发展新质生产力，激发人力资源服务业新动能

赵鹏（全国工商联人力资源服务业委员会轮值主席，BOSS直聘创始人、董事长）：

把握人工智能机遇，人力资源服务业大有可为

人才是推动科技创新和生产力变革的核心因素，我国人力资源服务业发展几十年来，其蓬勃多彩的枝与叶、花与果都基于一条最深刻的根，就是运用企业管理进化的力量、运用科学技术进步的力量、利用认知和思想进步的力量，在优化人力资源配置中发挥作用。而优化人力资源配置是一个动态的、全面的过程，每当人才需要帮助与辅助时，培训与咨询就会出现；每当用人岗位需要打磨，面对企业的软硬件服务就会发挥作用；面对中国制造特有的“潮汐现象”，我国广大的中介组织发挥了不可或缺的调节与缓冲作用。

服务企业就是服务我国的发展与振兴，服务人才就是服务人民，产值超过万亿的中国人力资源服务行业必定会在新质生产力发展中找到自己的机遇。

服务新的需求是我们的机遇。新质生产力的发展过程必定是一个改造传统行业、培育新兴产业、不断催生未来产业的过程。

用好新的技术是我们面临的机遇。去年爆发的生成式人工智能，揭开了一场新技术革命的序幕，人们可以研究这次人工智能浪潮带来的挑战，更要研究这次人工智能浪潮带来的机遇。过去半年尚未出现人工智能严重挤压人类劳动空间的现象，会使用AI工作已体现在许多职位说明书和企业的招聘需求中，从AI对于人类劳动岗位的影响角度来说，AI可以大有作为。

开拓新的市场是我们面临的机遇，发展新质生产力绝不是独唱，而是千行百业、五湖四海的大合唱，我们所在的行业可以服务好国内企业，引进全球人才，也可以向全球市场走出去。作为人力资源最为丰富的国度、作为企业数量最为巨大的国度，中国人力资源服务行业亦可在全球有所作为。

张军（复旦大学经济学院院长、中国经济研究中心主任）：

转变教育、就业观念，走出“内卷”困境

高考刚结束，很多朋友很关心怎么能进入复旦大学这样的高等学府。为什么过去这些年，“内卷”的问题越来越严重？

我们先来看几个大的数据。近年来，高考 （包括本科和高职） 的报名人数虽有所上升，但这是阶段性的，三五年以后总量会下来的。去年报名人数是1290万，录取了1040万人，近几年高考的录取率在85%-90%之间，缺口很小。

再看另外一个数据。近两年高校毕业生规模有所上升，但现在每年新增的城镇就业岗位，基本维持在1200万左右，今年政府工作报告也要求不低于1200万。现在高校毕业生1000多万，除去出国、考研、考博的人数，实际就业人数就小于1000万人了。另外，尽管进城的农民工存量规模很大，有2.8亿、2.9亿人，但是增量已经很小，去年不超过190万人，而且进城的农民工年龄中位数为42岁左右，大多数是小学或者初中的教育水平，而且年龄偏高，约一半的进城农民工选择进了建筑业和制造业，和高校毕业生的就业不构成竞争。从这些总量数据来看，总量的就业矛盾实际上已经大大缓解。

但现为什么教育“内卷”反而越来越严重了呢？主要原因是家长们对孩子的教育支出越来越高，所以对教育的预期回报也就越来越高。而现在的经济基本面和劳动力市场的供求关系都发生了根本性改变，使得平均的教育回报率在不断下降，不再能保障像20年前那样的教育回报率。这就是教育焦虑和内卷的主要根源。于是，家长追求家庭教育投入高回报率的竞争越来越激烈。长期以来，认为进好大学与找到好工作总是匹配的观念根深蒂固。可问题是，我们好大学的门槛特别高，近三千所高校中，真正的一流不过六十几所。于是，竞争相当残酷。越是竞争，家庭对子女教育的投资越大，从而对教育回报的要求自然也越高。

怎么缓解教育内卷？一定要把进入好大学与找到好工作的匹配关系打破才行。这就需要我们反思大学的使命。我认为，从长远来说，我们需要的是大学的博雅教育，而不是专业教育。博雅教育是素质教育，不是技能教育。这一点非常重要。现在太多的大学，开设太多的专业。最典型的是最近的数字经济专业，现在各个大学都在成立市场追捧的数字经济的专业，要招本科生，甚至招研究生，这违反博雅教育的基本精神。越是在这条路上走得远，教育内卷的问题越严重，我们必须要意识到现在到了需要改革大学教育使命的时候了。年轻人在大学要接受博雅教育，提高素质，专业不重要，毕业后的第一份工作也不重要，因为这么年轻的时候不可能知道自己未来适合干什么。职业发展其实是一个试错过程。

