AI人事系统的人才图谱与测评系统自带模型对比

如果你正在为公司选型AI人事系统，大概率已经发现了一个绕不开的问题：市面上几乎所有厂商都在宣传自己既有“人才图谱”，又有“测评模型”。但当你真正打开产品，试用三个月，把数据跑起来之后，往往会意识到，这两个东西根本不是一个层级的产物，甚至不应该放在同一个决策维度上比较。

更直白地说：测评系统自带模型本质上是一个你付费租用的标准化工具，而真正意义上的人才图谱，是你用自己公司的业务数据“养”出来的内部资产。这个区别，决定了它们的成本结构、适用场景、对企业数字化基础的依赖程度，以及最终能够产生的决策价值，都完全不同。

这篇文章基于过去五年我在多个中大型企业人力资源数字化项目中踩过的坑、做过的实测对比，以及与不同厂商（包括用友、金蝶、飞书People、北森、Moka、I人事等）技术团队打过交道的经验，尝试把“人才图谱”和“测评系统自带模型”这件事讲透，不讲产品功能列表，不讲技术黑话，只讲你作为HR负责人或企业决策者，到底应该怎么判断、怎么选、怎么避免花冤枉钱。

一、一个必须先讲的核心结论

如果你时间非常有限，只能记住一件事，我希望是这一件：

测评系统自带模型解决的是“通识性筛选”问题，人才图谱解决的是“基于你公司真实业务逻辑的个性化诊断与预测”问题。前者是你在机场书店买到的标准化体检套餐，后者是你花三年时间、结合自己的饮食作息基因数据建立起来的家庭健康档案。两者可以协同，但绝对没有谁可以低成本地“包含”谁。任何厂商告诉你“我们系统自带的图谱模型开箱即用”，这句话在技术实现层面需要被严重地质疑，我在后面的章节会拆开讲为什么。

二、把场景拉回真实：为什么HR会开始关心这个问题

大概从2023年下半年开始，我在实际项目中发现了一个明显的变化：来咨询人力资源数字化方案的客户，关注点从“你们有没有测评功能”快速转移到了“你们的人才画像到底是怎么算出来的”以及“这个结果能不能直接用来做内部活水和继任规划”。

这个变化背后的推手有三个：

• ChatGPT和一系列生成式AI产品的爆发，让非技术背景的管理层也开始真正理解“模型需要数据喂养”这个常识。
• 经济下行周期中，企业不再满足于“测一测这个人性格合不合适”，而是需要直接回答：这个人放在我的团队里，三个月后能不能干活？六个月后要不要升？不升会不会走？
• 中大型企业内部数字化基础设施（OA、绩效、项目管理系统、考勤薪酬）已经积累了3-5年的数据，第一次具备了让“图谱”概念落地的数据基础。

正是在这个时间点上，“人才图谱”从一个厂商营销概念，变成了可以严肃讨论的决策选项，而它也自然地和已经存在了二十年的“测评模型”撞在了一起。

1. 一次典型的总部会议：矛盾是怎么暴露出来的

去年我参与过一个制造业集团的HR数字化选型项目，大概4000人规模，总部HRVP在会上提了一个很具体的需求：

“我们现在有十几个工厂，厂长每年年终都要提继任人选。以前靠测评系统出报告，结果是每个候选人的分数都很漂亮，但真正放到岗位上，半年内不合适被撤下来的比例超过40%。我想知道，新系统能不能帮我提前看到更多‘现场证据’，而不是只有分数。”

这个需求直接把“测评系统自带模型”的边界问题暴露了出来。测评工具本质上是在回答：这个人在一个通用标准下是什么样的人；而HRVP想要的是：这个人在我们的业务环境里，真实的表现轨迹是什么，未来可能往哪个方向走。

