来源：HRflag

　　招聘一位员工时，企业究竟在购买什么？过去，答案通常是专业知识、工作经验，以及把一项任务稳定完成的能力。如今，同样一份工作可以借助AI改变完成方式，原有的评价标准也开始松动。一个人知道多少，仍然重要；他能否组织工具、调用企业知识，并对最终结果作出判断，正在成为新的考量。

　　2026年10月12日，在曼谷举行的IMF与世界银行年会相关研究交流中，IMF亚太部经济学家Divya Kirti介绍了AI与劳动力市场的新观察。IMF官方议程确认，这场讨论聚焦亚洲劳动力市场，并以在线招聘广告分析为基础，考察AI正在怎样改变企业的用人需求。对于企业管理者而言，这类研究的价值，在于把人才变化放回真实招聘市场，而不只停留在技术演示和未来预测中。

　　据泰国《The Nation》对现场研究的报道，IMF分析了7亿条招聘广告，发现AI高暴露职业对AI相关技能的需求，约为低暴露职业的两倍。这里的“高暴露”，指AI可以协助完成较多任务的职业，并不等同于即将消失的职业。报道同时指出，2024年至2025年，编程岗位招聘需求相对低暴露职业走弱约10%，衡量的是招聘需求，而不是现有员工的裁减比例。

　　这两项观察放在一起，形成了一种值得企业关注的变化：一些岗位的招聘需求承压，但这些岗位对AI能力的要求更突出。它提示企业，人才市场的调整可能同时发生在数量和技能结构上。把变化简单理解为“还需不需要人”，容易遗漏更具体的经营问题：同样需要一个人，企业现在希望他以什么方式创造价值？

　　从这组观察可以推导出的管理启示，是企业需要重新审视岗位里的任务、人才的能力组合，以及培养这些能力的投入方式。 这并不意味着所有岗位都要立即增加AI门槛，也不意味着一次培训就能解决技能转型。真正值得高管和HR负责人讨论的，是企业现有的人才体系，能否识别、培养并使用那些能够把AI转化为可靠工作成果的人。

　　招聘市场开始重写“合格员工”的定义

　　一份职位说明书，常常凝结着企业过去的工作方式。某个岗位为什么要求特定年限，为什么需要掌握某套软件，为什么安排几轮面试，背后都有对任务难度和成长周期的判断。当技术改变完成任务所需的时间和协作方式，这些要求就需要重新校准。否则，职位名称虽然没有变化，招聘依据却可能已经偏离真实工作。

　　以一名负责经营分析的员工为例，他过去可能需要花较多时间整理表格、汇总材料、制作图表，再形成初步解释。借助AI，其中一些准备工作可以采用新的完成方式，但对数据口径的理解、对异常波动的判断，以及与业务负责人确认事实的工作，仍然需要有人承担。企业对这个岗位的期待，因而可能从“完成材料生产”，转向“以可靠材料支持经营判断”。这里讨论的是一种可能的任务重组方式，并非某家企业已经发生的实际案例。

　　任务重组之后，经验的含义也会变化。熟悉旧流程的员工，可能拥有重要的业务知识，但需要学习如何使用新的工具；工具熟练的求职者，可能操作迅速，却仍然需要理解组织的业务规则。两种能力都有价值，招聘的难点在于找到它们的合理组合。只强调其中一端，都会让企业对人才的评价变得片面。

　　因此，在招聘要求中增加一句“熟练使用AI”，并不足以完成标准升级。这样的表述没有解释候选人需要解决什么问题，也没有说明企业怎样判断熟练程度。有人擅长生成文字，有人能够处理复杂数据，有人善于发现模型结论里的错误，这些能力并不能相互替代。岗位真正需要什么，仍然要从具体业务成果倒推。

　　一个更有用的描述，可以围绕工作交付展开。比如，某个岗位需要借助经过批准的AI工具完成资料初筛，标明信息来源，识别关键缺口，再提交可供业务负责人复核的分析。这样的要求既说明工具的用途，也说明人的责任和交付标准。候选人能够据此判断自己是否适合，面试官也更容易围绕同一套证据作出评价。

　　对于HR而言，这意味着招聘需求沟通需要更深入地进入工作现场。用人经理说“希望候选人懂AI”，HR可以进一步了解，他希望缩短的是哪个环节，改善的是哪种质量，当前的障碍究竟来自工具、数据还是协作。把这些内容说清楚，招聘才能从寻找一个模糊的“AI人才”，转向寻找适合具体任务的人。标准清晰之后，企业也更容易判断某种能力应该外部招聘，还是内部培养。

