组织给予人才盘点极高的期待，但现实却不尽如人意。知名人力资源咨询公司Talent Strategy Group基于全球300余家企业的调查显示，传统方法下高潜人才识别的平均准确率仅为44%。管理咨询与组织研究机构盖洛普对大型企业CHRO的调查显示，尽管64%的企业使用九宫格进行继任规划，但仅9%的CHRO认为它真正有效；更有甚者，仅3%的CHRO认为其组织在识别和选拔合适管理者方面表现出色。这种糟糕的表现，并不单纯因为管理者存在认知偏见或HR尸位素餐，其根本症结在于，传统的评估方式难以逾越人类大脑处理复杂信息的先天局限。

当旧大脑盘不了新人才

    认知神经科学研究提示，人才盘点的难点并非源于单一环节的失效，而是大脑在执行“评价人”这一任务时，受到多重限制因素的共同制约。
    想象一场典型的人才盘点会议。管理者需要同时处理的信息至少包括：当前讨论员工的多维表现、与其他员工的对比参照、每项评估维度的标准、以及这些判断背后的组织战略需求。认知科学研究显示，人类工作记忆的容量仅为4±1个信息组块。当讨论中的信息组块远超这一上限时，大脑会被迫启动简化策略——要么只锚定一两个最突出的特征下结论，要么给出趋于中庸的模糊评分。这恰好解释了为何九宫格虽然常被诟病于简陋，却在过去几十年里难以被更复杂的评估框架替代。
    不仅如此，评估过程中还潜伏着更隐蔽的干扰。阿尔伯塔大学心理学系研究人员的研究揭示，当管理者用语言评价某人“领导力强”时，由于“领导力”在日常语境中与“战略思维”“判断力”“沟通能力”等词汇高频共现，大脑会自动激活这些“语义邻居”，不自觉地拉高其他维度的评分。
    人才盘点的核心瓶颈并非管理流程的粗疏或评估工具的匮乏，而在于它始终受制于人脑有限的信息容量、认知架构与记忆机制。既然问题的症结深植于“人类大脑如何处理信息”这一底层机制，真正的破局之道应转向探寻一种截然不同的信息处理范式。

用AI换个脑子，形成盘点新范式

    与受制于有限注意力、记忆提取及主观整合的人脑不同，AI能够以另一种逻辑处理人才数据，提升企业人才盘点中的匹配和预测能力。

匹配：向量化匹配取代标签管理
    传统盘点有一条隐性的工作主轴：打标签，而标签的本质是信息压缩。传统模式下，管理者与HR正是基于这些被压缩的标签进行筛选与比对，进而完成人岗匹配。这套方式最大的问题，在于用预设、静态的标签来压缩信息。传统的“打标”是一种自上而下的中心化行为，组织往往需要先构建出既定的技能库，才能向下为员工赋予标签。这套体系仅在稳定的环境中有效。
    但在AI时代，技能的半衰期急剧缩短。IT研究与咨询机构Info-Tech的报告指出，功能性技能的半衰期降为2.5年；世界经济论坛的调查亦显示，到2030年将有39%的核心技能发生根本性转变。以过期的标签来压缩员工的特征信息，无异于新时代的盲人摸象。
    要解这个题，并不是要组织众多人力，实时更新、产出符合组织需要的标签，再交由HR对员工完成打标。因为从根本上看，组织未来不再需要那么多预设的标签。在新的匹配范式中，实时的“向量化匹配”是核心的解题思路。首先，向量就是用一组数字来描绘一个东西，点与点之间的空间距离直接映射了事物的相似度。系统通过计算向量间的距离，跨越字面表达的差异，将内涵相近的内容自动关联起来。
    将这一逻辑置于人才匹配场景中，其作用便十分明显。以业务部门招聘“后端工程师”为例，传统系统往往只能依据“后端”标签进行检索，因而那些未被显性标注的员工，极易被排除在候选范围之外。然而在现实中，不少员工虽然职位名称并非“后端工程师”，却长期从事Python开发、数据库管理、接口设计等工作，其能力结构与后端岗位要求高度契合。AI的关键价值就在于，它不再拘泥于字面一致，而能够识别“表述不同但能力相近”的语义关联，从而发掘被传统标签体系遮蔽的潜在人选。
    这不是理论设想，领先企业已在向量化匹配上付诸实践。2023年，汇丰银行与AI科技公司TechWolf合作，通过向量化技术识别工作内容与技能的语义关联。系统建立起涵盖18个技能域、48个子域、398个技能集群的统一分类体系，映射2500多个岗位角色，并为超3万名技术员工生成精细的技能档案。数百名长期隐藏于管理视野之外的数字与技术人才被系统性地识别出来。
    然而，上述实践虽引入了向量化技术，却并未彻底颠覆旧有模式。人岗匹配虽已建立语义关联，但最终产出仍落入预设的分类框架和标签管理之中。相比之下，服务于Salesforce、Microsoft等企业的人力资源科技公司Eightfold AI采取了更彻底的路径：让向量直接作为匹配依据，省去标签这一中间环节。其在数亿份人才档案上训练模型，通过计算语义距离完成推荐。在此模式下，人岗匹配度通过向量化的方式完成，标签仅在需要向人类解释结果时才出现。据Eightfold AI一项覆盖约69万名员工的内部平台数据分析显示，经AI高匹配度筛选录用的员工，入职两年内的晋升率比低匹配度组高出近50%，12个月留存率也相对更高。2026年《Information Sciences》发表的一项对比实验也表明，在多领域人岗匹配任务中，语义匹配的准确率比传统关键词工具高出约2-5倍。