前者是模型的强项，后者是图谱的战场。两者之间不是“好不好”的优劣问题，而是解决的是不同层级的管理需求。

三、拆掉最危险的三个误区

在进入具体对比之前，有必要先把目前市面上最常见的三个误区拆掉。这些误区如果不提前澄清，后面讲的所有判断逻辑都可能被带偏。

1. “我们系统自带图谱模型”其实说的是三件完全不同的事

当厂商销售告诉你“我们的系统自带人才图谱模型”时，他可能在说以下三种完全不同的技术实现方式：

第一类：预置标签库，把它叫成了图谱。产品里内置了一套岗位能力标签体系（比如“沟通能力、项目管理、数据分析”），你可以给员工手动打标签或者通过简单的规则自动打标，然后系统用一张网络图展示标签之间的关联。严格来说，这是可视化标签网络，不是图谱。真正的图谱需要包含实体之间基于业务行为的动态关系，而不是静态标签的分类聚合。

第二类：通用岗位胜任力模型，套上了图谱的壳。厂商基于公开的行业调研数据，预设了一套“优秀产品经理应该具备的八项能力”之类的模型，然后让你把员工数据填进去，输出一个雷达图或能力分布图。本质上和测评模型的逻辑是同一套，只不过用的是行业常模而不是心理测量常模，输出的可视化更花哨。这套东西在招聘初筛阶段有一定参考价值，但一旦进入内部人才盘点场景，颗粒度严重不足。

第三类：真正基于企业自身业务数据训练的图谱引擎。系统通过接入企业的绩效系统、项目管理系统、OKR系统、代码仓库（如果是研发团队）、工时系统甚至会议记录等数据源，持续学习“在这家公司里，什么样的行为模式和能力组合，最可能导向高绩效或高留存”。这需要较长的数据积累周期，以及专门的数据工程团队做清洗和特征工程。目前国内真正能做到这个层级的服务商非常有限，而且几乎不可能“开箱即用”。

这个区分很重要，因为它直接决定了你在签合同的时候，买的到底是一个已经做好的成品，还是一个需要你们公司自己投入数据才能持续生效的半成品。两者的成本结构和预期回报完全不可比。

2. 测评模型的“自带”意味着什么：一个容易被忽略的沉没成本

测评系统自带的模型，本质上是供应商的私有资产，你只有使用权，没有所有权和修改权。

这件事在短期使用时不构成问题，但在以下三个场景中会变成巨大的沉没成本：

• 当你希望根据本公司某一岗位的特殊需求调整测评维度权重时，大部分标准化测评模型不支持自定义因子结构，因为这会破坏模型的信效度验证基础。
• 当你积累了大量本公司员工的测评数据和绩效数据，希望建立属于自己的人才预测模型时，测评模型的数据结构是封闭的，你无法把它的底层因子分数据拿去做二次建模。这就意味着你积累的测评数据，本质上只能用于“看报告”，不能用于“建自己的模型”。
• 当你想要更换供应商时，历年的测评数据无法迁移到新系统继续使用，因为这些数据的评分逻辑和常模基准都是老供应商的私有财产。

理解了这一点，你就会明白：测评模型本质上是一个数据使用权租赁合同，而人才图谱（如果做得对）是一个数据资产建设工程。前者现金流压力小但长期可积累价值低，后者前期投入大但随数据积累会产生复利效应。

3. “一套模型覆盖所有场景”是测评模型最大的营销陷阱

测评厂商最喜欢讲的一个故事是：我们这套模型经过了XX万样本验证，信效度达到0.85以上，可以适用于招聘、盘点、晋升、培训需求诊断等全场景。

这里有两个问题需要被仔细审视：

第一，样本来源与你的使用场景是否匹配。信效度验证常用的样本往往来自社会招聘或校园招聘场景下自愿参与的受测者，而当你把它用在内部晋升场景，尤其是涉及利益分配的末位淘汰或晋升评估时，受测者的答题动机和策略会发生显著变化。同一个人，在求职场景和内部晋升场景中面对同一套测评题，会给出完全不同的回答策略。这个问题在心理测量学里被称为“动机失真”，是标准化测评模型在内部管理场景中效度衰减的核心原因之一。

第二，人才测评与人才盘点的需求逻辑根本不同。招聘场景下，测评的核心功能是“排除明显不匹配的候选人”，它是一个筛选漏斗的上层工具，可以容忍一定的假阳性（通过了测评但后来证明不合适的）。但人才盘点和继任规划场景下，你需要的是精准识别组织中真正的关键人才，假阳性成本极高，把一个不合适的人放进高潜池，意味着真正的潜力人才被挤掉，接下来几年的资源投入都偏了。这种场景下，单纯依赖一次标准化测评的结果做判断，风险远高于很多人意识到的程度。