　　这种变化并不会同时发生在所有岗位上。客户关系、现场操作、跨部门协调和专业分析，各自面对的任务与约束不同，同一个职能内部也会存在差异。企业可以关注招聘市场的信号，但需要把外部趋势与自己的经营场景逐一对照。人才标准的更新，应当有明确的工作依据，而不是由技术热度统一推动。

　　高暴露职业，需要更细的任务判断

　　看到“高暴露”这个词，容易把一个职业整体放进风险名单。这样的理解忽略了职业内部的差异，也容易让企业在做人员规划时跳过必要的分析。一个岗位通常包含多类任务，有些任务适合由AI协助，有些任务依赖现场信息，还有些任务涉及需要人承担的责任。职业层面的研究，可以帮助确定关注方向，却不能代替企业自己的任务盘点。

　　编程岗位就是一个容易引发误读的例子。写出一段代码、理解业务需求、设计系统结构、处理复杂故障，以及保障长期可维护性，都可能出现在同一个岗位中。技术进步会改变这些工作的时间分配，但不会自动说明企业对整个岗位的需求会怎样变化。招聘决策仍然取决于项目规模、系统复杂度、产品规划和团队现有能力。

　　对HR岗位也可以采用相同的分析方法。招聘沟通中的材料准备、培训项目中的内容整理、员工服务中的常见问题解答，与关键岗位甄选、组织调整沟通和人才发展判断，具有不同的工作特点。即便都被归入“人力资源工作”，它们对AI辅助的适配程度也不相同。把整个部门笼统定义为容易被替代，或者笼统定义为完全依赖人，都不利于设计合适的工作方式。

　　岗位分析的一个实用起点，是把工作拆成能够观察、能够交接、能够验证的任务，再判断技术可以怎样参与。 这种拆分不必追求复杂模型，也不需要把员工每天的活动全部量化。企业可以先选出最耗时、最频繁，或者最影响业务结果的任务，记录当前流程与主要困难。只有知道工作实际怎样完成，才有条件判断改变流程会带来什么。

　　比如，在一个示意性的培训运营场景中，项目人员需要收集报名信息、整理课前需求、安排通知，并在课后汇总反馈。整理文字反馈可能适合由AI协助，而确定课程目标、解释业务部门的不同诉求，以及决定后续行动，则仍然需要专业判断。把这些任务放在同一张工作清单里，企业就能看见工具可以节省哪些准备时间，也能看见人需要加强哪些能力。最终改变的，是任务组合与协作方式，而不只是工具使用次数。

　　任务分析还需要考虑验证成本。一项工作即便能够快速生成初稿，如果核对结果需要更长时间，或者错误会传递到多个后续环节，整体收益就可能有限。相反，有些任务的结果很容易确认，员工可以在较短时间内建立稳定的使用方法。两者都可以探索，但投入节奏与责任安排应当不同。

　　这种区分有助于企业避免用单一比例制定所有部门的用人计划。宏观层面的招聘变化，为管理者提供了观察市场的窗口；企业内部的任务记录，才是形成具体岗位方案的依据。把两者结合起来，HR能够提出更有说服力的建议，也能减少业务负责人对抽象技术判断的疑虑。人才规划由此可以逐步转向对实际工作能力的规划。

　　三类AI技能，如何落到企业的人才体系

　　根据泰国《Thairath》对同场研究交流的报道，雇主关注的AI技能可以分为三类：通用AI素养，提示工程及AI Agent等专项能力，以及把AI与企业内部知识、数据连接起来的能力。Kirti还指出，发展中亚洲未来十年需要创造约1.5亿个岗位，相关讨论并未发现AI影响整体工资水平的明确证据。这些内容提供的是劳动力市场观察，不是企业统一适用的能力认证标准。企业可以据此建立自己的能力框架，但需要说明各类能力在不同岗位上的实际用途。

　　通用AI素养，适合从日常工作中最基本的判断开始。员工需要知道当前任务是否适合使用某种工具，输入信息是否完整，生成内容是否需要进一步核查，以及什么时候需要请专业同事参与。能够把需求讲清楚，识别明显矛盾，并解释最终采用某个结果的理由，比背诵大量工具名称更有价值。这类能力可以成为较广泛的学习内容，但应根据岗位需要确定深度。

