来源：HRflag

　　一份报告，从收集资料到形成初稿，过去可能需要新人忙上几天，现在借助AI，很快就能拿出一个像样的版本。对管理者而言，这是看得见的效率提升：交付更快了，讨论可以更早开始，团队也有机会把精力投入更重要的问题。但随之而来的一个问题，正在进入企业的人才议程：当新人越来越少经历从零到一的分析过程，他们将通过什么途径，成长为能够判断结论、承担责任的骨干？

　　这个问题，最近被麦肯锡连续放到了台前。10月5日发布的《AI正在改变工作，现在组织也必须改变》中，麦肯锡重新引用了一组颇有启发性的数据：70%的受访者达到个人AI准备度标准，而达到组织层面准备度标准的占比为27%。文章同时把一个长远问题摆在面前：当AI承担了过去用于积累专业能力的基础工作，企业准备建立什么新的成长阶梯？ [1] [2]

　　这组比例需要放回原来的口径理解。它最早出现在麦肯锡7月8日发布的研究中，调查于2026年2月至4月进行，覆盖750名已在工作中使用AI的英语受访者，其中组织准备度结果来自608名。两项指标衡量的内容不同，也不是同一分母下的能力考试，因此不能简单相减，更不能解读为全球企业只有27%“会用AI”。它真正提醒管理者的是： 个人愿意并能够使用工具，与组织完成相应的人才、流程和管理调整，是两件需要分别推进的事。 [1]

　　到了10月15日，麦肯锡又在讨论战略决策的文章中指出，分析可以按AI的速度运行，人的判断却需要自己的形成过程。对企业高管和HR负责人来说，这个观察把话题推向了更具体的一层：人才培养体系，能否跟上工作方式的变化？当越来越多的初稿、检索和常规处理由AI完成，原本藏在这些工作里的学习机会，需要被重新安排。 [3]

　　企业值得提前布局的，是让今天的效率提升，同时成为明天的人才积累。 这并不意味着每项基础任务都要原样保留，而是意味着每次改造工作，都要看清它原来承担了什么培养功能。下文的工作场景与实施方案，是基于这一问题展开的管理分析和示意设计，供企业结合自身业务选择，而非对某家企业现状或成效的描述。

　　员工会用AI之后，组织还要完成另一段路

　　理解个人准备度与组织准备度的区别，可以从一个普通的经营分析场景开始。分析师能够用AI整理材料、搭建图表、撰写解读，说明个人的工作方式已经发生变化。但如果业务部门仍然在收到整份报告后才解释数据口径，重要假设仍然等到高管会议上才被发现，整个决策过程的改善就还有空间。一个环节变快，带来的价值要经过后续环节的承接，才能转化为组织结果。

　　人才培养也有同样的传导过程。工具让新人能够更早接触完整方案，但 接触成品、理解成品和独立作出判断，代表不同的成长阶段。 经理需要知道，眼前这份质量不错的交付物中，员工自己理解了什么，哪些判断有充分依据，哪些地方还需要指导。只有把这些差异看清，组织才能安排合适的责任与下一步发展机会。

　　以HR工作为例，新人可能已经能够快速完成一个离职情况分析。真正决定这项分析能否支持管理行动的，还包括他是否分清主动离职和组织调整，是否看过不同工龄群体的差异，是否了解业务周期与人员变化的关系。AI可以协助处理材料，而员工需要逐步学会确认问题、判断证据、理解业务后果。这些能力的形成，需要具体任务中的练习与反馈。

　　因此，企业的AI培训可以继续推进，岗位培养方案也应同步更新。前者回答员工如何有效使用工具，后者回答员工如何在新的工作条件下获得承担更复杂责任的能力。两者相互支持，才能让员工看到清晰的成长方向，也让经理更有把握地扩大授权。组织准备度就在这样的安排中，一步步从概念变成日常工作的现实。

　　对高管而言，一个很有价值的观察点，是新工具上线后，业务经理如何改变带人的方式。有人开始安排案例讨论，有人重新设计项目分工，有人让新人提前参与客户需求澄清，这些都值得被记录与传播。工具部署是一个明确的时间节点，人才系统的适配则需要持续经营。把两者放在同一张推进表上，企业就能更早看到需要补齐的环节。

