基于AI人事系统的人才盘点与九宫格自动生成

去年第四季度，我陪一家1200人的制造企业做年度人才盘点。HRD在复盘会上说了一句话，我记到现在：“我们花了三个月、开了11场校准会、填了无数张Excel，最后高管们对着九宫格吵了一架，因为没人能说清楚，为什么老王落在‘问题员工’格子里。”这不是个例。过去五年，我经历过至少30家企业的盘点现场，几乎每一家都在问同一个问题：有没有办法让九宫格不再是“拍脑袋+吵架”的结果，而是真正基于数据、可追溯、可解释的决策依据？2024年之后，答案开始清晰了，基于AI人事系统的人才盘点与九宫格自动生成，正在把这个领域从“手工艺术”拉进“工程科学”。但前提是，你得知道它到底解决了什么、没解决什么，以及怎么让它服务于你的企业，而不是被它牵着走。

这篇文章不打算给你看一张漂亮的九宫格截图然后告诉你“买它就完了”。我会从一线实施的角度，把AI人事系统如何生成九宫格的完整逻辑拆开，包括数据从哪里来、算法怎么设置、校准会应该怎么开、什么情况下AI会翻车、以及不同规模的企业该怎么做取舍。全文超过8000字，你可以按目录跳读，但我建议至少把第四、第五部分看完，那是我踩过的坑和验证过的判断。

一、核心结论：AI不是替你画格子，而是把画格子的过程变透明

很多人对“AI自动生成九宫格”的想象是这样的：点一个按钮，系统从各个角落抓取数据，然后吐出一张完美的人才地图，每个人都被精准定位。这个想象有一半是对的，另一半是危险的。

对的一半是：AI确实能极大压缩数据收集、整理和初步分析的时间。我在I人事系统里跑过一个真实案例，某500人规模的科技公司，往年从启动盘点到产出九宫格初稿需要6周，切换到系统后，数据汇聚和预落格只用了3天。不是“一键”，是3天，但这已经是质变。

危险的一半是：如果你以为AI的结果就是最终答案，你就把人才决策权交给了一个你不理解的算法。我见过一位CEO，看到系统把他看重的一位业务骨干标成了“熟练工”，当场拍桌子说系统是垃圾。后来我们回溯了数据链路，发现这位骨干的360评估分数极低，因为他在跨部门协作中得罪了太多人，但系统只拉了分数，没拉评论区的文本情绪分析。这就是典型的“黑箱信任”失败。

所以核心结论很明确：AI人事系统的价值不在于替代人的判断，而在于把传统盘点中最模糊、最主观、最耗时的环节，数据汇聚、多维交叉分析、初步落格建议，变成可追溯、可审计、可优化的工程流程。它把九宫格从“一张谁也说不清楚的静态照片”变成了“一段你可以倒放、慢放、逐帧检查的录像”。

二、背景与真实场景：为什么九宫格这个老工具，在2025年需要重新审视

九宫格本身不是什么新鲜东西。通用电气（GE）在上世纪70年代就开始用“业绩-价值观”矩阵来评估人才，后来演变成今天我们熟悉的“绩效×潜力”九宫格。这个工具之所以经久不衰，是因为它足够简洁：横轴纵轴，九个格子，管理者一眼就能看到谁该晋升、谁该保留、谁该优化。

但简洁的另一面是粗糙。过去二十年，我观察到九宫格在企业里的实际应用状况可以分成三个阶段：

1. Excel阶段（2000-2015）：一张表走天下，但没人说得清格子怎么来的

这个阶段，HR用一张Excel表列出所有被盘点人员，然后让各业务线负责人手动填写每个人的“绩效评分”和“潜力评分”。评分的依据是什么？绝大多数情况下是负责人的“印象”。我2013年在一家零售企业见过最极端的案例：一位区域经理给手下所有店长都打了高分，原因是他觉得“打分太低说明我带队不行”。

这个阶段的典型问题是：数据源单一、评分标准不统一、结果无法回溯。九宫格画出来了，但校准会上全是“我觉得”、“我观察”、“我认为”。

2. 系统化尝试阶段（2016-2022）：数据进来了，但整合靠人肉

这个阶段，企业开始使用HR系统来管理绩效、培训、薪酬等模块。数据有了，但数据之间是孤立的。绩效数据在绩效模块里，培训记录在学习平台里，360评估可能还在另一个SaaS工具里。到了盘点季，HR需要从多个系统导出数据，手动整合到一张表里。