　　专项能力，则可以围绕一类工作建立比较稳定的方法。比如，员工能够把复杂需求拆成多个步骤，设计用于资料分析的提示，或在明确权限内使用Agent完成一段工作流程。企业需要观察的，是这种方法能否反复产出合格结果，能否在输入变化时作出调整。操作演示可以作为学习起点，实际任务的完成质量才适合作为能力证据。

　　当工作进入更复杂的场景，企业内部知识开始发挥作用。模型能够处理通用信息，但业务中的客户定义、产品规则、审批口径和例外条件，需要组织提供准确上下文。能够识别哪些信息可以使用、哪些规则需要更新、哪些答案应当交由谁确认的人，可以帮助技术更贴近真实业务。这种连接能力，往往同时涉及业务经验、知识整理和跨部门协作。

　　这三类能力可以共同存在于一个岗位，也可以由不同角色协作完成。一个招聘负责人不必同时成为模型开发者，但可以理解岗位需求，设计可靠的评估任务，并与技术团队共同确定工具使用边界。一位业务专家也不必负责系统建设，但可以提供关键规则，识别不适用的结果，并参与评估知识的准确性。能力框架的用途，是把协作条件讲清楚，而不是要求每个人独自承担所有环节。

　　把这些能力写进人才体系时，可以使用员工能够理解的行为描述。比如，在通用层面，要求员工说明信息来源和核查过程；在专项层面，要求员工展示某类任务的完整流程；在组织连接层面，要求员工解释内部规则怎样进入工作方法，并说明更新机制。这样的描述能够用于学习、面试和绩效讨论，也有利于不同部门形成一致理解。它比给员工贴上初级、中级、高级标签，更容易指向具体改进。

　　能力框架还应保持适度稳定。具体产品和操作方式可能变化较快，业务问题的定义、信息质量的判断，以及对成果负责的要求，则可以作为更长期的骨架。把培训完全绑定于某个产品界面，容易让学习内容随工具变化反复更新。围绕任务和判断建立能力框架，企业更容易把已有经验迁移到新的工具环境。

　　内部知识，为什么值得重新盘点

　　企业谈论AI能力时，容易先想到外部市场上的稀缺人才。实际上，组织内部可能已经存在另一类重要资源：理解业务细节、熟悉历史案例、知道规则例外的员工。这些知识未必完整地保存在系统中，也未必在传统能力盘点中得到充分体现。随着AI进入工作流程，能够把经验整理为可使用的信息，可能成为值得培养的一种能力。

　　想象一个员工服务场景，企业希望缩短常见问题的回复时间。工具可以帮助检索材料、组织语言，但不同地区的政策适用范围、制度的生效时间，以及某些特殊情况的处理方式，仍然需要准确知识作为基础。如果资料本身存在多个版本，回复速度变快并不能解决口径问题。项目能否有效推进，需要HR、业务与技术人员共同整理知识来源和使用条件。

　　这类工作看起来不如技术演示醒目，却直接影响应用结果。负责制度的人能够确认内容，处理过实际案例的人能够解释例外，技术人员能够把资料组织成便于调用的形式。三方共同参与，才有机会形成较稳定的服务流程。企业在预算和人员安排中，因而需要为知识整理与持续维护保留资源。

　　对于员工而言，这也是一种新的成长路径。过去，他的经验可能主要通过口头指导、临时答疑和个人处理问题体现；现在，企业可以支持他把判断过程、关键条件和常见误区整理下来。整理后的知识需要经过验证，也需要持续更新，但可以为更多同事提供工作基础。个人经验由此获得了更清晰的组织应用方式。

　　AI应用的一个现实条件，是企业能够提供准确、适用、持续维护的业务知识。 这意味着知识管理不能只在项目上线前集中整理一次，也不能把全部责任交给系统建设团队。制度变化、产品调整和流程更新，都需要有人及时确认。HR可以参与建立相应的角色分工，让知识贡献进入正式工作安排，而不是长期依靠少数员工额外承担。

　　这种分工也会影响人才评价。一个人能够快速产出个人成果，当然有价值；能够帮助团队减少重复解释、缩短新员工熟悉工作的时间，同样值得被看见。企业可以记录被采用的知识成果、实际帮助解决的问题，以及维护工作的质量。评价依据来自真实使用效果，才有助于鼓励员工贡献可复用的经验。

