2026年4月3日，Josh Bersin 在播客中透露了一个细节：ServiceNow 的 HR 业务伙伴（HRBP）现在每天早晨打开工作台时，旁边坐着一位”同事”——一个接入 Galileo 实时劳动力数据和外部基准的”人员数据 Agent”。这位 Agent 不写邮件、不排日程，它做的事情是：在 HRBP 准备与业务部门负责人开会前，自动拉取该部门过去90天的离职率趋势、薪酬竞争力分位数、内部流动率与行业基准的偏差，然后生成一份带有3个优先行动建议的简报。

这不是 demo。这是 ServiceNow 在自己全球组织内部正在运行的生产系统。

利益关联披露：需要指出的是，Josh Bersin 旗下的 Galileo 平台本身是 ServiceNow HR Agent 的外部数据合作方——Agent 接入的行业基准数据正来自 Galileo。这意味着 Bersin 在报道 ServiceNow 时存在明确的商业利益关联。本文在引用其播客内容时已考虑这一因素，并尽可能交叉验证了相关信息。

如果你只把这当作又一个”AI 赋能 HR”的营销故事，你会错过真正重要的信号：HR 正在成为企业 AI Agent 落地的第一个真正的高价值、高复杂度战场——不是因为 HR 最简单，恰恰相反，是因为 HR 的数据结构、决策链路和人机信任边界，构成了检验 Agentic AI 能否在企业核心业务中站稳脚跟的终极测试。

一、发生了什么：ServiceNow 的 Agentic HR 架构拆解

1.1 从工单系统到决策协同层

ServiceNow 的 HR 产品线过去10年的核心逻辑是”工单化”——把员工入职、转岗、离职、薪酬调整等 HR 事务流程化、数字化，本质上是一个 HR 领域的 ITSM（IT Service Management）。2024年 ServiceNow 的 HR Service Delivery（HRSD）模块已覆盖全球超过1000家大型企业客户。

但 Josh Bersin 播客中描述的”人员数据 Agent”标志着一个架构层级的跃迁：从事务处理层跳到了决策协同层。

具体而言，根据播客内容和 ServiceNow 官方技术文档，这个 Agent 的技术栈包含以下几个关键组件：

数据接入层：Agent 同时接入 ServiceNow 内部的 HRSD 事务数据（工单、审批、流程状态）、Now Platform 上的员工档案与组织架构数据，以及 Galileo 平台提供的外部劳动力市场基准数据。Galileo 是 Bersin 团队基于其20年 HR 行业研究积累构建的 AI 驱动劳动力情报平台，覆盖薪酬、技能、组织设计等多个维度的行业基准。（再次提醒：Galileo 与 ServiceNow 存在商业合作关系，其播客描述可能带有推广成分。）

推理与编排层：Agent 不是简单的 RAG（Retrieval-Augmented Generation）问答。它具备多步推理能力——例如，当 HRBP 询问”工程部门的留存风险”时，Agent 会自动执行一个包含数据拉取、趋势计算、基准对比、根因假设生成的多步工作流，最终输出结构化的分析报告和建议行动项。ServiceNow 在2025年9月的 Knowledge 大会上公开演示了类似的多步 Agent 编排能力，其 Now Assist 平台支持将多个 Agent 串联为复合工作流。

人机协作界面：关键设计是 Agent 不直接执行决策。它生成建议，由 HRBP 审核、修改、批准后才进入执行流程。这不是技术限制，而是刻意的架构选择——ServiceNow 的 Global VP 在播客中明确表示，HR 决策涉及人的职业发展和生计，”最后一英里”必须由人类负责。

1.2 ServiceNow 内部的”吃自己的狗粮”

更值得关注的是，ServiceNow 不是把这个产品先卖给客户，而是先在自己的 HR 团队内部全面部署。根据 ServiceNow 2025财年（截至2025年12月31日）的10-K年报，公司全年营收约109.8亿美元，同比增长约22%。截至2025年底，公司全球员工总数约为26,000人。需要指出的是，Bersin 播客中提到的”8.5万人”可能包含了 ServiceNow 的外包合作伙伴和生态系统人员，而非仅限于直接雇员。无论以哪个口径计算，ServiceNow 的 HR 团队管理的人员规模都足以构成一个有意义的 Agent 部署测试场景。

