# ai-workforce-planning ## 核心定义 > AI Workforce Planning 是一种企业战略规划方法，通过整合人工智能技术，对企业的人力资源进行重新定义和优化，以适应数字化时代的工作需求。 ## 核心洞察（TL;DR） - 企业规划的核心单位从岗位和人数转向 Work、Workflow、Task、Skill 与 Capacity。 - AI Workforce Planning 要求比较人、传统软件、生成式 AI 和 Agent 在成本、质量、速度、风险等维度上的生产能力。 - 未来 Workforce Planning 将管理企业完成经营目标所拥有的全部可调用能力。 ## 关键事实与数据 - Deloitte 的 2026 Human Capital Trends 显示，88%的受访领导者认为实时编排人员、技能和资源是组织最重要的能力之一。 - ILO 的研究指出，全球约四分之一就业处于一定程度的 GenAI 暴露中。 - Workday 已经推出 Agent System of Record，将企业内部和第三方 AI Agent 纳入统一注册、配置、监控和治理体系。 ## 正文 # AI Workforce Planning：当企业开始把“人”和“AI”放进同一张生产能力资产负债表 Deloitte 关于 AI Workforce Planning 的讨论，表面上属于人力资源规划，真正触及的却是企业经营系统的一次基础变量重构。关键变化：规划对象正在从岗位和人数转向 Work、Workflow、Task、Skill 与 Capacity，并进一步要求企业比较人、传统软件、生成式 AI 和 Agent 在成本、质量、速度、风险等维度上的生产能力。 沿着这一逻辑继续推演，未来 Workforce Planning 所管理的将不再只是“劳动力”，而是企业完成经营目标所拥有的全部可调用能力。 这一变化的重要性在于，它把一个长期归属于 HR 的管理问题重新放回企业经营系统：业务目标产生工作需求，工作需求分解形成任务和能力需求，人和机器分别提供不同形式的 Capacity，企业再通过成本、质量、时效和风险约束决定如何配置。Deloitte 自身也已经将未来 Workforce Planning 描述为跨越战略、财务、HR、数据与技术的协同过程，而其 2026 Human Capital Trends 更进一步把“实时编排人员、技能和资源”列为最重要的组织能力之一：88%的受访领导者认为这一能力极其或非常重要，但只有7%认为自身取得了显著进展。 ## 从 Headcount Planning 到 Capability Planning，真正变化的是企业规划的基本单位 传统 Workforce Planning 隐含着一个稳定性假设：岗位是相对稳定的生产单元，因此可以依据业务规模预测岗位数量，再据此形成 Headcount、招聘、预算和培训计划。上传稿件指出，这种方法在 AI 时代越来越难成立，因为岗位本身正被重新组合，一个岗位内部不同任务受到 AI 的影响程度可能完全不同。原稿因此提出 Job→Workflow→Task→Skill/Capability→Execution Option 的分析链路。 这一判断有较强的外部研究支持。ILO 2025 年的 GenAI 职业暴露研究并没有直接判断“哪个职业会消失”，而是基于接近3万项任务、人工调查、专家判断与 AI 辅助评分建立任务级暴露模型。其结论是全球约四分之一就业处于一定程度的 GenAI 暴露中，但因为绝大多数职业仍包含必须由人参与的任务，岗位转型比岗位整体替代更可能成为主要结果。 这意味着岗位仍然有管理价值，却已经不适合作为 AI 影响分析的最小计算单位。 因此，未来企业更值得建设的并不是一套更加精确的 Headcount Forecast，而是一套能够回答“企业究竟需要哪些能力”的 Capability Model。岗位可以变化，组织边界可以变化，某项能力既可能由正式员工提供，也可能由外包团队、SaaS、Copilot 或 Agent 提供。Workforce Planning 的稳定对象由“人在哪里”逐渐转向“什么工作需要什么能力”，这是整个体系中最具有结构性的变化。 这也解释了为什么 Deloitte 最新的 Workforce Planning 研究开始明确讨论从 jobs、skills 进一步转向 outcomes。其核心逻辑是，当经营环境高度不确定时，企业首先需要确定希望实现的业务结果，再决定完成这些结果所需要的工作和能力，而不能继续默认现有组织结构就是未来组织结构。 从管理科学角度看，这实际上是在把组织设计从“岗位驱动”转为“结果—工作—能力驱动”。 ## “人类+数字劳动力”成立的前提，是先解决数字劳动力如何计量 原稿提出建立 AI Capability Ledger，是对 Deloitte 框架非常重要的补充。Deloitte 已经提出使用 cost、capacity、productivity、quality 和 scalability 等共同维度评价 human labor 与 digital labor，但如果企业没有独立的 AI 能力计量体系，“数字劳动力”最终仍然只是一个概念。