　　基础工作真正留下来的，是处理问题的经历

　　过去，新人整理一份材料，获得的往往不只是最后那张表。他会发现两个系统对同一个指标使用了不同定义，会遇到一份看起来完整却缺少关键时间范围的数据，也会在向业务同事确认时意识到，自己最初理解的问题并不准确。一次任务里，夹杂着资料处理、现场沟通、错误修正和逻辑重建。正是这些具体经历，让书面知识慢慢变成可使用的经验。

　　基础工作里也有大量可以被技术接手的机械劳动。重复调整格式、反复搬运数据、在相同模板里更换内容，并不因为过去由新人完成，就天然具有很高的培养价值。企业完全可以把这些时间释放出来，帮助员工更快进入业务。但在释放时间的同时，需要识别哪些环节曾经让新人看到问题的来龙去脉，并为它们找到更有效的替代方式。

　　可以设想一个招聘分析任务：新人过去需要阅读访谈记录、梳理候选人放弃原因，再与招聘经理讨论。使用AI后，材料整理会明显便捷，原本的手工汇总也可以减少。与此同时，培养设计可以把重点转向更有价值的问题，例如哪些理由只是表面表达，哪些环节需要补充访谈，以及怎样区分候选人的个体偏好与岗位条件造成的共性现象。

　　这时，新人的学习任务就发生了升级。他需要带着初步判断去补充证据，再把自己的理解放回真实招聘流程里检验，而不是简单接收一份已经分类好的原因清单。导师也能围绕证据是否充分、解释是否合理、建议能否执行展开反馈。这样保留下来的，是从信息走向判断的经历，同时减少了不必要的机械消耗。

　　企业需要重新设计的，是经验如何形成，而不仅是任务由谁完成。 麦肯锡7月关于专业能力培养的文章，已经把初级岗位设计、知识管理、学习与辅导放在同一个系统中讨论，并提出通过有意识的练习与反馈支持成长。 [4] 沿着这个方向，HR可以把“新人做过哪些事”进一步追问为“新人在哪些事情上形成了可验证的理解”。这会让培养方案更贴近岗位需要，也更容易与业务经理形成共同语言。

　　每一次流程改造，都值得配一张培养地图

　　把学习机会落实到工作里，可以从一个很小的动作开始： 在梳理任务时，同时记录它的交付价值与培养价值。 一项工作可能交付价值很高，但学习内容相对固定；也可能看起来只是准备材料，却让员工第一次接触了关键客户、成本结构或技术约束。把两种价值分别看清，企业才有条件决定，哪些工作直接自动化，哪些需要调整参与方式。这个讨论适合由业务经理、熟练员工与HR一起完成。

　　例如，预算分析中的资料收集可以更多由系统承担，但关键假设的确认，仍然是员工理解业务的重要入口。培养地图可以写清，新人需要亲自核对哪几项假设，需要与哪些业务负责人沟通，需要解释哪些差异。真正要保留的经历因此变得具体，员工也不会因为“要学习”而重新做一遍全部机械操作。自动化与培养可以围绕同一个结果重新分工。

　　这张地图还应标出任务难度与出错后果。有些环节适合新人独立尝试，有些适合在导师陪同下参与，有些则需要先通过模拟训练，再进入实际业务。学习机会的增加，应当与必要的支持相匹配。这样一来，经理既能看到授权边界，也能知道下一次可以在哪个环节让员工多承担一点责任。

　　更有用的做法，是为每条培养安排写出“完成后能证明什么”。参加一次客户会议，可以要求员工准确复述需求冲突，并提出需要进一步确认的问题；完成一项分析，可以要求他解释结论对哪个假设最敏感。这样的证据，比笼统记录“参与过项目”更有参考价值。它能帮助下一位项目负责人判断员工适合承担什么，也能支持更公平的发展讨论。

