Mercans 开放 Agentic Payroll 抢先体验
Mercans 于 2026 年 11 月 19 日宣布推出 Agentic Payroll,提供可协助准备薪资核算的 AI 智能体,同时由雇主保留审批与付款权限。该公司表示,大型雇主可通过 NovAI 参与抢先体验,完整版本计划于 2027 年发布。因此,Mercans Agentic Payroll 提出了一个明确主张:让企业委托更多处理工作,但不把发放薪资的权限交给软件。
这一差异之所以重要,是因为薪资审批取决于审批页面出现前的所有流程。当审核人员无法追溯计算过程、识别缺失信息或质疑自动化建议时,人工签字所能提供的保护有限。核心张力在于:如何扩大自动化执行,同时保留雇主真正有效的控制权。
Workday 已将 AI 智能体与薪资软件一同推向市场,这意味着智能体参与已成为既有竞争方向,而非尚无竞争的品类。Mercans 的公告则将重点放在智能体在整个薪资周期中承担多少工作。买家现在需要看到证据,证明更广泛的委托既能减少工作量,也不会令例外情况更难调查。
Mercans Agentic Payroll 以抢先体验开启
已确认的公告涉及抢先体验,而更广泛的商业发布仍只是 2027 年的计划。
根据该公司的 Agentic Payroll 公告,NovAI 负责协调数据收集、计算、核查、付款准备、申报以及员工问题。在这里,AI 智能体指的是执行相互衔接任务的软件,而非仅仅生成答案的工具。Mercans 将雇主审批描述为这类工作所受的边界约束。
这一来源需要谨慎标注。USA Today 的页面将该材料标识为由 XPR Media 发布的付费新闻稿内容,其新闻编辑部并未制作该稿件。发布在该域名上只能证明公告出现于何处,并不构成对产品主张的独立验证。
Mercans 称其产品是首个端到端的智能体薪资交付模式,并表示其薪资引擎覆盖 100 多个国家。这些均为供应商声明。该公告并未确立经过独立测试的市场排名,也未证明其在每个司法辖区均具备等同功能。
新闻稿还称,雇主负责授权薪资并放行付款,而 Mercans 系统本身无法放行付款。它还表示,客户数据不会用于训练 AI 模型。这些是重要的已声明边界,但要验证其实际执行情况,仅凭其被写入发布公告还不够。
“模型”一词也需要结合语境理解。Mercans 所说的是薪资交付模式,即完成工作的安排方式。公告并未披露一款新发布的基础模型——即许多应用所依赖的通用 AI。读者应将其视为企业工作流软件与服务交付方案来评估。
抢先体验使这项公告的含义比全面可用更为有限。它并不能证明每一家感兴趣的雇主都能立即启用该服务。计划中的发布年份也并未给出交付月份、实施时间表或有保证的功能范围。
实际变化在于,企业获得了评估更大范围自动化薪资处理的邀请。这一点具有重要意义,但不应据此假设该产品已经实现成熟部署。潜在客户应区分抢先体验期间可测试的内容,以及属于后续路线图的内容。
同样地,发布公告不能替代部署证据。演示可以展示一个流程成功完成的顺序。生产环境证据则必须说明:当信息迟到、规则变更或员工对结果提出异议时,系统实际如何处理。
这一差异构成了后续讨论的框架。Mercans 已公布一项具有明确声明限制的运营主张。它的重要性如今取决于,当雇主委托更多准备工作时,这些限制能否继续有效。
薪资团队面临不同的审核负担
只有在减少作出可辩护薪资决策所需工作时,自动化才真正体现价值。
直接压力落在评估企业 AI 的薪资负责人和财务团队身上。他们必须判断,更广泛的自动化工作流究竟是消除了常规处理,还是仅仅把未解决的问题集中到审批环节附近。这两种结果在演示中可能看起来相似,但在发薪日前的实际感受截然不同。
因此,应将 Mercans 薪资自动化与雇主现有流程进行比较。有效的基准包括收集输入信息、解决差异、审核计算结果以及记录审批过程。若只衡量智能体准备输出所花费的时间,人力工作量便被排除在比较之外。
