你的下一位面试官，可能不是人

关于此事，惠民动态网梳理了以下要点。

谁能保证超级数字员工不是下一个AI落地的窗口

撰文 | 李嘉星

编辑 | 张薇

封面来源 | 元企AI

七月初，秋招着手预热。你投出去的下一份简历，可能不是先被HR看到，而是先被一个AI员工读完。

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，被交代一个目的后，自己去找人、沟通、打分、汇报成果呢？

最近，元企AI推出了第一款产物“超级HR”。它不是一个只破解单点环节的工具，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“是否值得接着沟通”的理由交给人类HR。

今年3月底，清华博士陈猛和他的大学室友、北大博士杨一博，正式启动了元企AI的创业。

这不是陈猛第一次创业。

在做元企AI之前，他已经连续做过多个项目，经历过教育SaaS、钠电池、车载光伏等方向。

也正因为长期和厂商打交道，陈猛对厂商里的成本问题很敏感。

“最近几年和厂商家聊天，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，会冲击厂商业务加快。”这是陈猛与各个厂商家交流后察觉的问题。那么，厂商有没有可能拥有一个更平稳的岗位形态，让厂商更平稳，而且成本更低？

陈猛给出了他的答案。做一套像人的数字员工平台。

先从招聘需求着手。

陈猛告诉“日后人类实验室”，在调研中他们察觉，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、加快面试、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求判断和关系解决的地方：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、汇报成果，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”这件事往前加快。

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，而是需求在和厂商的连续交互中，慢慢理解这家公司到底想要什么样的人。比如同样招产物经理，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。

AI员工市场

它还远不是一个完美员工。

“现阶段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“日后人类实验室”。他觉得短期内，Agent可能主要破解局部的、重复的、可标准化的环节。之后才可能一步步进入更完整的业务流程。不能因为科技有缺陷就否定方向，也不能因为科技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。厂商没有的福利，AI不能凭空说有；厂商是单休，AI不能说成双休。厂商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只是一个着手。元企AI接下来还想把这套能力复制到财务、法务、销售等厂商基础岗位。它已经达成种子轮数百万元融资，正在加快天使轮融资。

它的长期设想，是让厂商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，正是它能否在厂商的业务流中落地的关键要素。

以下是“日后人类实验室”与元企AI创始人陈猛的对话，经整理披露——

工具破解环节，员工破解任务

日后：你们为什么一定要把它叫数字员工，而不是AI招聘工具？

元企AI：工具破解的是环节，员工破解的是任务。

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”。它需求围绕这个目的，自己去拆解任务、找人、筛选、沟通、打分、总结，并把成果交付给人。

它更像一个线上员工。用户不需求每一步都盯着它，它需求自己加快任务，并在关键节点向人汇报。

日后：一个AI要做到什么程度，才算从工具变成了员工？

元企AI：我们希望它能够像人一样达成闭环。

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，只能达成一些环节。比如RPA、淘宝客服这类，有很多地方需求人介入，不能自己闭环达成一个工作。

比如一个任务有A、B、C、D、E五个环节，它可能只能破解A、C、D，中间还有环节需求人介入。这样效率增强就没有那么明显。

我们希望它像人一样独立达成一个闭环工作。比如我让一个人类HR招一个财务或行政，他的目的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。

如果每一步都要打断我，其实没有给我省很多时间，甚至还挺耽误事。

日后：它在哪些地方必须像人，哪些地方又不能太像人？

元企AI：像人的地方，是要能闭环工作，像一个聪明上进的好员工。

不像人的地方，一个是人需求休息，但AI可以7×24小时实时在线响应。另一个是成本。大量级商用必须把成本降下来。

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厂商，而不是一个面子工程。

日后：如果把超级HR放进一个真实招聘流程里，它具体做哪些事？

元企AI：它主要做招聘前段比较重复、低效、费时间的工作。

比如从一个招聘漏斗看，可能一着手有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。

我们破解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、整理成果。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。