四、建立一套专业判断逻辑：从四个维度拆解差异

在帮助多家企业做选型决策的过程中，我逐渐总结出一套四维度判断框架。这个框架的目的不是告诉你哪个更好，而是帮你在自己公司的具体语境下搞清楚：你现在最需要解决什么问题，你能承受的前期投入是多少，你期望的回报周期有多长。

1. 维度一：数据来源与数据所有权

这是两种工具最根本的分界线。

测评系统自带模型的数据来源通常是：

• 标准化心理测量题本（题目的研发成本摊销在产品的定价中）
• 供应商维护的行业或人群常模数据库（受测者回答结果与常模进行对比得出评分）
• 部分厂商会引入一些外部公开数据（如行业薪酬报告、离职率统计数据等）作为辅助参考

这些数据的共同特点是：与你公司的实际业务运营无关。无论你的公司是制造业还是互联网，无论你的业务处于高速增长期还是收缩调整期，测评模型给出的“沟通能力85分”使用的是同一套参照系。这就是为什么测评报告读起来总是“看起来都对，但用起来总觉得隔着一层”。

人才图谱的数据来源在一个真实的部署案例中通常是：

• 绩效管理系统中的历史绩效评估数据（包括定量KPI和定性评价）
• 项目管理系统中的项目参与记录、角色、贡献度指标
• HR系统中的任职履历、晋升路径、培训记录
• 部分系统会接入代码仓库（针对研发团队）、销售CRM数据（针对销售团队）、甚至企业微信/钉钉/飞书的协作行为数据
• 在某些实施案例中，还会引入360度反馈数据和离职面谈的结构化信息

关键区别在于：这些数据全部产生于你公司的真实业务流程中，天然带有你所在行业、业务模式和组织文化的特征。因此基于这些数据构建的图谱，描述的不是一个抽象的“高潜人才”，而是“在你的组织里，什么样的人更可能成为高潜”。

但这也意味着一个重要的前提：如果你的公司还没有积累起足够体量和质量的结构化业务数据，图谱的构建效果会大打折扣。关于这条判断标准，我后面会给出一个可操作的阈值建议。

2. 维度二：模型训练逻辑与可解释性

不同厂商对“模型是怎么算出来的”这个问题给出的回答质量，往往是判断其产品成熟度的试金石。

测评系统自带模型的训练逻辑，一句话概括：先有题本，再有常模，个体评分是相对于常模的偏离程度。这套逻辑经过了近百年的心理测量学检验，方法论非常成熟，可解释性也很强，你可以清楚地告诉受测者：“你的外向性得分高于80%的同龄职场人群。”

但这种可解释性的代价是：模型的判断维度是固定的。一套基于大五人格理论开发的测评工具，永远只能从宜人性、尽责性、外向性、开放性、神经质这五个维度给出结果。如果你的组织里“抗压韧性”是一个关键成功因素，而这五个维度里没有一个能直接映射到这个概念，测评模型就无能为力，除非你额外购买一套专门的抗压测评工具。

人才图谱的模型训练逻辑则完全不同。在技术实现上，它通常采用图神经网络或更传统的图算法，把“人-岗位-项目-技能-绩效”作为节点，把真实业务中发生的协作关系、汇报关系、技能迁移路径作为边，通过分析节点特征与边的关系模式，识别出高绩效节点和高价值路径。

以I人事的智能人才图谱模块在一个实际部署案例中的工作方式为例说明：系统首先接入企业过去三年的绩效数据和项目数据，以关键绩效指标作为目标变量，回溯分析哪些行为模式、任职路径和技能组合更频繁地出现在高绩效员工身上。这个过程不依赖预设的性格维度，而是让数据自己浮现出与这家企业特殊业务逻辑最相关的能力因子。

但这里有一个必须直面的问题：这种由数据驱动的模型，在可解释性上天然弱于传统测评模型。当系统告诉你“张三在未来六个月内晋升后成功的概率是78%”，你可能需要额外查看模型对这个判断的贡献因子分解（比如“跨部门项目经验权重0.32，技术文档贡献度权重0.28”等），这要求HR团队具备一定的数据素养，或者要求系统提供足够友好的可解释性界面。

