作者｜梁键强
编辑｜王毓婵
一句话介绍
Moka为AI人力资源软件服务商，早期从智能化招聘管理系统起步，后逐步扩展至更完整的HR管理系统。5月，Moka上线了招聘Eva、人事Eva和BPEva三款AI HR产品。
招聘Eva覆盖招聘全流程，辅助企业完成识人、筛选和面试；人事Eva聚焦报表处理、流程流转和员工咨询等重复事务；BPEva则用于动态更新人才画像，辅助企业进行人才识别和组织决策。
支撑这三款产品的是Moka AI工坊，它相当于底层能力平台，可以让企业用业务语言描述需求，具有快速响应、个性化定制和安全上线等能力。
图片来源：Moka
团队介绍
Moka联合创始人兼CEO李国兴，本科阶段获得上海交大和密歇根大学计算机双学位，后取得斯坦福大学计算机硕士学位。曾任职于Facebook和智能数据监控公司SignalFx。2015年回国创办Moka，并带领公司从招聘管理系统起步，逐步将AI Agent引入招聘、人事和组织管理等HR场景。
融资进展
此前已完成老虎环球基金领投的C轮一亿美元融资。总融资规模近1.5亿美元。
产品及业务
去年，脉脉高聘人才智库发布的《2025年度人才迁徙报告》显示，2025年1月至10月，新经济行业人才供需比升至2.23，意味着平均2.23名求职者竞争1个岗位，求职端竞争进一步加剧。
企业端的用人需求也在回暖。报告显示，自2025年6月起，新经济行业每月新发岗位量均超过去年同期，其中AI岗位量单月增长11倍，出海相关岗位新增16.99%。
一边是人才竞争压力加剧，一边是岗位需求回升，企业面对的人才匹配问题也变得更复杂。对 HR 来说，工作不只是更快找到合适候选人，还包括理解业务战略背后的用人需求，并持续处理员工沟通、人才保留和组织调整等问题。
Moka联合创始人兼CEO李国兴指出，当前HR的工作长期被大量事务性流程占据，真正能投入人才战略、组织设计和员工沟通上的时间并不多。
面对更高频、更复杂的人才流动和管理需求，AI工具有了进入招聘、人事和人才管理场景的空间。
这次发布的招聘Eva、人事Eva和BPEva产品，分别对应招聘、人事和人才管理三个核心场景。李国兴希望通过这三款产品，把一部分重复、琐碎、流程化的工作交给AI，让HR回到更高价值的组织工作中。
招聘Eva主要面向招聘流程。它不仅负责简历筛选、面试纪要这类任务，还贯穿了简历理解、候选人搜索、初筛、约面、面试反馈和Offer推进等环节。
图片来源：Moka
在招聘场景中，Eva的特长在于记忆和校准能力。很多企业的岗位招聘并不是一次性需求，而是长期持续进行。招聘Eva能够在这个过程中不断理解企业的用人偏好、岗位画像和判断标准，并根据候选人初筛、面试结果等反馈动态调整。
比如，当某些候选人在初筛阶段被淘汰，或在面试后被认为不合适，这些信息都可以反过来帮助Eva校准岗位画像，逐渐理解企业、部门甚至个人的偏好。
招聘Eva还具备“面试教练”的功能。在视频面试中，它可以实时读取面试内容，给面试官提供追问建议，并在面试结束后生成面试纪要和面试质量报告。
人事Eva面向更高频、更重复的人事事务，主要处理数据报表、日常事务流程、员工咨询等工作，包括员工入职后的信息录入，假期、考勤、薪资数据校验，排班生成，流程自动化，以及数据巡检等。李国兴称，人事Eva可承接HR 70%-80%的重复性事务工作。
BPEva面向的是人才管理和组织决策。相比招聘Eva和人事Eva，它处理的不是具体流程，而是更善于“理解人的需求”。Moka希望通过BPEva构建动态人才画像，帮助企业识别员工能力、岗位匹配和潜在发展风险。
传统人才管理多依赖季度、半年或年度盘点，周期较长，也容易滞后。BPEva的作用，是在授权前提下读取会议纪要、文档等数据，动态更新员工画像，帮助HR及时发现员工状态变化、岗位匹配和潜在流失风险。
三款Eva的底层能力来自Moka AI工坊。它可以承接不同企业的个性化需求，将业务语言转化为具体能力配置，并通过沙盒预演、存档和回滚等功能，减少上线后的不确定性。
在Moka看来，对企业用户来说，未来使用HR系统的方式可能会发生变化。过去是人在系统里操作流程，之后则可能更多变成在熟悉的办公软件里，直接和Eva对话、派发任务、接收提醒等。
Founder思考
AI HR的出现，会给HR的工作方式带来直接变化。过去，HR很大一部分时间被招聘推进、入离职流程、员工沟通、人事数据、BP事务等日常工作占据。虽然企业经常讨论人才战略和组织建设，但在实际工作中，HR很难真正把大量时间投入到这些更高价值的事情上。
当事务性工作被AI分担后，未来HR的角色会更偏向两类工作。