根据 Bersin 播客的描述，ServiceNow 的 HR 团队在公司整体 AI 转型中扮演”领导角色”——不是被动接受 IT 部门推来的工具，而是主动定义 Agent 的使用场景、训练数据边界和人机协作协议。ServiceNow CEO Bill McDermott 在2025年多次公开场合强调公司”all-in on AI”的战略，并将内部 HR 的 Agent 化作为公司 AI 转型的标杆案例之一。这个细节极其重要，我们后面会展开分析。

二、为什么 HR 是企业 AI Agent 的关键战场

2.1 对立视角一：HR 太”软”，不值得 AI 重兵投入

一种常见的技术圈观点是：HR 是企业里最”非结构化”、最”主观”的领域，数据质量差、决策标准模糊、ROI 难以量化。真正的 AI 高价值战场应该在供应链优化、金融风控、制造业质检这些数据密集、反馈闭环清晰的领域。

持这种观点的人会指向 Palantir AIP 在军事和财富500强中的关键任务部署——那才是”硬核” AI Agent 的用武之地。Palantir（PLTR）2026年4月初股价约148美元，市值超过3500亿美元，投资者用真金白银投票了”AI Agent 应该去最硬的战场”。多家机构分析师（包括 Wedbush 的 Dan Ives 和 Morgan Stanley）在2026年的研报中对比了通用 AI Agent 平台与 Palantir AIP 的竞争格局，核心论点之一就是 AI Agent 的真正价值在于”关键任务决策”而非”辅助性分析”（来源: Wedbush Research, 2026-03; Morgan Stanley, 2026-03）。

这个观点有其合理性。Gartner 在2025年的企业 AI 投资优先级调查中显示，供应链和客户服务是企业 AI 投入最多的两个领域，HR 排在第5位。从纯 ROI 角度看，一个优化了全球供应链路由的 AI Agent 可能在几个月内节省数千万美元，而 HR Agent 的价值更难用单一财务指标衡量。

2.2 对立视角二：HR 恰恰是最难、也最有战略价值的 Agent 落地场景

但 ServiceNow 和 Bersin 的赌注恰恰相反。他们的逻辑是：

第一，HR 数据的复杂度被严重低估。 一个大型全球组织的 HR 数据图谱包含：组织架构（多层级、矩阵式）、薪酬结构（基本工资、奖金、股权、福利，跨40+国家的合规要求）、绩效评估（多维度、多周期、主观与客观混合）、技能画像（自评、经理评、项目经验推断）、离职风险模型（薪酬竞争力 × 晋升速度 × 管理者质量 × 市场机会）。这个数据图谱的维度和关联复杂度，不亚于一个中等复杂度的供应链网络。

第二，HR 决策的杠杆率极高。 一个错误的裁员决策、一次失败的关键人才挽留、一个不合理的组织架构调整，其成本可以是数百万甚至数千万美元。美国人力资源管理协会（SHRM）长期追踪的数据显示，员工替换成本因职级差异很大：初级岗位约为年薪的50%-60%，而高级管理和技术岗位可达年薪的150%-200%。对于一个年薪30万美元的高级工程师，这意味着45-60万美元的隐性成本，包括招聘费用、入职培训、生产力损失和团队士气影响。

第三，HR 是检验”人机信任”的终极测试。 如果 AI Agent 能在 HR 这个最敏感、最涉及人的尊严和生计的领域建立可信的人机协作模式，那它在其他任何企业领域都能站稳脚跟。反过来，如果 AI Agent 在 HR 领域翻车——比如基于有偏差的数据推荐裁员名单——其声誉损害将是灾难性的。

