营收增长70%+:一家猎头公司如何用146个Skill重做招聘生意

当AI进入客户需求、行业研究、人才地图和候选人匹配，改变的不只是顾问工时，更是一家公司能接住多少生意，以及优秀顾问的方法能否被组织复制。

01猎头生意的天花板，不是需求，而是顾问容量

高端招聘不是标准品。顾问接到一个岗位后，要理解客户处境，判断岗位真正需要什么人，再去研究哪些公司更可能存在目标人才。行业报告、公司介绍、人才地图、JD和候选人初筛，都是成交前必须做、却很消耗时间的准备工作。

过去，一名顾问每天八小时里，可能有六小时花在这些信息工作上。经验越丰富的人，越容易被低杠杆的整理、检索和初稿拖住。公司的收入也被一种看不见的资源卡住：不是市场上没有项目，而是顾问没有余力同时交付更多项目。

营收 ≈ 可承接项目数 × 交付成功率 × 单项目价值

视频能够直接支持的是“可承接项目数”发生变化；它没有提供成功率和客单价的完整数据。

CGL的切入点选在前道准备。项目刚进来时，AI先协助完成资料研究、会议纪要、公司介绍、内部项目分工和JD，再进入人才地图与候选匹配。顾问没有被移出流程，而是把时间挪回客户判断、关系建立和关键取舍。

这里的逻辑并不复杂：一个顾问原来只能同时跑10个项目，后来能跑13—15个，市场出现新机会时，就不必因为“交付不过来”而放弃。效率只是第一层结果，多出来的业务容量能否被市场需求填满，才决定它最终会不会进入收入表。

时间被省下来不等于价值。只有当省下来的时间换成更多可交付项目，效率才开始接近营收。

02它改造的是整条业务链，不是多装一个聊天框

不少企业的AI项目停在“给员工一个通用助手”。写周报快了一点，查资料方便了一点，但客户怎么进来、任务怎么流转、结果由谁验收，仍然没有变化。热闹发生在工具层，经营方式原封不动。

CGL的不同之处，是把AI安插进同一项目的连续节点：客户需求进入后，岗位分析为行业研究提供方向，行业研究又决定人才地图的范围；JD生成、候选匹配和项目协同继续沿用前面的上下文。信息不再被反复搬运，前一步的产出成为后一步的输入。

这条边界很重要。高端招聘的价值并没有因为AI出现就变成“自动发简历”。客户为什么招这个人、哪些背景可替代、候选人是否真的适合组织，这些判断仍需要顾问负责。AI擅长的是扩大检索范围、压缩准备周期、保持上下文连续；顾问要为最终选择承担责任。

03146个Skill，才是这家公司真正的AI资产

视频后半段出现了一个比营收数字更重要的信息：CGL内部已经积累了146个Skill。

在这个案例的语境里，Skill可以理解为一项被封装起来、可以反复调用的业务能力。它可能对应一个岗位分析方法、一类人才地图、一套会议纪要规则，也可能负责把候选人信息读入或写回业务系统。员工遇到新的稳定需求，就继续把做法封装进去。

这解决的是招聘公司的老问题：优秀顾问的经验往往只能通过师徒制传递，速度慢，也很难检查。把方法拆成Skill之后，经验第一次有了相对清晰的名字、入口和输出。新人不必每次从空白页开始，组织也能看到哪些方法被频繁调用、哪里仍然需要人工补洞。

从提示词库到业务能力，中间差四件事

一个Skill至少要说清：什么场景触发、需要什么输入、输出交给谁、质量如何验收。再往前走，还需要负责人、版本和反馈机制。否则146个Skill也可能很快变成146个没人敢用的旧文件。

视频里还提到一个关键拐点：当这些能力与原有业务数据打通后，AI能够直接读取候选人信息，并把结果放回系统。受访者把它形容为AI有了“眼睛和手”。这一步放大了效率，也同步放大了权限、隐私和错误传播风险。对招聘公司而言，谁能读取哪些候选人数据、哪些结果必须经过人工确认，应该与系统连接同时设计。

04落地不是培训问题，而是一次组织重新分工

CGL没有先要求400多名员工同时改变。它选择成都团队作为试验田：年轻员工相对集中，愿意尝试；又从原本要花3—5天的前道环节开刀，让使用者很快看到差异。有人领先，有人观望，组织允许采用速度分层，再通过成功案例向外扩散。

Skill也不是关起门来一次设计完。真实项目里出现一个高频需求，就做一个能解决问题的能力；员工开始使用后，再看调用量和反馈。视频展示的Token消耗曲线，至少说明管理层在观察“有没有真实使用”，而不是只统计参加过多少场培训。

这段案例里，还有一个不能绕开的信号

视频提到，某个中台团队高峰时有7—8名成员，后来团队配置降到0。视频没有交代人员后续去向，因此不能据此推断裁员；但它清楚说明，AI落地会改变岗位边界和权力结构。员工的抵触不一定是“不会用”，也可能是在判断自己的位置会怎样变化。没有岗位转型和利益安排，单靠培训很难解决这种不安。

0570%的增长，应该怎样读才不被数字带着走

按视频受访者表述，成都团队AI化后营收增长超过70%，其他团队也出现不同程度的增长。这是一个值得继续追踪的经营信号，但还不是严格的因果证明。

视频没有给出同期市场增速、客户结构、团队人数、客单价和项目成功率，也没有设置未使用AI的对照组。城市需求变化、团队成熟度和管理动作，都可能共同影响结果。把70%全部记在AI账上，会让案例失真。

更稳妥的结论是：视频给出了较完整的中间证据链——前道时间缩短，顾问并行项目量上升，团队因此能覆盖更多市场机会；营收增长与这条链条方向一致。接下来若要把案例做成管理账，应继续观察项目进入量、候选推荐速度、面试率、成单率、单项目收入与毛利，而不只看Token和总营收。

06给管理者的复制清单：先回答这五个问题

本期复盘卡

核心矛盾 顾问容量限制业务机会

AI抓手 重构招聘前道与匹配流程

独特资产 146个可复用业务Skill

组织打法 成都试验田、快速闭环、分层扩散

结果口径 项目容量提升，成都团队营收增长70%+

待验证项 成单率、客单价、毛利与岗位转型

结企业买不到“AI红利”，只能重新设计业务

CGL这个案例最有启发的部分，不是它比别人更早接入了某个模型，而是它找到了AI与收入之间的连接点：先释放顾问容量，再让团队接住更多项目；同时把优秀顾问的方法拆成Skill，降低经验复制的成本。

这也给企业管理者一个更实用的判断标准。看一个AI项目，不要先问模型有多先进，要先看三件事：业务瓶颈是否被改变，省下来的资源是否进入新的价值环节，个人经验是否变成了组织可以反复调用的资产。

如果这三件事都没有发生，再热闹的AI项目也很难穿过预算周期。反过来，一旦流程、数据和组织分工同时变化，AI才可能从成本项走进经营结果。