软件向左，北森向右——Agent离真正的生产力还有多远？
2026年09月29日
转载自：Ai SaaS老司机《软件向左，北森向右——Agent离真正的生产力还有多远？》
前几天参加了北森用户英雄大会，他们在会上发布了一站式AI HR专家平台——Mavens。
本来我是想去了解他们FDE的落地进展，因为此前我写过北森FDE团队的一篇报道，不少朋友关注FDE的落地情况。
但是参加完后，他们Agent这块的落地思路，让我对于企业Agent如何真正进入到业务流程中，如何具备真正的生产力，有了更多的思考。
01 什么是企业生产力
什么是生产力？
简单来说，生产力就是把资源转化为产出的能力。
过去，企业最核心的生产力来自于人。
一个人的能力是有边界的，因此企业通过专业分工，让每个人做自己擅长的事情，再通过组织、流程和软件，把不同人的能力连接起来，让公司这个巨大的商业机器得以高效运转。
所以过去企业的生产力，本质上是：
人的专业能力 × 组织协作。
软件的出现，并没有改变企业依靠人的专业能力进行分工协作的基本逻辑，但它极大提升了人的生产效率。
从ERP、CRM到HR SaaS，软件把原本需要人工完成的记录、计算、沟通、分析和流程执行数字化，让一个人能够完成过去需要更多人才能完成的工作。
所以过去的软件本质上是人的生产力工具。
它通过数字化工具、流程和数据，让人的能力得到更大规模的释放。
Agent真正改变的，是软件与人的关系：过去是人使用软件完成工作，未来则可能是人和Agent共同完成工作。
因此如果把AI给企业带来的能力进行简单划分，可以分成四个层级。
这四层能力，越往下，通常越接近企业真正的业务价值。
Agent真正值得关注的地方，是它开始从第二层走向第三层，并进一步尝试进入第四层。
而我发现，北森正在尝试走一条和其他软件厂商不同的路。
软件Agent解决的是“怎么把事情做完”，而北森正在利用自己的软件+咨询能力，把Agent进一步推向“怎么把HR业务问题解决好”。
为什么这么说，我们继续往下看，到最后你就会明白了。
02 Agent改变了生产力的扩张逻辑
我们继续看一下过去企业的生产力逻辑是怎样的。
我们不考虑每个人能力差异的情况下，一个人的工作能力是有边界的，每个人各司其职，做自己擅长的事情，越大的公司，分工越细，目的是为了让公司这个商业机器能够高效、稳定、低风险地运转。
对于执行层来说，你不太可能既懂业务，又懂技术，既能做销售，又会做财务，非常擅长基础岗位招聘，又很懂组织能力建设。
这样的全才非常少，即使你全部都懂，你的时间精力也是有限的，一天不睡觉也只有24小时。
所以在商业模式不变的情况下，企业原来扩大生产力的基本逻辑，是把人的专业能力通过分工组织起来，再通过人员、优化分工和提升协作效率，不断扩大整体的生产能力。
但Agent正在改变这个逻辑。
一个企业到底有多少员工，可能已经不能完全代表它拥有多少生产力。
100个人、100个人+1000个Agent，可能是完全不同的组织。
以招聘为例，假设一个HR过去一天处理20个简历。
现在他背后有一个AI面试官，一个AI人才分析Agent，一个AI招聘助手。
他的实际生产能力可能已经远远超过过去一个人的工作产出，这意味着，企业衡量生产力的方式，也可能开始发生变化。
所以，Agent首先改变的，是企业对“生产力从哪里来的”理解。
另外的一个问题是：随着Agent等数字员工的引入，企业的预算归类是否也需要调整？
以前软件属于IT部门预算，但是当Agent真正开始独立承担工作，或者和人类员工并行协作的时候，它到底还是IT成本吗？
企业会不会开始把这部分成本放进人力成本、人效管理或者生产力管理体系？
我想未来是有这种可能的，因为已经有企业开始在做这方面的讨论。
（北森大会上，某企业关于AI预算的归类探讨）
所以企业的生产力逻辑和预算归类，都正在发生一些变化，这个是Agent首先带来的改变。
03 如果Agent要成为生产力，它首先必须专业
但这里马上会出现第二个问题：不是所有Agent都能具备生产力。
