什么是劳动力上下文？AI与员工数据之间缺失的一层

如果谷歌地图把那个咖啡馆的位置标为纬度49.2827，经度-123.1207，这在技术上可能准确，但也毫无用处。你需要的是路线指引：在红绿灯处左转，步行5分钟，注意，它30分钟后关门。这基于同样的底层数据，但谷歌只是做了额外的工作，为其补充了足够多的语境，使其可以据此行动。

这就是AI现在必须在你的HR技术栈中通过的测试，而大多数时候它都失败了。

将劳动力数据投入通用模型是行不通的

去年，标普全球的451 Research询问了那些在生产环境中运行生成式AI的组织，问他们在哪些方面遇到了限制。排名前四的是：

• 数据隐私与安全
• 准确性与响应质量
• 运营与部署成本
• 与现有系统的集成

现在，让我们进入HR领域，当AI被应用于人员数据时，上述每一项担忧都会被放大。员工把他们的薪酬、绩效、健康和家庭信息托付给你。如果因为一个幻觉数字或缺失的语境片段而做出错误决策，破坏了这种信任，那么任何效率提升都无法弥补人力代价。

我们都知道劳动力数据并非静态，尽管通用模型将其视为静态数据。它是一个活的生态系统：源系统会变化，人员会在部门间流动，更正会以回溯日期的方式到达，层级结构会变动。劳动力数据有上千种方式抗拒被整齐地塞进一张静态表中。

问一个大语言模型“当前员工人数是多少？”你会立刻继承一系列问题：你知道它是如何计算出这个数字的，以及截至何时吗？合同工包括在内吗？而且，从法律角度来说，你有权看到这种级别的劳动力数据吗？

想想其中的区别：

语境在劳动力决策中真正体现的地方

缺失的语境听起来可能很抽象，直到你看到它演变成真实的后果，在一个部门或整个组织中产生连锁反应。

以下是语境已经在你组织中体现的四个地方：

语境是劳动力数据中缺失的那一块

随着AI如今已嵌入企业技术栈的各个角落，加上那个存在于Teams、Slack和桌面中、令人难以抗拒的提示框，几个问题同时汇聚在一起。对于CHRO来说，每一个问题都提高了在不受治理的AI上运行劳动力决策的风险。

• 现在提问的是AI智能体，而不是那些知道在传递数字之前先做合理性检查的分析师。没有劳动力语境，每个答案都会显得自信但可能错误。决策会在有人发现错误之前就做出吗？
• 治理变成了阻碍。最高管理层希望在HR中推广AI，但法务和IT不会批准将劳动力数据移入通用模型，他们不批准是正确的。这项指令在审查中停滞，而业务的其他部分却在向前推进。
• 现在每个答案都有代价。Token不是免费的。当每个问题在模型得出答案之前都触发多轮模式发现和验证时，AI查询成本会随着好奇心而增长，这与一个终于开始提问的员工队伍所希望的恰恰相反。
• 你无法证明答案是正确的。董事会以及越来越多像欧盟AI法案这样的监管机构都在追问一个数字从何而来。使用通用模型，你有一个答案，但背后没有溯源：没有记录它引用了哪些数据、应用了哪个定义，或者当时组织是什么样子。一个无法辩护的答案会让你的专业能力受到质疑，更糟糕的是，基于错误答案的劳动力决策代价高昂。

你的组织准备好解决这些担忧了吗？了解正在扼杀AI的5个劳动力数据问题以及如何精确修复它们。

这就是Visier的劳动力语境引擎至关重要的原因

在AI中，语境提供了模型正确回答一个问题所需了解的关于特定情境的一切。语境不是数据本身，而是围绕数据的含义、时间、关系和权限。当涉及劳动力问题时，这种语境架构在通用大语言模型中完全缺失。

Visier的劳动力语境引擎提供了这一缺失的基础。它是一个专门构建的系统，持续统一、丰富、治理并将劳动力语境交付给任何提出劳动力问题的工具、AI智能体或人类。

在劳动力语境引擎之下，三个核心组件承担着工作：

• 劳动力数据统一与管理：原生连接器可接入Workday、SuccessFactors、Oracle HCM以及其他20多个系统，并按照每个系统运行的节奏进行摄取。HCM迁移和模式变更在摄取时被吸收，而不是传递到下游去破坏某些东西。
• 劳动力语义建模。超过2,000个受治理的指标定义，加上能够为任意时间点正确解析它们的时间与层级逻辑。这确保了劳动力指标在所有工具和渠道中都能被可靠地解释和呈现。
• 受治理的语境交付。每个答案只显示那个人或那个AI智能体被允许看到的内容，即使汇报关系和组织层级发生变化也是如此。无论答案出现在哪里，这一点都成立：在Visier中、在导出中、在AI智能体中，或同步到Snowflake或Databricks等平台中。而且它由相同的合规标准支持：GDPR、SOC 2 Type II。

作为Visier Workforce AI背后的架构，它旨在吸收持续的劳动力变化，而不是在变化下崩溃。而且要说清楚，这不是一个新产品，也不是一个数据仓库。它是我们自2010年以来一直在构建的基础设施。

看看语境带来的不同。

受治理的劳动力语境，正是将HR中的AI对话从实验提升到董事会会批准之事的因素。