2.3 我的判断：HR 不是”最佳”战场，而是”必经”战场

两种观点都有道理，但都没有触及核心。我的判断是：HR 不是 AI Agent 最容易产生 ROI 的战场（供应链和金融确实更容易量化），但它是企业 AI 转型的必经之路——因为 HR 是唯一一个同时触及数据治理、决策伦理、组织变革和员工信任这4个维度的领域。

一家企业如果能在 HR 领域成功部署 Agentic AI，它就已经解决了企业 AI 转型中80%的非技术障碍。这就是为什么 ServiceNow 选择让 HR 团队”领导” AI 转型，而不是 IT 部门或者某个业务线。

这个逻辑也解释了一个看似矛盾的现象：为什么 ServiceNow（一家以 IT 工作流起家的公司）要把 HR 作为 Agentic AI 的旗舰场景？不是因为 HR 的市场规模最大（全球 HCM 软件市场约300亿美元，远小于 ERP 或 CRM），而是因为 HR 场景的成功部署能为 ServiceNow 的整个 Agent 平台提供最有说服力的”信任背书”——如果 Agent 能在 HR 这个最敏感的领域被信任，它在 IT、客服、财务等领域的推广阻力就会大幅降低。

三、大多数人没看到的：人机协作的3层重构

3.1 第一层重构：信息不对称的消除

传统 HRBP 的工作模式是这样的：接到业务部门的需求（”我需要招10个人”或”这个团队绩效不行”），然后花2-3天从不同系统里拉数据、做 Excel 分析、找 CoE（Center of Excellence）专家咨询，最后带着一份可能已经过时的报告去开会。

人员数据 Agent 消除的第一个瓶颈是信息准备时间。根据 Bersin 的描述，Agent 可以在几分钟内完成过去需要2-3天的数据汇总和分析工作。但更深层的变化是：它消除了 HRBP 与业务负责人之间的信息不对称。

过去，业务负责人往往比 HRBP 更了解自己团队的实际情况（谁在面试、谁想离开、哪个项目压力最大），而 HRBP 只能依赖滞后的系统数据和零星的对话信息。现在，Agent 通过实时接入工单数据、审批流数据、甚至员工自助服务的使用模式，可以构建一个比任何单个人类都更全面的团队健康度画像。

这意味着 HRBP 走进会议室时，不再是”来听需求的服务者”，而是”带着洞察来的战略伙伴”。这个角色转变——从服务者到伙伴——是 HR 行业喊了20年但从未真正实现的目标。Dave Ulrich 在1997年出版的《Human Resource Champions》中首次系统性地提出 HRBP 应该成为”战略伙伴”的理念，但近30年来，大多数 HRBP 仍然被事务性工作淹没。Agent 可能是第一个让这个愿景成为现实的技术杠杆。

3.2 第二层重构：决策质量的系统性提升

人类 HRBP 的决策质量受限于几个结构性因素：

  • 认知偏差：近因效应（最近发生的事情权重过大）、锚定效应（第一个数据点影响后续判断）、确认偏差（只看到支持自己观点的证据）。Daniel Kahneman 在《Thinking, Fast and Slow》中系统性地论述了这些偏差如何影响专业人士的判断质量。
  • 基准缺失：大多数 HRBP 不知道自己公司的离职率、薪酬水平与行业基准的对比情况，因为获取外部基准数据的成本很高、更新频率很低。传统的薪酬调研（如 Mercer、Willis Towers Watson 的年度报告）通常滞后6-12个月。
  • 时间压力：HRBP 的日常被大量事务性工作（审批、协调、回答员工问题）占据，真正用于战略分析的时间可能不到20%。Bersin 的研究团队在2024年的一项调查中发现，HRBP 平均每周花费超过60%的时间在事务性和行政性工作上。

Agent 通过接入 Galileo 的外部基准数据，直接解决了”基准缺失”问题。通过自动化数据分析，释放了 HRBP 的时间。通过结构化的多维度分析框架，部分对冲了认知偏差。

