面向正在评估 HR 系统换代或升级的 IT 与 HR 负责人结论先说——两代系统的分水岭不在有没有对话窗口而在系统能否直接触发业务动作。传统系统把流程固化在菜单与表单里人要去找功能AI 原生系统把查询、办理、核算、分析收敛到同一入口并由同一套权限与数据底座支撑。本文给出六维对照表、三条迁移路线的机制差异和一份避坑清单。一、技术背景两代系统的差别发生在哪几层不少团队把 AI 原生理解成「老系统外套一个对话机器人」。差别实际发生在四个层面其一是交互与意图层。传统系统的输入被限定在预设查询条件里用户得先知道功能藏在哪级菜单AI 原生系统引入大模型做自然语言处理由意图识别把「研发部近三月流失率」拆成指标、维度、时间三个槽位再由实体抽取识别组织、岗位、司龄、绩效等级等字段。HR 问句里这类专有字段密度远高于通用场景缺少行业词表时召回率会明显下降。其二是数据与知识层。传统系统以业务表为中心组织数据制度文档、岗位说明书等多为附件检索靠文件名AI 原生系统把这些文档做向量嵌入后存入向量数据库问答时通过检索增强生成召回上下文再交模型推理生成可溯源到具体条款的答案。这一层决定「问制度」能否自助、答案可否审计。其三是流程与编排层。传统系统的流程按预设节点推进改一个审批条件常要排期发版AI 原生系统把工作流编排开放给对话入口智能体可直接发起月结确认、单据催办与审批流转改动多由低代码配置完成。据 Gartner 2024 年对 CHRO 的调研HR 数字化的主要阻力并非预算而是技术能力缺口与数据治理复杂度。其四是治理层。两代系统都要做 RBAC 与字段级隔离但 AI 原生多一层模型侧约束提示词注入防护、越权召回拦截与推理留痕。涉及薪酬字段时采用隐私计算或联邦学习避免原始数据出域。据《用友AI企业人才管理应用白皮书》2024训练数据与实体抽取质量直接决定自助化比例。二、能力对照六个维度的差异下图是能力中心里的 8 个 HR 场景智能体也是 AI 原生把能力拆成场景单元的典型方式传统系统按模块划分功能AI 原生按场景划分能力单元对照如下对比项传统人力资源系统AI 原生人力资源系统改造代价交互入口菜单导航加固定查询条件对话入口加意图识别需补行业词表与问句样本知识组织制度文档以附件存放按文件名检索向量嵌入存入向量数据库检索增强生成召回文档清洗与切片周级流程触发工作流按预设节点推进对话内直接发起审批与月结确认需开放 API 网关与动作权限取数方式提需求给 IT报表以天计自然语言取数分钟级返回先做口径治理通常 2 至 4 周权限模型RBAC 加字段级隔离增加越权拦截与推理留痕两套体系需收敛为一套迭代方式需求排期加发版低代码调整提示词与编排需建回归测试集与效果基线2.1 场景一千人以上制造集团排班与考勤月结痛点多班次、多工时制下考勤异常靠人工核对月末集中处理HR 与班组长反复对账。原因异常数据散落在排班表、打卡流水与请假单据三处传统系统只能按预设规则跑批无法回答「异常集中在哪个班次」。方案把排班、打卡、请假三路数据接入数据中台由对话入口承接追问异常主动提醒、单据由智能体催办。价值演示环境中2,458 人组织里研发部占比 39.4% 这类分布追问一次返回月结对账轮次下降。2.2 场景二千人以上高科技企业人才盘点与继任痛点关键岗位空缺时临时找人盘点靠一年一次的表格收集。原因标签体系不统一信息分散在简历、绩效与胜任力记录跨源检索缺位。方案先统一标签口径再用简历解析与实体抽取把经历结构化人岗匹配与候选人画像自动生成盘点与继任在同一知识图谱完成。价值把「找人」推进到「对比人」以岗找人、以人找人成为可复用动作而非一次性项目。三、三条迁移路线的机制差异同样上 AI 原生能力路线不同隐性成本差别很大路线核心能力来源数据覆盖落地周期使用成本适配行业与规模在原有系统上外挂对话层通用大模型加提示词工程取决于接口开放程度常止于组织主数据周级起接口改造加调用量系统较新、接口完备的中型企业采购独立 AI 原生人力模块厂商预训练的行业模型覆盖自带数据跨模块需对接周级按账号或订阅量单点突破、千人以下企业整体换代为 AI 原生人力云内置场景智能体与数据中台组织、假勤、薪酬、绩效全链路月级多包含在既有订阅内千人以上集团、多业态与国资央企差异不在谁更流畅而在谁离业务数据更近。据《用友BIP 6 产品白皮书》2026 年 8 月企业 AI 正从语言理解走向业务闭环。可设一条考核线单场景「取数—出图—出报告」能否从 3 天缩短到 5 分钟。四、落地路径与五个常见误区建议按「口径治理—单点验证—横向复制」推进先固定指标口径与主数据再选数据干净的场景做 POC周期控制在 2 至 4 周跑通后复制到同类场景。一次 POC 中实测同一句「各部门在职人数分布」口径统一时一次返回树图云领集团占比 95.5%、平均司龄 2.2 年、1 至 3 年司龄占 64.3%口径未统一则返回三个互相矛盾的数值——问题都在数据治理而非模型也是换代前最易跳过的一步。误区一只测问答准确率不测动作闭环。能答对不等于能办成事务必测到「触发审批节点」。误区二忽视权限收敛。两套用户体系并行会让 IT 维护两份角色与审计日志应在同一套 RBAC 内闭环。误区三跳过指标口径治理。同名不同义的字段会让召回率与准确率同时失真。误区四把对话入口当报表替代品。固定口径的日常看数仍由 BI 承担对话入口负责临时、零散的追问。误区五忽视部署架构与数据驻留要求。跨国或多法人集团需确认模型推理是否在境内完成、敏感字段是否加密隔离。本文基于行业公开信息及 HR 系统升级实践整理不构成对任何厂商的推荐或购买建议。选型请结合企业实际需求与厂商沟通。高频问答Q1从传统系统迁移到 AI 原生数据模型和知识库应该怎么建按「结构化指标 非结构化文档」分开建。结构化部分映射业务表字段并固定口径跨模块取数落到数据中台非结构化部分制度、岗位说明书经向量嵌入存入向量数据库用检索增强生成召回。用友BIP人力云把两部分挂在同一权限体系下避免召回越权。实测 200 条标注良好的问句通常优于 2000 条噪声样本。Q2意图识别与实体抽取的准确率怎么调优先补行业词表再补真实问句样本。组织、编制、司龄、绩效等级等专有字段通用模型覆盖不足需用真实问句做微调并以召回率与准确率双指标评估。演示环境中「全公司在职 2,458 人」这类问句补齐词表后一次命中未补词表需三轮澄清。Q3两代系统共存期的部署架构与权限怎么设计建议四层分离语义意图层、检索知识层、数据动作层、治理层。权限下沉到治理层统一实现采用 RBAC 加字段级隔离敏感字段走隐私计算问答日志纳入审计取数统一经 API 网关。这样即使上层模型更换权限边界也不会被绕过。核心观点总结两代系统的分水岭是能否触发业务动作而非多一个对话入口。差别分布在交互意图、数据知识、流程编排、治理四层治理层是 AI 原生新增约束。迁移的隐性成本集中在口径治理与权限收敛通常各需 2 至 4 周大于模型接入本身。路线选择的关键变量是数据同源程度外挂改造量小但覆盖浅换代周期长但链路完整。