预测：人的“元能力”

    匹配所完成的工作，本质上是立足当下、回望过去。但同样的方法直接用于预测未来就会遇到困难。原因不在于向量化匹配在预测场景失效，而在于预测所面对的目标并不稳定：在AI时代，什么样的人才算优秀，其标准本身在持续变化。当优秀人才的概念不断漂移时，任何基于既有样本画像的静态拟合都可能逐渐失准。因此，人才预测不能只回答“谁更像今天的优秀者”，而必须进一步回答“谁更可能适应明天的变化”。
    通过对2022—2026年知名科技播客Lenny's Podcast共303期转录文本的解析，笔者对AI语境下“人应具备何种能力”的讨论进行了系统分析。结果显示，在全部400多次有效提及中，能力类占比最高（约55%），其次是特质（约30%），专业技能最少（约15%）。在能力类表述中，被提及最多的是学习能力、战略思考与愿景、适应能力；在特质类表述中，高频词条包括好奇心、品味与直觉。
    这一结果至少说明，在AI时代的人才讨论中，最受关注的已不再只是某项固定技术本身，而是那些能够支撑持续学习、跨情境迁移和快速适应的上位能力。
    我们将这类超越具体领域知识、能够支持个体在全新情境中持续适应和重构能力结构的高阶能力，概括为“元能力（Meta-competence）”。这一概念最早由管理学者Burgoyne提出。
    在元能力的诸多理论框架中，“学习敏锐度”是当前管理实践中应用最广的核心概念，已被腾讯、汇丰、宝洁等头部企业深度植入人才评估体系。领导力发展与人才评估公司Lominger创始人将其定义为：在面对全新、严峻或多变的情境时，能够从经验中快速学习，并将所学转化为成功表现的意愿与能力，经发展后形成五个子维度：心智敏锐度、人际敏锐度、变革敏锐度、结果敏锐度、自我认知。
    元能力的评测要将评估焦点由“给评价”转向“测其在新情境中的行为表现与能力迁移轨迹”。具体而言，首先需将元能力拆解为可观察的行为模式。
    以学习敏锐度中的“变革敏锐度”为例，它的行为锚点可以概括为“对新想法和新做法保持好奇，乐于面对新情境，主动寻找创新甚至带风险的新方法”。不同于易受表达能力或单次高光表现干扰的传统评估，AI能够从项目经历、绩效文档、协作记录等多源系统中提取出连续的证据链。它通过抽取关键事件、行为过程，构建轨迹模型，将主观感觉转化为基于客观事实的判断。同时，还可尝试引入情境模拟，通过构造高不确定性的任务场景，重点考察候选人在有限信息下如何提问、识别约束及重构方案。最后，评估结果不应被压缩为一个笼统的“潜力总分”，务实的做法是输出包含维度得分、证据摘要与风险提示的多维画像。

CHRO立刻能采取的5个动作

    真正的向量化匹配、元能力评估与可解释AI系统落地，都需要大量时间投入。在它们就绪之前，CHRO立刻就可以践行以下五个动作，改变思维和习惯，作为撬动范式转变的起点。
1、写一份AI能读懂的岗位画像
    大多数岗位说明书是写给人看的，不是写给机器看的。人才匹配的上限，首先取决于人才标准的清晰度，取决于输入信息的语义密度。输入越模糊，输出越失真。
    选一个最关键、也最难招的岗位，用1个小时重写岗位画像。原则只有一条：不用模糊形容词，只写具体、可观察、可验证的要求。比如具体职责的要求、技能要求、不想要的人等。短期看，它可以用于通用大模型初筛候选人。长期看，它是未来向量化匹配系统的关键输入。
2、画一张人才数据地图
    在一张纸上列出组织内所有与“人”有关的数据存放在哪，管理者是谁。这一步的意义，不是马上打通数据，而是让组织第一次看清：从今天到真正跑通向量化匹配，中间究竟隔着多少座数据大山。
3、写下你对人的预测，密封，三个月后回看
    选十位关键人才，写下你对他们未来三个月的判断：谁会晋升，谁会流失，谁会在新项目中脱颖而出。写完后封存，三个月后再拆开，用详细的事实数据逐一核对。这是成本最低、却最难受的一步，因为它要求管理者在推动组织“借助AI改进判断”之前，先检验自己的判断模型。
4、选一个你真正认可的元能力，把它拆成行为锚点，再找三个人试跑一次评价
    第一步，选一个你真正认可的元能力。第二步，将其拆解为可观察的行为锚点。第三步，选择三位人，你高度看好的、长期看低的、始终看不清的各一位，要求先逐条写证据，再打分。这一步的价值，在于检验组织现有的观察系统是否足以支撑元能力评价。
5、在盘点会上引入“反对派”机制
    找一场人才盘点会，要求对每一位被讨论的关键人才，管理者都必须同时提供两类证据：支持当前判断的证据，以及不支持当前判断的证据，两者各不少于三条。这一动作本质上是用最低成本把反向信号的权重人为抬高，以规避依赖主观经验进行预测的弊端。
    人才盘点的目的，其实是在找寻不确定时代当中的确定性。AI时代，确定性在哪？也许答案变了，确定性不再是一个明确的锚点，而是一股向前的动能。如果在巨变中，注定不可能看清未来，那么我们追求的确定性，可能就藏在，每个个体奋力向前的每一步里。