第373章 天枢AI在企业治理的应用试验

  赵静说:“我们做了模擬推演。如果完全採纳ai的建议，追光三期的產能利用率可以从百分之八十二提升到百分之八十八，在制品库存可以降低百分之十五。换算成经济效益，每年可以增加约一亿元的產出，减少三千万元的库存积压。”

  老韩深吸了一口气。“这个数字不小。如果ai真能做到，合城產线的盈利能力能提升一大截。”

  赵静说:“所以第一阶段试验的目標是——在三个月內，让天枢ai的排產建议採纳率从零提升到百分之七十，產能利用率提升四个百分点。”

  会议进入第二个场景——人才盘点与岗位匹配。

  方敏对这个场景最感兴趣。合城人才生態的六大举措虽然已经启动，但人才的识別和培养仍然是最大的瓶颈。六千五百名员工，每个人的技能、绩效、潜力都不一样，靠人力资源团队手工盘点，效率低且主观性强。

  “赵静，天枢ai怎么做人才盘点？”方敏问。

  赵静调出了第三页报告，是一张人才画像的示意图。

  “天枢ai从三个维度分析员工——能力维度、绩效维度、潜力维度。能力维度包括技能认证等级、多能工培训记录、以及项目经验。绩效维度包括kpi完成率、质量指標、以及出勤率。潜力维度包括学习速度、主动性和团队协作能力，这些数据来自360度评估和日常行为记录。”

  “ai把每个员工映射到一个九宫格上——横轴是绩效，纵轴是潜力。九宫格分成九个区域，每个区域对应不同的发展建议。比如，右上角的『高绩效-高潜力』员工，建议重点培养、加速晋升。左上角的『低绩效-高潜力』员工，建议加强辅导、明確目標。右下角的『高绩效-低潜力』员工，建议稳定岗位、给予奖励。”

  方敏问:“ai的分析准確率有多高？”

  赵静说:“我们在合城选了两百个员工作为样本，让ai生成人才画像和晋升建议，然后和人力资源委员会的评审结果对比。ai的建议和委员会的一致率是百分之八十一。不一致的百分之十九里，有一半是委员会觉得ai高估了某些员工的潜力，另一半是ai觉得委员会遗漏了某些黑马。”

  “百分之八十一的一致率，可以接受。但要实际应用，还需要提升到百分之九十以上。”方敏说。

  赵静点头。“所以，第一阶段先做辅助。ai生成的人才画像和晋升建议，作为人力资源委员会的参考，不直接执行。委员会可以採纳、修改或否决。ai从委员会的决策中学习，持续优化模型。三个月后，一致率目標百分之九十。”

  陈醒问:“ai的建议会不会有偏见？比如，对某些性別、年龄、教育背景的员工有系统性偏差？”

  赵静说:“这个问题我们已经考虑到了。天枢ai的模型在训练时，专门加入了偏见检测模块。模块会监控模型输出的分布，如果发现某个群体的评分系统性偏低或偏高，就会报警並自动调整权重。我们在离线测试中没有发现明显的偏见，但实际应用后还需要持续监控。”