设想一家假设中的雇主,同时处理一次薪资调整和一份迟交工时表的更正。软件可能收集这两项更新并计算调整后的薪酬。但审核人员仍需了解哪些信息决定了结果,以及两项变更是否都获得了必要授权。
若系统能借助佐证记录提供这种解释,自动化便可令审核更聚焦。若系统只给出令人安心的摘要,审核人员就必须在其他地方重建案件经过。表面上的处理效率提升,便会将工作转移到调查环节,而非真正将其消除。
这正是为何例外处理应与常规完成情况一同受到关注。例外是偏离预期规则或处理路径的情况。它的重要性来自所需的判断,而不只是出现频率。
薪资团队可能接受对既定的固定津贴进行自动化处理,同时严格审查不寻常的调整。一个有用的系统应保留这种区分。将每个项目都视为同样安全或同样可疑,会降低人工注意力的效用。
采购团队同样面临压力。他们需要明确哪些责任属于软件提供商,哪些仍由雇主承担,以及出现分歧时应如何解决。笼统承诺自动化薪资,无法回答这些运营问题。
实施团队则面临相关挑战:源信息必须携带足够的上下文,以支持最终决策。金额正确但缺少生效日期,仍可能被纳入错误的薪资周期。已获批准的变更若没有可靠的员工标识符,也可能进入错误记录。
这些例子均不意味着 NovAI payroll 存在缺陷。它们描述的是其主张得以产生价值的条件。将工作交由智能体处理,会提高在完整流程中保留上下文的重要性。
对员工而言,有意义的结果仍是可理解、正确的薪酬,以及可行的纠正渠道。更快的对话式回答,只有在反映员工实际情况时才有帮助。措辞上的可信度无法取代底层记录的准确性。
因此,组织层面的变化是向证据审核转变。薪资专业人员需要更少的常规步骤,并更清楚地掌握需要判断的案例。若缺乏这种可见性,保留的审批步骤就可能成为自动化未解决工作不断堆积的地方。
准备薪资不同于授权资金
人工控制取决于审批者能否在付款离开雇主之前检查、拒绝和修改相关内容。
Mercans 所声明的准备与付款放行之间的分离,构成了一个有用的评估边界。它区分了组织工作的软件与获授权转移资金的软件。买家应将这种分离视为一项运营控制,而非一句令人安心的口号。
审批页面只是可见的终点。真正有效的控制还要求准确描述拟议操作、能够访问支持信息,以及具备停止处理的方式。雇主必须了解审批涵盖的内容。
例如,批准一项薪资计算,应与随后生成的付款指令存在明确定义的关系。若相关信息发生变化,流程需要作出明确响应。否则,已审核的结果与最终付款准备可能出现偏离。
这是一项通用的控制问题,并非对 NovAI 实施方式的主张。公告确立了该公司所声明的权限边界,但并未说明在相互连接的系统中执行该边界的每一项技术机制。
职责分离是另一个有用视角,即将敏感步骤分配给不同的获授权角色。获准修改薪资信息的人员,不一定也应批准由此产生的付款。引入智能体时,仍应保留雇主原本设定的角色边界。
软件权限也是如此。收集信息的智能体应仅获得与该任务相称的访问权限。更广泛的权限可以简化集成,却也会带来额外暴露。买家需要了解实际授予的权限,包括员工或管理员离职后访问权限如何变化。
对于美国雇主而言,IRS 提供了一个相关的问责参考。其关于外包薪资职责的指南警示,即使由服务商处理薪资工作,雇主仍须对联邦税务义务负责。该指南涉及一般性外包,并未评估 Mercans。
这一发布的含义很直接:委托处理工作并不会免除核实结果的需要。雇主不应假定智能体的参与会改变其责任。适用的安排和司法辖区仍需分别审查。
准备申报与确认申报成功提交之间也有类似区别。工作流内部显示完成,并不必然代表接收机构已确认。可信赖的审核流程应让这些不同状态清晰可见。
付款准备也需要明确的失败状态。若输入信息不完整或相互矛盾,暂不提出建议可能比给出一个看似合理的答案更能保留控制权。买家应询问未解决案件如何转交给人工处理。
Mercans Agentic Payroll 最有力的形态,应当使审批决定更容易辩护。这要求同时具备可追溯的准备过程和可执行的权限边界。任何一项缺失,都意味着雇主的问题仍有一部分未获解决。