　　重新论证培训预算，需要一笔完整的账

　　当AI成为重要议题，学习与发展团队自然会面对新的需求。业务部门希望员工尽快掌握工具，高管希望看见效率提升，员工希望知道学完之后能够解决什么问题。培训可以回应这些期待，但如果预算申请只围绕课程数量、参加人数和学习时长展开，很难说明投入与业务之间的关系。更有说服力的方案，需要把学习放回工作流程。

　　外部研究可以作为预算讨论的背景。IMF关于新技能与就业的相关研究指出，要求AI技能的招聘岗位与更高的招聘薪酬相关，同时也讨论了技能扩散在不同职业中可能伴随不同就业变化。岗位薪酬差异与整体工资水平的变化，属于不同观察口径，不能直接互相替代。这些证据支持企业关注技能变化，但不足以直接计算某一家企业的培训回报。

　　企业自己的预算依据，可以从一个具体瓶颈开始。某个团队每月重复整理大量相似材料，或者同类分析经常因为口径问题返工，都是可以进一步研究的场景。学习项目应当说明拟改变哪段工作，当前困难如何衡量，需要哪些工具和数据条件。把问题说清楚，课程设计才有可能与业务目标一致。

　　成本也需要完整计算。课程费用之外，还有员工参与学习的时间、业务导师的投入、工具订阅、数据整理、流程调整，以及后续维护的安排。部分成本可能由不同部门承担，但对企业而言，它们共同构成项目投入。如果只计算课程支出，而把其他工作视作免费的配合，就难以得到可靠的投入产出判断。

　　广告

　　收益可以从较容易观察的结果开始，而不必立即承诺营收增长。例如，工作完成周期是否缩短，复核后的质量是否稳定，返工是否减少，以及原本积压的事项是否得到处理，都可以作为观察维度。节省时间也应当进一步说明用途：员工把腾出的时间用于客户沟通、复杂分析，还是仅仅完成了更多同类材料。不同用途对应的业务价值并不相同。

　　用一个明确标注为假设的场景来说明，某项月度材料整理工作，原先平均需要六小时，试点后包含人工复核的平均时间变成四小时。两小时的差额可以作为时间改善的证据，但还需要确认材料质量、任务数量和难度具有可比性。企业还应扣除工具费用、学习时间和维护成本，并观察节省时间是否转化为有效工作。这样的测算规模可能不大，却比脱离场景的宏观收益承诺更适合预算决策。

　　培训预算的论证，可以建立在“明确问题、完整成本、可验证结果”这条逻辑上。 HR不必为了证明学习重要，替企业承诺尚未发生的利润，也不必把所有能力投入都压缩成短期财务数字。能够说明项目改善了哪种工作能力、哪些结果已经得到验证、哪些价值仍需观察，就具备了继续讨论的基础。可信的边界，往往比夸大的收益更有利于争取持续投入。

　　员工学会了，组织还要给他使用的条件

　　员工掌握工具之后，能力并不会自动进入工作流程。一个人可能已经能够完成更好的资料分析，但如果团队仍然要求他按照旧模板重复制作多份材料，学习成果就难以体现。另一个人可能知道如何建立知识调用流程，却没有访问资料的权限，也找不到负责确认规则的同事。此时，继续增加培训内容，未必能解决真正的障碍。

　　企业需要为能力应用准备相应条件。员工能够使用哪些工具，哪些资料可以进入工具，什么样的成果可以直接采用，以及哪些结果需要谁复核，都需要有清晰安排。这些内容不必全部写成复杂制度，但应当与具体工作一致。尤其在跨部门流程中，员工需要知道发生问题时能够找到谁，而不是独自猜测边界。

　　管理者的参与也很关键。部门负责人需要理解工作方法发生了什么变化，判断交付质量，并帮助团队调整分工。如果管理者只根据输出速度评价员工，忽略核查与沟通，就可能使学习朝着表面效率发展。管理者能够讨论完整流程，才更容易把个人尝试变成团队可采用的方法。

　　这也意味着学习机会需要与工作时间相匹配。要求员工在原有任务之外持续自学、试错、整理经验，却不给相应时间，可能使技能提升依赖少数人的额外投入。短期内可以出现优秀示范，长期却难以形成广泛能力。企业可以通过小范围实践、导师支持和定期复盘，让学习成为正式工作的一部分。

　　员工之间的差异，还需要结合资源条件来理解。有人更早接触工具，有人承担适合试验的任务，有人得到经理支持，也有人工作节奏紧张、资料条件有限。如果直接用使用频率评价所有员工，容易把环境差异误认为能力差异。HR在评估技能时，可以同时记录岗位机会、工具条件与实际表现，使判断更公平，也更有助于解决问题。

