继《投资笔记》专栏之后，我们推出了全新的商业叙事类播客《投资笔记》。
我们探讨了最新科技领域的突破性进展与应用，分析了知名创业公司的产品力创新，分享了不同领域优秀的创始人们对于商业科技的思考与认知，来自投资人的视角：如何宏观地看到投资的趋势，如何微观地判断企业的潜力？
《投资笔记》播客第二季正在更新，如果你也对科技的发展抱有强烈的好奇心，对在商业世界中开疆拓土的故事充满热情，希望自己对这个世界的认知又变得更加深刻与宽广一点点，那么不妨打开电台，听一听我们为你带来的科技与商业世界的信号与电波，在小宇宙、喜马拉雅、苹果播客、Google Podcast等泛用型客户端搜索“投资笔记”即可收听。
欢迎收听本期投资笔记：S2E1 当传统SaaS行业开始拥抱AI
任何一个企业或组织、无论大小，它的核心一定是「人」。
这个「人」的角色可以是那些我们熟悉的名字，正如马斯克之于特斯拉，Sam Altman之于OpenAI，他们是公司的绝对大脑；或者是林巧稚之于协和妇产科，奥本海默之于原子弹科学界，这些不同行业「人」的存在，某种意义上改变了潮水的走向。
但同时，「人」也不只是显赫姓名，它也意味着，那些组成这个庞大的、有生产力甚至在迸发科技革新的，在无数个不同领域里各司其职的、独立的个体。
但是，公司要如何找到这些人？我们要如何让他们在不同的组织中各司其职、且能获得匹配的回报？而在「AI会如何取代人」的讨论愈发甚嚣尘上的今天，我们又该如何重新定义「人」在组织中的角色？
李国兴
我希望更快、更好、更准确地招到人。
招聘的HR其实每天有大量非常琐碎和重复性的事务性工作。这类HR的工作，就是怎么能给员工更好的服务？更偏向于员工的一些日常的咨询，尤其是跟假期，福利待遇相关的比较多。其实HR比较苦恼的是经常出现重复的一些问题，员工每天都在问，对吧？
在一个集中的时间，HR要大批量地去见人、招人。那这个工作怎么去批量地处理？比如说一些安全检查的外部系统对接，比如说信用系统，比如说犯罪记录的检查等等。这些工作其实是这个场景里比较大的一个痛点。
这是李国兴，他是HR SaaS服务商Moka的联合创始人兼CEO。谈及HR也就是人力资源这个领域，它从纸质的点名簿到如今智能化、涵盖了招聘、入职、人事考勤、薪酬绩效等领域，也不过才过去了几十年时间。
「人力资源」这个词的诞生来自于1919年制度经济学家康芒斯《产业政府》的书，伴随着工业革命爆发后，产生的高密度的、大量的劳动力及用人需求，它最早的目的很简单，就是员工考勤和发放福利，更接近「人事管理」。到20世纪中期，开始出现「经验管理」的概念，也由此诞生了工作绩效评价体系、开始系统性地量化人的工作——用当今的概念解释，就是开始有了KPI。而这套体系逐渐被完善到了如今——在工业时代向信息时代转变的过程中，HR SaaS工具也开始兴起。
那么，什么是HR SaaS？
AI将如何颠覆HR SaaS行业
李国兴
我们注意到很多公司的招聘HR每天都忙于大量琐碎且重复的工作。他们需要在不同的招聘网站上搜索简历，筛选投递的简历等任务。通常，他们至少要浏览三到五个招聘网站，下载合适的简历，并将其发送给相应的用人经理进行评估。这个过程可能涉及通过微信沟通，有时甚至使用纸质简历。然后，他们需要汇总这些信息，可能会用Excel记录所有合适候选人的情况，包括安排面试等，这几乎占据了他们日常工作的七到八成。
他们希望能显著改善这种工作状况，将更多精力投入到更有价值的事务上，比如寻找难以招募的理想候选人，并激发他们的兴趣，同时维护与这些候选人的联系。这些任务是招聘工作中HR的核心价值所在。