　　这项工作不必从全公司的完整岗位体系开始。企业可以先选择一条正在进行AI改造、同时承担新人培养功能的业务流程，做出能够使用的样板。只要这条流程能清楚回答业务如何交付、员工如何练习、经理如何反馈，就已经迈出了关键一步。随后再根据实施经验扩展，培养地图就会成为业务改造的一部分。

　　AI给出的方案，可以成为新人练习判断的材料

　　当大量内容都可以快速生成时，培训材料的获得方式也有了新的可能。企业可以围绕真实业务问题，设计几份质量不同、假设不同的方案，让新人学习比较、追问和选择。训练的重点可以从“这份方案写得是否完整”，转向“它适用于什么条件，还缺少哪些证据”。这类练习能把讨论集中在判断过程，而不只是文稿呈现。

　　以人员配置为例，一个示意训练可以提供订单预测、班次要求、员工技能和服务标准等材料。学员需要先给出自己的配置思路，再分析AI方案中的关键假设，说明哪些地方可以采纳，哪些地方需要现场核实。导师随后加入一个新条件，例如某项业务需求提前到来，让学员调整原有安排。一次案例因此能覆盖问题理解、证据检查和条件变化后的重新判断。

　　为了让训练更贴近实际，案例中可以保留适量的不完整信息。学员需要决定先问什么、向谁确认、哪些缺失信息足以影响结论，而不是等待资料全部齐全后才开始工作。导师也可以观察，员工是在主动缩小不确定性，还是只是在已有材料里寻找一个顺眼的答案。这些行为，比最终方案是否与参考版本一致，更能说明发展需要。

　　AI在这里可以承担多种辅助角色，例如模拟提出需求的业务经理、提供不同方案，或帮助整理学员提出的问题。但案例的评价标准，应由熟悉业务的人制定，并根据实际结果持续调整。AI回答得流畅，并不构成它适合作为最终评分依据的理由。尤其当练习涉及复杂取舍时，评价需要回到证据、约束和业务目标。

　　值得追踪的进步，是员工能否越来越清楚地说明自己为什么作出这个判断。 有时，他会修正自己的初步想法；有时，他会发现AI方案遗漏了重要条件，两种情况都可能体现成长。企业可以保留简短的判断记录，比较员工在不同阶段如何识别问题、寻找证据和处理分歧。这样，案例训练才能逐步连接到真实工作的授权与发展。

　　导师制需要进入排期，也需要改变辅导内容

　　新的培养方式要持续运转，经理与导师的投入就需要成为正式工作安排。一个项目若已经按所有成员满负荷交付来配置，再额外要求员工带教，执行空间往往有限。更可行的方式，是在项目启动时就确定谁负责辅导、围绕哪些任务展开，以及需要预留哪些讨论时间。 培养因此有了明确的承担者，也有了可被管理的资源投入。

　　辅导内容也可以从修改成品，延伸到观察思考过程。新人提交方案时，附上一页简短说明，写明自己如何理解问题、主要依据是什么、最不确定的地方在哪里，导师就更容易给出有针对性的反馈。一次讨论不必覆盖所有细节，可以集中在一个最影响结果的判断上。这样的交流更具体，也便于员工在下一次任务中检验自己是否真正理解。

　　例如，在讨论一个客户服务改进方案时，导师可以请新人解释为何优先处理某类问题。如果学员只是因为这类问题出现次数最多，导师便可以继续引导他考虑客户影响、处理难度与资源投入。员工随后可能发现，更高频的问题与最值得优先解决的问题，并不总是同一类。这个过程让经验得以被讲清，也让新人有机会理解取舍背后的业务逻辑。

　　企业还可以帮助导师建立案例记录习惯。记录不需要很长，只需保留当时的情境、主要选择、没有采用其他方案的原因，以及后来出现的结果。经过适当整理，这些材料既能用于团队复盘，也能用于其他新人的练习。员工的一次投入，由此有机会支持更多人的成长。

