最近，我用 AI 帮自己处理了一批人才数据。
不是很复杂的数据：招聘周期、面试通过率、offer 接受率、试用期反馈、离职原因标签、部门人数变化。过去这些表格散在不同地方，字段命名也不统一。AI 做的第一件事，是帮我把口径列出来：哪些字段能合并，哪些明显缺失，哪些数字看起来不太合理。
这一步很爽。尤其当它指出某个部门的“平均招聘周期”被几个极端值拉长，或者某类岗位的面试通过率在两个月里突然下降，我会有一种终于看清局面的感觉。
但这种感觉很危险。
HR 做数据分析最容易掉进一个坑：数字刚被整理出来，就急着把它做成仪表盘。折线图、漏斗图、热力图，一张屏幕看起来很专业。可如果口径没说清，图越漂亮，误导越有说服力。
比如“招聘周期”到底从需求提交算起，还是从 JD 发布算起？业务负责人拖了两周才确认画像，这两周算不算招聘团队的周期？“离职原因”是员工自己选的，HR 访谈后归类的，还是经理补充判断的？“高潜人才”是来自九宫格，还是某次校准会的临时名单？
AI 可以帮我整理这些问题，却不能替我回答这些问题。因为答案不是纯技术的，它牵涉到组织如何理解责任。
有一次，我让 AI 根据几个月的招聘数据生成洞察，它很快指出某个部门 offer 接受率偏低，并建议优化薪酬竞争力。这个结论不算离谱，但如果直接拿去开会，就会把问题推向薪酬。后来我们翻记录才发现，几个候选人拒绝的原因更接近“面试过程反复、决策时间太长、沟通口径不一致”。薪酬只是候选人末了说出来的一个理由。
那次之后，我给人才数据分析加了一个步骤：每个图表旁边必须写“这个数字来自哪里”和“它准备影响什么决定”。
如果一个指标只是看起来有趣，但不会影响任何动作，我就先不放进仪表盘。如果一个指标会影响团队评价、资源分配或管理者判断，我会要求它有更清楚的证据链。AI 可以帮我找异常、生成假设、整理访谈摘要，但最终要不要把一个数字放到管理桌面上，还是人的决定。
这让我对“数据驱动”这四个字更谨慎了。数据不是方向盘，它更像一组路标。路标可能有用，也可能被放错位置。AI 让路标出现得更快，HR 就更需要判断哪些路标值得被看见。
AI 帮我拉人才数据以后，我不再急着做一张漂亮仪表盘。我更想先确认：这张图会让谁改变看法，又有没有足够理由让他改变。