这种企业招聘过程中存在的痛点，就是HR SaaS可以应用的场景之一。在HR SaaS产品大规模应用以前，人力资源管理的信息化必须通过公司本地搭建的HR软件来实现，甚至有的企业HR管理——可能就搭在一个Excel上。
互联网与云开始发展及走向成熟后，HR SaaS厂商将应用软件搭建在云端服务器上，企业用户可以按需购买，通过互联网获得厂商提供的HR服务。与传统购买「软件」不同，这些企业客户购买的是「服务」。
当前国内的HR SaaS主要有三个主流服务赛道：一类是面向大型企业，提供综合性的HCM、也就是人力资源管理系统，其中主要覆盖大企业人事和薪酬等等，比如北森；一类提供轻量级的HR SaaS服务，覆盖考勤、OA和人事管理等功能；还有一类是介入灵活用工、智能排班、薪资计算的人力资源管理机构，比如盖雅。其中，Moka则是从专注招聘的单模块厂商，逐渐转型为一体化厂商。
如果说2014年在一些行业分析中是HR SaaS元年，在李国兴的观察里，过去的5到8年中，企业端对于HR SaaS产品的接受度和需求度也经历了明显的提升。数据也印证了这一点，2021年中国HR SaaS市场规模达到了38亿元，预计在2026年达到203亿元。
李国兴
在当前的企业环境中，越来越多的公司，特别是在国内，开始更加注重精细化运营，而不仅仅依赖于外部红利。人口红利逐渐消失，人力成本越来越增加。
随着人口红利的逐渐消失和人力成本的增加，软件在企业中的应用显然会越来越广泛。这已成为软件即服务（SaaS）或面向企业（ToB）公司在过去几年快速发展的基石。尽管可能会遇到阶段性的挑战，但从长远来看，特别是在未来三到五年内，这一趋势似乎是稳定的。
特别对于中小企业来说，对企业软件的需求非常明确。他们不仅希望将更多工作流程线上化，以便更加合规并符合公司管理方式及外部规范，而且还期望通过这种方式大幅提升内部效率和数据分析能力。因此，相比于购买多个不同的HR产品，中小企业可能更倾向于选择少数能够综合满足需求的解决方案。这不仅是因为整合不同系统需要的前期努力和成本，也是因为一个更一体化的系统架构设计能更好地支持公司的HR管理理念和需求。
B2B软件的性质，让HR SaaS产品有大量不同场景的功能与模块。这些不同的功能模块琐碎却也关键，而AI与大模型，则能帮助这类SaaS产品的进化以一臂之力。早前就有报道分析认为，在未来，诸如ChatGPT这类大模型的商业模式，会以B2B为主要营收来源。
在2023年6月，Moka发布了公司首个AI原生的HR SaaS产品Moka Eva，它的定位是：未来企业员工的AI HR伙伴。
对于HR SaaS厂商来说，他们有更多非常垂直、且具体的场景和需求。比如，如何应对员工日常各式各样的询问，如何解决公司层出不穷的、不同功能的招聘需求，如何形成一套符合用人部门的JD，如何让那些不常使用系统的人高效地使用软件，以及，如何客观地判断面试者的建立价值？
李国兴
B2B软件通过自然语言交互的形式，自然而然地帮助用户角色获取信息并完成业务流程中的任务，这是一个重要的手段。相较于此，之前我们依赖的传统图形用户界面（GUI）对于那些不经常使用系统的人来说可能较为困难，因为ToB软件往往复杂，这种复杂性并非刻意为之，而是业务本身的复杂性所致。它涵盖了各种功能和场景，对非频繁用户并不友好。
我们为不同角色设计了专门的界面，例如用人经理、面试官，通过简化功能和流程，只展示他们关心的内容。但进一步极致化的目标，肯定是通过自然语言的形式完成更多场景。这对软件的影响将是巨大的，许多用户场景将转变为自然语言交互的形式。然而，图形界面的交互在某些情况下效率更高，特别是对于那些熟悉产品、接受过培训或长期使用的高频用户，他们可能不需要通过自然语言交互。