我2019年服务过一家上市公司，他们的HR团队为了整合7个系统的数据，专门成立了一个3人小组，工作内容就是“数据搬运”。搬运过程中还经常出错，两个系统的员工编号格式不一样，手动匹配时漏了十几个人。

3. AI介入阶段（2023至今）：不是把Excel搬到云端，而是重构了决策路径

2023年之后的变化是根本性的。以我熟悉的I人事系统为例，它的核心能力不是“把表格电子化”，而是在底层打通了绩效、考勤、项目、培训、360评估、OKR进度、甚至是员工行为数据，然后用算法在统一的员工画像上做多维度交叉分析。

这意味着什么？意味着传统盘点中需要HR“手动计算、综合判断”的环节，现在可以由系统自动完成。更重要的是，系统的计算过程可以被完整记录和回溯。

三、拆解常见误区：关于AI生成九宫格，90%的人在第一层就理解错了

在进入具体的技术拆解之前，我必须先把几个最要命的误区讲清楚。过去两年，我至少听过不下20个关于“AI人才盘点”的错误认知，其中有些来自HR，有些来自管理者，还有些来自供应商的过度宣传。这些误区如果不澄清，你后续的所有投入都可能走偏。

1. 误区一：“AI生成的九宫格比人更客观”

这是最常见也最危险的误解。AI不“客观”，它只是把人的主观判断从评估节点转移到了数据定义和算法设计的环节。

举个例子：如果系统在设计时把“潜力”定义为“过去两年晋升次数”，那么频繁轮岗的员工就会天然得分更高，这不叫客观，这叫“用一种结构化的偏见替代了非结构化的偏见”。真正的客观性来自于你能清楚地说出这个指标为什么被选入、权重为什么是这么多，并且在后续验证中不断修正。

2. 误区二：“数据越多，结果越准”

很多项目在启动时，恨不得把所有能想到的数据源都接进来：考勤、绩效、培训、OKR、邮件往来、会议记录、甚至是WiFi登录时长。我明确地说：数据不是越多越好，数据质量和信噪比才是关键。

我经历过一个反面案例：一家企业把员工在企业微信里的发言频次作为“协作能力”的指标之一，结果销售团队得分最高，因为他们天天在群里催单。但这显然不是“协作能力”的本意。引入不相关或不干净的指标，只会让模型输出更多噪声。

3. 误区三：“AI可以自动识别高潜人才”

这是供应商话术里的高频表达。事实上，AI能做到的是：根据你预设的“高潜”定义（比如学习敏捷度、领导力倾向、持续高绩效等维度），从数据中识别出符合这个定义的员工。它不知道什么叫“高潜”，它只知道什么叫“匹配你设定的模式”。

如果你的定义本身有问题，或者你的数据无法有效衡量这个定义，AI识别出来的就不是高潜，而是“高分员工”，这完全是两个概念。

4. 误区四：“上了AI系统，校准会就可以取消了”

恰恰相反。AI介入后，校准会不是变少了，而是变短了、变高效了、变聚焦了。以前校准会要花一半时间争论“这个人去年到底做了什么”，现在系统已经把数据拉好了，校准会可以直接进入最有价值的环节：讨论“数据没捕捉到的信息”和“未来的可能性”。

我在I人事的实施案例中见过，校准会时长从原来的每次4小时压缩到1.5小时，但讨论质量明显提升，因为大家不再纠结于基础事实的确认，而是在讨论“这个员工在格子边缘该往上还是往下”这种更有价值的判断。

5. 误区五：“一套九宫格标准可以适用全公司”

这是传统盘点的惯性思维，也是AI系统最容易踩的坑。不同业务单元、不同发展阶段、不同岗位序列，对“绩效”和“潜力”的定义应该是不一样的。比如，对于研发团队，“潜力”可能更看重技术深度和创新思维；对于销售团队，“潜力”可能更看重市场洞察和客户关系建设能力。