但这里有一个关键的设计张力：Agent 的建议是否会成为新的”锚定效应”？当 HRBP 看到 Agent 生成的”3个优先行动建议”时，她是否会不自觉地围绕这3个建议展开思考，而忽略了 Agent 没有捕捉到的信息（比如某个员工上周在茶水间的一句话暗示她在考虑离开）？

这是 Agentic HR 设计中最微妙的问题。ServiceNow 的解决方案——让 Agent 生成建议但由人类决策——是正确的方向，但远远不够。真正的解决方案需要在界面设计中明确标注 Agent 分析的置信度和盲区（”以下分析基于系统数据，未包含非结构化的管理者反馈和员工情绪信号”），并鼓励 HRBP 主动补充 Agent 无法获取的”软信息”。微软研究院2025年发表的一项关于人机协作决策的研究表明，当 AI 系统明确标注其不确定性时，人类决策者的最终决策质量比 AI 不标注不确定性时提高了23%。

3.3 第三层重构：组织能力的重新定义

这是大多数分析忽略的最深层变化。

当 Agent 承担了数据分析和基准对比的工作后，HRBP 的核心能力要求发生了根本性转变：

旧模型的 HRBP 核心能力：数据收集、Excel 分析、PPT 制作、流程协调、政策解读。

新模型的 HRBP 核心能力：商业判断力（理解业务战略并将 Agent 的数据洞察转化为业务语言）、情境智慧（补充 Agent 无法捕捉的”软信息”——团队氛围、管理者风格、文化冲突）、伦理决策（在 Agent 建议和人的尊严之间做出平衡）、Agent 协作能力（知道什么时候信任 Agent、什么时候质疑 Agent、如何向 Agent 提出更好的问题）。

这不是简单的”技能升级”，而是职业身份的重新定义。一个花了10年积累 Excel 分析和流程管理能力的资深 HRBP，突然发现这些能力被 Agent 替代了。她需要的不是”学习使用新工具”，而是重新回答”我的价值是什么”这个根本问题。

ServiceNow 让 HR 团队”领导” AI 转型的策略，在这个语境下有了更深的含义：它不只是让 HR 团队先用 AI 工具，而是让 HR 团队亲身经历AI 驱动的组织变革——角色重新定义、能力重新构建、工作方式重新设计——然后把这些经验带到公司其他部门的 AI 转型中。HR 团队既是 AI 转型的实验对象，也是 AI 转型的经验输出者。

这是一个极其聪明的组织设计。它解决了企业 AI 转型中一个常见的悖论：负责推动组织变革的部门（HR）自己却没有经历过 AI 驱动的变革，因此无法真正理解其他部门在 AI 转型中面临的恐惧、阻力和适应过程。ServiceNow 的做法让 HR 团队先”过河”，然后回来告诉其他部门”河水有多深、哪里有暗流”。

四、竞争格局：Agentic HR 的3条路线之争

4.1 路线一：平台型——ServiceNow、Workday

ServiceNow 的路线是从企业级工作流平台出发，把 Agent 能力嵌入已有的 HRSD 流程中。优势是数据闭环——Agent 可以直接触发工作流（发起审批、创建工单、调整薪酬方案），而不只是生成报告。ServiceNow 2025财年订阅收入中，HRSD 模块贡献了显著份额，其 Now Platform 上的 Agent 能力通过 Now Assist 品牌统一对外输出。

Workday 走的是类似路线。Workday 在2024年9月的 Workday Rising 大会上正式发布了 Workday AI Agent 套件，重点覆盖财务规划和 HR 的交叉领域（人力成本规划、预算与编制联动）。2025年，Workday 进一步扩展了 Agent 能力至招聘、学习和员工体验领域。Workday 的优势是其 HCM（Human Capital Management）数据的深度和广度——全球超过10,500家企业客户的 HR 核心数据都在 Workday 平台上，其中包括超过50%的财富500强企业。

关键差异：ServiceNow 的 Agent 更偏向”HRBP 的协作伙伴”（面向 HR 专业人员），而 Workday 的 Agent 更偏向”员工和经理的自助助手”（面向全员）。这不是好坏之分，而是切入点不同。ServiceNow 从 IT 工作流切入 HR，天然更擅长”后台流程编排”；Workday 从 HCM 核心系统切入，天然更擅长”前台员工体验”。两者的 Agent 战略最终会趋向融合，但短期内各有侧重。