另一个方面，软件将在工作流中扮演更多智能角色，即最近较为热门的概念——代理（agent）。代理实际上在业务流中充当了一定程度的智力生产力角色。目前，大多数业务流程都是由人来做决策并使用工具加速完成任务。随着大模型技术的深入发展，无论是能力的提升还是与特定领域产品的深度集成，它一定会改造工作流程。这可能涉及到先提供建议和帮助，然后可能自主决策一些简单的场景，进而更深入地融入到工作流中。
比如，让用人部门和HR部门都头痛的JD。在企业日常招聘中，JD是求职者和用人部门评判彼此是否合适的第一道门槛；但只要你求职经验足够多，一定会遇到几次JD和实际职位货不对板的状况，甚至让你开始怀疑——这个JD到底是要招一个三头六臂的全能员工，还是企业没想清楚到底需要几个匹配的岗位？
李国兴
我们观察到的一个问题是，JD通常并不是描述职业需求的高效方式。市场上的JD往往千篇一律，即使是不同公司招聘相同职位，他们的实际需求可能完全不同，但JD的内容却极为相似。
从招聘的本质和业务流程的角度考虑，我们希望能通过一些方法，比如利用大型语言模型，来捕捉用人部门的真实需求。理解这些需求后，大模型是否能进一步将其转化为一个更个性化的JD？这是一个值得探索的方向，而不是仅仅基于一些简单的描述来生成一个千篇一律的JD。
再到面试的环节——如今线上面试、甚至是AI面试已经成为不少企业的主流趋势，但不少企业依然面临软件体验差、企业内部的HR部门学习成本较高的问题。
李国兴
我们怎么去赋能面试官？我们探讨了如何提高面试官的效率和效果。对于那些本身就擅长面试的面试官，问题不大。但对于不太擅长或不确定如何针对特定岗位进行面试的面试官，我们可以通过EVA这种AI面试工具来辅助。
我们提出定制化面试题的建议，这些题目会基于候选人的信息、职位要求以及可能的面试评价表来制定。这些评价表描述了职位想要考察的各种维度。我们会综合这些信息，提出一些建议性问题，面试官可以根据这些建议来提问，同时也可以有所发挥。例如，在视频面试结束后，我们可以自动将视频内容转写为文字，然后将这些文字整理成一个简单的面试总结和评价，以反馈形式提交。此外，我们还可能在招聘流程的最后阶段提供软性背景调查的辅助。例如，如果EVA发现候选人与某位员工有共同的工作经历，HR可以询问该员工是否认识候选人，并了解他们对候选人的评价。
从这些情况可以看出，EVA至少在招聘场景中已经融入了工作流程，虽然目前主要是辅助性质的工作，还没有达到自主决策或完全替代人工的程度。但随着AI技术的进步和我们在这个领域的深入工作，可以预见未来AI将在更多流程中承担更多工作。
但是，正如大模型热潮的背后依然有诸多问题需要解决——比如早前在GPT狂飙时就有不少人担忧，语言类大模型要如何应用在中文语境中？HR SaaS行业的AI与大模型应用也存在不少挑战。
李国兴
其实任何一个专业领域，都有很多的领域知识，这个领域知识往往跨度比较大，外行很难去获取或者了解。例如，与人事打交道时，了解特定的概念如“专项补偿金”是必要的。然而，可能会发现GPT在理解某些专业术语或概念上不够深入。比如，在处理特定场景时，询问“汇报上级”可能得到回答，但对于“直接上级”的理解可能就不够准确，这种细微的语言差异可能导致理解上的偏差。GPT的一个优势是其庞大的知识库，它甚至可以作为一个代理，自主查询一些知识。但问题在于，它对某些知识的深入理解可能不足。在开发深度产品时，我们面临的挑战是如何解决这个问题，确保GPT能够在大多数情况下准确满足用户的预期。