第一是成为信任的建立者。员工愿不愿意表达真实想法、沟通自身状态，本质上依赖人与人之间的信任，这仍然很难完全交给AI。
第二是成为人才和组织的架构师。比如根据公司业务方向、战略重点和组织现状，判断人才结构是否合理、组织是否需要调整等。这类涉及方向判断和组织设计的决策，仍然需要HR负责人和管理层共同完成。
从过往经验、产品能力来看，招聘、人事和BP是最容易被AI Agent切入、也最有落地价值的方向。
招聘是多数企业长期存在的需求，流程也相对繁琐。一个企业里，HR团队中人数最多的往往是招聘团队。招聘不仅涉及简历筛选，还包括岗位需求理解、候选人搜索、约面、面试反馈和Offer推进。
过去这些环节需要HR人工串联，而Agent的价值在于，它可以把这些分散任务连接起来，推动流程继续往前走。
人事事务则是另一类适合Agent介入的场景。它的特点是高频、重复、细节多，而且不能出错。比如假期、考勤、薪资、排班、入离职流程、员工咨询等。对HR来说，这类工作占用时间，但很难体现其价值。
虽然每家企业规则不同，但一旦规则进入系统，AI就可以根据配置，协助处理这些问题，节省HR的时间。
BP对应的是人才和组织问题，这也是CEO和HR一号位更关心的部分。它不像招聘和人事那样更侧重于处理流程，而是试图回答“人和岗位是否匹配”“员工是否有发展风险”“组织里哪些人需要被看见”等问题。
员工能力成长、协作表现、学习能力、岗位匹配情况，都会在日常工作中留下痕迹。如果这些信息能够被线上化、结构化，并被AI读取，员工的亮点就可能更早被发现。
过去，员工表现往往高度依赖管理者的主观评价。如果领导了解某个人、认可某个人，他的贡献可能更容易被看见；如果员工不擅长表达，或者与直接管理者风格不匹配，也可能在组织中被埋没。
如果AI能在授权前提下读取更多客观工作数据，比如文档、会议纪要、项目进展、绩效结果、代码、CRM记录等，它就有机会从更多维度识别员工的真实贡献。这样一来，组织对人的判断就不只依赖某一次汇报、某个领导的评价，或者短期的人才盘点。
对一部分员工来说，他们甚至可能愿意开放更多工作数据，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，仍然是明确授权范围与使用边界。
AI HR Agent出现后，企业对人的需求也会发生变化。过去组织更强调明确分工，比如技术负责技术，产品负责产品，运营负责运营。但在AI工具普及后，很多专业技能的获取门槛正在下降，岗位之间的边界也会变得更模糊。
未来更被需要的，可能是借助AI完成端到端工作的“超级个体”。比如技术人员不只是会写代码，也要有产品意识和用户意识；产品经理不只是写需求文档，也要理解技术，并能够使用AI Coding工具搭建demo。
AI让一些具体技能变得更容易调用，因此人的判断力、品味和跨领域理解能力反而更重要。
这类人通常有几个特点：对周边领域有一定理解，善于使用AI，愿意用AI完成过去自己不会的工作，同时具备判断标准和审美能力。
AI原生组织有一个判断公式：AI人才密度×AI组织协同深度。前者指组织里有多少人是真正会用AI的人，后者指组织能在多大程度上让AI参与协同工作。两者结合，共同构成企业组织的竞争力。
所谓AI人才密度，指的是员工遇到问题时，会不会首先思考这件事能不能用AI完成，而不是沿用过去的经验和惯性。
越是工作经验丰富的人，有时越容易被过去的工作方式束缚。比如原本擅长Excel分析的人，可能仍然习惯自己搭表、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。
AI组织协同深度，则要求组织把更多信息线上化、结构化，让AI可读、可调用。比如会议纪要、文档、项目进展、业务数据等，如果都停留在线下沟通或个人经验里，AI很难真正参与组织运转。只有当关键工作被记录、沉淀，并允许AI提建议甚至直接执行，Agent才能真正进入组织流程。
在内部实践中，AI对工作方式的影响已经开始显现。比如产品经理可以在没有技术同学帮助的情况下，用AI搭建demo；技术同学也不再严格区分前端、后端、算法，而是借助AI Coding工具完成更完整的任务闭环。团队成员更像“超级个体”，组织层级也会被压缩。
不过，全员AI化的难点并不只是工具，而是组织惯性和人的工作习惯。AI团队专项试点推行的阻力更小，因为被抽调进来的成员本身对新工具和新产品更兴奋。但要让全公司都改变原来的工作方式，就需要持续对抗惯性。
类似变化说明，AI原生组织的难点不只是引入新的AI工具，而在于组织是否有能力打破惯性，重新设计工作流程。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。