原稿因此进一步提出 Capability、Quality、Capacity、Cost、Latency、Autonomy、Supervision、Reliability、Risk 和 Scalability 等指标。 这一方向正在从理论进入产品。Workday 已经正式推出 Agent System of Record，将企业内部和第三方 AI Agent 纳入统一注册、配置、监控和治理体系，并能够查看 Agent 的使用情况和绩效；Workday 的公开产品资料还明确提出，应当定义 Agent 的角色和责任、追踪影响、规划成本，并对 Agent 进行持续治理。 Deloitte 与 Workday 2026 年的联合材料进一步将这一体系直接放入 Workforce Planning，提出统一分析 human capacity 与 agentic capacity，并通过 Agent System of Record 管理 Agent 的生命周期、成本和绩效。 这说明“Digital Labor”正在形成类似传统 HCM 的管理对象，但二者不能简单等价。一个员工的能力通常随着经验缓慢变化，而 Agent 的能力会随着基础模型、Prompt、Context、RAG、工具权限、代码版本和运行环境发生突然改变；同一个 Agent 在不同任务上的可靠性也可能呈现高度非线性。因此，对 Agent 的管理不能简单复制员工技能档案，而需要具有版本概念的 Capability Profile，并持续通过真实任务 Eval 更新。 企业真正应该比较的也不是“一个 Agent 相当于多少个人”，而是某项特定任务所需要的**有效生产能力**。一个 Agent 即便理论吞吐量极高，如果任务成功率只有80%、人工升级率20%、错误返工成本很高，其有效 Capacity 可能远低于名义 Capacity。相应地，AI 的单位经济性也不应只计算 Token 或模型调用费用，而应包含模型、工具、基础设施、人工监督、异常处理、返工以及治理成本，最终得到“每个被业务接受的任务结果成本”。 这一步非常关键，因为只有当企业能够用同一种经济语言描述 Human Capacity、AI Capacity、External Capacity 和 Software Capacity，Workforce Planning 才真正进入资源配置层。否则所谓“人机混合劳动力”仍停留在组织愿景层面。 ## AI Exposure 与人员替代之间存在一条经常被忽略的传导链 当前很多企业进行 AI Workforce Planning 时最容易犯的错误，是把“AI 可以做”直接转换为“人可以减少”。上传稿件已经提醒，需要区分 AI exposure、automation feasibility 与 realized substitution。 这一问题值得进一步提升为 Workforce Planning 的基本分析原则，因为它直接决定企业预测的可信度。 完整的传导过程至少包含五个阶段：首先是模型在能力层面对某项任务形成暴露；其次是技术上能够达到业务可接受质量；第三是整个 Workflow 允许该任务独立自动化；第四是综合成本、风险和监督以后具有经济合理性；最后还需要系统集成、组织调整和员工行为发生变化，才可能形成实际的 Capacity substitution。任何一个阶段没有成立，“理论可自动化率”都不能直接进入 Headcount Reduction 模型。 ILO 特别强调，其 GenAI exposure 指标代表的是潜在暴露上限，而不是实际影响；基础设施、数字技能、技术成本与实际操作困难都会阻碍技术能力转化为真实应用。 因此，如果一家企业根据外部研究判断“某岗位60%的任务受到 AI 暴露”，进一步推导“未来可以减少60%的岗位”，这种推理在方法上是不成立的。 Anthropic 的真实企业 API 数据提供了另一个值得观察的信号：其研究显示，Claude API 使用中约77%的交互表现为自动化模式，而 augmentation 约为12%；这与 Claude.ai 中更均衡的人机协作方式明显不同。 这说明随着 AI 从聊天界面进入企业 API 和工作流，完整任务委托确实在增加，但该数据反映的是使用模式，并不能证明相应岗位已经被等比例替代。真正改变劳动力结构的，是自动化能力进入稳定生产系统之后形成的长期 Capacity shift。 因此，企业的 AI Impact Model 应该从简单“Automation Percentage”升级为概率链模型：技术暴露度、真实任务通过率、流程可替代率、经济可行率、企业采用率和组织实现率共同决定最终的人力需求变化。这样得到的预测通常没有简单百分比那么激进，却更适合真实预算和组织决策。 ## Workforce Planning 的核心价值将从预测准确率转向资源编排能力 如果只是把 AI 用于预测未来需要多少员工，那么 AI Workforce Planning 的价值仍然局限于传统 Planning Automation。