　　导师的贡献应在管理评价中得到承认，但评价可以落在员工能力的实际变化上。被辅导者是否能够独立完成新的任务，是否需要更少的关键修正，是否能在遇到变化时正确寻求支持，都比辅导次数更有说明力。与此同时，企业也需要避免把所有带教责任集中到少数专家身上。培养更多能够辅导他人的骨干，本身就是组织扩大学习能力的一条路径。

　　模拟演练，让员工提前遇见真实工作的难题

　　有些经验在日常工作里出现得很慢，却对未来承担责任十分重要。客户需求突然改变、项目条件发生冲突、多个部门对同一个问题持有不同判断，都可能成为员工成长的关键时刻。企业无法为了培养而等待或制造真实业务中的复杂事件，但可以把典型情境转化为有边界的模拟演练。这样，新人能够提前练习，也能在正式面对问题前得到反馈。

　　一个HR业务伙伴的模拟场景，可以从业务负责人提出补充人员需求开始。随着沟通推进，学员会陆续获得业务目标、现有团队分工、能力缺口和项目周期等信息，再决定应当补充招聘、调整分工，还是安排内部人员参与。练习的重点，在于他如何逐步澄清问题，以及如何向业务负责人解释不同方案的条件。场景中的信息顺序也可以变化，帮助学员练习面对不完整信息时的沟通。

　　广告

　　对工程、财务或运营岗位，同样可以围绕各自的典型难题设计演练。工程师可以练习定位一个跨模块问题，财务人员可以练习解释某项指标变化，运营人员可以练习处理服务标准与资源约束之间的冲突。任务应与实际岗位责任相连，并根据学员当前水平调整难度。难度适宜时，学员既能作出真实尝试，也能在反馈后明确下一步需要补什么。

　　模拟结束后，复盘可以沿着实际决策节点展开。学员在哪个时刻改变了判断，当时获得了什么证据，哪些信息虽然出现却没有受到重视，都值得具体讨论。导师也可以展示另一种合理的处理路径，说明其适用条件，让学员理解复杂业务中可能存在多种选择。这样形成的经验，才更容易迁移到后续工作。

　　模拟训练的效果，最终仍要回到真实任务中观察。 通过演练的员工，可以先在受支持的条件下承担相应环节，再根据表现逐步扩大责任。企业因此建立起从练习到应用的衔接，而不是把模拟成绩直接等同于任职能力。AI能够帮助丰富情境，实际岗位中的表现则提供更可靠的发展依据。

　　复杂任务轮岗，要让员工看见结果如何发生

　　案例与模拟能增加练习机会，真实业务则提供了另一种不可缺少的学习条件：员工会面对实际约束，也能看到选择带来的后果。为此，企业可以把部分轮岗设计为围绕一个完整问题持续参与，而不是只在不同部门之间短暂停留。 轮岗的目标，是让员工理解工作如何衔接，以及自己的判断会影响后续哪些环节。 这样的经历，有助于把局部知识连接成更完整的业务认识。

　　以客户项目为例，新人可以从需求澄清阶段进入，参与方案形成、交付讨论与后续复盘。即使每个阶段承担的工作有限，也能看到客户为什么提出某项要求，内部为什么选择某种安排，以及交付之后客户如何评价。过去只负责一段材料准备的员工，由此有机会把自己的工作放回整体结果中理解。AI释放的部分时间，也可以被用于创造这种观察与参与的空间。

　　复杂任务的安排，需要有清楚的学习目标与责任边界。新人可以负责整理待确认问题、跟进某项验证、比较方案差异，或解释一个局部结果，逐渐从观察走向独立承担。经理应根据表现调整责任，确保每一次扩大参与都配有必要支持。任务难度的提升，因此能够与能力成长形成连续关系。

　　轮岗结束时，可以让员工回到原岗位，提出一个经过验证的改进建议。这个建议应说明他在其他环节看到什么约束，原有做法如何影响下游，以及建议调整后需要怎样配合。它能帮助经理判断员工是否建立了跨环节理解，也能让轮岗经验转化为团队可使用的知识。成长与业务改善便有了共同的落点。

