人力资源管理中的人工智能：经验主义的局限

著作权许可协议 4.0 国际版（CC BY 4.0） 此项作品受Creative Commons Attribution 4.0 International许可。详见：https:// creativecommons.org/licenses/by/4.0/用户可以根据许可协议的详细规定，重复使用、分享（复制和再分发）、改编（混搭、改编和在此基础上进行创作）这些内容。用户必须明确注明国际劳工组织（ILO）是该材料的来源，并说明是否对原始内容进行了修改。禁止在翻译、改编或其他衍生作品中使用国际劳工组织的徽章、名称和标志。 归因用户必须表明是否进行了更改，并按照以下格式引用作品：伯格，J.，约翰斯顿，H.人工智能在人力资源管理中的应用：经验主义的局限性国际劳工组织工作文件154。日内瓦：国际劳工局，2025年。©国际劳工组织。 翻译。- 如果对本作品进行翻译，必须在署名信息之外，同时添加以下免责声明：本译文是国际劳工组织（ILO ）受版权保护的作品的翻译版本。本翻译未经国际劳工组织准备、审查或批准，不应被视为国际劳工组织的官方翻译。国际劳工组织对本译文的内容和准确性不承担任何责任。本译文的责任完全由译者承担。 适应– 如对此作品进行改编，请添加以下免责声明并附上来源归属：这是国际劳工组织（ILO）版权作品的改编。该改编未由ILO起草、审查或认可，不应被视为正式的ILO改编。ILO对其内容与准确性不承担任何责任。责任完全由改编的作者承担。 第三方材料- 本Creative Commons许可证不适用于本出版物中包含的非国际劳工组织版权材料。如果材料归属第三方，使用该材料的人对与权利人协商版权事宜及对任何侵权索赔负完全责任。 任何根据本许可证产生的、无法友好解决的争议，应提交联合国国际贸易法委员会（UNCITRAL）仲裁规则进行仲裁。各方应受此类仲裁产生的任何仲裁裁决的约束，作为此类争议的最终裁决。 有关权利和许可的详细信息，请联系：rights@ilo.org权利@ilo.org有关国际劳工组织出版物和数字产品的详细信息，请访问：www.ilo.org/publns. ISBN 9789220428610（印刷版），ISBN 9789220428627（网络PDF版），ISBN 9789220428634（epub版），ISBN 9789220428641（html版）。ISSN 2708-3438（印刷版），ISSN 2708-3446（数字版）。 https://doi.org/10.54394/NMSH7611 在ILO出版物中使用的设计名称，这些名称符合联合国惯例，以及其中材料的呈现，并不意味着ILO对任何国家、地区或领土的法律地位有任何意见表达。 或者关于其权力机构，或者关于其边境或边界的界定。参见：www.ilo. org/免责声明. 本出版物中表达的看法和观点是作者的观点，并不必然反映国际劳工组织(ILO)的意见、看法或政策。 对公司和商业产品及过程的名称的提及并不代表国际劳工组织对其的认可，未提及特定的公司、商业产品或过程也不代表其被否定。 相关信息可在我劳工组织出版物和数字产品中找到：www.ilo.org/研究-与-出版物 国际劳工局工作论文总结了国际劳工局正在进行中的研究成果，旨在引发关于工作世界一系列问题的讨论。欢迎对这篇国际劳工局工作论文提出评论，可以发送至berg@ilo.org. 发布授权：卡洛琳·弗雷德里克森，研究部主管 国际劳工组织工作论文可在以下网址找到：www.ilo.org/research-and-publications/working-papers 建议引用： Berg, J., Johnston, H. 2025.人工智能在人力资源管理中的应用：经验主义的局限性, 国际劳工组织工作文件154（日内瓦，国际劳工组织）https://doi.org/10.54394/NMSH7611 摘要 人工智能（AI）快速融入人力资源管理（HRM）正在改变组织招聘、管理和评估员工的方式。