竞争对手的薪资平台提高了证据门槛
竞争问题在于智能体如何处理相互关联的工作,而不在于供应商是否使用“智能体”这一标签。
Workday 的薪资资料描述了自动化数据收集、问题检测、员工自助服务和 Payroll Agent。该公司还介绍了通过原生及合作伙伴系统实现的全球薪资连接。这些声明表明了存在重叠的产品定位,并不代表结果相同或服务范围一致。
Mercans 强调其自有的薪资引擎,以及交由智能体处理的广泛工作。Workday 则强调其互联平台和薪资能力。这些描述提供了背景,但买方无法仅凭各供应商使用的语言判断谁更胜一筹。
这一比较说明,“端到端”需要明确的起点和终点。某个工作流可能从雇主已清理并批准所有输入信息之后开始。另一个工作流则可能包括收集不完整信息,并将问题转交给责任人。
两者都可能覆盖很长的流程,但减少的雇主工作量并不相同。因此,相关比较还应包括宣传流程之外的工作,以及名义上成功运行后所需的调查和修正。
Mercans 的薪资自动化面临与其他企业系统相同的评估:雇主仍需要做什么?这个问题让分析聚焦于运营范围,避免将每项产品功能都视为一场独立的竞争较量。
架构很重要,但并不能构成完整的性能论证。统一引擎可以提供一致的控制应用位置。互联的本地系统则可以反映各自市场中既有的流程。若没有实际工作流的证据,两种安排都不能证明其准确性。
统一引擎同样需要正确呈现本地差异。相反,集成方案需要在边界之间保留信息和责任。买方应直接评估这些机制,而不是假设集中式或分布式交付会自动解决问题。
这正是 Mercans 的“首创”主张需要保持克制的地方。要确立优先地位,需要稳定的定义,以及与相关替代方案的有记录比较。所审阅的新闻稿提供的是公司自身的声明,而非独立市场研究。
与已验证的适配性相比,这一主张对买方的实用价值也较低。即使率先推出,也不能证明产品能够处理某雇主的薪资安排。即使后来进入市场,也不能证明竞争方案会带来较差结果。
公平的评估应为供应商提供可比的输入和同样具有挑战性的案例。审查人员应追踪每个系统是否能够识别缺失信息、保留审批记录、解释调整,并支持修正。目标是比较已完成且可供审查的工作。
竞争压力由此变得具体。供应商必须说明其智能体在现有自动化之外完成了什么工作,以及这些工作具有什么证据支持。薪资团队应期待更清晰的责任委托说明,而非围绕类别归属展开竞争。
早期访问仍留下可靠性和隐私疑问
该公告描述了预期的保障措施,但并未证明产品在所宣称全部范围内的生产环境可靠性。
所审阅的新闻稿未提供详细的试点方法、客户层面的结果,或经过独立审计的准确性基准。这一缺失限制了读者能够得出的结论,但并不证明该系统表现不佳。
可靠性主张需要明确的计量单位。按计算次数衡量的结果,与按员工人数或已完成薪资周期衡量的结果不同。整体成功率还需要说明未解决案例和人工修正如何计入统计。
评估样本的构成与其标题性结果同样重要。常规的周期性薪资所测试的条件,与追溯性变更或不完整记录不同。若基准主要由简单案例构成,对复杂审批流程的证据价值将有限。
另一个尚未解答的问题,是 AI 与现有计算软件之间的分工。公告称智能体正在执行薪资工作,但没有说明哪些组件负责生成语言、协调任务或计算金额。买方不应假定对话模型完成了每一项操作。
这种区别很重要,因为不同组件需要不同的检查。计算引擎需要根据其规则和输入进行验证。生成的解释必须忠实反映这些结果。协调智能体则需要选择经过授权的操作,并识别何时应停止。
NIST 的AI 风险框架为评估 AI 在开发和使用全过程中的可信赖性提供了通用参考。它是自愿性指导,而非对该产品的认证。其相关性在于将风险管理视为持续性活动。
对于薪资买方而言,这意味着部署后的变化应与初始验收一样受到仔细审查。更新后的规则、变更的集成以及新的智能体行为,都可能影响既有流程。一次成功的演示并不能解决这些变化将如何被审查的问题。