4.2 路线二：垂直型——Darwinbox、Lattice、Rippling

Darwinbox 在2026年4月发布了 AI 驱动的绩效管理功能，代表了 HR 垂直软件厂商的 Agent 化路线。Darwinbox 是一家总部位于印度海得拉巴的 HR 科技公司，2024年完成了由 TCV 领投的 D 轮融资，估值超过10亿美元，主要服务亚太地区的中大型企业。这类厂商的优势是在特定 HR 子领域（绩效、招聘、学习）的深度，但劣势是数据孤岛——绩效 Agent 看不到薪酬数据，招聘 Agent 看不到离职数据。

Lattice 在2025年曾尝试将 AI 应用于绩效评估的自动化撰写，但因客户对”AI 写绩效评语”的伦理担忧而暂停了部分功能。这个案例说明，HR 垂直厂商在 Agent 化过程中面临的不仅是技术挑战，还有用户信任的门槛。

Rippling 走了一条更激进的路线：试图用一个统一的”员工图谱”（Employee Graph）打通 HR、IT、财务的数据，然后在上面构建跨领域的 Agent。Rippling 在2024年完成了 D 轮融资，估值约135亿美元。这个思路与 ServiceNow 的 Now Platform 逻辑类似，但 Rippling 的客户主要是中小企业（SMB），而 ServiceNow 和 Workday 主攻大型企业。

4.3 路线三：通用型——Anthropic Claude CoWork、Microsoft Copilot

据机构研究报告（包括 Wedbush 和 Morgan Stanley 2026年3月发布的研报），Claude CoWork 代表的是通用 AI Agent 平台试图切入企业垂直场景的路线。Microsoft 365 Copilot 则从另一个角度切入——通过 Office 生态系统的普及度，让 Agent 能力渗透到每个知识工作者的日常工具中。

通用型路线的优势是模型能力强、推理深度大、多语言支持好。但在 HR 领域，它面临几个结构性挑战：

  • 数据接入：通用 Agent 需要通过 API 接入企业 HR 系统，但 HR 数据的敏感性（薪酬、绩效评价、健康信息）使得 CIO 和 CISO 对数据外流极其警惕。ServiceNow 和 Workday 的 Agent 运行在企业已有的平台上，数据不需要离开已有的安全边界。
  • 领域知识：HR 的合规要求极其复杂——GDPR（欧洲）、CCPA（加州）、劳动法（各国不同）、反歧视法规——通用 Agent 很难内置这些领域特定的约束条件。
  • 工作流集成：Agent 的价值不只是分析，还在于执行。一个不能直接在 HR 系统中发起审批流程的 Agent，只是一个更好的 ChatGPT。

我的判断：在 HR 领域，平台型厂商（ServiceNow、Workday）在未来3-5年内将占据主导地位。通用型 Agent（Claude CoWork、Copilot）会成为有价值的补充——特别是在需要深度推理和创意生成的场景（如组织设计方案、文化诊断报告）——但不会成为 HR Agent 的主战场。垂直型厂商则面临被平台型厂商收购或边缘化的风险，除非它们能在某个细分领域建立起足够深的数据护城河和用户粘性。

五、被忽视的风险：当 Agent 开始影响人的命运

5.1 算法偏见的 HR 特殊性

AI Agent 在 HR 领域的偏见风险不是理论问题。2018年 Reuters 报道了 Amazon 内部 AI 招聘工具系统性歧视女性候选人的事件，原因是训练数据主要来自过去10年的（以男性为主的）工程师简历。Amazon 最终废弃了该工具。这个案例已经成为 AI 伦理教科书的经典。