在经济转型过程中，我们的就业观念也要改变。在欧美国家，一个学生从高校毕业以后，第一份工作并不那么重要，也就是一级市场变得不重要，将来会从事什么工作需要不断地在市场上试错，进行终身教育、培训，所以劳动力市场流动性是非常重要的。因此，中国高等教育的使命要重新审视，要进行重大的教育改革，才能消除焦虑和教育内卷的根源。

最近国际上一些经济学家研究发现，教育越“内卷”的国家，女性的生育率越低，教育内卷会导致国家的年轻人，特别是女生不愿意结婚、更不愿意生孩子。最近韩国总统宣布韩国进入人口的紧急状态，中国的趋势也是非常明显，所有的东亚高成长的经济体，现在都是总和生育率下降最快的，所以缓解教育内卷对中国经济的未来发展来说也是非常重要的。

何帆（上海交通大学中国发展研究院院长、安泰经济与管理学院教授）：

“找事做”比“找到工作”更重要

现在大学生就业越来越困难，但尽管就业形势紧张，他们似乎也并没有兴趣找工作，看起来已经“躺平”了。事实可能并非如此。他们感兴趣的问题是，AI来了我应该学什么？未来我应该进入哪个行业？为什么明明是有事业心的年轻人，却越来越不愿意讨论工作？据我观察，是因为工作制度的问题。

工作制度是在工业革命之后出现的，是为了获得经济上的收入，把时间出卖给雇佣方，按照老板规定的方式完成工作。但进入后工业化社会，如果我们还按照原来大工业生产、流水线作业的泰勒科学管理制安排工作，产业结构和工作制度就会出现了巨大的脱节。

比如当前市场正在发生的变化，出现越来越多的灵活工作制度。另外，随着“95后”和“00后”一代年轻人步入社会，即使他们进入到一些比较传统的工作岗位，也会在工作岗位上“整顿”工作岗位、“整顿”职场。这是因为，当中国的温饱问题已经彻底解决之后，年轻人关心更多的不是生存的问题，而是这件事情让我“嗨不嗨”，如果让我感到“很嗨”就去工作；如果让我觉得“不嗨”，就不去做。“嗨动力”比贫穷动力更难以把握，就给做管理、人力资源服务提出了新的挑战。

未来还会遇到一个更大的挑战是人工智能。人工智能方兴未艾，ChatGPT刚刚出来一两年，我们就已经能够看到它可能带来的重大变化，而且很可能是挑战。比如AI会替代部分年轻人的第一份工作。未来要更多地警惕替代性的技术，鼓励发展能“赋能”的技术，当然这个过程会对年轻人未来的职场带来很大的影响。

对于年轻人而言，比找工作更重要的是找到一件自己真心想做的事情。这就要求，第一，有兴趣；第二，有天分；第三，有社会需求。可是在现实中往往是三点很难同时满足，但只要满足其中两个，成功的概率也会很大。如果有兴趣、有天分，没有社会需求，只要找到一个小群体，服务好这个小群体，也能够有生存的概率。如果有兴趣、有社会需求，没有天分，但找到自己喜欢做的事情，哪怕在行业里跑龙套，一样能够享受行业成长带来的红利。如果有天分，也有社会需求，但是没有兴趣，就需要在真实世界里培养出兴趣。

因此，首先，教育需要进一步前置和后置，尽可能地让学生及早地了解到真实的世界，提供更多的通识教育，而非变得越来越专业化。

其次，未来招聘制度将会出现重大的变化，信息不对称的问题解决得越好，年轻人找工作就会更有目的。因此，需要从解决单一劳动力市场上的事前信息不对称，转向解决事后信息不对称，把企业变成年轻人的职业生涯伴侣，让年轻人从求学到开始工作，再到不断地变换职业、变换赛道，都能得到更多的关怀。

从政府角度来说，特别需要重视鼓励中小企业发展，虽然大企业提供的就业岗位更加稳定，但是对于创造就业机会，尤其是创造年轻人的就业机会、年轻人的第一份工作机会来讲，中小企业更有成效。

未来的新技术革命是超乎想象的，未来的人口变化、年龄结构变化是超乎想象的，未来会有更多超乎想象的社会创新，在重大的变化趋势之下，每一个主体都要成为大变化下新的创新者。

季昕华（UCloud董事长）：

AI引领人力资源服务进入新质生产力时代

这几年AI是最火的创新领域，从人类的发展历史来看，从生产要素到数据要素，数据产生越来越大的价值，而人就是数据的生产者、制造者和拥有者。

人工智能行业规模从2013年起，平均年增长率为21%，增长率还在提高，未来发展空间会更加巨大。AI领域大致可以分成四个领域：

（1） 基础模型。像智谱、Minimax这样的公司，特点是公司数量有限，但模型的规模越来越大，数据的参数越来越多，而且会从文本、图片到视频进行多模态变化，会越来越智能。