虽然支持者将AI视为提高效率、减少偏见和使人力资源实践与战略商业目标一致的手段，但本文认为这种乐观是 misplaced。本文通过对AI在四个核心人力资源管理功能——招聘、薪酬、排班和绩效管理——中的应用进行批判性回顾，确定了由AI系统基本结构产生的重大风险和局限性。 核心分析是一个评估人工智能工具的三参数框架：它们的目标, 的数据他们依赖的，以及他们是如何编程该论文表明，在人力资源各个职能中，人工智能系统经常实施简化或不协调的目标，依赖于低质量或带有偏见的数据，并以非透明的方式编程，这削弱了它们的有用性。这些结构性缺陷不仅削弱了人工智能系统的有效性，还为企业和员工带来了法律、伦理和实际风险。 关键词人工智能，人力资源管理系统，数据分析，算法管理 关于作者 珍妮·伯格是该组织研究部门有效劳动机构单元的首席经济学家。自2002年加入国际劳工组织以来，她一直从事劳动法经济和社会影响的研究，并为创造就业和改善工作条件提供技术援助。她是关于就业、劳动市场机构和劳动数字化转型的多部书籍和众多文章的作者。 Hannah Johnston是在加拿大多伦多约克大学人力资源管理学院的助理教授，专注于工作的数字化转型。加入约克大学之前，汉娜曾担任波士顿东北大学博士后研究员，并在国际劳工组织担任专业工作。汉娜对平台经济长期感兴趣，并与牛津大学的公平工作项目合作。她的近期论文发表在《工业与劳动关系评论》、《工作和职业》和《国际劳工评论》等期刊上。 目录表 图目录 0609图1. 麦肯锡关于人员分析益处的信息图图2. 人工智能系统的运作 引言 受提高组织内人员管理效率和效果的愿望驱动，人力资源经理正在利用人工智能的编程和分析能力来履行关键的人力资源职能——包括人员选拔和招聘、薪酬确定和结构、绩效审查和评估以及工作时间组织。然而，在人工智能的快速整合过程中，却很少对人工智能在组织内部人员管理中是否以及何时有用进行全面评估。尽管缺乏评估，但“人工智能在人力资源中的应用”行业以及这些工具和系统被个别企业和组织采用的势头正在迅速增长。 本文提出一个框架，用于理解和评估人工智能系统在劳动力管理中所呈现的潜在效益和可能的风险或伤害。在论文中的一节中，记载了人力资源领域的历史背景，这一背景首先催生了人力资源分析，然后催生了人工智能。接着，论文提出了一个基于三个相互关联参数的框架，有助于评估在该领域使用的人工智能系统的质量、合法性和适用性。这些参数是：（1）系统目标，（2）其构建和依赖的数据，（3）人工智能系统的编程方式。借鉴关于人工智能在劳动力管理中应用的现有文献，论文将三个参数框架应用于描绘与四个关键人力资源管理工作（招募、薪酬、排班和绩效管理）相关的人工智能使用轮廓。我们讨论部分“无节制的乐观”将人力资源的学科和职业历史与人力资源对人工智能的潜在使用研究结果并列。我们认为，人力资源专业人员寻求职业合法性的追求培养了对数量和实证主义的过度关注，这为人工智能系统声称提供的“基于证据的解决方案”提供了肥沃的土壤。我们认为，这种实证主义倾向可能会导致在创造对工人风险、对企业责任和对社会成本的条件下广泛采用人工智能。鉴于人工智能导致的看似不可避免的劳动工作转型，我们主张人力资源专业人员需要提高他们对人工智能系统工作原理的理解，以便更好地判断其潜力和局限性，而当他们在其工作场所实施系统的设计中参与时，这一点最好实现。 X1 我们是如何来到这里的？ “人脉分析”兴起以及通过数据管理员工 人力资源管理与1950年代作为一个独立的学术研究和实践领域出现，专注于组织中对人的管理。它从更广泛的工业关系学科中分离出来，该学科历史上主要研究在工会和集体谈判——或集体雇佣关系——背景下的劳动关系。人力资源管理最常与雇主与个别员工的关系相关（Kaufman 2001）。