调查
为什么学_this？
了解员工满意度能改善管理。
核心教学
AI 满意度调查的应用：
自动调查
- 自动发送调查
- 定期进行
- 收集回馈
情感分析
- AI 分析回复
- 识别情绪
- 发现问题
趋势分析
- 追踪满意度趋势
- 识别变化
- 预警
行动建议
- AI 提供建议
- 改善员工体验
- 提升满意度
商业范例
一家连锁健身中心，全台 18 间分店、约 420 名员工，长期面临教练流动率高与跨店支持意愿低的问题，总部却只能靠一年一次的纸本问卷掌握状况。人资部导入 AI 满意度系统后，把离职率从 32% 降到 21%。
- 做法：每月自动推播 8 题短问卷给全体员工，回收率由 41% 提升至 87%。
- 做法：以情感分析标记留言，两周内找出排班与奖金说明的 5 大争议点。
- 做法：针对高风险分店启动主管会谈，三个月内该类分店离职率下降 9 个百分点。
- 做法：将改善结果回馈给员工，内部推荐入职件数较前一年增加 34%。
小技巧
- 用 ChatGPT 贴上 50 则回馈，下指令“归纳 5 个主题并标注出现次数”。
- 要求 Claude 标出每则回馈的情绪正负向，快速定位抱怨集中点。
- 把 AI 整理结果丢进 Notion 建表，依主题与情绪字段排序追踪。
- 用 Zapier 串接表单，新回馈一进来就自动送 ChatGPT 分类。
练习题
本节摘要
- AI 满意度：自动调查、情感分析、趋势、建议
- 满意度提升 25%
- 分析开放式回馈
27.7 薪酬分析
为什么学_this？
AI 能优化薪酬策略。
核心教学
AI 薪酬分析的应用：
市场比较
- 比较市场薪酬
- 识别差距
- 建议调整
内部公平
- 分析内部公平
- 识别偏差
- 平衡薪酬
薪酬预测
- 预测薪酬趋势
- 规划预算
- 优化结构
激励优化
- 分析激励效果
- 优化奖励
- 提升积极性
商业范例
一家拥有 12 间分店、约 350 名员工的连锁健身中心，长期面临教练与柜台人员流动率偏高的问题。人资主管发现各分店薪资结构不一致，却缺乏客观依据来调整，导致招募成本不断攀升。
- 做法：以 AI 分析各职级薪酬与市场中位数落差，找出 8 个低于市场 12% 的职位；结果：关键职位留任率提升 18%。
- 做法：建立绩效与薪酬连动模型，自动标示同工不同酬情形；结果：内部薪酬公平性投诉减少 40%。
- 做法：模拟调薪方案对人力成本的影响；结果：年度薪酬预算精准控制，超支降低 9%。
- 做法：每月自动产出流动风险预警名单；结果：主动慰留成功率高达 65%，整体流失率下降 15%。
小技巧
用 AI 做薪酬分析时，这些实操技巧能省下大量时间：
- 把职位说明贴进 ChatGPT，要求输出市场薪酬区间并附推论依据。
- 用 Claude 分析内部薪酬表，prompt 写“找出同职级薪资差异超过 15% 的案例”。
- 将薪酬资料汇入 Notion 建立仪表盘，搭配 Zapier 自动同步更新数据。
- 请 ChatGPT 生成调薪沟通话术，指定语气与受众后再人工微调。
练习题
本节摘要
- AI 薪酬分析：市场、公平、预测、激励
- 流失降低 15%
- 制定公平薪酬
27.8 流失预测
为什么学_this？
预测流失能提前挽留人才。
核心教学
AI 流失预测的应用：
风险识别
- AI 识别流失风险
- 综合多维度数据
- 早期预警
原因分析
- 分析流失原因
- 识别驱动因素
- 针对性改善
挽留建议
- AI 提供挽留建议
- 针对性措施
- 提升保留率
人力规划
- 预测人员需求
- 提前招聘
- 避免断层
商业范例
一家拥有 1,200 名员工的连锁健身品牌，近两年教练与柜台人员流动率偏高，单店每年重新招聘与培训成本超过 180 万元，且资深教练离职常带走固定学员。
- 做法：以排班、加班、客诉与考核资料建立流失风险模型，每周更新名单。结果：成功识别 82% 的高风险员工，提前 4 至 6 周预警。
- 做法：对高风险员工启动主管一对一访谈与弹性排班调整。结果：高风险群实际离职率由 34% 降至 21%。
- 做法：针对任教 2 年以上教练提供分润与进修补助。结果：资深教练留任率提升 27%，学员续约率连带增加 9%。
- 做法：每季回测模型准确度并修正特征权重。结果：整体流动率一年内降低 30%，人均招聘成本减少约 1.4 万元。
小技巧