Mercans 关于客户数据不会用于训练 AI 模型的声明,涉及敏感信息使用中的一个重要问题。但这一声明本身并未解释数据保留、访问权限、处理地点或其他服务提供商的参与情况。这些仍是独立的问题。
不用于训练的承诺也不意味着服务不会处理任何客户信息。雇主需要准确说明哪些信息会进入各组件,以及原因何在。他们应区分有关训练的合同限制,与日常运行所适用的控制措施。
NIST 的生成式 AI 概况为评估生成内容的系统提供了额外的跨行业指导。将此类指导应用于薪资领域是一种分析选择,并不代表 NIST 的认可。该机构的出版物并未评估 NovAI。
员工提问体现了其中的实际利害关系。关于某项扣款的回答可能听起来合理,但其依据可能是过时政策。一个有用的服务应能提供其支撑背景,并在答案仍不确定时提供清晰的升级处理路径。
敏感查询同样需要适当的访问边界。员工能够用自然语言提问,并不意味着其可以访问其他员工的信息。买方需要证据证明,对话式便利性遵守了与其他界面相同的底层限制。
因此,NovAI 薪资需要从准确性、解释能力、访问控制和恢复能力四个方面进行评估。这些要求彼此关联。无法调查的准确结果,与建立在错误信息之上但易于理解的结果,会带来不同的问题。
接下来的信号将是客户结果、控制措施和发布范围
下一项有意义的证据,将显示雇主在日常薪资运营中能够验证什么。
第一个信号是具有易于理解基线的、已记录的早期访问部署。有效的说明应明确所涵盖的工作、测试条件以及所需的人工干预。它应区分准备时间的减少与总体工作量的减少。
如果具名客户证据展示了实际薪资周期中的可重复结果,将增强该公告的可信度。仅表达热情的客户证言价值较低。更有力的信号是说明雇主流程发生了哪些变化。
结果还应承认未解决的案例。能够恰当升级复杂工作的系统,可能比报告广泛完成却不解释例外情况的系统更有价值。买方需要足够细节来理解,自动化究竟改善了决策,还是仅仅推进了工作流。
第二个信号是展示雇主控制如何运作的文档。这包括经审查的计算结果、付款准备和最终授权之间的关系。若证据显示这些状态保持关联,将增强 Mercans 的核心主张。
实际演示应包括拒绝和修正,而不只是批准。它应展示雇主质疑某项输入或要求重新计算时会发生什么。这些时刻能揭示控制机制在压力下是否可用。
控制文档还应说明如何从中断中恢复。如果处理停止或集成失败,雇主需要可靠地了解已完成和待处理的工作。对当前状态的不确定性,可能会削弱原本清晰的审批规则。
第三个信号是计划于 2027 年发布版本的范围。更清晰的时间表会有帮助,但范围比单独的发布日期更重要。雇主需要了解该版本实际覆盖哪些能力、司法管辖区和运营条件。
若能确认早期访问功能将延续至更广泛的发布,将增强发布叙事。已演示功能与正式发布能力之间若存在重大差异,则会缩小其叙事范围。在 Mercans 提供相关细节之前,任何一种结果都不应被推断。
未来数月值得关注这些信号,但不应凭空设定交付截止时间。已公布的年份并不承诺某个特定季度。同样,早期访问邀请也不能证明单个雇主能够多快完成实施。
对于关注企业 AI 的知识工作者而言,此次发布体现了一个更广泛的产品问题:软件能否产出仍然易于审查的工作?同样的担忧也出现在研究、文档和内部决策中。当人们必须解释自己为何批准某项内容时,可检索的上下文至关重要。
独立的知识库可以帮助团队整理通用政策和评估记录。敏感薪资记录仍需要其自身获批准的处理方式和访问控制。知识组织应支持审查流程,而不应被假定为薪资集成。
应通过这些具体信号而非仅凭类别主张来关注 Mercans Agentic Payroll。寻找能够描述已完成工作的雇主、展示可执行审批边界的文档,以及与证据相匹配的发布范围。询问审查人员能否追溯某项调整的来源、质疑结果,并理解哪些问题仍未解决。将审批周边的全部工作与其所替代的流程进行比较。应将付款授权和计算质量作为独立的评估问题,因为保留其中一项并不能证明另一项。将更广泛的智能体执行视为进展之前,应要求演示复杂案例:当薪资团队不同意系统判断时,会发生什么?