作为从业者，人力资源经理通常致力于促进一系列人事职能——包括招聘和选拔、薪酬、排班和绩效管理以及晋升——以实现组织的目标。 自20世纪80年代以来，主导人力资源管理经理的范式一直是“战略人力资源管理”（Paauwe和Boon，2018年）。基于人力资源的起源和科学管理的基石概念，战略人力资源管理旨在将企业绩效与企业内部管理工人的具体方法和实践联系起来。当这一方法首次被提出时，它代表了企业管理的重大转变。在此之前，组织“战略”指的是企业的视角或“世界观”，其预期的计划和模式化的行为，以及企业为欺骗竞争对手而使用的策略（Mintzberg，1987年）。然而，在20世纪80年代，企业战略开始更多地关注因果关系，研究人员和从业者试图确定投入（例如管理实践）和产出（例如市场绩效），对其进行量化，并推导出两者之间的因果关系。正如许多人所争论的，这种战略方法的实施在很大程度上是“针对特定的数量目标”（Wood和Kispál-Vitai，2017年）。企业不仅希望通过量化得出一般结论或趋势，而且为了区分单一的最佳实践，还比较了一系列的策略。 这种认识论转变推动了新的指标和数据点的开发，可用于分析人力资源管理与企业绩效之间的关系。反过来，人力资源管理者可以利用这些关于工作人群的新数据源来指导决策。这种基于证据的管理技术（EBM）在战略人力资源管理中得到广泛推广，有助于克服诸如依赖个人经验或管理层心血来潮的倾向，或模仿顶尖表现者的策略或方法的倾向（Pfeffer和Sutton 2006；Rousseau 2006；Reay，Berta和Kohn 2009）。结果是积累了大量数字化工作场所和工作相关的工具，它们捕捉、收集和分析员工行为和绩效数据。自20世纪80年代以来，这推动了人力资源分析领域的快速增长——定义为“运用测量和分析技术来理解和优化企业中的人事方面”（Enderes和Shannon 2019）——并最终为AI在人力资源管理中的应用铺平了道路。 在人力资源分析和人工智能发展领域，更多和更好的数据通常被视为构建强大系统的先决条件。人力资源分析数据可能涉及员工的统计数据、关于工作地点或性质描述性信息、绩效、培训或职业历史，或任期。虽然每个组织都有其员工数据，但只有当数据质量高、可靠且丰富，并且组织有足够培训的员工来处理和解读这些数据时，才能实现人力资源优化和规划的先进分析。图1是麦肯锡出版物关于人力资源分析“优点”的信息图，强调此类系统提供人力资源洞察力的能力随着员工数据的数量和质量而增加（Ledet等人，2020）。 X图1. 麦肯锡关于人员分析益处的信息图 当最初引入时，人力资源专业人士使用人员分析来评估其员工队伍的模式，从而为包括招聘和雇佣、晋升、薪酬以及健康和安全在内的广泛人力资源职能提供信息（Giermindl等人，2022年）。随着更多更高品质的“大数据”和计算能力的提升，人员分析正从相关性分析推动到基于模式的预测领域，而曾经负责执行广泛职能的人力资源专业人士，在某些情况下，正将这些责任转交给算法和人工智能。这一长达数十年的战略转变对于理解为什么人力资源管理领域拥抱了人工智能的使用；使用人工智能可能产生的特定危害；以及为什么人力资源管理领域在很大程度上对此视而不见提供了关键背景。 人工智能以其庞大的数据量和快速的定量分析而闻名。这些新的数据来源对那些将自身定位在循证医学（EBM）方向的职业人士具有特别的吸引力。此外，人工智能通常被描绘成创新和前沿的，因此使用人工智能技术和工具被视为提升人力资源（HR）职业地位的一种方式。这种动机还受到重要背景的支持，因为从历史上看，许多人往往倾向于将人力资源专业人士视为行政职能人员，他们缺乏权力，只从事纯粹官僚的服务工作，而没有为组织增加任何实际价值（Wright 2008；Legge 1978）。 尽管20世纪80年代人力资源管理（HRM）的战略重点（以及形成专业协会、教育和培训课程等其他活动）为该职业与其他管理职业平等地重塑自身提供了一个途径（Legge 1978；Cayrat和Bo