我们进行了大量工作，以确保我们的系统，如EVA，能够展现出我们设想的能力，并真正达到规模化应用的程度。我们希望在各种场景中，超过90%的情况下，GPT能够准确达到用户的预期。这意味着，虽然GPT内置了大量知识，并且能够获取外部知识，但我们还需要找到方法，提高其对特定领域知识的理解深度，以发挥其优势。
这背后的本质是数据。在成熟的大模型最早都是基于英文数据进行训练的前提下，中文世界的数据质量是否足以训练对规模有一定要求的模型？
李国兴
对于大模型技术，数据量和数据质量都非常关键。我们需要仔细考察在线信息的质量和数量，这可能需要从不同的角度进行分析。例如，从语言和知识的角度看，像维基百科这样的资源，因为英文语料的丰富性和信息的可靠性，成为一个非常好的数据源。维基百科知识的密集度高，它是一个很好的数据源，在这方面，英文有其优势。相比之下，中文的百度百科在质量和数量上可能就差了一些。
因此，我们需要考虑数据的来源、数量和质量，然后再做出评估。比如说，微信里虽然有大量的文本数据，但如果这些数据主要是闲聊，那么这些信息的质量就相对较低，因为它们缺乏知识含量，信息密度也很低。群聊中人们可能会同时讨论多个话题，这使得数据虽然看似丰富，但实际上质量并不高。而像公众号里的文章可能就是一个质量较高的信息源。
谁将为这些HR SaaS的创新买单？
那么，要如何做一个客户愿意使用的HR SaaS软件？首先需要解决的或许是，当下一些HR SaaS软件在实际应用中出现的「伪线上，真线下」的问题。
李国兴
这个产品，如我们之前讨论的，更多的是功能堆叠，并且虽然它似乎覆盖了整个招聘流程，并具备一些人才库和数据报表的能力，但实际上，我们接触的一些客户并不喜欢使用这个产品，特别是一线的HR人员。他们觉得这个产品反而增加了他们的工作量。例如，有时候因为渠道对接不顺畅，他们还需要从渠道下载简历，然后再导入系统中，仅仅为了完成流程。同时，面试官也可能不愿意使用这种系统，导致HR需要手动录入许多面试评价等信息。
本质上，这个问题在于产品并没有真正发挥其预期的价值，用户实际上并没有真正开始使用它。即使客户购买了产品，但最终用户的使用率却很低，这是一个非常典型的现象。
正如早前海外不少B2B软件在强调的SaaS产品的「消费者化」，其实回归核心只是——让它变得更容易上手，哪怕是低频使用的客户都能够更为便捷、高效地解决自己的需求。
李国兴
美国的一个流行术语“enterprise software consumerization”（企业软件的消费者化）指的是一种趋势，即让传统而笨重的企业软件，如Oracle和SAP，变得像消费级产品一样易用和受欢迎。这个趋势在美国的SaaS行业非常火热，其核心理念与我们之前讨论的相似，都是致力于改善用户体验，使得产品不仅能满足工作需求，而且用户在日常使用中也能感到愉悦。
在设计过程中，我们会学习和对标美国这些新一代产品的理念。当然，考虑到用户习惯和业务流程的本土化差异，我们需要深入研究HR和面试官的工作方式以及他们的需求。我们的产品创新和解决方案往往源于对客户工作流程的深入理解。例如，我们的产品团队成员可能会体验一周HR的工作，或者跟随客户参与校园招聘活动，以了解并改善这些高度人力密集型的工作流程。我们发现，比如在校园招聘中，HR需要花费大量时间与每位学生确认面试时间，这个过程非常原始和耗时。
我们思考，为什么不采用类似餐馆预约或医院叫号的方式，让候选人自己选择面试时间？此外，我们还开发了叫号系统，帮助现场更有序地安排面试。这些创新是行业中首次提出并得到广泛应用的，它们源自于我们从用户工作流程出发的理念。我们非常重视这种方法，让我们的产品和团队深入到用户的工作中，发现并解决问题。