一个Agent会聊天，不等于它能工作，一个Agent知道HR知识，也不等于它能够真正做HR，单个人的AI提效，不等于组织层面的提效。
如果一个企业真的把Agent放进招聘、人才盘点、绩效、领导力发展等核心场景，它需要的不是“通用AI”，而是专业的Agent。
我认为一个真正专业的企业Agent，至少需要4个能力：
模型能力+业务上下文 + 专业Know-how +执行能力。
模型能力从某种意义上讲，反而是现在最容易获得的，后面的三个能力更为重要。
1、我们先看业务上下文
业务上下文是我想分析的重点，这个也是北森对比软件公司的一大优势。
从我之前手搓AI应用，如客服Agent、数据Agent、健康分Agent等经验来看，我认为上下文非常重要。
真实、完整、高质量的业务上下文，是Agent能否真正创造价值的关键变量之一，没有上下文，再强的模型也很难做出真正贴合业务的判断。
比如通用大模型知道销售岗位通常需要具备哪些能力，但是细分到各个行业、具体的企业当中，通用AI就没有办法做准确的判断了。
而这决定了AI是否能够真正产生业务价值，成为生产力。
这也是为什么大家认为SaaS公司对比通用大模型来说的一个优势在于——数据优势。
这里的数据优势大致包括：客户在系统里的各种使用数据（企业数据）、不同行业客户在系统里的使用数据汇总（行业数据）。
这些企业数据和行业数据，还有数据所在的应用场景，通用大模型是不具备的，这个刚好是Agent所需的上下文。
但并不是所有的SaaS公司都具备这样的数据，有些SaaS公司只有数据，没有优势。
或者叫只有数据库，没有数据优势。
如果你的客户留下的数据只是一个记录数据，不能反映客户业务的真实情况，那么这个数据不仅没有任何优势，而且还是劣势。
以CRM为例，如果系统只记录了销售为了应付考核而临时录入的跟进记录和商机数据，这个数据失真、不及时，那么应用这种数据来做Agent，将是巨大的灾难。
另外你想想智能问数的产品就知道了，不管你数据准确率做到几个9，只要你出错一次，就有可能带来决策失误，信任也随之归零。
而我认为北森具有这样的数据优势。
（1）数据真实：数据在持续流动
北森的Core HCM 收入留存率 114%、客户留存率 95%。
从业务逻辑上看，如果客户长期持续使用HCM系统，招聘、考勤、绩效、人才盘点等业务会持续产生新的数据，这为Agent提供了持续更新的业务上下文。
而AI产品已经开始进入这些存量客户的业务场景，北森披露AI产品存量客户渗透率超过15%，AI面试官续费率达到120%，说明这些数据正在进一步进入AI应用场景。
（2）数据完整：数据在同一底座贯通
还有一个前提是数据的完整性。
北森基于自研鲁班 PaaS，招聘、测评、人事、假勤、薪酬、绩效、继任、学习八大模块共享同一数据模型 ——员工从收到 Offer 起信息就自动同步，简历、面试、测评、薪资、绩效构成全景档案，贯通的数据构成完整的上下文。
这也是对比软件公司而言，北森早些年落地一体化HCM战略带来的优势。
那多个系统的数据拼凑起来是不是也可以用？
我认为很难。
数据治理一直是一个老大难的问题，字段定义不统一、数据打通受限、数据高度耦合、数据主权分散等等问题，谁干谁知道。
（3）数据优质：优质的非结构化数据
相较于以组织人事、薪酬、考勤等基础管理数据为主的企业软件，北森长期积累的人才测评、绩效、人才盘点等数据，更接近“人才判断”这一层。
而这些“人才判断”的非结构化数据对于Agent真正发挥生产力来说，非常重要。
人员的入调转离数据，更多是工程类、流程类的数据，这些数据只能概括一个人在一家公司的结果状态，没有办法反映一个人的能力及潜力。
对于Agent来说，在这块最多也只能做一些工程类的提效工作，而要发挥更大的价值，AI必须进入到人才任用这个领域。
如何选拔招聘、培育并发展一位优秀的员工，人尽其才，对于业务的结果来说，至关重要。
关键岗位的人才质量，往往会显著影响业务结果，一个优秀的一号位，几乎决定了业务的成败。
如果AI能够从“管理记录”进一步进入“人才判断”，它所影响的就不再只是HR部门的工作效率，而可能开始进入企业真正的业务价值链：人才。
