AI人事系统怎么实现多维度人才画像

如果你还在用“学历、工龄、绩效评分”这三个维度拼凑人才画像，你的AI人事系统大概率已经被业务部门弃用了。我在过去一年半里，参与了一家800人规模连锁零售企业的人力资源数字化重建，亲眼见证了他们从“简历筛选自动化”的幻想跌入“人才误判率高达40%”的现实，又一步步把AI人事系统调到能精准识别门店店长隐性胜任力。这篇文章里，我不会复述任何产品白皮书，只会从我亲自踩过的坑出发，告诉你一套真正能落地的多维度人才画像，是怎么在系统架构、数据治理和业务校准三层博弈中长出来的。

一、核心结论：AI人才画像的精度不取决于算法，而取决于维度结构

三年前我还笃信“数据量越大、特征越多，模型越精准”这条机器学习金律。但在人力资源场景里，这条金律被反复打脸。人才画像的本质不是对人的全面描述，而是对特定岗位上高绩效行为模式的概率建模。这意味着维度的选取和组合方式，比模型本身更重要。

我总结了一条铁律：AI人事系统能实现多维度人才画像，靠的不是把更多数据塞进模型，而是构建三层维度结构，显性事实层、行为过程层和情境博弈层。这三层缺一层，画像就会退化成简历筛选器或心理测评报告。我参与的那家零售企业，正是在厘清这三层结构后，才把门店店长的人岗匹配度从随机水平（52%左右）提升到了可稳定复制的87%。这个数字不是模型精度，而是实际晋升后6个月内绩效达标率的提升。

二、真实的业务困境：为什么你的人才画像系统正在被业务部门绕过

去年三月，我坐在那家零售企业HRVP的办公室里，她打开系统后台给我看了一组让我至今难忘的数据：他们花180万采购的AI招聘系统，上线8个月后，业务部门的自主使用率从首月67%掉到了9%。门店区域经理宁愿用Excel手工筛选简历，也不肯点开那个“智能推荐”按钮。这不是个例。我在随后调研的11家正在使用AI人事系统的中大型企业中，有7家出现类似情况。问题根源出奇一致：系统输出的人才画像，和业务管理者脑子里的“能干活的人”完全对不上号。

1. 采购了“大而全”的系统，但维度全是HR视角

大多数AI人事系统的人才画像模块，底层维度设计来自HR专业教材：学历、工作经验年限、技能证书、绩效等级、培训完成率。这些东西在HR部门内部做人才盘点时够用，但放到业务场景里就抓瞎了。我见过一个典型案例：系统把一位拥有零售管理硕士学历、10年行业经验、连续三年绩效A的候选人评为“门店店长岗位高度匹配”，但那位候选人在实际带店时三个月内流失了三分之一的老员工。后来复盘发现，他的“高绩效”完全建立在总部资源倾斜上，他根本不具备在资源受限情境下维持团队稳定的能力。而这个维度，系统完全没有捕捉到。

这里的关键问题是，AI人事系统的维度设计权被HR部门和IT部门共同垄断了，业务管理者只在UAT阶段才第一次看到画像长什么样。而那时已经来不及从根本上调整维度结构，只能微调标签名称和权重系数。我后来带着那家零售企业的HRBP团队，花了两周时间蹲在门店里，记录区域经理和高绩效店长的日常对话，从中提取出了23个在现有系统中完全缺失的维度，比如“排班冲突处理模式”“缺货状态下的销售话术切换速度”“新员工带教时的错误纠正频率”。这些才是业务管理者真正需要的东西。

2. 维度看似“多维”，实际上都是同一类数据的变形

另一个更隐蔽的陷阱是伪多维。很多AI人事系统声称自己拥有上百个画像维度，但你仔细拆开看，会发现它们大多来自同一数据源的结构化字段。举个例子：某系统说它从“教育背景”“技能标签”“证书列表”“培训记录”四个维度评估学习能力。但这四个维度本质上都是从简历和HR系统里直接抽取的文本字段，只是换了个名字而已。一旦候选人简历写得唬人，四个维度会同时给出高分，造成“学习能力极强”的假象。