但 Agentic HR 的偏见风险比招聘 AI 更加隐蔽和系统性。当 Agent 基于历史数据预测”离职风险”时，它可能会把”有幼儿的女性员工”标记为高风险——不是因为算法有偏见，而是因为历史数据确实显示这个群体的离职率更高。但如果 HRBP 基于这个预测采取了差异化的留任策略（比如只给这个群体更多的弹性工作安排，而不给其他群体），这本身就构成了一种基于性别和家庭状况的差别对待。

这个问题没有简单的技术解决方案。它需要在 Agent 的设计中嵌入公平性约束（fairness constraints），在 HRBP 的培训中强化伦理决策能力，在组织的治理框架中建立算法审计机制。纽约市在2023年实施的 Local Law 144 要求所有使用 AI 进行招聘和晋升决策的雇主必须进行年度偏见审计，这是全球首个针对 HR AI 的地方性法规，可能成为其他地区的立法模板。

5.2 底层模型供应链风险的警示

2026年4月3日，Anthropic 的 AI 安全研究团队负责人 Mrinank Sharma 发表离职信，称”世界处于危险之中”，质疑在高速商业化背景下对齐价值观与行动的困难。这一事件引发了业界对 AI 安全与商业化之间张力的广泛讨论。

这个事件对 Agentic HR 的启示不在于 ServiceNow 是否直接使用 Anthropic 的模型（ServiceNow 的 Now Assist 平台支持多种底层模型，包括其自研模型和第三方模型的组合），而在于它揭示了一个更普遍的底层模型供应链风险：企业 Agent 平台的安全性不仅取决于自身的应用层设计，还取决于其依赖的底层大语言模型的对齐质量和安全保障。

当底层模型领域的安全研究领导者公开表达对商业化与安全之间张力的担忧时，所有基于大语言模型构建的企业 Agent 都需要重新评估其安全假设。特别是在 HR 领域——Agent 的输出直接影响人的薪酬、晋升、甚至就业——底层模型的对齐问题不是抽象的哲学讨论，而是具体的法律和伦理风险。如果某个底层模型的某个版本在处理 HR 数据时产生了系统性偏差，而这个偏差通过企业 Agent 传导到了数千家企业的 HR 决策中，其影响范围和责任归属将极其复杂。

这也是为什么 ServiceNow 和 Workday 等平台型厂商越来越倾向于”多模型策略”——不依赖单一底层模型供应商，而是根据不同场景选择不同模型，并在应用层增加额外的安全护栏和偏见检测机制。

5.3 政府监管的新战场

美国政府对特定 AI 模型的安全审查（包括限制某些模型用于国防和政府工作的案例），虽然直接针对的是军事和情报领域，但其逻辑可以很容易地延伸到 HR 领域。如果政府认为某个 AI 模型存在安全风险，那么使用该模型处理联邦雇员人事数据的企业是否也面临合规风险？

欧盟的 AI Act 已经将 HR 领域的 AI 应用明确列为”高风险”类别（Annex III, Section 4），要求进行强制性的合规评估和持续监控。具体要求包括：风险管理系统、数据治理、技术文档、透明度义务、人类监督机制、准确性和鲁棒性保障。这意味着在欧洲市场部署 Agentic HR 的企业，需要为每个 Agent 建立完整的文档记录、偏见测试、人类监督机制和申诉渠道。AI Act 的主要条款将在2026年8月全面生效。

这些合规要求不是障碍，而是护城河。ServiceNow 和 Workday 这样的平台型厂商有资源和动力投入合规基础设施的建设——ServiceNow 在2025年已经发布了专门的 AI 治理工具包，帮助客户满足 AI Act 的合规要求。而小型垂直厂商和通用 AI 平台则很难承担这些成本。合规复杂度越高，平台型厂商的优势越大。

六、深层洞察：Agentic HR 揭示的企业 AI 转型真相

6.1 真相一：AI 转型不是技术项目，而是组织身份重构

ServiceNow 的案例最深层的启示不是技术架构，而是组织设计。让 HR 团队”领导” AI 转型，本质上是让组织中最理解”人”的部门，来定义”人机协作”的规则。