（2） 行业模型。在基础模型上加上行业数据形成行业模型，空间会更大。特点是公司数量会越来越多，因为每一个有数据的公司都可以做行业模型。核心是有数据以及落地场景。数据有四个特征：一是具备行业属性；二是数据是私有的，否则任何基础模型公司都可以拿数据训练基础模型；三是数据具有价值性，能产生有价值的观点、思路；四是数据必须持续产生，每天产生新的数据、形成数据闭环才是有价值的。

（3） 具身机器人。基础模型和行业模型解决的是特别基础的问题，但具身机器人能把大模型和机器人相结合，帮助人类真正做到洗碗、拖地、开车这一类事情，就会产生更大的价值，所以具身机器人将是接下来非常重要的方向。

（4） 应用。目前国内外最大的场景还是应用方，应用有十大场景，HR是其中非常重要的一个领域。

行业模型非常有价值，有四种类型的公司可以做行业模型：

第一种是创业3-5年的公司。经过几年积累，这些公司能够实现数据的行业性、私密性、可持续性。

第二种是传统企业数字化转型3-5年的公司，比如传统的医药公司、外卖公司，它们有很多数据，做行业模型非常有价值。我们为生物医药公司做过一个行业模型，专门帮医药领域做外语的翻译，成本从一年的一千多万元减少到几十万元，而且速度非常快。

第三种是硬件公司。每一个硬件都是一个数据的挖掘机，比如苹果AI，比如国内的VIVO、OPPO、小米、华为手机都不断地收集数据，构建自己的模型，比如海康、大华摄像头等，都拥有各种各样的硬件。

第四种是天然依赖于数据的公司，比如金融、银行、证券、保险公司，这些都是非常值得做行业模型的。

大模型应用的特点是具有幻觉，但幻觉不是坏事，人类的发展过程和生物发展的过程中就是不断地产生幻觉，留下好的幻觉，消灭不好的幻觉的过程。很多ToC应用容错率较高，比如社交场景、游戏场景、电商场景；但有些领域容错率比较低，比如医疗领域、教育领域、律师领域、法律领域。在容错率比较高的领域，AI会率先实现落地；在容错率比较低的领域，AI落地相对慢一些，大模型的应用以辅助为主。

AI的出现，特别是具身机器人的出现，确实会让很多普通老百姓产生失业的压力，但是我们同时看到了更多的机会，应用AI提升效率。第一，在选人用人的过程中，可以应用AI，根据需求寻找简历，解决信息不对称问题。第二，在招聘过程中用AI实现完全自动化的笔试考试和部分面试。第三，在日常管理中应用AI，例如做新员工的培训、辅导，例如在销售身上放一个硬件设备，记录和客户沟通过程中的所有信息，回家之后自动撰写个人日报。第四，根据AI模型评估工作成效，进行优化，促进能力提升。

林凡（脉脉创始人兼CEO）：

大模型将从能力替代到流程重塑驱动组织变革

从麦肯锡发布的报告来看，近两年，全球应用生成式AI的企业占比逐年提高。从行业的角度来说，大模型优先渗透的是新经济行业，特别是高科技服务业，广告、软件、教育等行业在应用大模型的阶段也处于快速成长期，在未来的5-10年时间里，会迎来一波新的变革和新的替代，这些领域的企业或者人力资源从业者一定要关注如何用大模型为公司赋能。

企业内部会发生什么样的变化？

首先，能力上的替代或优化。

可以判断，工种的工作闭环周期（每次做一个决策的时间周期）越短，越有可能被AI的能力替代。从短周期的任务来看，一个人标注的正确率大概在98.5%-99%，而一个大模型标注的正确率大概在99.7%-99.8%，所以这类工作很快就会完全由大模型替代。例如自动驾驶可以实现完全自动化，被大模型替代的能力就很明显。但有些工作被替代的可能性就很低，比如CEO或者高管做决策和判断，要观察半年、一年甚至两年，再反复地迭代。

其次，流程发生优化。

传统流程是先调研，再定标注策略，将标注策略交给客服团队或者审核团队执行后反馈报告，没问题就交给研发团队编写代码、上线执行。在更新的设计里，产品直接标注，自己验证结果后很快就能交给研发团队，研发只要把标注的产品和线上系统打通，就可以直接上线，这时整个流程就没有标注、研发的环节。企业一旦有些工种被大模型替代，整个工作流程就会发生变化，对应进而组织的结构、设计乃至所有的管理流程都会发生变化。在新的AI时代里，我们要识别哪些任务可以被AI取代，哪些任务需要由人来完成，进行人和任务的解耦合 ，重新设计组织。

