行业风向 | 你的下一位面试官，可能不是人

机器筛简历并不新鲜。真正有意思的是，如果这个AI不只是帮HR筛一下简历，而是像一个新入职的同事一样，被交代一个目标后，自己去找人、沟通、打分、汇报结果呢？

最近，元企AI推出了第一款产品“超级HR”。它不是一个只解决单点环节的工具，而是试图像一个员工一样接下任务：拆解岗位需求，去招聘平台找人，看你的项目经历，给你打一个匹配分，再把“是否值得继续沟通”的理由交给人类HR。

“最近几年和企业家聊天，大家最常聊的就是降本增效。与此同时，很多岗位也存在人的不确定性，比如请假、离职，有些很重要的岗位突然离职，会影响企业业务推进。”这是陈猛与各个企业家交流后发现的问题。那么，企业有没有可能拥有一个更稳定的岗位形态，让企业更稳定，而且成本更低？

陈猛告诉“未来人类实验室”，在调研中他们发现，猎头或人力资源服务公司前段找人和沟通可能占掉大量时间。对HR和猎头来说，招聘前段的大量工作并不性感。找简历、翻简历、初筛、沟通、推进面试、整理候选人，这些事耗时、重复，却不一定产生最高价值。

如果这部分工作能交给AI，人的时间就可以被释放到更需要判断和关系处理的地方：理解业务需求、和客户对齐岗位画像、判断候选人是否适合组织，以及促成最终成交。

很关键的一点是，它得像个人。用户不是让它“帮我筛一下简历”，而是直接给它一个任务：我要招一个电子工程师。然后它自己拆任务、去平台找人、筛简历、看项目经验、打分排序、汇报结果，再让人确认下一步。换句话说，它不是嵌在平台里的工具，而是围绕“招到合适的人”这件事往前推进。

但一个新员工刚入职，也不可能第一天就完全懂公司。元企AI对超级HR的理解也是如此。它不是一上来就变成一个满分员工，而是需要在和企业的持续交互中，慢慢理解这家公司到底想要什么样的人。比如同样招产品经理，有的公司更看重大厂经验，有的公司更看重创业公司里从0到1把事情跑通的经历；有的岗位学历是硬门槛，有的岗位项目经验更重要。

“目前行业对数字员工存在两个极端概念，一个是过度悲观，一个是过度乐观。”陈猛告诉“未来人类实验室”。他认为短期内，Agent可能主要解决局部的、重复的、可标准化的环节。之后才可能逐步进入更完整的业务流程。不能因为技术有缺陷就否定方向，也不能因为技术进步就说马上能实现。

陈猛也承认，客户最关心的就是两件事：幻觉和数据泄露。企业没有的福利，AI不能凭空说有；企业是单休，AI不能说成双休。企业交给数字员工的账号和招聘数据，也不能被泄露或滥用。

超级HR只是一个开始。元企AI接下来还想把这套能力复制到财务、法务、销售等企业基础岗位。它已经完成种子轮数百万元融资，正在推进天使轮融资。

它的长期设想，是让企业用自然语言生成不同岗位的数字员工。而一个AI进入组织之后，能不能被管理、被限制、被评价，也能在出错时被追踪，正是它能否在企业的业务流中落地的关键要素。

普通工具可能帮你做一个环节，比如筛一下简历、写一段话、生成一份报告。但数字员工是任务导向的。你不是让它“帮我筛一下简历”，而是告诉它“我要招一个电子工程师”。它需要围绕这个目标，自己去拆解任务、找人、筛选、沟通、打分、总结，并把结果交付给人。

现在市面上很多做超级数字员工的公司，其实做的是工作流，只能完成一些环节。比如RPA、淘宝客服这类，有很多地方需要人介入，不能自己闭环完成一个工作。

我们希望它像人一样独立完成一个闭环工作。比如我让一个人类HR招一个财务或行政，他的目标肯定是招到这个人为止。中间如果他对需求有误解，再和我确认、及时修正，但最后交付物应该是一个完整候选人，而不是每一步都来问我。

比如一个资深招聘HR，年薪可能五六十万、六七十万。我们希望一年5万到10万元以内，就能把这个成本包住。它可能能顶80%的资深HR，但成本只有那个HR的20%。这样才是真正能帮到企业，而不是一个面子工程。

比如从一个招聘漏斗看，可能一开始有1万个人，其中对公司有意向的大概200个；这200个里面，公司感兴趣的可能30个；这30个经过几轮沟通，双方都OK的可能5到6个。