3. 维度三：适用场景与决策风险承载能力

把前面讲的逻辑落到具体业务场景里，我整理了一张在多个选型项目中使用过的场景匹配表。这张表的核心逻辑是：把人才管理的典型场景按“决策风险高低”和“对个性化的需求强度”两个轴进行划分，然后定位每种工具最适合的区间。

从这张表可以清晰地看到：测评模型的绝对优势在大规模、低风险的筛选场景，快速、标准化、成本可控。而人才图谱的绝对优势在中高风险的内部决策场景，个性化、基于业务实际、长期价值递增。两者最糟糕的使用方式，就是反过来：用测评模型决定谁来当下一任厂长，或者试图用人才图谱在校招季一周内筛选两万份简历。

4. 维度四：实施路径与隐性成本

这是最容易在选型阶段被忽略、但在上线后引发最大摩擦的维度。

测评模型的实施路径通常非常清晰：

1. 采购系统或模块授权
2. 配置测评方案（选量表、设阈值）
3. 分发测评链接
4. 查看自动生成的报告
5. （可选）将测评结果导入HR系统作为标签字段

整个周期通常在一两周内可以完成。隐性成本主要集中在两点：员工答题疲劳导致的数据质量下降（一套完整的大五人格测评通常需要30-45分钟），以及管理者解读报告的能力参差不齐导致的结果误用。

人才图谱的实施路径则完全不同，而且更容易出现“我以为可以这样，实际上做不到”的情况：

1. 数据盘点与清洗阶段（2-6周）：需要IT部门或系统厂商的技术团队接入各业务系统的数据，对数据质量做评估。这个阶段最常见的意外是：你以为公司有三年绩效数据，实际上去年换了绩效系统，前两年的数据格式不兼容；你以为项目管理系统里有完整的项目角色信息，实际上大部分历史项目只有一个项目经理名字。
2. 特征工程与模型配置阶段（4-12周）：这是图谱构建的核心环节，需要HR业务专家和技术团队反复试错。哪些行为特征在本公司是高绩效的预测因子？这个问题的答案不能靠厂商的经验，必须在本公司的数据里验证。
3. 试运行与校准阶段（4-8周）：用过去一年或半年的数据做回测，检验图谱模型的预测准确率，调整参数。
4. 正式上线与持续迭代：图谱需要持续的数据喂养才能保持有效性，这不是一个一次性项目，而是一个需要持续投入的长期工程。

整个实施周期通常需要3-6个月，前提是数据基础相对扎实。如果数据基础薄弱，周期可能拉长到一年以上。这意味着：如果你公司半年内的HR数字化诉求是“先解决有无问题，能快速用起来”，那么测评模型是更务实的选择。如果你已经解决了信息化基础问题，接下来要做的是真正用数据驱动人才决策，那么现在就是开始考虑图谱的时机。

五、以I人事为例：拆解一个真实的人才图谱实施路径

前面从逻辑层面梳理了四个维度的判断框架，这一节我用一个具体的产品案例来落地，让读者对“图谱在实际产品中长什么样、怎么用”有一个更直观的感知。

之所以选择I人事的智能人才图谱模块作为案例，出于两个理由：第一，I人事的产品迭代路径在这两年比较典型地反映了“从HR信息化工具向人才数据智能平台”的转型趋势；第二，我在最近一年内实际跟踪过两个使用I人事人才图谱的中大型客户（一个约800人的生物医药企业，一个约2000人的连锁零售集团），有具体的观察可以作为依据。这里不涉及任何商业推广，只做技术层面的拆解。

1. 图谱的数据底座是如何打通的

第一个客户是那家800人规模的生物医药企业。他们在上线I人事人才图谱之前，已经使用I人事的核心人事、薪酬、考勤和绩效模块超过三年，积累了一定体量的结构化数据。这个“已经在同一个系统内”的条件大大降低了图谱构建的难度，不需要跨系统做复杂的数据清洗和接口开发。