　　对于规模有限的企业，类似机会也可以通过一个跨部门项目实现。并非所有人都需要频繁转换岗位，但关键培养对象值得获得接触完整结果的机会。真正重要的是，员工能够看到自己的分析如何进入决策，决策如何落实，实际结果又如何反过来修正理解。这条链路越清楚，岗位经验就越容易积累成判断能力。

　　内部流动的起点，可以从已经证明的技能出发

　　当工作内容变化时，员工既有经验的价值，需要被更细致地识别。一个长期从事客户服务的人，可能已经积累了需求识别、情境沟通、问题分类与升级处理等能力；一个熟悉排班的人，也可能具备资源协调、约束分析与现场调整经验。如果只看原来的职位名称，这些能力与新工作之间的联系可能不够直观。把经验转化为具体的能力描述，内部发展路径就会更清晰。

　　麦肯锡10月5日的分析也把技能关联与内部流动放在人才体系调整的重要位置。 [2] 对于企业而言，可以进一步把这项思路落实到一组可讨论的证据：员工在哪些情境下完成过什么任务，独立程度如何，面对变化时怎样处理。这样的记录，比单纯列出“沟通能力强”“分析能力好”更适合用于岗位匹配。它也更容易让业务经理对内部候选人形成判断。

　　例如，一位熟悉客户问题的员工，可以先参与服务知识库的整理与检验。随着对知识结构、业务边界和使用效果的理解加深，他再逐步参与AI辅助服务的质量评估与流程改进。这个发展路径保留了原有经验的价值，也增加了清晰的新能力要求。员工能够知道自己从哪里出发、需要练习什么，以及怎样证明已经具备下一阶段的条件。

　　内部流动还需要具体机会来承接。短期项目、部分工时参与、导师陪同任务，都可以帮助员工先验证适配程度，再讨论更长期的岗位安排。原部门与接收部门也需要提前说清时间投入、交付责任和评价方式，避免发展机会在执行中变得模糊。HR在这里可以发挥协调作用，把人才盘点与实际项目需求连接起来。

　　一个有用的技能体系，应当帮助员工获得下一段经历。 技能标签只有进入项目分配、学习安排与岗位选择，才会产生持续价值。企业可以先从少量关键岗位建立真实的内部路径，用员工与业务团队的反馈校准标准。路径经过实践检验之后，再扩大应用范围，会更容易获得组织的理解与支持。

　　绩效与晋升，也要看见AI时代的新贡献

　　当员工借助AI更快完成工作时，绩效评价可以更深入地观察质量与责任。完成了多少份材料、处理了多少项任务，仍然具有参考意义，但同一类产出背后的难度和独立程度，可能已经发生变化。管理者需要知道，员工是否准确理解需求，是否核实关键依据，是否处理了重要例外，以及最终结果是否支持业务目标。 评价越贴近实际贡献，员工就越清楚应该把精力放在哪里。

　　初级员工的评价，可以同时关注交付表现与成长证据。一次任务中，他可能仍然需要导师支持，但如果已经能够主动发现关键遗漏、提出有效追问，便值得在发展讨论中得到承认。随着经验增加，评价再逐步提高对独立完成、跨环节协调与结果承担的要求。这样，成长标准会形成连续变化，员工也能理解晋升为什么需要新的证据。

　　对员工而言，价值也可以通过新的方式体现。有的人擅长处理复杂例外，有的人能够把专业经验整理成团队可复用的方法，有的人能够帮助新人快速理解业务，还有的人善于组织人和AI共同完成一个完整项目。企业可以根据岗位需要，为这些贡献提供清晰的认可方式。专业成长因此有了更多可见的方向，也能与管理岗位的发展形成配合。

　　评价过程还值得保留解释与讨论的空间。AI参与程度越高，经理越需要通过具体任务了解员工的判断，而不能只凭成品的成熟程度推断能力。一次简短的方案讨论、一次条件变化后的调整，往往能够补充重要信息。这类交流也能帮助员工展示自己的真实贡献，并使后续培养更有针对性。