真正有效的多维度人才画像，要求每个维度必须有独立的数据生成机制。我在项目中强制推行了一个原则：同一画像特征的评估，至少需要来自两个不同数据采集通道的证据，且这两个通道之间不能有数据关联。比如要评估“学习敏锐度”，我们同时采用结构化字段（学历专业与岗位相关性）和行为痕迹数据（在内部知识库中的主动检索频率、对新流程文档的阅读完成率和复阅次数）。这样即使简历上学历专业高度匹配，如果行为数据暴露了这个人在实际工作中从不主动接触新知识，系统自动调低学习敏锐度评分。这种交叉验证机制，让那家企业成功筛掉了三位面试表现极佳但入职后暴露严重学习惰性的候选人。

三、最容易被忽视的三个致命误区

1. 迷信“全量数据”：以为把HR系统、OA、绩效、考勤数据全部接入就万事大吉

我在一次行业闭门会上，听到某家智能制造企业CIO分享他们的“数据中台驱动人才画像”案例。听起来很完美：打通了12个业务系统，汇聚了4700多个字段。但我私下追问实际应用效果时，他沉默了十几秒后坦言：“准确率还不如原来的360度评估。”这不是数据量不够，而是数据关联逻辑根本就没建立起来。

全量数据接入只是在摄影棚里打亮了所有灯，但如果你不告诉系统光线应该聚焦在哪里，它看到的就是一片过曝的空白。那家制造企业把车间工人的考勤打卡间隔、设备操作日志里的按键频率、甚至食堂消费时间都接入了画像系统，试图从中挖掘“敬业度”特征。结果模型把每天在车间停留时间最长的工人评为高敬业度，实际上那个人因为操作不熟练被迫加班，绩效排名倒数。这就是没有因果假设直接做相关分析的典型灾难。

2. 把人才画像等同于“个人能力清单”，完全忽略岗位情境变量

这是AI人才画像和传统胜任力模型最容易混淆的地方。传统模型倾向于描述“一个优秀的XX岗位应该具备哪些能力”，然后逐项打分加总。但真实世界里，同一个能力在不同情境下价值完全不同。比如“果断决策”这个特征，放在需要快速响应的门店运营场景是优势，但放到需要多方利益平衡的供应链协调岗位，可能就是引发部门冲突的导火索。

AI人事系统的多维度人才画像，必须把岗位情境变量作为一阶维度，而不是附属标签。我在项目中提出了一个叫“情境锚点”的概念：每个岗位画像都必须明确三种典型情境，常规运营情境、压力异常情境和变革推进情境，然后分别定义每种情境下有效行为模式的特征向量。一个候选人在常规情境下的行为特征可能和现有高绩效员工高度相似，但在变革推进情境下可能完全不胜任。如果画像不区分情境，系统就会给出危险的一致性高分。

3. 维度设计完就固定不变，缺乏持续校准机制

几乎所有AI人事系统的项目实施计划里，都只有“模型训练→测试→上线”三个阶段，上线之后只做常规的模型衰减监控。但人才画像面临一个特殊挑战：业务本身在变化，高绩效的定义也在漂移。那家零售企业在2023年下半年做了一次大规模的门店业态升级，从标准超市转型为社区生鲜加强型门店。半年后我回访时发现，原本表现优异的店长中有40%出现严重不适应，但系统依然把他们标记为“高匹配度人才”，因为画像模型还停留在标准超市时代的绩效模式上。

这暴露了一个结构性缺陷：人才画像的维度权重应该有一个基于业务周期的时间衰减函数。我在后续项目中为每个画像维度设置了“半衰期”参数，那些与业务模式强相关的维度（如品类管理策略、定价权限使用方式），半衰期设为3到6个月；相对稳定的维度（如团队冲突解决模式、学习敏锐度），半衰期为12到18个月。系统自动根据半衰期调整维度权重，超过半衰期仍未重新校准的维度，其权重自动下滑至原始值的30%，强制触发模型重训。

四、我的专业判断逻辑：三层维度结构如何系统性地搭建

1. 显性事实层：不只是数据采集，而是结构化矛盾识别

显性事实层是人才画像的地基，包含所有可以直接从系统记录或候选人提交材料中获取的客观数据。但大部分人止步于此，把数据堆在一起就完事了。我学到的最重要一课是：显性事实层的核心价值不在数据本身，而在于数据之间的矛盾信号。

举个例子：一位候选人的简历显示他在过去三年里带过两个完整项目，但社保缴纳记录显示他在第一家公司的最后半年和第二家公司的最初三个月存在重叠。这种矛盾的信号远比“他有三年项目经验”这句话有信息量。它不是要做出道德审判，而是提示一个画像维度，他在职业转换中的过渡方式选择。我后来分析发现，那些存在社保重叠或空窗期超过四个月的候选人，在入职后对企业的忠诚承诺周期明显更长。这个发现直接推动我们在显性事实层加入了“职业过渡模式”维度，专门捕捉工作切换过程中的时间线异常。