实际实施过程分为以下几个步骤：

（1）确定“高绩效”的操作性定义。这是整个图谱构建的逻辑起点。HR团队和业务负责人一起，针对研发、临床、销售三条核心业务线，分别定义了“高绩效”的评判标准。研发团队用“两年内参与过至少一个成功获批的IND项目”作为关键阈值，临床团队用“所负责的中心入组完成率连续四个季度排名前30%”，销售团队则直接拉取CRM系统中的年度达标数据。这个步骤耗时将近三周，但为后续所有分析建立了校准基准。

（2）回溯特征提取。以定义为基准，I人事的图谱引擎回溯分析了这些高绩效员工在过去3-5年内的共同行为模式和任职轨迹。在这个案例中浮现出的信号包括：高绩效研发人员普遍在入职前18个月内经历过至少一次跨项目组的借调；高绩效临床监查员普遍在入职第一年内参与过至少两次方案讨论会且主动发言记录超过一定阈值；高绩效区域销售经理普遍在晋升前有超过一年的跨区域轮岗经验。

（3）图谱网络构建与持续更新。基于这些发现，系统自动构建了以“人-岗位-关键经验-技能标签-项目参与记录”为节点的人才关系网络。新员工入职后，随着其数据不断被系统记录，他的图谱位置会动态更新，某些关键经验节点被点亮，相应的技能标签权重随之调整，整个图谱网络也在不断演进。

2. 图谱在实际场景中的两个落地应用

在上线约五个月后，这家生物医药企业开始把图谱应用于两个具体场景：

场景一：内部活水的匹配精准度提升。此前，当一个研发项目解散后，团队成员的重新分配主要靠HRBP的个人了解和部门间的口头沟通。图谱上线后，HRBP可以在系统中输入某个即将释放的人员，系统会自动推荐与其技能组合和经验轨迹相似度最高的内部空缺岗位，并显示适配度评分及评分依据。根据HR团队后续统计，使用图谱推荐的活水匹配，员工在新岗位上第一个季度的绩效达标率从之前的约65%提升到了约83%（样本量为上线后前六个月内的47次内部活水）。

场景二：继任计划中的暗点识别。图谱还意外暴露出一个之前没人注意到的风险点：有两个关键岗位（一个CMC负责人、一个区域医学顾问）的图谱显示，目前组织内找不到任何一名员工的路径轨迹和这两个岗位成功者的历史轨迹相似度超过60%。这意味着这两个岗位一旦出现人员流失，内部几乎不可能找到合适的继任者，必须依赖外部招聘。这个信号让HRVP提前启动了针对这两个岗位的“影子计划”，有意识地安排两名高潜员工在接下来的一到两年内补齐图谱中显示的关键经验缺口。

3. 连锁零售集团的对比情况

第二个案例是那家约2000人的连锁零售集团。他们的情况和医药企业差异很大，业务形态决定了大量一线岗位（店长、区域督导、采购专员）的流动率较高，员工平均在职周期更短，数据的“厚度”不如医药企业。因此在使用I人事人才图谱时，他们没有选择在全公司范围推开，而是先在总部职能部门和区域管理岗位（约400人）的范围内部署。

在这个案例中，图谱的一个价值在于帮助总部识别那些容易被忽略的“隐形高潜”：通常总部高层对区域门店人员的了解依赖于大区经理的汇报，而汇报容易受到人际关系和近因效应的影响。图谱通过拉取门店销售数据、人效数据、客户评价数据与店长的在岗时间、培训记录做交叉分析，发现了好几位“业绩持续中上但不善自我展示”的店长，他们在系统中的图谱位置距离“高绩效店长簇”很近，却从未进入过高潜名单。之后总部专门为这几位店长安排了发展性面试，其中三人在六个月内获得了晋升。

这个案例说明了一个关键点：人才图谱不是数据越多越好，而是在人员规模和业务复杂度达到一定阈值后，它能够弥补“管理者注意力带宽”的天然限制。

六、测评系统自带模型的真实价值：不该被轻视的三个优势

前面花了大量篇幅讲人才图谱的深度和个性化能力，可能会让读者产生一个错觉：测评模型已经过时了。

远非如此。在大量实际场景中，测评模型仍然是性价比最高、落地最快、法律合规风险最低的选择。如果因为追求“图谱”这个概念而低估了测评模型的真实价值，反而可能导致选型决策的严重偏差。

