AI深度融入企业人力管理，Moka全新推出三款AI人力智能产品

AI正在从人力资源的辅助工具，变成企业HR的智能协作伙伴。

作者｜梁键强

编辑｜王毓婵

产品概览

Moka是国内专注AI人力资源管理的科技服务商，早期以智能招聘管理系统打开市场，后来逐步拓展为覆盖全链路的人力资源管理平台。今年5月，Moka正式推出招聘Eva、人事Eva、BPEva三款AI HR智能产品，完成了对HR核心工作场景的覆盖。

其中招聘Eva贯穿招聘全流程，可辅助企业完成人才识别、简历筛选、面试协助全环节工作；人事Eva聚焦报表处理、流程自动化、员工日常咨询等重复性事务；BPEva则主打动态更新人才画像，辅助企业完成人才识别与组织决策。

为这三款产品提供底层技术支撑的是Moka AI工坊，它相当于企业定制AI能力的基础平台，允许企业直接用业务语言描述自身需求，具备快速响应需求、个性化定制开发、安全快速上线的特点。

核心团队

Moka联合创始人兼CEO李国兴，本科阶段取得上海交通大学与密歇根大学计算机双学位，后获得斯坦福大学计算机硕士学位。创业前曾任职于Facebook以及智能数据监控企业SignalFx，2015年回国创立Moka，带领团队从招聘管理系统切入，逐步将AI Agent技术落地到招聘、人事、组织管理等多个人力资源场景。

融资情况

目前Moka已经完成由老虎环球基金领投的C轮1亿美元融资，累计融资总额接近1.5亿美元。

产品与业务背景

脉脉高聘人才智库发布的《2025年度人才迁徙报告》数据显示，2025年1-10月，新经济行业人才供需比上升至2.23，也就是平均每2.23位求职者竞争1个岗位，求职端竞争进一步加大。

而从企业端来看，用人需求正在逐步回暖。报告数据显示，从2025年6月开始，新经济行业每月新增发布岗位数量都超过去年同期，其中AI相关岗位单月增长量达到11倍，出海相关岗位新增16.99%。

一边是人才市场竞争压力陡增，一边是企业岗位需求快速回升，企业面临的人才匹配和管理问题变得更加复杂。对HR来说，如今的工作不再只是快速找到合适的候选人，还需要读懂业务战略背后的用人需求，同时持续处理员工沟通、人才保留、组织调整等多项工作。

Moka联合创始人兼CEO李国兴表示，目前HR的工作长期被大量事务性流程占据，真正能投入到人才战略、组织设计、深度员工沟通的时间其实非常有限。

面对频次更高、复杂度更高的人才流动与管理需求，AI工具拥有了切入招聘、人事、人才管理等核心HR场景的机会。

本次Moka发布的三款Eva产品，分别对应招聘、日常人事、人才组织管理三个HR核心场景。李国兴希望通过这三款产品，把重复、琐碎、流程化的工作交付给AI完成，让HR可以聚焦在更高价值的组织工作上。

招聘Eva主要服务于全招聘流程，除了基础的简历筛选、整理面试纪要之外，它还覆盖了简历语义理解、候选人搜索、初筛邀约、面试协调、面试反馈整理、Offer跟进全环节。

在招聘场景中，招聘Eva的核心优势是动态记忆与校准能力。很多企业的岗位需求不是一次性的，而是长期持续开放招聘。招聘Eva可以在持续招聘的过程中，不断理解企业的用人偏好、岗位画像、筛选标准，并且结合初筛结果、面试反馈等信息动态调整判断逻辑。

举例来说，如果部分候选人在初筛环节被淘汰，或是面试后被判定不符合要求，这些反馈信息都会反过来帮助招聘Eva校准岗位画像，让它逐渐摸透企业、业务部门甚至招聘负责人的用人偏好。

此外招聘Eva还自带“面试教练”功能，在视频面试过程中，它可以实时识别面试对话内容，给面试官实时提供追问方向建议，面试结束后还能自动生成面试纪要和面试质量分析报告。