　　绩效体系的调整，不必一次增加许多新指标。企业可以先在关键岗位引入一两项与业务结果紧密相关的能力证据，例如关键问题识别质量、独立处理任务的范围，或者经验复用带来的改进。经过一段时间观察，再决定哪些标准值得保留。标准清楚、记录适量，才更容易被经理持续使用。

　　把生产率与人才成长放在一起，才能看见完整回报

　　从经营角度看，AI投入当然需要回答效率与业务价值的问题。处理时间缩短了多少，服务响应是否更及时，质量是否改善，都是管理层应当掌握的信息。同时，如果相关流程承担着培养骨干的功能，企业也值得观察员工能力是否随之进步。 把两类结果并列讨论，能够帮助管理层判断，工作改造是否正在形成可持续的回报。

　　生产率指标可以围绕完整流程设置。例如，一项分析工作更快完成之后，业务是否更早采取行动，后续是否需要大量补充核对，关键决策是否获得更充分支持。把观察范围延伸到结果，企业就能更准确理解时间释放到了哪里。这样也便于决定，下一步应继续优化工具、调整协作，还是增加某个关键环节的专业支持。

　　人才成长的指标，则可以从组织最关心的能力供给出发。关键岗位是否有更多内部候选人，新人能独立承担的任务是否增加，团队对少数专家的日常依赖是否逐步减少，都具有实际管理意义。不同岗位的成长周期不同，企业可以选择适合自身业务的观察窗口。短期看练习与表现，较长期再看岗位胜任与内部流动结果。

　　尤其值得关注的，是员工的时间如何被使用。AI让基础产出更丰富后，专家可能会接到更多复核请求，企业应当及时观察这些请求集中在哪些问题上。如果同类问题反复出现，就有机会通过案例、标准说明或针对性辅导，把部分经验转化为团队能力。专家的投入因此既支持当前交付，也帮助组织扩大后续承接能力。

　　这套观察方式也能帮助企业决定如何分配释放出来的时间。有些时间可以用于增加服务，有些用于提高质量，有些用于新项目，也可以有一部分用于关键岗位的练习与带教。具体比例需要结合业务条件确定，但用途应当被说清楚。只要培养时间进入实际排期，人才发展就获得了比口头重视更可靠的支持。

　　从一条流程开始，用九十天做出可讨论的样板

　　面对这样一项系统工作，企业可以采用范围明确的试点，让管理讨论尽快接触实际结果。九十天可以作为一个便于排期的示意周期，用于验证方案是否可行，而不代表所有岗位都能在这段时间里完成能力转型。试点适合选择一条交付较频繁、结果可观察、具有新人培养价值的流程。这样既有足够任务可供练习，也更容易收集反馈。

　　启动阶段，业务与HR共同选定少量关键任务，记录当前交付方式、主要质量要求与新人参与情况。与此同时，邀请导师指出这些任务里最值得学习的判断节点，例如确认口径、识别例外或解释差异。试点团队据此安排AI分工、练习任务和辅导时间，并明确哪些结果需要由谁确认。准备工作的产物，应当是一份能直接进入日常排期的执行安排。

　　进入运行阶段后，可以围绕真实交付穿插简短案例与复盘。新人先完成自己负责的判断，再与AI辅助结果和导师意见比较，并记录一项需要在下次任务中改进的地方。导师集中处理最关键的问题，HR帮助收集实施中的资源与协作反馈。这样的节奏能让培养贴着业务发生，也便于及时调整安排。

　　试点后期，团队可以用新情境检验员工的进步。更换一组材料、加入一个约束，或让员工承担原来需要较多帮助的环节，都比重复熟悉的案例更有说明力。业务经理同时观察交付质量与时间投入，判断哪些安排值得继续。试点因此能够产生关于效果、成本和适用条件的具体讨论。

　　复盘时，企业不必只寻找一个漂亮的成功结论。某些练习可能很有帮助，某些辅导方式可能投入较高，某些任务也可能需要先补充业务基础才能开展。把这些情况记录清楚，下一轮设计就更有依据。如果最终形成一套可执行的任务分工、案例材料、辅导方式与能力证据，试点便为后续扩展提供了有价值的起点。