1. 标准化带来的法律合规优势

在中国当前的劳动法和就业促进法规框架下，用于晋升、调岗、末位淘汰等涉及劳动者切身利益的管理决策，需要具有合理性和公平性，且相关依据需要在必要时能够提供审计证据。

测评系统自带模型的标准化特性，在这个场景下是一个不容忽视的优势：它使用了经过心理学界广泛认可的理论框架和经过独立第三方信效度验证的工具，在发生劳动争议时，作为评估工具本身的合理性更容易得到证明。相比之下，一个由企业自身数据训练出来的、内部使用的图谱模型，其“公平性”需要企业自己举证，这对于大多数没有专门法务和心理学研究团队的HR部门来说，是一个相当高的隐形门槛。这一点在选择需要用于晋升决策的工具时，尤其需要被认真评估。

2. 大规模应用的边际成本优势

测评模型的边际成本结构非常清晰：每增加一个受测者，系统只需要生成一次报告，额外的服务器和人力成本几乎为零。这使得它在大规模校园招聘或一线岗位批量招聘中具有压倒性的成本优势。

假如一个零售企业每年需要招聘3000名门店店员，使用测评工具做初筛，单人次成本可以控制在几十元甚至更低。而如果在同样的场景下试图使用人才图谱做筛选，系统需要先积累每个候选人的业务行为数据，而这在招聘阶段根本不存在，候选人还没有在你的组织里工作过，哪里来的内部数据？这个悖论本身就是对“图谱能替代测评”这类说法的天然反驳。

3. 管理层认知门槛低，决策阻力小

这一点在实际推行过程中经常被技术决策者忽略，但HR负责人最清楚它的分量：测评报告是一线管理者最容易理解和接受的人才评估形式。“这个候选人的责任心得分偏低，需要关注”是一句业务管理者不需要培训就能理解的话。而“图谱显示该员工的职业轨迹与目标岗位成功路径的嵌入向量距离为1.7，超过了我们设定的1.5阈值”，在大多数企业里，这句话需要先花半小时解释什么是嵌入向量。

管理工具的最终使用者是一线管理者，而不是HR或IT团队。如果工具的使用门槛太高，推行阻力会远超预期。

七、不同企业画像下的行动建议

读到这里，你可能会觉得信息量已经很大了，但最终还是要落到一个问题上：我到底该选什么？

在给出具体建议之前，我必须说一句在其他地方可能不会有人当面对你讲的大实话：大约60%的企业，在当前阶段其实不需要纠结“图谱还是模型”这个问题，因为它们的数据基础根本还不支持图谱的有效构建。先诚实面对自己公司的数据现状，比盲目追求“先进”更重要。

1. 先做一个快速自检：你的数据“家底”够不够

以下是一份我在多个项目中使用过的数据就绪度快速评估清单。每条标准请对照你公司的实际情况做判断：

• 你是否拥有至少连续三年的、覆盖核心岗位的结构化绩效数据？这里的“结构化”意味着绩效结果不是因为主管随意写关键词的文本字段，而是有可量化评分或等级的数据。如果中间换过绩效系统且数据格式不兼容，那么“连续”这一条就不满足。
• 你是否拥有完整且可追溯的员工任职履历数据？包括岗位变动时间、汇报关系、是否发生过跨部门调动等。如果这些信息分散在OA、HR系统甚至是Excel表格里，而且格式不统一，那么在做图谱之前需要先做一个数据治理项目。
• 你的IT部门或外部供应商是否有能力接入并清洗多个业务系统的数据？图谱需要的数据通常分散在3-5个甚至更多的系统中，而且数据质量参差不齐。如果没有一个能承担数据工程工作的团队，图谱项目的推进会非常艰难。
• 你公司的人才管理痛点是否集中在“内部活水、继任规划、高潜识别”等需要个性化分析的场景？如果当前的主要矛盾是“招聘量大、筛选效率低”，那么先把测评模型用好是优先级更高的事。

