HR Tech中AI失败的三大结构性原因

人力资源技术领导者比以往任何时候都更急需交付人工智能。不是原型，不是评估。而是交付。

人工智能路线图上的项目听起来很简单：一个回答员工人数问题的人工智能助手，一个预测性流失模型，一个将组织数据与财务连接起来的规划工具。一些团队走得更远，将Workday或SAP连接到Snowflake数据仓库，加入BI工具，并通过API将这些数据暴露给LLM。

然后数据反击了。

你现在可能不认为你的数据有问题，但一旦你进入新的闪亮的人工智能项目，你可能会发现更深层次的问题，阻碍你的进展。更重要的是，阻碍人工智能的投资回报率。

人力资源中人工智能的现状

人工智能项目的失败并非发生在真空中。它们不是一次糟糕的冲刺或有缺陷的集成的结果。它们是系统性弱点的副产品，而且人员数据往往是最薄弱的环节。

虽然组织因素如不清晰的目标、不充分的基础设施或不现实的时间表都会导致人工智能项目风险，但人员数据层是大多数人力资源技术供应商失败的地方。Gartner报告称，60%缺乏人工智能就绪数据的人工智能项目将被放弃，而商业分析中心发现，90%的人工智能项目在分析不成熟的组织中失败，这些组织的数据质量、可用性和结构不足。

这些数字令人担忧，对于面临“加入人工智能”压力的技术团队来说，是一个闪烁的红色警告。没有人工智能就绪的基础，这些计划在编写第一行代码之前就注定失败。

这就是大多数人力资源人工智能项目实际上停滞的地方——不是在模型层，而是在其之下。以下是三个阻碍动力的结构性问题，以及如何领先于它们。

人工智能在人力资源中不可回避的3个挑战

1. 信任：你的人员数据不能被信任

在高管面前的一个错误答案可能会终结人工智能试点。

分散的数据和被覆盖的历史会使答案不可靠。更不用说，你依赖它们的业务决策并不小。溢出效应影响薪酬、合规、声誉以及业务下一步走向。

以下是五个导致人工智能项目在投入生产之前就失去信任的人力资源数据问题：

• 低数据质量。不准确的员工人数、重复记录和不完整的绩效历史会产生错误的答案。当经理问一个问题而回答明显不对时，这个功能就死了。没有信任，没有使用，没有第二次机会。
• 分散的数据量。考勤在一个系统，组织架构图在另一个，调查在别的地方。如果没有一个集成的语义模型将这些点联系起来，人工智能就没有可靠的推理基础。
• 过时的数据。干净的数据如果不是当前的也会失败。被迫在滞后管道上运行的人工智能会幻觉，浮现过时的见解，并迅速破坏用户信任。
• 继承的偏见。人工智能偏见始于数据，而非模型。历史招聘决策、人口统计差距和遗留绩效数据被融入推荐中，造成声誉和法律风险。
• 治理薄弱。治理实际上是人工智能速度的最大障碍。公司正在放慢人工智能计划，尤其是与人力资源和人员数据相关的，因为它们敏感。动态基于角色的访问、合规规则和可解释性要求不是可选的。在没有强大治理的情况下接入模型，就会导致数据泄露和失准的见解。

2. 速度：人员数据的复杂性会减慢内部构建的启动

明确一点：在处理人员数据等个人信息时，安全和治理不是“可有可无”。法规和要求很长，在某些情况下，如果没有正确满足，可能面临巨额罚款。对于企业来说，这是一个复杂的问题，值得关注。

当有能力的IT团队在场时，内部构建的论点经常出现。在这种情况下，软件是“免费的”，你已拥有PowerBI许可证，数据仓库在Snowflake上。

那么理论上，为什么要为你可以构建的东西付费呢？

嗯，这并不像看起来那么简单。

Visier专注于处理最复杂的人员数据问题的专用解决方案已超过15年。专用解决方案理解人员数据的细微差别，因此你的IT团队不必清理或维护集成，修复损坏的数据模式。

3. 成本：扩展成本高昂

在原始人力资源数据上扩展人工智能在技术上是困难的，成本比任何人计划的都要快到来。

更广泛的市场正在实时学习这一教训。根据最近的福布斯报道，Uber在短短四个月内就烧光了其2026年的人工智能编码预算。微软指示一个部门的工程师停止使用人工智能编码助手，因为账单变得难以管理。另一家公司据报道在一个月内因未设置使用上限而产生了九位数的AI账单。

这些是关于人工智能规模成本结构性误算的主要信号。

缩小到人力资源中的人工智能，考虑一个拥有5000名员工的企业。你面对的不是单一的干净数据集。在任何一天，该组织在HCM交易、时间考勤、组织变更、绩效事件、调查响应以及整个HR技术栈中的集成接触点中生成数据——这些都可能累积成数百万个令牌的消耗。

每次对原始数据表的查询都有计算成本。将其乘以每天数百或数千用户提问，账单就会以可变的、难以预测的、很少有原始商业案例反映的方式增长。

考虑到AI代理直接查询原始数据表，每个问题都会触发昂贵且重复的计算。在AI规模下，这些计算及相关的成本会迅速变得令人不适：

• Databricks和Snowflake的费用会迅速累积。这些平台按查询量收费。随着员工AI使用规模的扩大，计算足迹也随之增加，往往比财务团队预期的要快。
• 总拥有成本（TCO）的交叉点比预期来得更早。工程人员、基础设施、持续维护和计算的总成本，往往在两年期之前就超过了专用平台的成本。

AI的好坏取决于其底层的员工数据

AI在人力资源领域的商业案例是真实的，构建它的团队也是有能力的。但员工数据尤其苛刻。它敏感、分散、不断变化，并且受到不因紧迫时间表而妥协的合规义务约束。

大多数AI项目失败不是因为模型本身有问题，而是因为其底层数据没有准备好。

你信任AI系统中的员工数据吗？

如果你正在为组织的下一个AI项目规划“准备好”的实际样子，《人力资源技术中的AI就绪数据问题》将引导你和你的团队了解员工数据面临的AI问题，并提供一个实用的四步流程，以确保每个下游洞察都准确、可解释且安全。