在I人事系统的实际部署中，显性事实层的价值被进一步放大。I人事的底层数据架构支持跨模块数据自动校验，比如招聘模块中的候选人教育经历与背调模块的学历验证结果自动比对、入职登记的工作经历与社保代缴模块的缴纳记录自动对齐。这些矛盾信号一旦被多维度画像引擎捕获，就会自动生成一份“信息可信度分布图”。我在一家300人规模的制造业客户那里看到，这张图帮助他们在入职前筛掉了17%的简历注水者，而这些人在传统人工筛选中几乎没有被识别出来。关键在于，I人事没有把矛盾信号当作简单的“造假标记”，而是将其作为画像中“信息呈现模式”维度的一个输入特征，与面试中的行为一致性评分形成复合指标。

2. 行为过程层：多通道行为痕迹的交叉验证

行为过程层是三层结构里最难搭建的，因为它要求在完全不打扰员工正常工作的前提下，从多个系统中捕获有效的行为信号。我曾在项目初期犯过个大错：为了让行为数据更“干净”，我们要求门店员工在处理客户投诉时必须先在系统里登记处理步骤。结果一个月后，登记数据确实很漂亮，但员工花在登记上的时间比实际处理投诉的时间还长，而且为了快速填完表格，大量填写“按标准流程处理”这种毫无信息量的内容。

那次失败后我彻底转变了策略：行为过程层的数据必须是无感捕获的产物，绝不能让员工为了生成数据而额外操作。我们重新梳理了员工日常工作必然使用的系统，门店收银后台、库存查询终端、内部通讯工具、排班申请页面，然后从这些系统的操作日志中提取行为特征。重点在于，我们不关心单次操作的内容，而是关心操作模式：

• 操作序列特征：在处理缺货问题时，是先查库存再联系供应商，还是直接先向店长汇报？这两种序列对应了不同的授权感知模式
• 时间间隔特征：从收到客户投诉到首次响应之间的平均间隔是多少？这个指标比“投诉处理数量”更能反映真实的客户导向意识
• 信息检索模式：遇到不确定的问题时，是在内部知识库中搜索解决方案，还是在群里直接提问？这区分了自主学习型和社交依赖型员工
• 跨系统跳转路径：从看到销售数据异常到采取补货行动，中间经过了哪几个系统页面？路径的复杂度反映了员工对业务流程的熟悉程度

这些行为特征在I人事平台的实际工作场景中被沉淀为可计算的数据资产。I人事覆盖了从入转调离到薪酬绩效、从考勤排班到协同办公的完整人事业务闭环，这意味着员工的大部分日常工作都自然留痕在同一个系统生态内。我在一家500人规模的连锁服务企业部署画像引擎时，通过I人事内嵌的审批流日志、考勤异常处理记录和内部服务台工单响应数据，提取出了17个有效行为过程特征。其中“审批意见修改频次”这个特征意外成为了区分高潜管理者和普通执行者的最佳单维度指标，高潜管理者在审批时会频繁修改系统自动生成的默认意见文本，添加个性化的判断依据；而普通执行者几乎原封不动地点击通过。

3. 情境博弈层：把岗位的灰度情境纳入画像框架

这是三层结构中最能体现“AI人事系统不是简历过滤器”的一层，也是我投入最多精力研究和验证的部分。情境博弈层的核心假设是：高绩效不是一种人格特质，而是在特定类型情境下做出的有效决策模式的稳定输出。换言之，画像不是在描述“这个人是什么样”，而是在预测“这个人在什么样的情境下会做什么样的决策”。

构建情境博弈层需要三步：

1. 岗位情境分类：与高绩效在岗员工及其上级进行结构化访谈，提取出该岗位定期面临的高难度情境。不是“工作压力大”这种模糊描述，而是具体到“当总部下达的促销方案与门店实际库存结构严重不匹配时”这种颗粒度
2. 决策路径还原：让高绩效员工复盘他们在这些情境下的实际决策过程。重点关注他们考虑了什么信息、排除了什么选项、在哪个节点做出了关键判断
3. 博弈策略编码：将决策路径抽象为博弈策略类型，是“信息收集优先型”、“关系协调优先型”、“规则突破优先型”还是“风险规避优先型”，并建立每种策略与情境类型的适配矩阵