在Moka的发展历程中，最早的客户来自科技互联网，这多少也是由其行业性质带来的。
在互联网业务高速拓张、新产品频频面世的高峰期，中国互联网公司不少都以「内部赛马」的形式作为公司内竞争的机制，这需要大量的员工基数来补充弹药；这也给Moka这类当时的新公司带来了机遇——
李国兴
这个行业特征是高度依赖人才，竞争激烈，需要迅速吸引外部人才而不仅仅依赖内部培养。这种需求甚至对于企业的领导层（如CEO），来说也是至关重要的，他们的很多工作焦点在于招聘。同时，这类企业天生对新事物持开放态度，更愿意采纳效率工具和管理软件。
这些因素共同作用，使得我们在初始阶段就确定了这一客群，并在早期对Moka的发展提供了巨大帮助。客户群体相对集中，随着产品的不断优化，形成了良好的口碑效应。HR之间的沟通非常紧密，他们在跳槽到另一家公司时，有时会将Moka产品推荐给新公司，这种方式为Moka带来了许多增长机会。
此后，一方面伴随着互联网公司开始降本增效，另一方面则是由于Moka的业务重心拓张——他们开始逐渐进入传统行业、及一些新老融合的行业，比如新能源汽车、制造类公司等等。其中，中国的跨国企业是Moka最近开始拓展的客户群体。
李国兴
随着对新能源汽车企业及其上下游公司的覆盖，我们逐步扩展到了一些传统汽车企业和他们的产业链公司。我们也逐步锚定了其他行业中我们认为非常关键的企业，特别是那些重视招聘业务、信息化程度较高、并且倾向于采用SaaS模式的企业。这包括制造业和某些特定金融行业，尽管银行因其对信息安全的高要求而尚未接触，因为这需要私有化部署，而它的招聘业务因需要与外部建立多个连接而比较特殊，所以我们暂时没有选择这个方向。但是，我们在证券和保险等行业已经有了许多客户。
近一两年，我们特别关注的客户群是在华外企（MNC），这个群体也展现出了一些显著的共性特征。他们的员工流动性较高，通常在同一圈子内部移动，并且这个圈子内的人相互之间关系紧密。加之中国的信息保护法、个人信息保护法及数据出境要求变得越来越明确和严格，这些企业越来越多地本土化他们的IT设施，为我们提供了良好的机会。对于MNC这类客户，我们需要去了解这类企业内部是怎么运作的，他们的招聘痛点是什么？比如说他们对于雇主品牌的重视度显著高于其他的公司，那我们怎么在这方面进一步地去帮助他们？
另一个客户群体则是服务和制造业——也就是蓝领招聘。根据2022年的《制造业蓝领灵活用工研究报告》，91.93% 的企业都会遇到招聘蓝领员工的难题。
李国兴
我们在服务制造业，除了常规的招聘需求之外，还会有蓝领招聘。比如说像刚才提到的制造，可能它会涉及到工厂的蓝领雇员，他们的招聘工作其实也会有差异。
「寻找差异，理解差异，解决差异」，面临着零售业、服务业、制造业长期存在的、大量的蓝领用工需求，HR SaaS厂商都在用不同的方法试图解决蓝领招聘存在的痛点。比如——工厂用工旺季淡季该如何平衡招聘节奏，还有硕大的中介开销？企业最需要的熟手，技术工种少之又少，信息不对称该如何打破？用工求职渠道多数依靠关系，也就是俗称的老乡带老乡，该如何引导求职双方使用招聘软件？制造业工厂的正式工、派遣工、外包、临时工、共享员工……该如何理顺管理关系从而控制成本？
李国兴
在人力资源业务上，我们的服务类客户占比不算太高，我们主要服务于以智力和知识工作为主的公司，尽管对于招聘系统，我们确实在过去几年拓展了一些不同的招聘场景。例如，我们有一种服务定位为门店招聘，针对连锁企业，涵盖餐饮、服饰、鞋服等行业。这类企业的招聘需求具有共性，非常重视地理位置，因为候选人通常希望找到距离自己几公里范围内的工作，以便于通勤。此外，这类企业的招聘流程也有所不同，他们可能没有丰富的简历数据库，招聘过程中更多的是需要进行一些现场施工等环节。