Deloitte 2026 年对 orchestration 的强调揭示了更深一层变化：企业竞争优势越来越取决于能否根据需求变化快速重新组合人员、技能、数据和技术，而不是单纯拥有更多资源。Deloitte 的调查显示，67%的领导者预计未来三年的竞争优势更多来自速度和灵活性，仅28%认为主要来自规模；在其样本中，领先于能力编排的企业约有两倍概率报告更好的财务结果，不过这一结果属于相关性证据，不能直接解释为因果关系。 从这个视角观察，Strategic Talent Planning、Annual Workforce Planning、Operational Workforce Planning 和 On-Demand Scenario Modeling 并不是四套独立 HR 流程，而是不同时间尺度下同一个 Capacity Allocation System。长期层负责判断企业未来需要什么能力；年度层决定预算中应配置多少 Human、AI、Contractor 与 Technology Capacity；运营层负责将实时 Work Demand 与这些 Capacity 匹配；情景层则负责在市场、技术、并购、监管或成本突然变化时重新计算。 上传稿件中“预测→决策→调度→执行→反馈”的闭环，比单纯的预测模型更加接近这一体系的真实终态。 如果这一链路建立起来，Workforce Planning 会逐渐与 ERP、项目管理、流程引擎、人才市场和 Agent Runtime 发生深度融合。系统不仅告诉管理者“预计缺少30名分析师”，还可以进一步发现某项工作需求增长、评估内部技能供给、判断 Agent 可承担比例、比较招聘与技术投入成本，并将最终决策反馈到招聘、培训、项目和 Agent 调度系统。 这种实时编排能力也改变了“组织冗余”的传统理解。Deloitte 在 2025 年 Human Capital Trends 中发现，82%的组织认为释放员工 Capacity 很重要，但只有8%取得了显著进展，并进一步提出企业往往把人员利用率设得过满，导致没有足够的 slack 应对变化。 因此，最优 Workforce Plan 并不一定意味着最高人员利用率；在高度不确定的环境中，适度冗余、本地专家能力和可快速调用的 AI Capacity 本身就是组织韧性。 ## 规划对象最终还需要从 Task 再向 Outcome 上升一层 Task decomposition 是 AI Workforce Planning 的必要基础，但如果体系最终停留在 Task，它仍然容易陷入局部自动化优化。企业存在大量任务，并不意味着这些任务都应继续存在。AI 的价值往往恰恰来自重新设计流程，使原来的多个任务被合并、取消或者完全改变。 例如，传统客户投诉处理可能包含信息录入、分类、知识检索、方案草拟、审批、通知和归档七个任务。如果企业只是逐项判断哪些任务可以使用 GenAI，就会得到七个局部自动化项目；如果从 Outcome 出发重新设计，则问题会变成“如何在风险约束下尽快解决客户问题”，随后可能形成完全不同的人机协作工作流。此时部分原任务消失，新出现的工作则是 Agent 监督、异常处理和策略更新。 因此，比较完整的建模链路应继续扩展为： **Business Outcome → Workflow → Task → Required Capability → Available Capacity → Allocation → Execution → Outcome Measurement。** 这比单纯的 Job→Task 体系更接近企业经营逻辑。Deloitte 当前 Workforce Planning 专题也已经开始明确提出从 jobs 到 skills 再到 outcomes 的演进。 对企业而言，这意味着 AI Transformation 与 Workforce Transformation 实际上无法长期分离：一旦 Workflow 被重新设计，对应岗位、技能、管理跨度、绩效指标和成本结构都会发生连锁变化。 ## “AI Capability Ledger”还需要进一步升级为企业 Capacity Accounting 如果沿着上述逻辑继续推演，企业未来很可能需要一种新的管理会计：Capacity Accounting。传统财务系统可以回答人员工资、软件成本和云资源支出，却很难回答某个业务结果究竟消耗了多少 Human Capacity、AI Capacity 和外部 Capacity，更无法比较不同组合的单位经济性。 上传稿件已经提出 Realized Economic Value 应从 Gross Productivity Gain 中扣除 Integration、Inference、Supervision、Error/Rework 和 Transition Cost。 这是一个比“AI 节省多少工时”更接近经营现实的评价方式。