如果以上四个问题有三个以上的回答是“不太确定”或“不满足”，那么我建议你把图谱的规划放在下一阶段，先把数据基础打好。这不是保守，而是务实。

2. 按照企业画像分类的具体建议

画像A：创业期或成长期企业（500人以下，或成立不足3年）

建议：优先选择成熟的测评系统。原因很简单：这个阶段的企业数据积累不够，组织结构变化快，业务模式可能还在调整中，此时投入大量资源建图谱的ROI很低。把测评模型用好，解决招聘筛选和基础的人才盘点需求，是目前最合理的资源配置方式。如果你的企业已经开始使用像I人事这样的一体化HR系统，可以在使用核心人事和绩效模块的同时，先借助系统内置的测评功能满足基础需求，等积累了2-3年以上的数据之后，再考虑开启图谱模块。

画像B：中型成熟企业（500-2000人，成立3-10年）

建议：测评模型继续用于招聘场景，同时在小范围内启动图谱试点。这个阶段的企业通常已经积累了一定体量的绩效和任职数据，但数据质量和完整性可能参差不齐。我的建议是：不要一上来就试图构建覆盖全员的图谱，而是选择1-2个关键业务单元（比如研发中心、区域销售团队）做试点。试点的目标是验证数据基础是否足够支撑有意义的分析，同时让管理层和HR团队亲身体验“图谱能做什么、不能做什么”，为后续决策提供依据。

画像C：大型或超大型企业（2000人以上，有成熟HR数字化基础）

建议：图谱应该成为人才决策的核心基础设施，测评模型作为辅助工具保留。到这个阶段，企业已经具备了构建图谱的数据条件，而且组织复杂度已经超出了管理者凭借个人经验做判断的承载能力。从多个案例的观察来看，2000人是一个关键拐点，超过这个规模后，即便最有经验的HRVP也无法凭个人记忆覆盖所有高潜人才的信息，此时图谱的价值从“锦上添花”转变为“必需品”。

3. 无论选择哪条路径，都要避开的一个认知误区

不要期待任何一种工具能够“精准预测人的未来表现”。

所有的模型、所有的图谱，做的都是一件事：基于过去的数据，给出一个概率性的判断，帮助你把注意力集中到最值得关注的人身上。它们不能替代管理者的判断，更不能替代真实的工作试用和文化匹配度的检验。最糟糕的使用方式，就是把系统的推荐当做命令来执行，这不仅可能导致错误的人才决策，还会严重伤害员工对系统和管理层的信任。

在I人事人才图谱的那个医药企业案例中，HRVP反复对业务部门强调一句话，我觉得值得记录在这里：“系统说的是‘这个人看起来很像你过去成功的人’，但它没说‘这个人一定会成功’。你的任务是用接下来六个月的观察和辅导，去验证和修正这个判断。”

八、当你不得不在两者之间做预算取舍时

现实中的预算永远有限。当HR负责人面对“测评模块和人才图谱模块只能二选一”的情况时，我的建议是把决策逻辑从“哪个功能更先进”切换到“哪个能最快解决我未来12个月最疼的问题”。

1. 未来12个月核心目标决定优先级

如果你的公司接下来12个月的核心任务是大规模招聘，无论是扩张新业务线还是应对季节性业务高峰，把预算放在测评系统上是更合理的。测评工具能直接提升筛选漏斗的效率，节省面试官的时间，效果立竿见影。

如果你的公司接下来12个月的核心任务是提升人效、降低关键岗位流失率、做好继任规划，这三种情况在中大型企业中非常常见，那么人才图谱的投资优先级应该被提前。因为这些问题靠增加招聘量是解决不了的，必须从内部的人才布局和任用精准度入手。

2. 如果可以各取一部分：混合方案的设计思路

如果你的预算允许同时采购基础版本的两种能力，可以考虑采用“测评做入口，图谱做深度”的混合方案：

• 外部招聘流程中，使用测评模型做初筛和复筛，快速过滤明显不匹配的候选人。
• 当候选人进入终面或入职后，启动图谱的数据积累。入职后的试用期、首次绩效评估、首次项目参与记录等数据自动流入图谱系统，为后续的人才盘点建立基础。
• 内部人才管理中，以图谱为主要决策参考，以测评模型作为补充性校验。例如在拟提拔一名员工之前，先用图谱查看其历史轨迹与目标岗位的匹配度，再辅以一次针对该岗位特殊要求的情境判断测评作为复核。