综上，从数据完整性、数据真实性、数据质量来看，北森对比软件厂商，具有数据优势。
当然，我这里说的“数据优势”，并不是说北森拥有其他软件厂商没有的数据，而是它在数据的连续性、完整性，以及与人才判断相关的数据类型上，形成了一种组合优势。
真正有价值的，从来不是“数据库里有多少数据”，而是这些数据能不能形成对业务的真实理解。
有了数据优势还不够，怎么把数据优势发挥出来，还需要know-how的专业能力。
2、再看know-how专业能力
要做一个专业的Agent，除了需要上下文（数据优势），还需要know-how的能力，对数据进行解读和判断，知道什么是好的方案。
北森做人才测评超过了20年，有大量的行业数据、测评常模、岗位标准及真实的测评结果。
同时，还拥有一支帮助企业识人、用人、发展人的咨询团队，北森把咨询顾问的能力萃取成Skill，构建具备专业人才判断力的AI Agent。
这样，企业就不仅可以用自己内部的know-how，还可以用顶级咨询团队的know-how及方法论。
以面试为例，上了一定规模的公司基本都会去提炼不同岗位的招聘画像、面试评价表等，成功的岗位画像依赖于咨询顾问的专业水平。
而且即使有了更好的方案，落地上也不容易，要让面试官对着list一个问题一个问题去问，这本来就是一个非常难执行的事情。
你只要面试过别人就知道了，很多面试官其实很水的。
但AI面试官，可以同时解决这两个问题，这是一群拥有专业的面试能力，以及执行绝对到位的数字面试官。
在和北森CEO纪伟国的交谈中，他把这个称之为“专家平权”。
我非常认可这个观点：普通的HR或许不具备识人、用人的能力，但可以指挥一群拥有这个能力的AI Agent，从而实现自己能力的跃迁。
另外，纪伟国认为，和只做咨询或只做软件的公司不同，他们是同时具备“软件能力”+“咨询能力”的公司。
我特意去求证过这个点，并不是没有同时做软件+咨询的公司，而是北森同时擅长这两个：
传统软件公司当然也有咨询专家、测评产品和HR专业能力；咨询公司也都有数字化产品。
真正值得讨论的，不是谁“有没有”，而是谁把这套专业能力放在自己的商业模式和产品体系的中心。
北森的特殊性在于，People Science本身就是其长期积累的核心能力，而软件是承载和规模化这种专业能力的重要载体。
最大的差异是"方法论有没有被做成一门软件订阅生意"，说到这，你应该能明白差异在哪里了。
那么有了数据优势和专业know-how，就是怎么去执行落地了。
3、最后看执行能力
判断一个Agent的执行能力的标准有两个：
（1）能不能动手干活
比如我要做一个调查问卷，Agent是否能够帮我提供问卷内容，并设置好问卷逻辑，把问卷发出去。
北森的AI招聘官，我体验了一下，从招聘意图的识别、招聘目标及信息的确认、岗位发布、意向邀约、电话筛选、复试邀约等，全部能够通过Agent完成。
所以从动手干活上，是没有问题的（这里暂且不去讨论人机组织协作的问题，这个是一个另外的大课题）。
（2）能不能不出差错
我们知道AI有幻觉，经常会出现两个问题。
第一，一本正经胡说八道
说的有鼻子有眼的，实际上是在捏造事实，说实话我就经常被AI忽悠，有一次我让AI帮我去做一个知识库向量化，让它定期给我汇报进度。
它说的非常真实，说进度到了多少多少，等我到后台一看，毛都没有。
北森的AI人才官我看过产品的演示，Agent给你的信息，你都可以溯源。
比如Agent说这个人业务能力强，过去的绩效水平很好，那么你可以点击跳转到人才库中看到这个人的简历及过往的绩效打分、360度评估情况。
这个设计让我想到Google的NotebookLM，我也非常喜欢这种“答案可以回溯到原始材料”的交互方式。
第二、同样的问题答案不一样
如果你问通用AI同一个问题问两次，你得到的答案可能是不一样的，虽然总体上不会有很大的分歧，但是对于人才的选育用留来说，细微的分歧可能会造成一次决策失误。
北森的AI人才官，在同一个用人问题的答案上，在我的体验和观察中，它的回答具有比较强的一致性。