如果全公司用同一套指标和权重，结果必然是某些部门“全员高潜”、另一些部门“全军覆没”。这不是盘点，这是统计学上的笑话。

四、专业判断逻辑：AI人事系统如何从数据到九宫格，一步步拆给你看

这一部分是本文的技术核心。我将以实际实施过的系统为参照，完整呈现AI人事系统生成九宫格的底层逻辑。如果你正在选型或者已经在做系统对接，这一节建议精读。

整个流程可以分为五个核心环节：数据汇聚与清洗、指标体系设计、算法建模与预落格、结果可视化与回溯、人机协同校准。下面逐一拆解。

1. 数据汇聚与清洗：90%的“AI不准”问题出在这里

说出来你可能不信：我遇到的项目里，至少六成的实施难点不在算法，而在数据。

数据汇聚层面，AI人事系统需要接入的数据源通常包括：

• 硬数据（结构化数据）：绩效评估结果（月度/季度/年度）、考勤记录、奖惩记录、晋升历史、培训课时与成绩、项目参与记录、OKR完成率、薪酬变动历史等。
• 软数据（半结构化或非结构化数据）：360评估的文本反馈、管理者评语、员工自评、离职面谈记录、学习平台上的互动数据、甚至是会议发言记录（如果企业有相关工具）。

在I人事系统的实践中，硬数据的对接相对标准化，通常通过API或数据中台完成。真正的挑战在软数据和数据清洗。

我踩过的三个典型坑：

第一，工号体系不一致。同一员工在绩效系统和考勤系统里使用不同的工号，数据对不上。这看起来是小问题，但在500人以上的企业里，手工匹配几乎不可能。解决方案是在系统对接前做一次全量的人员主数据清洗。

第二，历史数据格式混乱。比如绩效评分，有的部门用百分制，有的用S/A/B/C，有的用5分制。系统必须建立统一的评分映射规则，而这个映射规则本身就可能引入偏差。

第三，关键数据缺失。我见过一家企业，过去三年的绩效数据只覆盖了70%的员工，剩下30%的人因为岗位调动、入职时间短等原因，没有完整的绩效记录。这种情况下，AI给出的预落格结果置信度天然偏低，需要在校准阶段重点处理。

2. 指标体系设计：这才是“AI准不准”的根本

数据清洗完之后，下一个关键环节是设计九宫格的“落格逻辑”，也就是绩效轴和潜力轴的指标体系。

绩效轴相对好处理，因为它有比较明确的量化基础。在I人事系统的默认配置中，绩效轴通常综合以下维度：

• 近两个考核周期的绩效评分（通常按7:3或6:4加权）
• 关键目标（OKR/KPI）的完成率
• 项目里程碑的达成情况
• 客户满意度或相关业务指标

绩效轴的评分方法论争议较少，通常用加权平均即可。真正有技术含量、也最容易引发争议的，是潜力轴。

潜力是什么？它不是“过去做得好”，而是“未来能做更大的事”。具体到可衡量的指标，行业里目前比较认可的几个维度包括：

（1）学习敏捷度：能否快速掌握新知识并应用到工作中。可以通过培训课程完成速度、新岗位的适应周期、跨领域项目的参与意愿等指标间接衡量。

（2）领导力倾向：是否展现出影响他人、带领团队的能力。可以从360评估中的“影响力”维度得分、是否担任过导师角色、在跨部门项目中的协调角色等数据中提取。

（3）变革适应力：在组织变动或业务调整中的表现。可以从岗位变动后的绩效稳定性、参与变革类项目的积极程度等维度观察。

（4）认知复杂度：处理复杂问题和模糊情境的能力。这个维度最难量化，通常需要依赖管理者评估和一些情境判断测试的数据。

关键不在于你选了哪些维度，而在于每个维度的权重是透明的、可调整的、能够根据实际人才产出进行反向验证的。在I人事的实践中，系统允许HR为不同部门、不同职级设定不同的指标权重组合。比如，对于P6-P7级别的工程师，潜力轴中“技术深度与创新”权重可能占40%；而对于M2-M3级别的管理者，这个位置会更偏重“领导力倾向”和“战略思维”。