我们已经为包括麦当劳、瑞幸咖啡等具有显著品牌标识的客户做了大量工作。这些企业的招聘特点是大批量且集中，需要在短时间内见到大量候选人并进行招聘。
面对这种大规模的招聘需求，我们如何批量处理应聘者？以及如何与一些外部系统进行对接？比如信用检查系统、犯罪记录检查等。这些是招聘场景中的主要痛点，我们的系统需要提供相应的支持以解决这些问题。因此，我们与宁德时代等企业进行了合作，针对不同的招聘形态和痛点提供了多样化的解决方案。
但如今，在中国市场，普遍对于SaaS的需求还未达到真正的爆发期。Salesforce早前在中国ToB业务上的经历或许是个参考，中国企业软件付费的意愿有不少增长空间；与此同时，企业也会更多地使用人力而非规范，来管理整个公司的流程，这一点在非头部制造业企业中更为明显——当然，这也给了中国本土的SaaS创新更多想象与机遇。
李国兴
我们认为对于规模较小的公司，比如仅有几十人的企业，在当前中国市场环境中，对于软件的需求并不是特别刚性。市面上确实存在一些相对便宜甚至免费的产品可以满足他们的基本需求。因此，我们更多聚焦于规模在三五百人甚至更多，大几百到一两千人的企业，这是我们主要定位的目标市场。关于企业生命周期的问题，中国的小型企业与美国相比，生命周期较短，信息管理意识和人力成本等方面也有所不同。因此，针对特别小的公司的商业化B2B市场在中国还未达到非常繁荣的状态，这可能是当前时代的背景。未来五年、十年的情况也难以预测。
同时，我们也看到一些中国的SaaS公司在面向中小企业SMB方面做得不错，特别是那些直接赋能生产端的公司。例如，围绕电商体系开发产品的公司，他们的很多客户是SMB，也能够达到一定的体量。这些公司与客户的业务关联度非常高，能直接影响到客户的营收等方面。而美国的SMB市场中的HR SaaS系统则非常繁荣，无论是Gusto还是最近特别火的Rippling，以及招聘系统领域的Lever、Greenhouse等公司，市场非常活跃。这反映出市场阶段的不同，包括人力成本、软件意识以及合规性等方面的差异。
数据显示，到2022年底，中国SaaS市场规模只是美国市场规模的8.3%，两国排名前10的SaaS上市公司市值相差17倍。传统SaaS行业在中国依然需要突破瓶颈——内部受制于本土环境，外部受制于国际化经验，中小型企业付费意识薄弱，很难分出一部分成本给管理型软件，而一些传统的大型企业出于安全性等各种顾虑、对SaaS模式并不青睐。但这并非没有机遇可循——
李国兴
对于我们这家专注于SaaS的公司，我们观察到科技正在深度渗透各个行业，通过技术手段改造和提升效率，这是一个行业普遍的现象。尤其是AI技术的兴起，加速了这一变革过程。
我们目前的定位是一个基于Moka产品之上的AI原生HR SaaS产品。对于其他领域的SaaS产品而言，也是类似的，它们需要一个基础平台，这个平台可能包括已有的工作流程和数据。关键在于如何让大型语言模型的能力在这个平台之上发挥更多的价值。
就招聘系统而言，它本质上是一个围绕候选人和职位的大数据库。我们怎样能够在其中沉淀出有价值的信息？另外，关于人的方面，我们的“people”功能涉及到核心人物，包括组织人员和与人相关的数据，如薪酬和发薪信息。我们如何有效管理这些数据，确保其准确性和可追溯性？这在系统上是一个很大的价值所在。问题在于，我们如何在这个基础上进一步发挥其效用？
本文为专栏作者授权创业邦发表，版权归原作者所有。文章系作者个人观点，不代表创业邦立场，转载请联系原作者。如有任何疑问，请联系editor@cyzone.cn。
