CHENGWAY.WANG项目介绍
AI HR 助手矩阵是 2 号人事部在 AI 转型初期的一次场景筛选：以智能客服起步，扩展到薪酬、考勤、绩效、招聘、行政，共 10 个助手。它要回答的不是「AI 能不能接进 HR 系统」，而是「哪些场景值得用 AI、哪些必须保持确定性规则」。
起因很具体：这套 HR 系统功能密集、规则复杂，客户一边有高频操作咨询，一边有公式配置、绩效发起这类专业事务，长期压给售后和 HR 人工处理。公司当时不知道哪些场景真的适合 AI，所以第一批的定位是低成本验证，不是做产品线。
我的判断有两条：
- 先做能算清对错的问答场景，再碰执行类；答不准的助手没有第二次机会
- AI 要嵌进业务流程里，独立入口的助手留存最低
问题在哪
一个 HR 系统上百个功能点，客户记不住规则，售后在重复回答同一批问题。但把问答交给 AI，门槛不在「能不能接」，在「能不能答对」：第一版用现成的 RAG 方案直接跑，出现幻觉、响应慢、Token 消耗高三个问题——答错一次的信任损失，远大于答对十次。
三件事
一、把问答拆成一条可兜底的工作流
把 RAG 从「问题进来、答案出去」拆成「问题解析 → 知识检索 → 结果精简 → 意图路由 → 分支应答」，并加入敏感数据拒答与无答案兜底。改完之后 Token 消耗降低 50% 以上，响应耗时缩短 30% 以上。
关键在「无答案兜底」这一支：宁可说不知道并转人工，也不要编一个像样的答案。
二、知识库质量比工作流更决定效果
只调工作流，召回上不去的根子在知识库本身。做法是用 AI 把原始产品文档加工成「关键词元数据 + QA 问答 + 原始内容」，再经人工校对入库。
三、用留存数据决定哪些场景继续做
2025 年全年，智能客服累计服务 2,312 位 HR、解决 11,292 次咨询，稳定运营期 30 日留存约 25%，替代了部分人工售后咨询。
但拆开看，留存差别很大：HR 策略咨询与内容生成类助手的使用频次和留存持续走低；嵌进业务工具的薪酬公式助手 30 日留存达到 58%。据此减少低频场景投入，把资源转向专业工具与任务执行——绩效快启助手就是这一轮判断的产物，它把 AI 从「回答问题」推进到「执行系统操作」，支持按周期筛选并批量发起未启动的考核计划。
一次主动退出
2025 年末复盘发现，知识切片、加工和维护每月产生大量重复人工，而这些原始产品文档本就放在钉钉，钉钉原生 RAG 能力也已相对成熟。
因此推动问答能力迁移到钉钉原生方案，不再自己建库和维护。这不是放弃，而是把维护成本还给本来就该承担它的平台。
结果
- 10 个助手以全年共享 Coze 订阅成本 ¥2,297 运行
- 智能客服 2025 全年服务 2,312 位 HR、解决 11,292 次咨询，稳定运营期 30 日留存约 25%
- Token 消耗降低 50% 以上，响应耗时缩短 30% 以上
- 薪酬公式助手 30 日留存 58%
- 用「免费 + 限制每日使用次数」建立认知，由 AI 员工助手承接付费转化
可迁移的判断
- AI 场景的推进顺序跟着难度走：先做能答对的问答、再做能办事的执行，和 AI 能力的发展同步，不是倒过来
- 嵌进业务流程的 AI 才有留存，独立入口的助手留存最低——留存数据比需求访谈更可信
- 维护成本要算进去：能交给平台原生能力的，不要自己建库
- 免费加限次是建立认知的手段，不是商业模式；转化要由另一个产品承接