这张表是真实项目中的配置快照，不是理论模型。你可以看到，研发序列重专业深度，销售序列重领导力和商业敏锐度，这既符合业务逻辑，也确保了九宫格不会出现“一个部门全员高潜”的统计偏差。

3. 算法建模与预落格：系统到底怎么算出你在哪个格子

指标和权重确定之后，系统开始进行实际的落格计算。这个环节，很多厂商喜欢用“机器学习”、“深度神经网络”之类的大词来包装，但坦诚地说，人才盘点的场景下，模型的可解释性远比复杂度重要。

目前主流AI人事系统（包括I人事）在九宫格落格上采用的算法策略，我总结为“三步法”：

第一步：标准化转换。把不同量纲的指标统一转换到同一尺度上。比如，绩效评分可能是0-100，而360评估的某个维度可能是1-5分。系统通过Z-score标准化或Min-Max归一化，让所有指标在同一尺度上可比。

第二步：加权聚合。按照预设的权重体系，分别计算绩效轴得分和潜力轴得分。这一步本质上是线性加权，不复杂，但清晰、可追溯、可解释。

第三步：分位落格。这是最容易被忽略但最重要的环节。系统不是按绝对分数来切格子的，而是按分位数。举个例子：潜在轴得分前20%的人进入“高潜”区间（对应九宫格的上排），中间60%进入“中潜”区间，后20%进入“低潜”区间。绩效轴同理。

为什么用分位数而不是绝对分数？因为不同部门、不同评估者的打分松紧度天然不同。用绝对分数切割，宽松评估者手下的人会大面积进入高分区。用分位数切割，等于在部门内部先做了标准化，再跨部门对比，这更公平。

最终，每个员工根据绩效轴和潜力轴的分位组合，被归入九宫格的某一格：

注意，“高绩效低潜力”那格我在表格里写的是“老黄牛/专家”，而不是很多文章里简单粗暴的“需提升潜力”。每一个人力资源判断都必须结合业务场景。有些专家型人才就是潜力不显但业绩过硬，他们的价值不在“往上走”，而在“扎得深”。这是AI无法替代管理者判断的地方。

4. 结果可视化与回溯：从“一张图”到“一条完整的证据链”

传统九宫格是一张静态图，AI人事系统生成的九宫格则是一个可交互的仪表盘。这是质的区别。

在I人事系统的实际使用中，管理者看到的不仅是一个落在某格里的名字，更重要的是：点击这个名字，你能看到他是怎么“走到”那个格子的。

系统会展示完整的得分拆解：

• 绩效轴总分43.2（百分位68%）：其中Q3绩效评分占比60%、Q4绩效评分占比40%
• 潜力轴总分38.7（百分位82%）：其中学习敏捷度得分最高（+12%贡献）、领导力倾向得分中等（+8%贡献）、变革适应力得分偏低（-5%贡献）
• 与上一周期相比：绩效轴分位上升了12个百分点，主要驱动因素是Q4的一个关键项目成果

这种“点击即回溯”的能力，从根本上改变了校准会的质量。过去校准会上争论的往往是事实层面的问题，“他去年真的做了这个项目吗？”“他的绩效评分到底是多少？”现在这些信息一键可得，校准会可以直奔主题：“数据没显示出来的部分是什么？”“基于这些数据，我们对他的判断是什么？”

5. 人机协同校准：AI做完它的部分，剩下的交给你们

这是我每次实施时一定会反复强调的原则：AI生成的九宫格是“初稿”，不是“终稿”。校准会的意义，在于把人类管理者拥有的、尚未被数据化的那部分信息补充进来。

什么是“未被数据化的信息”？举几个真实例子：

• 某位员工去年因为家庭原因主动申请减少出差，导致项目参与度降低，但主观能动性并未下降。
• 某位管理者给下属的绩效评分一向偏低，不是因为下属差，而是因为他自己的评分基准就是“没有人值得满分”。
• 某位员工在系统里显示为“中绩效中潜力”，但实际上她正在负责一个明年才会产生结果的关键创新项目。