　　组织支持还包括对失败经验的使用。一种方法没有带来预期改善，可能说明任务不适合，也可能说明数据、流程或学习设计需要调整。只要试验处于明确范围内，记录这些结果可以帮助企业减少重复投入。把所有试验都包装成成功，会降低后续决策的信息质量，也让员工不愿意提出真实困难。

　　因此，AI学习项目的负责人需要与业务、IT和相关职能共同工作。HR负责的可以是能力定义、学习设计、参与机制和人才发展，技术团队负责工具与系统条件，业务部门负责任务与成果判断。每个部门都有明确贡献，项目才不会停留在课程交付。跨部门协作得到落实，员工学到的内容才有机会成为组织能力。

　　效率提高之后，绩效怎样衡量

　　当工作速度提高，企业自然会重新讨论产出要求。对一些任务而言，同样时间里完成更多工作，确实可以带来价值；但产出数量并不是所有岗位的核心指标。材料更多、回复更快、分析页数增加，未必意味着经营判断更好。绩效标准需要跟随任务目的更新，才能体现技术带来的真实改善。

　　一个采用AI辅助的分析岗位，可以同时观察完成周期、事实准确性、结论适用范围和业务采用情况。一个员工服务岗位，可以观察问题是否得到有效解决、需要再次沟通的比例，以及复杂事项是否及时转交。指标不必过多，但应当能够反映最终服务对象的体验。工具调用次数可以帮助了解使用情况，却不适合单独证明工作价值。

　　对于核查与纠错，也需要合理计入工作。员工发现数据口径不一致、补充缺失条件，或者识别不适用的建议，都可能避免后续返工。这样的贡献未必体现在初稿生成速度上，却直接影响交付可靠性。如果评价体系只奖励即时输出，团队可能逐渐减少必要检查，形成难以看见的质量损失。

　　《The Nation》的报道还记录了ITUC首席经济学家Daniel Kostzer的提醒：部分职业存在置换风险，另一些职业则出现工作增加或强度提高。这是来自劳动组织观察的提醒，不能视为所有企业均已出现同类变化的结论。对于企业而言，它提供了一个值得纳入试点评估的观察方向，即技术对完整工作负荷的影响。把员工的实际体验与流程记录结合起来，管理者更容易发现单靠产出数字难以解释的变化。

　　共享方法与维护知识，同样值得进入绩效讨论。有人把成熟流程整理给同事使用，有人更新内部资料，有人负责检查工具在真实场景中的表现，这些工作可以降低团队的重复成本。企业可以根据实际采用和质量结果评价贡献，避免把分享次数或文档数量本身变成目标。这样既有利于个人发展，也有利于团队积累稳定方法。

　　效率改善之后，工作负荷还需要被持续观察。在示意性的管理场景中，某项初稿生成时间缩短，后续审核与协调却增加，如果团队只扩大前端产出，整体工作量可能并没有下降。识别这些变化，需要把完整流程中的时间和任务都纳入观察。企业可以据此决定增加交付量、改善质量，或把资源转向更有价值的工作。

　　绩效调整的关键，是让速度、质量和完整工作成本共同进入判断。 这并不要求每项工作都建立复杂计分表，而是要求管理者能够解释增加产出是否值得。对于高风险、难核查的任务，质量与责任可能更加重要；对于标准明确、容易验证的任务，周期和数量则可以占较大比重。不同任务采用不同评价依据，比统一要求所有员工“效率翻倍”更有实际意义。

　　初级岗位的成长路径，也需要重新设计

　　企业更新人才标准时，还需要考虑新人如何获得这些能力。很多专业判断并不是通过听课形成，而是在整理资料、执行任务、接受反馈的过程中逐渐积累。如果基础工作采用新的完成方式，新人的学习机会也需要相应调整。否则，企业可能提高了招聘要求，却没有建立足够清晰的能力成长路径。

　　这里需要区分一种管理上的前瞻考虑，与已经得到验证的市场结论。某些基础任务适合由工具协助，并不自动意味着初级岗位一定减少，也不能据此判断所有年轻员工都更受影响。不同职业、不同企业的组织方式并不相同，未来变化也需要持续观察。但企业可以主动检查，新人现在通过哪些任务理解业务，哪些学习环节值得保留。