人事Eva针对的是频次更高、重复性更强的日常人事事务，主要负责处理数据报表生成、日常流程流转、员工咨询答疑等工作，包括新员工入职信息录入、假期考勤薪资数据校验、自动排班生成、流程自动化流转、数据异常巡检等。按照李国兴的说法，人事Eva可以承接HR70%-80%的重复性事务工作。

BPEva则服务于人才管理与组织决策场景，和另外两款产品不同，它并不处理具体的流程性工作，而是更擅长“理解人与组织的需求”。Moka希望通过BPEva搭建动态更新的人才画像，帮助企业识别员工能力匹配度、潜在发展风险等关键信息。

传统人才管理大多按季度、半年或者年度做人才盘点，不仅周期长，信息也容易滞后。BPEva可以在获得用户授权的前提下，读取企业内部的会议纪要、工作文档等数据，动态更新员工个人画像，帮助HR及时发现员工状态变化、匹配度偏差以及潜在的流失风险。

三款Eva产品的底层能力都来自Moka AI工坊，这个平台可以承接不同企业的个性化需求，把企业的业务语言转化为具体的AI能力配置，还可以通过沙盒预演、版本存档、功能回滚等功能，降低AI功能正式上线后的不确定性。

在Moka的判断里，未来企业使用HR系统的方式会发生本质变化：过去是HR手动在系统里操作流程，未来更多会变成HR在日常熟悉的办公软件中，直接和Eva对话、派发任务、接收提醒，交互方式会更加自然。

创始人观点

• AI承接流程性工作后，HR的核心价值会回归人与组织本身

AI HR的落地，会直接改变HR的工作模式。过去HR的大量时间都被招聘推进、入离职手续、员工答疑、人事数据整理、BP事务等日常工作占据，虽然企业一直在强调人才战略和组织建设，但实际工作中HR很难抽出大量时间投入到这些高价值工作中。

当事务性工作被AI分担后，未来HR的核心工作会集中在两个方向。

第一是成为组织信任的建立者。员工是否愿意表达真实想法、沟通个人状态，本质上依赖人与人之间的信任链接，这一点目前还很难完全交给AI完成。

第二是成为人才与组织的架构师。比如结合公司业务方向、战略重点和组织当前状态，判断现有人才结构是否合理、组织架构是否需要调整，这类涉及方向判断和组织设计的决策，依然需要HR负责人和企业管理层共同完成。

• 招聘、人事、BP是AI Agent最容易落地的三个HR场景

结合Moka过往的落地经验和产品能力来看，招聘、人事、BP是AI Agent最容易切入、也最能落地产生价值的三个方向。

招聘是绝大多数企业长期存在的需求，流程也相对繁琐。一般企业HR团队中，人数占比最高的往往是招聘团队。一份招聘需求从接收到发Offer，不仅需要筛选简历，还包括理解岗位需求、搜索候选人、邀约面试、整理面试反馈、跟进Offer多个环节，过去这些环节都需要HR人工串联推进，而AI Agent的价值就是把这些分散的任务连接起来，自动推动流程向前走。

日常人事事务是另一类适合AI Agent介入的场景，这类工作的特点是频次高、重复度高、细节多，还不能出错，比如假期审批、考勤核对、薪资核算、排班调整、入离职手续、员工咨询等等。对HR来说，这类工作非常占用时间，但很难体现自身的核心价值。

虽然每家企业的人事规则各不相同，但只要把规则录入系统，AI就可以按照配置协助处理这些工作，帮HR节省大量时间。

BP场景对应的是人才与组织的核心问题，这也是企业CEO和HR负责人最关心的部分，它不像招聘和人事那样侧重流程处理，而是要回答“人和岗位是否匹配”“员工是否存在发展风险”“组织中哪些潜力人才需要被发掘”这类核心问题。

