做薪酬调研是 HR 里出了名的费力气的事。
你需要找同行数据、看招聘平台上的发布薪资范围、找行业调研报告、问几个熟悉的猎头，然后把这些零碎的信息拼起来，说一句「市场中位数大概在这里」。这个过程通常要花掉两到三天，最后拼出来的结论也半生不熟，能用，但没底气。
今年下半年，我开始用 AI 搜索工具辅助这个流程。
感受很直接：快了很多。两个小时能覆盖以前两天的信息量，信息的广度也更大，工具会把招聘帖、行业报告、薪酬调研摘要、甚至社区讨论都给我汇总进来。
但用了大概三个月之后，我有一个感受：
AI 搜索工具给我的第一页结果，经常比较「整洁」。它倾向于聚合那些信息清晰、有数字、有出处、可以引用的来源。而那些信息模糊的、来源不清楚的、是某个人在讨论区分享的个人经历的——它们在第一页很少出现。
但是，薪酬这件事，有很多最重要的信息，恰好是那些模糊的、个人经历性质的内容。
举个例子。
我在给一个中台产品岗做薪酬参考。AI 搜索工具给了我一页整洁的数据——某招聘平台的发布范围、某调研机构的行业报告中位数、几家大厂的公开薪酬体系摘要。
这些都有用。
但我后来在一个产品经理社区里翻到一个讨论串，里面有人说：中台产品在某一类互联网公司里其实普遍有一个非正式的定价折扣，因为这类岗位被认为离业务较远、晋升路径不清晰，所以 offer 数字虽然在范围内，但 bonus 和期权往往比同级业务产品少一截。
这个信息不在 AI 给我的第一页里。它需要我自己去那个讨论串找。
而这个信息，对我实际做薪酬方案的影响，比那张行业中位数表格大得多。
我开始调整搜索习惯。
第一步还是让 AI 工具帮我整理基础数据框架，快速覆盖公开信息。这部分它做得很好，节省了大量时间。
但我额外加了一个步骤：在 AI 给的结论之外，主动去找「质感信息」——社区讨论、招聘方的面试反馈、离职员工的真实描述。这类信息不整洁，没法直接引用，但它提供的是市场的「实感」，而不只是平均值。
还有一个步骤是：让 AI 工具帮我梳理完数据之后，我会额外问几个在一线做猎头或招聘的人，问他们最近几个月的真实出价情况是不是和数据吻合。猎头接触的样本有限，但他们知道数字背后那些没被记录下来的信息——某个公司现在特别缺某类人、某个岗位的市场在这两个月突然松了、某类候选人的预期跟半年前变化很大。
这些信息，AI 搜索工具还没有能力给我。
一个做 compensation 的朋友总结过一句话让我印象很深：薪酬调研的数字是锚，但市场感是指南针。两个都要有，但它们不是一回事。
AI 工具大幅提升了我建立「锚」的速度。以前整理数字这个部分要花很多时间，现在快了很多，剩下的精力可以更多放在建立「市场感」上。
这其实是一个挺好的分工。
问题是，如果有人以为 AI 给的数据框架就是调研本身，省掉了那个建立市场感的环节——他最终做出来的薪酬方案，会是一个数字上看起来合理但实际用起来不对劲的东西。
候选人感受得到那种「不对劲」。他们不一定能说清楚哪里有问题，但他们会感觉到这家公司是按表格出价的，不是按这个人在市场里的真实价格出价的。
用 AI 搜索做薪酬调研，它把信息收集的效率提高了，但它没有办法提高你对信息的判断力。判断力需要喂进去的不只是数据，还有那些数据背后的脉络和情境——而那部分，还是要靠自己主动去找。
这是用了三个月 AI 搜索工具之后，学到的第一件也是最重要的一件事。