我们解决的是从一两千人到三四百人，甚至到30人的这段工作。比如找简历、筛简历、判断匹配度、做初步沟通、整理结果。最后候选人来不来，还要看HR怎么和他沟通，怎么推销公司，怎么判断价值观是否匹配。

目前AI可以通过简历和初步沟通帮你兜住底线，但上限判断仍然需要人。比如你希望销售是严谨型、数据型，还是春风化雨型，这种偏好需要人做最终决策。

如果一个资深HR自己用大模型手搓一个AI招聘产品，产品力可能也能接近我们。但直接用大模型非常耗token，而且它不会长期记住你的偏好，每次都要重新磨合。

一个十几二十人的中小企业，正常一年可能只招六七个人。让它花一万多或三万块买一个专业版，并不一定划算。老板自己空的时候看一看，也能处理。

但猎头不一样。猎头招得越多，赚钱越多。他们有大量招聘需求，也有很强的效率诉求。大厂的专门招聘团队、快速扩张的创业公司招聘团队，也有类似需求。

我们的最终目标是服务中小企业，但中小企业不会在A公司买AI招聘、B公司买AI法务、C公司买AI销售。我们希望未来把AI人力、财务、销售、品宣做成一个综合岗产品。到那个时候，中小企业过去可能要找四五个员工，未来找我们一家，就可以覆盖很多基础岗位需求。

比如你问加不加班、出差频率、五险一金，过去可能要等HR几个小时，甚至等到周一。AI如果提前知道这些信息，就可以7×24小时及时回答。

人类HR处理10份简历时，可能还能高效、温柔地回复你；处理100份时，可能就会疲惫、出错。但AI处理10份还是100份，标准都不会变。

但我们作为商用产品，会对规则限制得很死。比如公司没有的福利，它不能乱说；月薪8000的岗位，它不能随便承诺能开到2万。它可以不知道，但不能乱说。

比如老板到底更看重大厂背景，还是更看重创业公司里一个人hold住完整链路的经历？学历是必须项，还是加分项？项目经历是必须有某类技术经验，还是加分项？这些都要先讲清楚。

AI会把这些需求拆成多维度评分。比如英语能力对出海项目可能占30%到40%，但对中后台岗位可能只占5%到10%。如果第一批简历不OK，人也可以反馈给AI，AI会调整打分项。

但它也有边界。如果候选人简历上没有写出来，AI可能会把他挂掉；而人类HR通过电话追问，把隐藏经历问出来，这件事目前AI还不一定能做到。

AI更适合做匹配、初筛、整理这些前段工作。人类HR还是要做更复杂的沟通、判断和关系处理，比如理解业务需求、判断候选人和组织是否适配、把公司推销给候选人。

元企AI：首先沙盒我们会做。我们服务不同猎头，他们之间的简历信息不重叠。包括训练大模型，我们用的是脱敏后的用户行为，而不是简历本身。

云端会做相应部署。未来面对一些大客户，我们也会支持本地部署模型，这样资料根本不会上云，可以保存在公司内部。所以我们现在用很多国产开源模型，也是因为未来希望服务需要本地化部署的公司。

另外，算法层面也会做一些安全提升。我们的技术负责人之前做过一些算法研究，比如数据离散化处理、数据加密等。基础安全能力，商用产品肯定会做；一些已经公开发表的核心算法，后续也会运用进来。

比如AI PPT，去年很火，刚出来时用户数很多。但今年很多做AI PPT创业的公司已经没有那么强的存在感。因为它很容易被抄，产品生命周期也比较短。

我们公司成立之初就想好，要做产品矩阵，也要持续进化。比如我们现在比市面产品领先3到6个月，等别人摸清我们的产品后，我们已经进化到下一层，和其他公司保持代际差别。

很多所谓AI招聘产品，其实是过去SaaS公司或RPA产品重新包装出来的。比如五六年前淘宝客服可以回答几天发货、女装尺码，五年后还是只能回答这些问题，因为它本质上是配置知识库，不是自我学习和进化。

我们要做数字员工基座，让它有持续进化能力。对我们来说，关键不是包装成Agent，而是能不能进入业务流、能不能持续交付、成本能不能降下来。

很多大厂有资金、数据和资源优势，但它们也有历史包袱。我们和大厂是差异化竞争。大厂更多瞄准大中型客户，我们更希望做AI平权，服务中小用户。

基础蓝领工作和基础白领工作，未来一定会被AI和机器人影响。AI应用会影响基础白领工作，机器人会影响基础蓝领工作。这是一个大的方向。但具体谁能跑出来，还是要看产品能不能真实落地。