这与大多数企业的做法形成鲜明对比。大多数企业的 AI 转型由 CTO 或 CIO 主导，关注的是技术选型、基础设施和成本效率。BCG 在2025年的一项全球调查中发现，只有不到15%的企业让 CHRO（首席人力资源官）深度参与 AI 转型的战略规划。但 ServiceNow 的实践表明，AI 转型的真正瓶颈不是技术，而是组织对”人的角色将如何改变”这个问题的回答。

当一个 HRBP 的日常工作被 Agent 重新定义时，她面临的不是”学习新工具”的挑战，而是”我是谁、我的价值是什么”的存在性问题。如果这个问题没有被认真对待和系统性地回答，AI 工具的采纳率会很低，甚至会遭到隐性抵制。哈佛商学院教授 Tsedal Neeley 在2025年的研究中指出，企业 AI 工具的实际使用率（而非购买率）平均只有30%-40%，主要原因不是技术障碍，而是员工对”被替代”的恐惧和对新角色定位的困惑。

HR 团队因为天然理解这种”身份重构”的复杂性（这本来就是他们的专业领域），所以他们更有能力设计出既能发挥 Agent 价值、又能保护人类尊严和职业意义的协作模式。

6.2 真相二：数据不是新石油，”数据+基准+语境”才是

Agentic HR 的价值不在于”有数据”——每家企业都有 HR 数据。价值在于数据 × 外部基准 × 业务语境的乘积效应。

ServiceNow 接入 Galileo 外部基准数据的设计选择揭示了一个重要趋势：企业 AI Agent 的竞争力越来越取决于其外部数据接入能力。内部数据告诉你”发生了什么”，外部基准告诉你”这意味着什么”，业务语境告诉你”应该怎么做”。三者缺一不可。

这对 AI Agent 的商业模式有深远影响。Agent 平台的护城河不只是技术能力（模型推理、工作流编排），还包括数据网络效应——平台上的客户越多，汇聚的匿名化基准数据越丰富，每个客户获得的洞察就越有价值。这是 ServiceNow（超过8,100家企业客户，根据其2025年财报）和 Workday（超过10,500家企业客户）相对于小型厂商的结构性优势。

这个逻辑也解释了为什么 ServiceNow 选择与 Galileo 合作而非自建外部基准数据库——Bersin 团队20年的行业研究积累和数据资产，不是短期内可以复制的。这种”平台 + 数据合作伙伴”的模式可能成为 Agentic AI 在各个垂直领域的标准架构。

6.3 真相三：Agent 的价值不在于替代人，而在于改变人的”提问方式”

这是最反直觉的洞察。

在没有 Agent 的世界里，HRBP 走进业务会议时，她的”提问框架”受限于她个人的经验、认知和时间。她可能会问：”这个团队的离职率是多少？”这是一个一维的、被动的问题。

在有 Agent 的世界里，HRBP 走进会议时已经看过了 Agent 的多维分析。她的问题变成了：”Agent 的分析显示工程团队的离职率高于行业基准3个百分点，但内部调查的员工满意度得分并不低。这个矛盾可能说明什么？是不是有一个我们没看到的因素在驱动离职？”

这是一个多维的、主动的、假设驱动的问题。Agent 没有替代 HRBP 的思考，而是提升了她的思考起点。她不再需要花时间收集基础数据，而是直接从 Agent 的分析结果出发，进行更高层次的推理和判断。

这就是 Agentic AI 在知识工作领域的真正价值模型：不是自动化（替代人的工作），而是认知增强（提升人的思考质量）。这个区别看似微妙，但对产品设计、定价模式和组织变革策略都有根本性的影响。

认知增强模型意味着 Agent 的定价不应该基于”替代了多少人力”（这是自动化的定价逻辑），而应该基于”提升了多少决策质量”（这是增强的定价逻辑）。前者的天花板是人力成本，后者的天花板是决策价值——在 HR 领域，一个更好的人才保留决策可能价值数百万美元。这也是为什么 ServiceNow 能够对其 AI 功能收取溢价的底层逻辑。