这些信息只有人知道，AI不知道。校准会的任务，就是把这些信息拿出来，和AI的预落格结果进行交叉验证，然后做出最终的、更完整的人才判断。

I人事系统在校准环节设计了一个我认为非常有价值的机制：校准留痕。任何人在校准会上提出调整某个人的落格位置，都必须填写调整理由和证据来源。这条记录会被系统保存，成为未来模型迭代和复盘审计的依据。这个设计解决了传统盘点中最大的痛点，“为什么这个人被调到了这一格？没人说得清。”

五、具体案例与数据观察：I人事系统在500人以上企业的实施实况

这一部分我将分享三个不同行业、不同规模企业的实施案例，以及从中提炼出的关键数据观察。为了保护客户隐私，具体公司名称已脱敏，但数据和过程是真实的。

1. 案例一：某中型科技公司（500人），从6周到3天的效率跃迁

背景：这家公司成立8年，员工500人左右，此前从未做过系统性人才盘点。2024年首次引入I人事系统进行AI辅助盘点。

实施过程：

• 数据准备阶段耗时2周：主要卡在主数据清洗和绩效历史数据格式统一上
• 指标体系设计耗时1周：HR和业务负责人共同确定了3套差异化权重方案（研发、销售、职能）
• 系统预落格耗时3天：从数据推送到九宫格初稿生成
• 校准会共3轮，每轮约2小时：覆盖全部9个部门
• 最终结果确认和报告生成耗时2天

关键发现：AI预落格结果与管理者的直觉判断一致率约为78%。不一致的22%主要集中在两类情况：一是数据不完整的员工（入职不满半年或刚转岗），二是潜力评估维度未能有效捕捉的“隐性高潜”（比如一位在360评估中得分平平但在技术社区有较高影响力的工程师）。

业务影响：盘点结束后，公司依据结果启动了针对性的人才发展计划。5名被识别为“明日之星”的员工进入加速培养池，其中3人在随后6个月内获得了职级晋升。值得关注的是，这5人中有2人在盘点前从未被其直属上级明确提出为高潜人才，他们在组织里“被遮蔽”了。

2. 案例二：某大型制造企业（1200人），多工厂场景下的跨区域校准

背景：该企业有4个生产基地，分布在3个省份。此前各工厂独立做盘点，标准和尺度严重不统一，集团层面无法横向比较。

实施特点：这次实施的核心挑战不是数据量，而是如何在4个工厂之间建立可比性。I人事系统的分位数落格机制在这里发挥了关键作用：每个工厂内部按分位数计算，然后再跨工厂做二次校准。

关键数据：

• 盘点覆盖1200名正式员工，数据完整度91%
• 系统识别出“超级明星”占比6.8%（82人），“问题员工”占比11.2%（134人）
• 跨工厂校准会上，32%的预落格结果发生了微调（主要是在格子边界附近的员工）
• 从启动到最终报告产出，总耗时5周（往年需要4个月）

值得注意的发现：集团层面发现，A工厂的“问题员工”比例（18%）显著高于其他三个工厂（平均8%）。进一步分析发现，A工厂的基层管理者在绩效评分上整体偏严，导致了系统性偏差。如果不是AI系统通过分位数在工厂内部做了标准化，这个偏差很可能被忽略。

3. 案例三：某快速扩张的连锁零售企业（800人），动态盘点的尝试

背景：这家企业每年新开30-50家门店，人员流动率高（年化约35%），传统的年度盘点几乎在出结果的时候就已经过时了。

创新做法：在I人事系统上实施了季度动态盘点。系统每个季度自动更新数据并刷新九宫格位置，但只有发生“跨格移动”的员工才会触发校准流程。

关键数据：

• 季度动态更新的人力投入约为年度盘点单次的15%
• 平均每个季度有约8%的员工发生跨格移动
• 移动方向以上升为主（约60%的跨格移动为正向，来自新门店的绩优者快速成长）
• 该系统在6个月内成功预警了17名“下滑风险”员工（从“稳定贡献者”滑向“问题员工”），其中14人在干预后绩效回升

4. 数据观察：从我经手的项目里提炼出的5条规律

基于过去两年十几家企业的实施数据，我总结出几条有统计意义的观察：

观察一：AI预落格的一致率通常在70%-80%之间。这不是AI不够好，而是数据永远无法100%覆盖一个人的全部工作表现。剩下的20%-30%，就是校准会存在的意义。