进一步而言，企业还需要建立任务级成本归因，例如 Agent 完成一次合规审查需要多少推理费用、检索费用、工具调用费用、人工复核费用和异常处理费用，并将其与人工完成同类任务的总成本、周期与风险进行比较。 一旦这种核算建立起来，很多传统 HR 决策就会转化为经济选择。例如，业务增长20%以后，公司未必需要同步增加20%员工；系统可以计算新增 Demand 中多少由流程改进吸收、多少由现有人力释放的 Capacity 承担、多少适合新增 Agent Capacity、多少必须招聘高价值专家。此时 Headcount 已经成为结果变量，而不是规划起点。 Workday ASOR 开始支持 Agent 成本、影响与绩效追踪，正说明市场正在出现这种管理需求。 未来 HCM、FinOps、AgentOps 和 Workforce Planning 很可能出现新的交叉区域：企业需要同时管理人的劳动成本、AI 的运行成本以及二者组合后的 Outcome Economics。 ## 技术架构的关键并不是增加一个 LLM，而是建立可信的企业决策闭环 上传稿件把目标架构概括为 Enterprise Data→Work/Skill/Agent Knowledge Model→Forecast Models→AI Impact Models→Scenario Engine→Optimization Engine→LLM/Agent Layer→Human Decision→Execution Systems→Outcome Feedback。 这一结构值得保留，因为它准确地区分了 LLM 与完整 Workforce Planning 系统之间的关系。 其中 LLM 最适合解决任务语义理解、文档解析、岗位和技能映射、非结构化信息总结、自然语言规划交互以及解释性问题；时间序列和传统机器学习仍然适合业务需求、人员流失、生产率等预测；运筹优化负责多约束 Capacity Allocation；Agent 则负责跨系统获取数据、执行模拟、触发工作流甚至落实部分决策。任何将这一问题简化为“接入一个大模型即可智能化 Workforce Planning”的产品设计，都容易低估真正的工程复杂度。 尤其是在 Agent 进入正式生产以后，治理本身必须成为 Workforce Planning 的一部分。Workday 的 Agent Security 已经将 Agent 视为具有独立身份和权限边界的执行主体，通过域权限、OAuth、审计记录区分 Agent 自主执行和代表用户执行。 这意味着未来规划“是否使用 AI Capacity”时，系统同时需要判断该 Agent 是否拥有相应数据权限、操作权限和责任归属，而不能只判断模型能力是否足够。 因此，一个成熟的 Workforce Planning Platform 最终需要同时拥有 Work Graph、Skill Graph、Human Profile、Agent Profile、Demand Model、Cost Model、Scenario Model 和 Governance Model。自然语言 Copilot 可以成为最友好的使用入口，但真正形成竞争壁垒的，是这些模型之间能够形成可验证、可追踪的计算关系。 ## 从三年路线图看，最合理的落地顺序仍然是先 Measure，再 Orchestrate Deloitte 的路线图强调先统一 HR、Finance、Strategy 的数据和治理，再形成可被 AI 测量的 Workforce Taxonomy，随后逐步建立 AI-assisted scenario planning、skills-based matching 和实时需求信号，最终进入 always-on planning。上传稿件将其进一步概括为 Measure Work、Measure AI、Plan Human+AI 和 Closed-loop Orchestration 四个阶段。 这一顺序比直接采购一个“AI Workforce Planning Platform”更加稳健。 首先必须 Measure Work。很多企业连真实工作流、任务耗时、质量基线和技能需求都没有可靠数据，如果直接判断 AI replacement rate，得到的往往只是咨询式估算。其次必须 Measure AI，而且评价数据应该来自企业自己的真实任务，而不是通用 Benchmark。模型在 MMLU、SWE-bench 或公开推理测试中的成绩，并不能直接回答它处理企业合同、客服异常或财务分析的可靠程度。 第三阶段才适合进入 Human+AI Scenario Planning。在这一阶段，企业需要建立多个假设而不是单一预测，例如 AI adoption 30%、50%、70%情况下分别需要怎样的岗位结构、培训投资和技术预算，同时对模型能力、人工复核率和业务增长建立敏感性分析。最后，当真实运行数据能够不断反馈模型以后，系统才有条件进入 always-on orchestration。 这一实施节奏也符合宏观劳动力市场的不确定性。