给大家几点建议：

首先，不要太着急，等到行业中有最佳实践，再跟进、部署。大模型能真正起到重要影响的时间还有3-5年，所以这一两年的时间里，要多观察和了解最佳实践，了解各个行业。我们判断，整个组织的形态和结构会发生巨大的变化。工业时代产生的雇佣方式是买断整个人，但到了AI时代，任务环节实现解构，就会出现线上雇用、灵活用工等多种形式，每个行业的工作都有可能被AI替代。未来，有可能由大模型完成企业的驱动和运作。

其次，需要了解两个问题：当前的公司是不是适合部署大模型？怎么平衡投入和产出？

第一，企业要具有较高的数字化程度。如果数字化没有做好，则没有办法实现智能化。标注之所以能用大模型完成，是因为标注的内容都是在线的、数据化的。

第二，巨头可以投。如果公司有将近千人规模的统一工种，就拥有高投入产出比的机会。投入大模型以后，只要1000个人提升10%的效能，节省的成本也是巨大的。

第三，如果公司有比较强的大模型技术积累，也可以部署大模型。公司内工种的类型就像自动驾驶的等级，从L1到L5，是从“人为主、AI为辅”到“人为辅、AI为主”再到“AI完全自主”的过程。企业应该评估每个工作所处的“L1-L5”段位。“L5”工种越多，投入应该越坚决。决策周期特别短，也应该尽快地部署大模型。

张帆（智谱AI COO）：

拥抱大模型，在更多场景构建竞争力

ChatGPT大模型发布之后，两个月内全球用户过亿，这是一个现象级的爆发。值得一提的是，以往的技术往往都是先有概念再应用落地，比如元宇宙。而大模型，是在ChatGPT落地先行后，人们才了解它的概念。各种各样的调研报告普遍认为，到2026年，80%的企业都会接入大模型。为什么这次大家达成了这么高度的共识？

在移动互联网时代，每做一件事就需要选择一个算法、用一套数据、训练一套模型、解决一个任务，比如分词、词性的标注，都是独立的，所以应用大模型的门槛特别高，成本也特别高，只有互联网公司才能用得起，应用范围比较窄。但是到了2013、2014年，神经网络算法的成熟使得算法层被统一，成本大幅下降，由此带来AI的第一次普惠，AI首次大规模进入产业和行业。到大模型2.0时代，AI的能力得到了极大的提升，AI的使用成本和门槛下降了两个数量级。

以人力资源行业为例，原来做一个简历的解析，至少需要两个算法科学家研究半年，也未必做得很好，需要投入两三百万元。但在大模型时代，可能一个不会开发的产品经理花半天或者一天的时间，就能借助大模型把事做好，并且泛化能力更好。这说明，大模型开始成为每一个人都可以简单应用的基础生产要素。

而当基础生产要素发生了变化时，上层建筑可能都会变化，包括产品的体验、组织的形式、商业的模式、协同的方式。但我并不认为机器会完全取代人，它反而可能放大人的能力。

从企业的视角来看，一方面要看企业的数字化程度是不是足够充分，内容或数据的定义是否完备统一；另一方面要看是否有明确的试点。对大模型要有完整的合理期待，既不能高估短期的效果，又不要低估长期的潜力。

站在模型侧考虑，很多企业错误地应用大模型，导致没有产生好的结果，就放弃了这条路，这是非常可惜的。其实模型非常简单，要么是预训练，解决的是通用能力；要么是微调，解决的是领域能力；要么基于自然语言处理的交互（Prompt），解决的是任务能力。

把合适的数据放到合适的场景才有价值，在大模型时代，企业该如何去构建自己的竞争力？

首先，要选择合理的基座。开源还是闭源，大模型还是小模型，完全依赖于场景。但本质上要综合考虑，考虑隐性成本进去。

第二，要构建与之相对应的组织，很多企业会走极端，要么配置极其专业的组织，让组织从基座开始干；要么就只备了不专业的人，让大家带着干，效果都不好。在大模型的背景下，如何重新定义组织、是否会增加新的工种、如何培训，是非常重要的命题。

第三，数字资产的重新定义。中国企业经常强调标准化、结构化。因为以前机器只能处理结构化数据，所以我们花了大量的精力做知识图谱、结构化改造。但在大模型时代，机器可以非常好地处理结构化数据，原来的基础就可能发生变化，数据资产可能被重新定义。所以，要顺着新时代和新技术思考。

第四，业务场景。大模型是一种底层能力，应该润物细无声地融入业务流程中的每个环节，让大家没有感知地享受到它的结果。

在今天这个时代，企业要及早拥抱大模型，选择一个基座，构建一个组织，重新定义自己场景下的数据资产，把它变成一个业务场景去提供服务，从而形成正向旋转的飞轮，让组织更强、数据资产更多、业务场景带来更大的价值。

（责任编辑：曹原源）