这种混合方案的好处是：不浪费已经在测评模型上的投入，同时为未来的图谱能力建设提前铺好数据管道。

3. 如果你现在还不能判断：先做最小的可验证实验

当你读了这么多信息之后依然不确定自己的公司是否准备好了，有一个很实用的做法：

联系一到两家你正在评估的HR系统厂商，要求他们在你的真实数据上做一次概念验证，而不是只给你看demo。比如你使用的是像I人事这样具有从核心人事到人才图谱完整产品线的系统，可以要求厂商用你公司过去两年的脱敏绩效数据和任职数据，跑一次试点范围的图谱分析，然后看看从中能浮现出什么你之前没有注意到的模式。如果浮现出来的信息让你觉得“这个确实有用，我们之前没看到”，那就是值得继续推进的信号；如果跑出来的结果让你觉得“这好像和我自己知道的差不多”，那可能说明数据积累还不够，或者厂商的产品成熟度有限。

这个验证的成本通常很低，甚至可以是选型谈判的一部分，但它能让你用最小的代价获得最直接的判断依据。

九、这篇文章没有讨论、但你应该知道的三件事

在结尾之前，我觉得有必要诚实地说三件这篇文章受限于篇幅没有展开、但在实际工作中非常重要的事情。

1. 关于算法偏见与公平性

人才图谱依赖历史数据做预测，这意味着历史数据中的偏见会被模型学习和放大。如果你的公司过去五年提拔的高管80%是男性，图谱模型可能会从数据中“学到”性别是晋升的预测因子之一，这显然不是你想要的结论。负责任的图谱实施需要在特征工程阶段做偏见检测和修正，在模型输出阶段做公平性验证。这些工作目前在大多数HR系统厂商的标准产品中仍然缺乏系统性的工具支持，更多地是一个需要甲方HR、法务和乙方技术团队共同参与的人工监督过程。

2. 关于数据隐私与员工知情权

当图谱开始接入员工的项目数据、行为协作数据甚至沟通数据时，数据隐私的法律边界在哪里？哪些数据可以被纳入图谱分析，哪些不行？员工是否有权知道自己的哪些数据正在被用于构建图谱？这些问题在中国当前的法律环境中还没有特别清晰的规定，但趋势是保护力度只会增强不会减弱。在规划图谱项目时，强烈建议让法务部门从第一天就参与进来，而不是等到系统上线前再补合规材料。

3. 关于AI幻觉与应用边界

随着大语言模型被集成进HR系统，出现了“用对话方式查询人才图谱”的产品形态。这确实让图谱的使用门槛大大降低，但也引入了一个新的风险：AI可能会在回答人才问题时产生幻觉，用看起来非常自信和流畅的语言给出一个事实上没有数据支持的错误结论。“张三在我们公司最适合接任华东区总经理”，这句话听起来像一个专业判断，但它的底层可能只是大模型对几个模糊关联的不当推演。这是一个全新的风险类型，目前整个行业都还在探索有效的防控机制。

之所以把这三件事放在这里而不是回避不提，是因为我相信：面对正在快速进化的AI人事系统，保持一颗审慎的、带着“怀疑”去验证的心，比掌握任何一条具体的选型技巧都更重要。

写到这里，我想把这整整一万多字的分析浓缩成最后一段话。

测评系统自带模型和人才图谱，本质上是两种不同的数据哲学和管理思维。前者用标准化的通用标尺去衡量人，核心价值是效率；后者用你公司自己的真实业务数据去寻找人，核心价值是个性化的精准度。没有谁全面优于谁，只有不同的场景、不同的成本和不同的管理成熟度要求。

你下一件应该做的事，不是根据这篇文章的结论去做决定，而是把这篇文章当成一张“自检清单”，回到你的公司里，去实际看看你的数据、你的团队、你未来一年的业务目标，然后诚实地回答：现阶段，我最需要的是一个快、准、省的标准化标尺，还是一个需要持续投入但会产生复利的内部数据资产。

把这个问题想透，剩下的技术细节和厂商对比，自然就有了锚点。