这种一致性并不只是模型能力的问题，背后应该还涉及人才方法论、规则体系以及AI工程能力的共同作用。
这么来看，北森的Agent好像挺完美的，但实际落地还有一个严峻的问题：
专业的Agent，不一定是适合你的Agent。
所以FDE出现了。
04 光专业还不够，适合才是最重要的
FDE，Forward Deployed Engineer（前沿部署工程师），是一个舶来品，今年的关注度非常高。
AI的落地真正难的地方，不是Agent有没有能力，而是这个能力如何进入具体企业的业务。
北森公开资料显示，公司已经组建300+人的专业FDE团队，其中大部分是原来的咨询专家转型而来，擅长的是咨询能力，懂AI+懂业务，这个和海外的FDE定义不太一样。
AI要进入到企业具体的业务当中去，不仅涉及知识及流程的梳理，还涉及管理者认知水平、资源调配、利益关系等组织相关的问题。
这些东西，当然也可以由企业自身来慢慢解决，但是一慢下来，机会稍纵即逝。
所以FDE不仅要帮助企业把隐性的业务Know-how显性化，还需要帮助企业去推进AI应用的落地。
用FDE来帮助企业加速AI应用落地，是目前一个大的趋势。
ServiceNow和Accenture在2026年5月宣布推出Forward Deployed Engineering项目，双方的目标，是帮助企业把Agentic AI从试点推进到规模化生产环境。
公开资料显示，该项目让ServiceNow的AI原生FDE团队与Accenture行业FDE团队一起进入客户环境，在企业真实业务系统里构建Agentic Workflow，并提供超过300个预构建的AI Agent Skills和Agentic Workflows。
为什么大家都在这么做？
因为从“个人提效”到“企业价值”，中间依然存在一道巨大的鸿沟。
麦肯锡2026年最新《The State of AI》调查显示：
80%的受访者表示AI提升了个人生产力，但只有37%的受访者认为AI已经对企业EBIT产生了积极影响。
换句话说，AI已经证明了自己能够提升个人效率，但从个人效率走向企业价值，依然是一个没有被充分解决的问题。
（麦肯锡2026 The State of AI）
所以不管你如何理解FDE，是称之为“AI实施顾问”也好，还是你认为就是披着“AI”外皮的外包也好，AI应用的落地，都刻不容缓。
而FDE，就是大家都在尝试的方法。
当然，我们要想办法避免把FDE做成外包生意。
如果每一个客户都需要一支FDE团队长期驻场，从零开始解决问题，那么最后就可能出现一个很尴尬的结果：AI产品越来越智能，交付团队越来越庞大。
那最终卖的到底是AI，还是服务？这影响产品的毛利率。
所以FDE真正的价值不能只是帮客户解决问题，而应该是把客户的问题解决一次，再把这个问题变成产品能力。
这也是我认为AI时代客户成功与传统客户成功最大的区别之一。
过去客户成功更多是在帮助客户使用产品，未来客户成功可能同时承担帮助产品学习客户业务。
05 北森在走一条不一样的路
写到这里，我想你应该能够理解，为什么我会认为北森正在探索一条和传统软件厂商不同的路。
AI真正的生产力，并不只是让软件变得更智能，而是让专业能力能够被复制、调用和规模化。
传统软件正在向Agent演进，让Agent能够理解流程、调用系统、完成任务；
而北森希望进一步做的是，把20多年积累的人才科学、专业Know-how和企业人才数据融入Agent，让Agent不仅“会做HR”，更能够在招聘、人才评估、人才发展和组织决策中提供专业判断。
前者解决的是“怎么把事情做完”，后者开始探索“怎么把事情做好”。
而这可能才是企业Agent真正走向生产力的关键一步。
其他软件向左，让软件越来越智能。
北森向右，让专业越来越可调用。
北森似乎想成为帮助客户构建、并运维AI HR专家的公司，这条路最终能走多远，我不知道。
但至少，北森正在尝试回答一个非常重要的问题：
当AI不再只是一个工具，它需要进入企业真正具备生产力的时候，我们究竟要用怎样的路径去实现这最后一步？