- 用 ChatGPT 把离职访谈纪录转成风险标签，例如“主管冲突、薪资不满、通勤过长”。
- 在 Claude 贴上职称与年资，请它列出五个流失前兆指标，再对照内部数据。
- 用 Zapier 串接打卡与请假系统，连续异常自动发 Slack 提醒 HR。
- 在 Notion 建立风险仪表盘，每月更新分数并标注已介入的留才行动。
- Prompt 写法：给 AI 三个月出勤、加班、考核数据，要求输出高风险名单与理由。
练习题
本节摘要
- AI 流失预测：风险识别、原因、挽留、规划
- 识别 80% 流失风险
- 提前挽留
27.9 组织设计
为什么学_this？
AI 能优化组织结构。
核心教学
AI 组织设计的应用：
技能分析
- AI 盘点技能
- 识别缺口
- 规划发展
编制优化
- AI 分析编制
- 优化结构
- 提升效率
继任规划
- AI 预测退休
- 规划继任
- 避免断层
团队优化
- AI 分析团队
- 平衡负载
- 提升协作
商业范例
一家拥有 120 间门市的连锁健身品牌，近年展店速度快，但教练流动率达 35%，店长常抱怨排班与培训资源错配，总部也难以判断哪些职能真正影响续约率。
- 技能盘点：以 AI 分析 480 位教练的证照、授课纪录与会员评价，找出高续约门市必备的 6 项核心技能，补齐缺口后新人留任率提升 22%。
- 人才发展：依盘点结果自动生成个人化培训路径，每月推送 4 门微课程，完训率从 41% 提高到 78%。
- 组织调整：将 12 间低效门市改为三人小组编制，并由 AI 建议跨店支持排班，人均产值增加 15%。
- 决策仪表盘：总部每周检视技能与绩效关联，把资源集中在前 20% 关键职能，年度培训成本降低 18%。
小技巧
- 用 ChatGPT 梳理职责重叠，输入“列出以下三个职位的重叠任务”。
- Claude 读取访谈逐字稿，整理各部门痛点与协作断点。
- Notion 建立组织图数据库，字段含汇报线与代理人。
- Zapier 串接表单，自动通知职责异动的相关主管。
- Canva 绘制候选组织图，供会议现场实时比对讨论。
练习题
本节摘要
- AI 组织设计：技能、编制、继任、团队
- 识别技能缺口
- 策略需人主导
27.10 伦理与合规
为什么学_this？
HR AI 必须重视伦理和合规。
核心教学
HR AI 的伦理风险：
偏见
- AI 可能产生偏见
- 需检查和消除
- 确保公平
隐私
- 员工数据保护
- 取得同意
- 合规处理
透明
- AI 使用透明
- 告知员工
- 可解释
法律
- 遵守劳动法规
- 反歧视法律
- 合规使用
伦理最佳实践：
商业范例
一家连锁健身中心拥有 18 间分店与约 420 名员工，过去教练排班与续约预测全靠店长经验，常出现热门时段人力不足、冷门时段过剩，且会员资料被跨店任意调阅，引发隐私争议。
- 做法：导入 AI 排班与续约预测前，每季以历史资料检测性别与年龄偏见，并由人资与法务复核。结果：偏见告警由每季 11 件降至 2 件。
- 做法：会员与员工资料分级加密，跨店调阅须二次授权并留存纪录。结果：未授权存取事件由每月 7 起降为 0 起。
- 做法：向员工与会员揭露 AI 用途与申诉管道，并保留人工复核排班争议。结果：相关申诉由每月 15 件降至 4 件，处理时效缩短至 3 天内。
- 做法：每年执行两次合规稽核，对照个人资料保护法与劳动法规。结果：缺失项目由 23 项减至 3 项，全数于 30 天内完成改善。
小技巧
- 用 ChatGPT 生成招募文案前，先以 prompt 要求“去除年龄、性别、婚姻暗示词”，再人工复核。
- 把候选人资料输入 Claude 分析时，先删除姓名、照片与身份证号，仅保留职能关键字。
- 在 Notion 建立 AI 使用纪录表，逐笔登记工具名、prompt 与输出，供合规稽核调阅。
- 用 Zapier 设定警示，凡涉及种族、健康、宗教字段被 AI 引用时自动通知法务。
练习题
本节摘要
- 伦理风险：偏见、隐私、透明、法律
- 最佳实践：审核、保护、透明、监督、合规
- HR AI 重视伦理
27.11 课程总结
课程总结
下一步学习
- C-28 AI 教育与企业培训：培训应用
- C-30 AI 专案管理与导入：专案管理
- C-29 AI 资安风险与防护：安全
© 2026 Buddylala.ai — Build Your AI Future, Together.