AI-Native HR Architecture

概述

ELMO 這篇文章把 AI-native HR 的演進拆成三層：先把 AI 放進核心流程，再讓系統透過互動回饋變得更聰明，最後提供情境化決策支援。它的重點不是在 HR 產品上疊一個 chatbot，而是讓 intelligence 成為系統本體的一部分。

凱鈿招募案例：從流程自動化到角色升級

BusinessNext 2026-08-27 的凱鈿案例把三層架構落到招募現場：四人 HR 團隊用 AI 組裝開職缺、履歷初審、面試與錄取信、HR call offer 等流程；文章報導一年面試 400 多場，並在 10 月達成全年招募目標。這些數字是公司案例的媒體轉述，不是獨立 benchmark。

案例也顯示，AI-native 不等於把每個節點硬做成標準化自動化：工程師與設計師的面試資料不同，資深 HR 原有的 SOP 也可能因新系統被打散。因此採用策略改成先在「確實有幫助」的節點使用，讓新舊流程並行，再用一個月的團隊回饋修正。這把 agent-skills 的流程封裝、agent-ready-data-governance 的資料與介面化交付接到 HR 的實際 adoption gate。

高價值判斷仍由人保留，例如 HR 親自致電候選人建立信任，以及和主管討論適配度、薪資與是否錄用；AI 則承接寄信、排會議與提醒等低判斷力工作。這是從「自動化任務」走向「角色升級」的具體例子，也連到 ai-native-enterprise-governance 的 owner／人工決策邊界與 zheng-zhi-wei 的案例整理。

這種架構的價值在於：它讓 HR 從 reactive 轉向 predictive。當 AI 能提早發現 succession risk、skills gap、turnover pattern，HR 團隊就不再只是在事故發生後補救，而能在危機成形前介入。

三層架構

Layer 1: Embed AI into core processes

• 自動化重複任務與 approvals
• 在既有工具中顯示最相關資訊
• 以減少摩擦、縮短處理時間、降低錯誤為目標

Layer 2: Intelligent feedback loops

• 每次互動都讓推薦更準
• 讓 manager / team / individual 的體驗更個人化
• 系統從 system of record 變成 learning system

Layer 3: Contextual decision support

• 在決策當下提供 scenario 與 context
• 用 anticipatory planning 取代事後報表
• 目標是 augment human judgment，而不是取代它

落地原則

• 先做 90-day wins，用可見 ROI 建立信任
• 把 governance 與 human-in-the-loop 當成架構的一部分
• 將 AI 視為文化與工作方式改造，而不只是 feature rollout

相關頁面

• elmo-software — 這套架構的出處公司
• ramesh-thiagalingam — 文章作者
• ai-agent — contextual decision support 的 agentic 延伸
• agentic-ai-cost-management — 與可觀測性、automation、workflow efficiency 的企業層思路相鄰