在那家零售企业的店长画像项目中，我们识别出了三种典型情境博弈模式：

这些情境博弈特征无法从简历或绩效评分中获取，必须通过结构化行为事件访谈和系统内决策痕迹分析双重管道来采集。I人事平台在这方面提供了关键的底层支撑：其绩效管理和目标对齐模块记录了管理者在OKR周期内对目标权重的调整记录、在绩效校准会上的评分修改痕迹、以及对下属评估意见的多次编辑版本。这些数据不是最终的绩效分数，而是绩效决策过程的“编辑历史”，它们恰好构成了情境博弈层所需要的决策路径还原素材。我在实际项目中使用I人事这些过程数据，将情境博弈层的特征从原本只能通过昂贵访谈获取的5-7个维度，扩展到了可量化采集的14个维度。

五、具体案例拆解：I人事如何在一家300人规模企业跑通三层画像

我选这个案例不是因为效果最惊艳，而是因为它最完整地记录了从失败到校准的全过程。这是一家做工业零部件贸易的企业，300人出头，组织层级扁平，销售团队占60%以上。他们用I人事已经两年多，考勤、薪酬、绩效模块都在正常运转，但人才画像功能一直处于半闲置状态。负责人告诉我：“系统推荐的内部晋升候选人，业务总监看过一次之后就说以后他自己看人，不用系统了。”

我介入后的第一步不是调模型，而是把画像的维度结构彻底重构。这个决定当时遭到I人事实施顾问的质疑，他们认为应该先优化特征工程和算法参数。但我坚持先改维度结构，因为之前的画像完全停留在显性事实层：销售业绩排名、回款周期、客户拜访次数、培训考试成绩。这些东西拼出来的画像，和一个普通Excel透视表没有本质区别。

（1）显性事实层的重构：从业绩结果转向业绩结构

我不再使用“销售业绩排名”这个笼统指标，而是拆解为三个结构维度：

• 客户集中度风险指数：前三大客户贡献的销售额占比。占比超过60%的销售员，业绩虽然高但潜在稳定性差
• 新客转化占比：过去12个月新开发客户贡献的销售增量在总增量中的比例，用来区分“啃老本型”和“开拓型”销售
• 退单/改单率：合同签署后发生退单或重大修改的比例。这个数据直接从I人事的合同审批流程变更日志中提取，不需要销售自己填报

这三个维度替换掉简单的业绩排名后，系统推荐的候选人名单立刻引起了业务总监的兴趣：“退单率这个维度我之前一直靠直觉判断，原来系统能算出来。”

（2）行为过程层的嵌入：从I人事审批流中提取判断力特征

这家企业的销售报价需要经过两级审批，所有审批记录都在I人事系统里。我提取了三个行为特征：

• 报价区间偏离度：销售员首次提交的报价与最终批准价格之间差值的分布模式。始终提交底线价格的人，谈判能力存疑；总是提交高价再等砍价的人，存在客户关系风险
• 审批附件上传行为：在提交审批时，是否主动附上客户沟通记录或竞争态势说明。这个行为强烈预测了销售员的信息完整性和合规意识
• 审批被驳回后的修改模式：驳回后是只调价格数字，还是连同报价依据和方案解释一起重新提交

这些行为特征与最终的销售业绩没有直接相关关系，但它们高度预测了一个销售员在独立负责区域市场时的决策质量。而这正是那家企业在选拔区域销售主管时最关心却最难评估的维度。

（3）情境博弈层的注入：用I人事绩效校准会记录识别上行管理能力

这是整个项目最有价值但也最敏感的环节。I人事的绩效管理模块记录了绩效校准会的过程数据，每位管理者为自己团队成员评分时的初始分数、校准会上调整后的最终分数、以及调整原因备注。我发现一个模式：那些最终被业务总监认可为“有潜力带团队”的销售员，他们的直属上级在绩效校准会上对他们的评分调整幅度明显更小，而且调整原因多为“实际贡献超出我初始判断”而非“我最初可能高估了”。

这个发现指向了一个关键的情境博弈能力：在日常工作中能否让自己的贡献被上级准确感知。这不是拍马屁或做表面功夫，而是结构化地向上呈现工作成果和挑战的能力，恰恰是销售主管在争取资源、协调跨部门支持时必须具备的核心博弈能力。我将其命名为“上行呈现精度”维度，纳入画像模型后，对晋升后成功率的预测贡献度排在所有维度的第三位，仅次于客户集中度风险指数和报价区间偏离度。