• AI HR能让员工价值得到更客观的评价，也更容易被发掘

员工的能力成长、协作表现、学习能力、岗位匹配度，都会在日常工作中留下痕迹，如果这些信息能够完成线上化、结构化处理，并且被AI读取分析，员工的能力亮点就能更早被组织发现。

过去企业评价员工表现，大多高度依赖管理者的主观判断：如果领导熟悉、认可某个员工，他的贡献就更容易被看见；如果员工不擅长主动表达，或是和直接管理者的风格不匹配，很可能就会在组织中被埋没。

如果AI能够在获得授权的前提下读取更多客观工作数据，比如工作文档、会议纪要、项目进展、绩效结果、产出内容、业务系统记录等等，就有机会从更多维度识别员工的真实贡献。这样一来，组织对员工的判断就不会只依赖某一次汇报、某个领导的主观评价，或是间隔很长的阶段性人才盘点。

甚至会有一部分员工愿意开放更多个人工作数据，让AI帮助组织看到自己的真实价值，但数据合规开放的核心前提，始终是明确授权范围和使用边界，这一点不能动摇。

• AI Agent会模糊岗位边界，也会提升企业对“超级个体”的需求

AI HR Agent落地后，企业对人才的需求也会发生变化。过去组织更强调明确的分工边界，比如技术只负责开发，产品只负责需求，运营只负责用户增长，但AI工具普及之后，很多专业技能的获取门槛正在降低，不同岗位之间的边界也会变得越来越模糊。

未来企业更需要的，是可以借助AI完成端到端全流程工作的“超级个体”。比如技术人员不只是会写代码，也要具备产品意识和用户思维；产品经理不只是写需求文档，也能理解技术逻辑，还可以使用AI编程工具搭建产品原型。

AI让很多具体技能变得更容易获取调用，因此人的判断力、全局视野和跨领域理解能力反而变得更加重要。

这类“超级个体”通常具备几个特点：对周边相关领域有基础理解，善于使用AI工具解决问题，愿意借助AI完成过去自己不熟悉的工作，同时自身具备清晰的判断标准和质量把控能力。

• AI原生组织的核心，不只是上线AI工具，更要重构组织协作方式

判断企业是否属于AI原生组织，可以用一个公式总结：AI人才密度×AI组织协同深度。前者代表组织里有多少真正会用AI的员工，后者代表组织能让AI多大程度参与到协作当中，两者结合才构成AI原生组织的竞争力。

所谓AI人才密度，指的是员工遇到问题时，会不会先思考这件事能不能用AI提升效率，而不是直接沿用过去的经验和工作惯性。

很多工作经验丰富的员工反而更容易被过去的工作方式束缚，比如原本擅长Excel分析的员工，可能还是习惯自己搭表格、写公式、做分析，而不是直接把原始数据交给AI，让AI按照目标完成分析整理。

而AI组织协同深度，则要求组织把更多关键工作信息完成线上化、结构化处理，让AI可以读取、可以调用。比如会议纪要、工作文档、项目进展、业务数据，如果这些信息都只停留在线下沟通或者员工个人的电脑里，AI根本没办法真正参与到组织运转当中。只有当关键工作被记录沉淀，并且允许AI给出建议甚至直接执行，AI Agent才能真正融入组织流程。

Moka内部实践已经显现出AI对工作方式的改变：比如产品经理可以在不需要技术人员协助的情况下，用AI快速搭建产品原型；技术人员也不再严格区分前端、后端、算法，而是借助AI编程工具完成更完整的任务闭环。团队成员本身就是独立的“超级个体”，组织层级也会被进一步压缩。

不过，推动全公司全员AI化的难点，不只是工具落地，更在于组织惯性和员工固有的工作习惯。AI专项小范围试点推行的阻力很小，因为被抽调到试点的员工本身对新工具新产品接受度更高，但要让全公司都改变原来的工作方式，就需要持续对抗原有的工作惯性。

这些变化也说明，打造AI原生组织的难点，不只是引入新的AI工具，更在于企业有没有能力打破原有惯性，重新设计工作流程和协作方式。

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com