WEF《Future of Jobs Report 2025》显示，雇主预计到2030年39%的现有核心技能会发生变化，同时预计结构性劳动力市场变化将创造1.7亿个岗位并替代9200万个岗位，净增加约7800万个岗位。 这些数据说明企业面对的主要问题并非简单缩减人员，而是持续发生的工作、能力与岗位重新组合。 ## AI Workforce Planning 最终会成为企业生产能力的控制平面 综合 Deloitte 报告、ILO 的任务级研究、Anthropic 的企业 API 使用数据以及 Workday 已经商业化的 Agent System of Record，可以看到一条相当清晰的产品演进路径：企业最初使用 AI 提高个人生产率，随后把模型嵌入流程，再逐渐把 Agent 当作可以被注册、授权、监控和计量的执行主体。一旦数字执行主体开始与员工共同完成经营任务，传统 Workforce Planning 就必然需要把二者放入同一个规划体系。 由此看，未来真正值得建设的系统并不是“AI 版 HR Planning”，而是一层覆盖业务 Demand 与企业 Capacity 的控制平面。它持续感知业务需求，理解任务结构，判断人和机器的能力边界，计算不同资源组合的成本与风险，运行情景模拟，生成配置决策，并通过执行数据不断修正此前的假设。 这也使 Workforce Planning 与企业 AI 转型发生了更深层的结合。过去企业通常分别讨论组织战略、人才战略、自动化战略和 AI 战略；当 AI Agent 成为可独立提供 Capacity 的生产主体之后，这些战略开始共享同一个问题：**企业完成未来业务目标究竟需要什么能力，这些能力应该由谁提供，以及如何用最低的综合成本和可接受的风险持续获得。** 从这个意义上说，原稿提出的“生产能力操作系统”是一个合理方向，但还可以进一步准确化为 **Enterprise Capability & Capacity Operating System**。其中 Workforce Planning 负责规划，人力系统管理 Human Capacity，Agent System of Record 管理 Digital Capacity，Finance 建立经济约束，Workflow/ERP 承载执行，Eval 和 Observability 则负责验证机器能力是否真的达到规划假设。 需要保留的一个重要警惕是，“Digital Labor”虽然是一个有效的管理隐喻，却不能演变成把人和 Agent 完全视为可互换资源。人的长期能力形成、组织知识、创造性判断、责任承担和协作关系具有机器系统目前无法等价表示的价值；AI 同样具有近乎无限复制、版本快速变化和概率性失效等与人完全不同的特征。因此，未来 Workforce Planning 的成熟程度，不取决于它能够计算“AI 可以替代多少人”，而取决于它能否准确描述这些不同生产主体的能力边界，并据此设计更有效、更可靠且能够持续演进的工作系统。 Deloitte 报告真正值得重视的地方，也正在这里：它把一个看似属于 HR 的问题，推到了企业 AI 转型的核心位置。原稿已经准确识别出从 Headcount 到 Task/Skill/Capacity 的第一次跃迁；进一步推演之后，更完整的变化链条应当是 **Headcount Planning → Skill/Task Planning → Human+AI Capacity Planning → Outcome-based Orchestration → Enterprise Capability Operating System**。这条演进路径如果成立，Workforce Planning 将不再只是企业年度预算流程的一环，而会成为 AI 时代企业持续重构自身生产能力的重要基础设施。 ## 关注「哈希泰格」服务号 ![关注哈希泰格公众号二维码](/logo/qrcode_for_gh_f9203b130c32_344.jpg) --- ## 引用与溯源 **来源**：哈希泰格 (HaxiTAG) **原始链接**：[https://haxitag.com/articles/ai-workforce-planning](https://haxitag.com/articles/ai-workforce-planning) **来源索引（站内可追溯）**：[麦肯锡](https://haxitag.com/search?q=%E9%BA%A6%E8%82%AF%E9%94%A1)、[普华永道](https://haxitag.com/search?q=%E6%99%AE%E5%8D%8E%E6%B0%B8%E9%81%93)、[Gartner](https://haxitag.com/search?q=Gartner)、[IDC](https://haxitag.com/search?q=IDC)、[Forrester](https://haxitag.com/search?q=Forrester) **版权声明**：本文由哈希泰格 AI 引擎优化生成，引用请注明出处。