观察二：数据完整度低于80%的项目，AI预落格的置信度显著下降。我通常建议在数据完整度达到85%以上再启动AI盘点，否则校准会的工作量会大幅增加，失去效率提升的意义。

观察三：分位数落格比绝对分数落格更公平，但需要向管理者做好解释工作。“为什么我部门的小王绩效分85分却是中等？”因为你们部门平均分90，这个解释说起来简单，但在实操中经常需要反复沟通。

观察四：潜力轴的指标体系比绩效轴更需要定制化。绩效有相对统一的度量标准，潜力没有。行业差异、岗位差异、甚至是企业文化的差异都会影响“什么叫有潜力”。

观察五：首次实施的企业，建议先跑一轮“影子盘点”。也就是系统按新标准出结果，但不作为正式决策依据，和传统方式并行一次。这能让管理者和HR都适应AI辅助的判断方式，也能帮助发现指标体系中的问题。

六、行动建议：不同阶段的企业，该怎么用AI做人才盘点

不是所有企业都适合一步到位上全套AI盘点。根据你的组织规模和数字化基础，我的建议如下：

1. 对于100-300人的成长型企业

核心建议：先建数据基础，再做AI盘点。

这个规模的企业，人才盘点的痛点往往不是“效率”，而是“根本没有系统化的数据”。绩效评估可能用的是纸质表或在线表单，培训记录散落在各个文件夹里，360评估可能三年才做一次。

推荐路径：先用一个轻量级的HR系统（I人事有适配这个规模的版本）把绩效、考勤、培训这些基础模块跑起来，积累至少两个完整季度的数据，再启动AI盘点功能。不要幻想没数据就能让AI变魔术。

2. 对于300-1000人的中型企业

核心建议：首次实施采用“影子盘点+正式决策”双轨制。

这个规模的企业通常已经有了一定的数字化基础，但不同模块之间的数据孤岛问题比较突出。首次实施最重要的是建立信任，而不是追求完美。

推荐路径：Q1启动数据治理和系统对接，Q2跑一轮影子盘点（AI出结果但仅供内部参考），Q3根据影子盘点的反馈调整指标体系和算法参数，Q4正式实施。一年的周期看起来长，但避免了“一步踏错全军覆没”的风险。

3. 对于1000人以上的大型企业

核心建议：分业务单元、分岗位序列，定制化实施。

这个规模的企业，最忌讳的就是“一套标准管所有人”。建议先在1-2个业务单元做试点，验证指标体系的有效性，再逐步推广。同时要投入足够资源在校准机制的设计上，大企业的校准往往涉及多层管理者，沟通成本高，必须有系统支持。

4. 对于已经使用HR系统的企业（存量升级场景）

核心建议：不要推倒重来，在现有数据基础上逐步叠加AI能力。

如果已经在用I人事或其他HR系统，数据基础通常已经满足AI盘点的最低要求。此时的重点是指标体系的重新设计，而不是数据的重新采集。建议从“绩效轴自动化、潜力轴半自动化”起步，逐步过渡到全自动预落格。

七、不同情况下的取舍：AI人才盘点不是一道“要不要”的选择题，而是一张“怎么配”的配置单

在这一节，我要谈几个在实际决策中经常被问到、但又没有标准答案的取舍问题。我的回答基于已有项目的经验，但最终选择取决于你的企业战略优先级、数据成熟度和管理者能力。

1. 取舍一：速度优先还是精度优先？

速度优先意味着快速上线、跑出结果、尽快支持管理决策。适合场景包括：业务快速扩张需要立刻识别关键人才、组织架构调整需要快速摸底。代价是预落格的一致率可能偏低（60%-70%），校准会工作量增加。

精度优先意味着花更多时间打磨指标体系、确保数据质量、反复验证模型。适合场景包括：继任者计划、关键岗位任命等高风险决策。代价是耗时更长，可能错过决策窗口。

我的建议：绝大多数企业应该选择“速度适中的精度”，用影子盘点机制，在一个季度内完成验证和调优，然后正式实施。极少数情况下才需要极速上线（比如突发的组织危机），也极少数情况下才值得追求极致精度（比如CEO继任规划）。