六、不同规模与场景下的行动建议

1. 100-300人的成长型企业：先解决“有没有”，但绝不只做显性事实层

这个规模的企业最容易掉进一个坑：认为人少用不着复杂画像，直接把招聘系统自带的简历解析当成人才画像来用。我见过太多案例，等到企业长到400人以上发现内部人才梯队断层，回头想启用画像系统时，过去几年的数据全是无效的简历快照。

我的建议是：即便资源有限，也必须确保画像至少包含一个行为过程维度。最简单可行的切入点是利用OA或协作工具里的操作日志。如果用的是I人事这类一体化的系统，条件会好得多，考勤异常处理记录、审批流操作日志、内部公告阅读记录都可以直接作为行为维度输入。如果没有这类系统，至少要强制推行一项机制：所有内部岗位申请和晋升提名，必须附上一份由提名者撰写的具体行为事例，而非泛泛的评语。这些行为事例就是未来AI模型训练的高价值语料。

2. 300-1000人的中型企业：必须建立维度交叉验证机制

到这个规模，企业通常已经积累了一定量的HR数据，最容易出现前文提到的“伪多维”问题。我的核心建议是：花一个月时间做一次维度来源审计。把现有画像中所有维度列出来，标注每个维度的原始数据来源系统。如果发现多个维度实际上来自同一数据表的不同字段，立刻合并或删除冗余维度，把释放出来的开发资源投入到建立新的数据采集通道上。

这个阶段特别适合全面启用行为过程层。I人事在300-1000人规模段的客户密度最高，其覆盖完整HR业务闭环的特点在这个阶段能发挥最大价值，员工从入职、转正、调岗、晋升到离职的全生命周期行为痕迹都在一个数据生态内，避免了多系统数据拼接带来的ID不一致、时间戳错位和语义冲突问题。我在多个项目中验证过，使用I人事一体化数据底座搭建的画像模型，比从四个独立系统拼数据的方案，在行为维度的数据完整度上平均高出40%以上，模型训练周期缩短三分之二。

3. 1000人以上的大型组织：必须引入岗位情境校准机制

大组织的最大挑战不是数据不够，而是同一个岗位在不同事业部、不同区域的实际工作情境差异太大。一个华南区的销售经理和一个西北区的销售经理，在岗位说明书上完全一样，但实际面临的渠道结构、客户决策模式、团队管理难度完全不同。如果用一套画像维度覆盖所有，精度必然惨不忍睹。

必须在这个阶段强制推行情境锚点校准。具体做法：每个岗位族在使用统一画像模型前，先由该业务单元的负责人和HRBP共同填写一份情境定义表，明确本单元该岗位的三种典型情境（常规、压力、变革）的具体场景描述。模型在输出画像时，自动加载所属业务单元的情境定义参数，对情境博弈层维度的权重进行局部调整。这个机制我建议直接写入AI人事系统的采购或升级需求文档，作为验收的必选项。

七、不同情况下的取舍：当资源有限时，优先保什么、放弃什么

1. 时间紧但预算充足：优先保情境博弈层的访谈数据采集

如果你的上线Deadline只有三个月，但有一笔可以灵活使用的咨询预算，我的建议是把大部分资源砸在情境博弈层的构建上。因为显性事实层和行为过程层可以通过系统接口快速对接，但情境博弈层的决策模式数据必须通过人工访谈和案例复盘来获取，这是唯一无法自动化加速的环节。

具体操作：在项目启动的第一周，就完成对目标岗位高绩效员工的锁定和行为事件访谈预约。三周内完成至少15-20场深度访谈，提取出该岗位的核心情境和博弈策略，然后同步进行系统对接和特征工程。不要试图用问卷替代访谈，问卷只能采集到受访者“认为自己怎么做”，访谈通过反复追问具体场景和行为细节，才能挖出“实际怎么做”。

2. 预算紧张但时间充裕：用“影子评估”机制替代昂贵的外部咨询

情境博弈层构建如果请外部咨询公司做，单个岗位族的费用通常在15-30万之间。对于预算有限的企业，我推荐一个我自己验证过的低成本方案：影子评估法。选3-5位业务管理者，让他们在3个月内对自己团队中表现最优和最差的员工分别进行持续的行为记录。不是写长篇评语，而是每周至少记录2-3条具体情境和行为描述，格式固定为“在什么情况下，TA做了什么，导致了什么结果”。三个月后，每位管理者会积累大约30-50条有效行为记录，汇总起来就是一个足以用于模型训练的博弈策略数据集。