七、So What：这对你意味着什么

对 HR 领导者

如果你还在把 AI 当作”提高效率的工具”来规划 HR 技术路线图，你需要重新思考。Agentic HR 不是让现有 HRBP 更快地做同样的事情，而是重新定义 HRBP 的角色和能力要求。你需要现在就开始：(1) 评估团队中谁具备”Agent 协作能力”的潜力——这种能力的核心不是技术素养，而是批判性思维和商业判断力；(2) 设计新的 HRBP 能力模型，将”AI 协作”作为核心能力维度而非附加技能；(3) 建立 AI 伦理和算法审计的治理框架，特别是如果你的企业在欧洲有业务，AI Act 的合规准备应该立即启动。

对企业 CEO/CTO

ServiceNow 的实践表明，HR 可能是企业 AI 转型的最佳”试验田”——不是因为它最简单，而是因为它最能暴露组织在 AI 转型中面临的真正挑战（角色重新定义、人机信任、伦理边界）。如果你的 AI 转型由 IT 部门单独主导，考虑让 HR 团队深度参与，甚至联合领导。一个具体的行动建议：在下一次 AI 转型战略会议上，邀请 CHRO 作为核心参与者而非旁听者，让她/他负责定义”人机协作协议”——即在每个 AI Agent 部署场景中，人和 Agent 各自的角色、权限和责任边界。

对 HR 科技投资者

Agentic HR 的竞争将在3个维度展开：(1) 平台数据网络效应（ServiceNow、Workday 领先）；(2) 垂直领域深度（绩效、招聘、学习等子领域仍有创新空间，但独立生存的窗口期可能只有2-3年）；(3) 合规基础设施（欧盟 AI Act 等法规将成为重要的竞争壁垒，也是平台型厂商的结构性优势）。关注那些同时在这3个维度建立优势的公司。同时警惕那些只强调”AI 功能”而忽视合规和伦理基础设施的 HR 科技创业公司——在 AI Act 全面生效后，它们可能面临严重的合规风险。

对每一个知识工作者

HRBP 今天面临的”我的价值是什么”的问题，明天会轮到你——无论你是分析师、产品经理、律师还是医生。当 Agent 能够在几分钟内完成你过去花几天做的数据分析时，你的价值不再是”处理信息”，而是”在 Agent 分析的基础上做出更好的判断”。这要求你培养的不是”使用 AI 工具”的技能，而是更深层次的领域判断力、情境智慧和伦理决策能力。

具体而言，你可以从今天开始做一件事：在你的日常工作中，有意识地区分”数据收集和处理”类任务与”判断和决策”类任务。前者是 Agent 将要接管的领域，后者是你需要加倍投入的领域。这个区分不是为了让你焦虑，而是为了让你的职业发展投资更有方向性。

ServiceNow 的人员数据 Agent 不只是一个 HR 产品。它是一面镜子，映照出 AI 时代知识工作的未来形态：人和 Agent 不是替代关系，而是认知分工关系——Agent 负责数据密集型的分析和模式识别，人类负责语境判断、伦理决策和意义创造。

这个未来不是”即将到来”。在 ServiceNow 的 HR 团队里，它已经是每天早晨打开工作台时的日常。

参考资料

  1. How ServiceNow Is Building the Agentic Future of HR — Josh Bersin, 2026-04-03
  2. ServiceNow Now Platform: AI Agents — ServiceNow Official, 2026
  3. Palantir Maven Smart System Becomes Pentagon Program of Record — Investor’s Business Daily, 2026-03-23
  4. Amazon scraps secret AI recruiting tool that showed bias against women — Reuters, 2018-10-10
  5. EU AI Act: High-Risk AI Systems Classification, Annex III — European Commission, 2024
  6. ServiceNow FY2025 Annual Report (10-K) — SEC EDGAR, 2026-02
  7. Workday Rising 2024: AI and ML Innovations — Workday Official Blog, 2024-09
  8. New York City Local Law 144: Automated Employment Decision Tools — NYC Department of Consumer and Worker Protection, 2023

主题分类：ai-org-structure