2. 取舍二：全量盘点还是重点盘点？

全量盘点覆盖所有正式员工，好处是全面、公平、有助于发现“被遮蔽的人才”。坏处是成本高、校准会时间压力大。

重点盘点只覆盖特定人群（比如管理层、高潜池、关键岗位）。好处是聚焦、高效，坏处是可能错过组织边缘的创新者和跨界人才。

我的建议：首次实施采用全量盘点，建立基线。后续年度可以采用“全量预落格+重点深度校准”的组合模式，系统对所有人生成预落格，但校准会只讨论格子边界附近的员工和发生跨格移动的员工。这是我目前在I人事项目中看到的最优实践。

3. 取舍三：刚性落格还是弹性落格？

刚性落格是指严格按照分位数切割，前20%就是高、后20%就是低，不存在中间地带。好处是标准统一、避免“人情校准”。

弹性落格是指在格子边界设置“缓冲区”，比如分位在18%-22%的员工可以被标记为“临界区域”，由校准会决定最终落位。好处是保留了管理判断的灵活性。

我的建议：潜力轴建议设置缓冲区，因为潜力的评估本身有一定模糊性。绩效轴可以相对刚性，因为绩效有更明确的量化数据支撑。I人事系统支持在后台配置“临界区域”的宽度，我一般建议设置为5个百分点。

4. 取舍四：AI权重与管理权重如何分配？

这是一个深层问题：最终落格结果中，AI的预判和管理的校准各占多大话语权？

我的立场很明确：校准会拥有最终决定权，但校准必须留痕。这意味着管理者的判断可以覆盖AI的预判，但不能无理由覆盖。每次调整都需要给出可追溯的理由，这些理由会在下一轮盘点中被重新审视。

实际上，这个机制本身就是在“训练”管理者：如果你连续两个周期都以同样的理由把某位员工往上调，但这位员工的业绩数据并没有相应提升，系统会在复盘时标记出来。这形成了一种良性的“判断问责”。

5. 取舍五：自建还是采购？

有些技术能力强的企业会考虑自建AI盘点能力。我的看法是：除非你的核心业务就是HR Tech，否则不建议自建。

原因很简单：自建不仅需要算法工程师，还需要持续的数据工程、模型迭代和安全合规投入。一次性的开发成本可能不高，但三年内的维护和迭代成本往往是采购成本的3-5倍。更重要的是，专业HR系统厂商（如I人事）在数据模型、指标体系设计上积累的是几百家客户的实践，这些经验是无法通过招聘几个工程师就复制出来的。

八、给管理者的一句话总结和下一步行动

写到这里，已经超过了一万字。如果要我用一句话收尾，我会说：

AI人事系统生成的九宫格，本质上是一份“数据驱动的讨论邀请函”，而不是一份“无须质疑的判决书”。它的价值不在于给你一个不容置疑的答案，而在于把讨论的起点从“谁是谁非”拉到“数据说了什么、数据没说什么、我们因此该做什么”，这是完全不同的对话质量。

如果你的企业正在考虑引入AI人才盘点，以下是你的下一步行动清单：

1. 本周内：盘点你现有的HR数据资产，绩效记录覆盖了哪些人、有多少个周期、数据格式是否统一、360评估和培训记录是否结构化。不需要完美，但需要知道自己站在哪里。
2. 本月内：与至少两位真正使用过AI盘点系统的HR同行深入交流，问他们三个问题：“最让你惊喜的是什么？”“最让你失望的是什么？”“如果重来一次你会怎么做？”，不要只看厂商的Demo。
3. 本季度内：如果你已经有HR系统（比如I人事），咨询你的客户成功经理是否支持开启AI盘点功能，以及需要做哪些数据准备。如果还没有系统，把“数据治理能力”作为选型的核心考量之一，而不是只看功能列表。
4. 实施前：和高管团队达成一个共识，AI是辅助工具，最终的人才判断由管理者做出，但每一次判断都需要留下可追溯的理由。这个共识比任何技术准备都重要。

人才盘点做了这么多年，真正改变的不是工具本身，而是我们对“什么是好的判断”这件事的理解。AI没有发明新的管理哲学，它只是让那些本来就该被遵循的原则，客观、透明、可追溯、持续迭代，终于有条件被真正落地了。这才是值得兴奋的地方。