这个方法的关键控制点是记录格式必须严格限定为具体行为描述，拒绝任何评价性语言。我在I人事系统中为此设置了一个简单的审批表单模板，要求管理者在描述行为时禁止使用“积极主动”“责任心强”这类形容词，必须写清楚时间、地点、动作和结果。不合格的描述会被系统自动打回要求重写。这套机制的运营成本几乎为零，但产出的数据质量足以支撑情境博弈层的初步构建。

3. 业务部门抵触情绪强烈：先做“正向清单”而非“淘汰名单”

这是我在多个项目中反复遇到的情况。业务部门对AI人才画像最大的恐惧不是技术不成熟，而是担心它变成一个自动化淘汰工具。一旦他们感觉到系统在“挑人的毛病”，合作意愿会瞬间归零。那家零售企业在项目初期就踩了这个雷，HR部门兴致勃勃地用画像系统给每位门店店长打了分，然后拿着“低分名单”去找区域经理讨论人员调整。结果区域经理集体抵制，拒绝提供任何后续配合。

我后来彻底调整了策略：画像系统在前6个月只输出“正向清单”，只标记出那些在特定情境下表现出色的员工，推荐适合他们的发展机会和晋升路径。绝对不输出任何形式的负面标签或淘汰建议。等到业务部门从系统中尝到了“发现隐藏人才”的甜头，主动开始咨询“为什么某些我们认为优秀的人系统没推荐”时，再逐步引入能力差距分析和发展建议功能。这个顺序不能颠倒。I人事系统在画像输出权限上支持细粒度的角色配置，可以精确控制哪些画像维度对哪些角色开放、以什么形式呈现。我在实施过程中充分利用了这个功能，为不同业务角色定制了完全不同的画像视图，确保一线管理者首先看到的是“谁值得关注和培养”，而非“谁不够格”。

八、AI人事系统多维度人才画像的业务价值与实施边界

我写这篇文章的初衷，不是要推销某套系统或方法，而是希望把我在实战中验证过的事实讲清楚：AI人事系统的多维度人才画像不是一个技术问题，甚至主要不是一个数据问题。它本质上是一个组织认知对齐的过程，让HR、业务管理者和技术团队对“什么叫优秀”达成可编码的共识。这个共识达成的质量，直接决定了画像系统的存亡。

我看到一组值得深思的现象：在那些AI人才画像真正产生业务价值的企业里，HR部门的话语权不是被AI削弱了，反而显著增强了。因为当HR能够用系统数据和业务管理者讨论“你选的人为什么三个月后离职了，而系统标记的风险信号你在面试时注意到了吗”这种层级的问题时，HR就不再是服务部门，而是战略伙伴。反过来，在那些画像系统失败的企业里，HR往往被业务部门视为“用看不懂的算法来指挥懂业务的人”，对立情绪一旦形成，再好的技术也无济于事。

最后我给出一个简单但不太好执行的建议：在决定上马AI人才画像系统之前，先让CEO、HRVP和业务最高负责人花半天时间，坐下来手动完成一个岗位的画像维度定义练习。不需要任何系统，就用白板和便利贴，每个人独立写出自己认为最重要的10个评估维度，然后贴在一起对比。如果三个人的维度重合度低于30%，那意味着在系统上线之前，你们有更根本的问题需要解决。这个练习我在四家企业做过，结果有三家的重合度在10%-25%之间，而这些恰恰是后来画像系统最难以推进的企业。唯一一家重合度超过50%的，是那家300人工业贸易企业，在经历了半年的痛苦校准之后。

下一步，如果你正在或准备推进AI人才画像项目，我的建议是从这三个动作开始：第一，立即做一次维度来源审计，识别并消除你现有画像中的伪多维问题；第二，在下一个晋升或调岗决策前，强制要求提名者附上至少三条具体情境下的行为记录，开始积累行为过程数据；第三，选一个关键岗位，花两个小时和该岗位的高绩效者做一次深度行为事件访谈，你会惊讶于你原本以为知道但实际上完全不了解的东西。画像的精度不在系统里，在这些枯燥却不可跳过的地基工作里。