　　企业未来的骨干，需要在今天的工作里获得成长位置

　　当AI逐步融入日常业务，企业有机会重新安排新人接触专业工作的方式。资料处理可以更便捷，完整信息可以更早获得，练习情境也可以更加丰富。如果再配上适当的任务、专业反馈与实际责任，年轻员工就有机会更快理解业务，也更早贡献价值。技术带来的空间，值得通过有意识的人才设计转化为成长机会。

　　高管在这里发挥作用，往往体现在资源与标准的选择上。是否允许团队为带教预留时间，是否愿意把内部培养纳入重要项目，是否在经营讨论中持续询问关键能力的形成情况，都会影响组织的实际行动。业务负责人确定真实任务与胜任要求，HR把学习、流动、评价和接班安排连接起来，技术团队提供适合工作与练习的支持。各方围绕共同结果协作，培养就更容易形成连续性。

　　员工的参与同样重要。企业可以鼓励他们说明自己哪里理解充分、哪里仍需支持，并让主动追问、核实证据和及时升级问题成为受到认可的行为。这样，新人更容易把学习需要带入日常讨论，经理也能更早提供帮助。清晰的发展路径与公平的能力标准，会让员工对下一阶段的成长更有把握。

　　70%与27%这组数据，因而可以成为一次有价值的管理对话起点。员工准备好使用AI之后，企业还需要安排工作如何交付、责任如何承担，以及人才如何持续成长。每一条新流程、每一次项目分工、每一次授权讨论，都可以同时回答这些问题。组织的准备程度，也会在这些具体选择中逐渐提高。

　　AI可以帮助企业更快完成今天的工作，未来的骨干则需要在今天获得练习判断、理解业务和承担责任的机会。 当一份报告的初稿可以更快生成，企业也能腾出空间，让新人走近真正需要判断的问题。把这些机会设计好、支持好、持续验证，效率提升就有望与人才积累相互促进。几年后的团队实力，正是在当下这些看得见的工作安排中，一步步建立起来。

　　参考资料与口径说明

　　[1] McKinsey，2026年7月8日， From adoption to impact: Three horizons of AI transformation 。70%与27%的原始出处；调查于2026年2月至4月进行，个人准备度样本750人，组织准备度样本608名。两项比例基于各自问题组合的自报评分，不能视为统一能力测验，也不能据此推断全球企业的普遍分布。 https://www.mckinsey.com/capabilities/people-and-organization/our-insights/from-adoption-to-impact-three-horizons-of-ai-transformation

　　[2] McKinsey，2026年10月5日， AI is changing work. Now it has to change the organization 。讨论组织运行方式、人才体系与成长路径的同步调整，并再次引用上述准备度数据。 https://www.mckinsey.com/capabilities/people-and-organization/our-insights/ai-is-changing-work-now-it-has-to-change-the-organization

　　[3] McKinsey，2026年10月15日， The judgment bottleneck: Balancing AI and human speeds in strategy 。讨论分析速度提升与人类判断形成之间的关系。 https://www.mckinsey.com/capabilities/strategy-and-corporate-finance/our-insights/the-judgment-bottleneck-balancing-ai-and-human-speeds-in-strategy

　　[4] McKinsey，2026年7月14日， Building expertise in the age of AI: Who trains the next generation? 。讨论AI环境下专业能力培养、初级岗位设计与辅导。 https://www.mckinsey.com/capabilities/people-and-organization/our-insights/building-expertise-in-the-age-of-ai-who-trains-the-next-generation

　　[5] INOP Research Team，2026年10月15日， AI Literacy Is Not Enough 。用户提供的选题引子，本文相关事实与日期以麦肯锡原文为依据。 https://inop.ai/ai-literacy-is-not-enough/

　　说明：用户提供的盖雅工场链接在本次核查时未能读取，未将其作为独立事实依据。文中案例、任务安排与九十天试点为本文提出的示意方案，不代表被引用机构公布的企业实施成果。

　　原文链接：https://mp.weixin.qq.com/s/nbbnvFBb12r4UT4wHNUIug