所以我们破解的是匹配工作，HR还是要做更高端的沟通、判断和关系解决。

日后：那它现在不能做什么？哪些环节必须由人确认？

元企AI：一头一尾现阶段还需求人。

头是招聘需求。HR本身不生产需求，很多需求来自老板或业务团队。所以真实、明确的招聘需求，还是需求业务团队或老板输入。

尾是终面。AI可以帮你匹配简历上的信息，但到最后合不合眼缘，或者一些软实力，比如销售的沟通情商、组织适配度，还是需求人做最终判断。

现阶段AI可以凭借简历和初步沟通帮你兜住底线，但上限判断依然需求人。比如你希望销售是严谨型、数据型，还是春风化雨型，这种偏好需求人做最终决策。

唯一你会觉得它像AI的地方，可能是它回得太快

日后：现在外面很多AI产物都能聊天。你们怎么判断一个数字员工是不是真的落地？

元企AI：我觉得不能只看它会不会聊天，而要看它能不能进入真实业务流。

对招聘来说，真实业务流不是回答几个招聘问题，而是从岗位需求着手，去找人、筛人、沟通、打分、汇报成果。它要能把这些事情串起来。

我们现在更偏产物，不是自己做底层模型。模型层调用市面上成熟的大模型，重点是在应用层、上下文、长期记忆和成本控制上做工作。

如果一个资深HR自己用大模型手搓一个AI招聘产物，产物力可能也能趋近我们。但直接用大模型格外耗token，而且它不会长期记住你的偏好，每次都要重新磨合。

我们要做的是让它记住厂商的偏好，减少调用成本，让它真正变成一个可以长期使用的产物。

日后：你们为什么第一步先服务猎头、招聘团队，而不是直接服务所有中小厂商？

元企AI：因为猎头、招聘团队有批量重复需求，而且付费意愿更强。

一个十几二十人的中小厂商，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，也能解决。

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。

我们的最终目的是服务中小厂商，但中小厂商不会在A公司买AI招聘、B公司买AI法务、C公司买AI销售。我们希望日后把AI人力、财务、销售、品宣做成一个综合岗产物。到那个时候，中小厂商此前可能要找四五个员工，日后找我们一家，就可以覆盖很多基础岗位需求。

日后：一个普通求职者，可能会最先感受到什么变化？

元企AI：最直接的是响应速度。

比如你问加不加班、出差频率、五险一金，此前可能要等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解决10份简历时，可能还能高效、温柔地回复你；解决100份时，可能就会疲惫、出错。但AI解决10份还是100份，标准都不会变。

这对求职者来说，体感会更好。一领域能感受到公司更及时的回应，另一领域也能更快判断自己和岗位是否匹配。

日后：求职者会知道自己正在和AI沟通吗？

元企AI：从我们现在的演示看，它回答得还蛮像真人。比如加不加班、出差频率这些问题，唯一让你觉得它像AI的地方，可能是它回得太快。

但我们作为商用产物，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。

日后：如果一个人学历一般，但项目经历很好，AI会不会把他误伤？

元企AI：这取决于用人团队给AI的需求是否明确。

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科技经验，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。

传统筛简历可能更像关键词匹配，但AI可以看项目经历里的语义。只要候选人把项目写在简历上，AI就能识别并判断匹配度。

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凭借电话追问，把隐藏经历问出来，这件事现阶段AI还不一定能做到。

日后：那正在做HR的人应该担心什么？

元企AI：我觉得不是简单说替代HR，而是把HR从低效重复工作里解放出来。

AI更适合做匹配、初筛、整理这些前段工作。人类HR还是要做更错综的沟通、判断和关系解决，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。

日后可能被淘汰的，不是HR这个岗位，而是不会用AI的人，或者用AI比较晚的人。用得早的人，会先享受到效率增强。

越像员工，越需求被管理、审计和限制

日后：数字员工越像人，是不是也越需求被管理？

元企AI：是。特别是商用产物，安全性格外重要，甚至是生命线。

免费产物出错，大家可能觉得好笑。但如果用户一年花3万块钱买一个AI产物，它出错，轻则退款，重则产生声誉风险。

所以我们从公司成立第一天，就把安全性写进准则里。比如AI在招聘软件上回答问题，不知道就不能回答。它可以不知道，但不能乱说。

日后：客户最担心它出什么错？

元企AI：一类是幻觉。比如厂商没有的福利，AI不能凭空说有；岗位月薪8000元，它不能承诺2万元；公司是单休，不能说成双休。

另一类是数据安全。招聘里会涉及账号、简历、候选人信息、搜索记录，这些信息不能泄露，也不能被滥用。

日后：你们在安全上有哪些具体措施？

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。涵盖训练大模型，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。日后面对一些大客户，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，也是因为日后希望服务需求本地化部署的公司。

另外，算法层面也会做一些安全增强。我们的科技负责人之前做过一些算法研究，比如数据离散化解决、数据加密等。基础安全能力，商用产物肯定会做；一些已经公开发表的核心算法，后续也会运用进来。

日后：Gartner提醒过，很多Agent项目可能因为成本、价值和风控问题被取消。你们怎么避免变成“agent washing”？

元企AI：我们也认同这个判断。确实有很多AI应用看起来很fancy，但不是真实需求，也不是可连续付费的东西，而且没有很深壁垒。

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，产物生命周期也比较短。

我们公司成立之初就想好，要做产物矩阵，也要连续进化。比如我们现在比市面产物领先3到6个月，等别人摸清我们的产物后，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招聘产物，其实是此前SaaS公司或RPA产物重新包装出来的。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，让它有连续进化能力。对我们来说，关键不是包装成Agent，而是能不能进入业务流、能不能连续交付、成本能不能降下来。

日后：你们怎么看数字员工的长期走向？

元企AI：我觉得将来Agent会是人手一个。

但实际情形是，谁先把产物打磨得更好，谁更懂用户，谁的成本最低，谁才能真正铺开。

很多大厂有资金、数据和资源强项，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，日后一定会被AI和机器人冲击。AI应用会冲击基础白领工作，机器人会冲击基础蓝领工作。这是一个大的方向。但具体谁能跑出来，还是要看产物能不能真实落地。

你如何看待超级数字员工的成长走向？

欢迎在评论区分享你的看法~

感谢阅读，欢迎继续浏览惠民动态网的其他资讯。