　　以一个假设的分析团队为例，新人过去通过手工整理资料熟悉数据来源。采用AI辅助之后，团队仍然可以要求新人抽查原始材料、解释字段含义、识别缺失信息，并说明分析结论的限制。学习的重点发生了变化，理解业务的要求仍然存在。导师可以根据这些工作判断新人是否形成了独立核查的能力。

　　招聘面试也可以考虑这种变化。企业能够设置接近实际工作的小任务，让候选人在明确工具条件下完成，并解释自己的过程。评价内容可以包括需求理解、信息选择、结果核查和表达能力，而不是只看最终材料是否漂亮。工具可以参与完成任务，候选人仍然需要说明他作出了哪些判断。

　　这样的评估设计，也适合内部转岗与学习验收。员工能够展示完整工作过程，HR与业务负责人就更容易看见能力差距发生在哪里。有人需要加强领域知识，有人需要改善任务拆解，也有人需要学习验证方法。对应的培养措施因此可以更加具体，减少所有员工接受同一套课程的低效投入。

　　新人培养还关系到企业长期的人才供给。人才通常经历过复杂业务场景，也拥有处理例外的经验；未来的人才仍然需要机会建立这些基础。如果企业只关注即时交付效率，却缺少逐步承担责任的安排，可能难以形成稳定的后备队伍。HR可以与业务共同设计任务难度、导师反馈和职责扩展，让新人在新的工作方式中继续成长。

　　HR怎样把外部信号变成一项可执行的工作

　　宏观研究能够提供方向，企业真正开始行动，仍然需要一个可管理的切口。与其同时重写全部岗位体系，可以先选择一个需求清晰、负责人愿意参与、结果相对容易验证的业务场景。范围有限，便于记录投入，也便于识别流程中实际存在的障碍。试点的目的，是形成足够可靠的工作依据，为后续决策提供支持。

　　启动时，可以由业务负责人、HR和技术同事共同描述现有流程。需要完成什么任务，通常由谁参与，资料来自哪里，最容易出现什么返工，这些问题应当有具体答案。团队可以保留一段时间的基础记录，作为后续比较的起点。如果没有现状信息，项目结束后就很难解释改善究竟来自哪里。

　　学习安排则根据任务设计。员工需要掌握哪些操作，哪些判断必须由业务导师示范，哪些知识需要先整理，工具的权限如何设置，都可以围绕实际流程逐项落实。课程与实践不必完全分开，员工可以在处理真实任务时获得指导。对于不适合直接试验的内容，可以采用经过处理的材料或模拟场景进行学习。

　　进入实践后，记录应当覆盖整个任务周期。除了初稿时间，还需要关注复核、修改、沟通和维护，并保留影响结果的主要条件。项目负责人可以定期讨论有效方法、常见错误与尚未解决的障碍。记录的目的，是提高决策质量，而不是给每个动作增加考核负担。

　　评估时，可以把结果与原有工作方式比较，也可以在条件允许时使用相近任务作参照。任务数量、难度、人员经验和时间环境可能影响结果，因此比较时需要说明差异。某次表现改善值得关注，但能否稳定重复、能否由其他员工采用，更适合成为扩大投入的依据。范围越清晰，HR向管理层解释项目结果时就越有底气。

　　试点结束之后，可能出现不同的决策。效果稳定、条件明确的方法，可以继续推广；具备潜力但存在数据障碍的项目，可以先补足基础条件；收益有限的场景，则可以调整方案或暂缓投入。这些结果都能帮助企业更好地分配资源。企业没有必要为了体现转型进度，把所有尝试都解释成值得全面实施的项目。

　　这种推进方式，可以让HR从学习活动的组织者，进一步成为能力变化的协调者。HR能够把岗位需要、学习条件、绩效依据和发展路径连接起来，帮助管理层看见技术变化对人才体系的实际影响。其价值体现在形成可执行的安排，而不只是提供趋势介绍。外部研究也因此获得了企业内部的具体用途。

　　企业最终需要的是一套持续更新的人才能力

　　AI能力的发展速度，很容易让人才讨论陷入追赶新工具的状态。每次出现新的功能，企业都可能重新讨论课程、招聘和组织结构，但业务需要的稳定交付并不会因此自动形成。长期有效的人才体系，需要能够持续判断任务变化，识别能力差距，并用适当投入改善工作。具体产品可以更替，这套判断与调整的方法值得保留。

　　从CEO的角度，这关系到企业能否把技术投入转化为经营能力。购买工具只是其中一个环节，员工是否知道如何使用，业务知识是否可调用，管理者是否能够评价结果，都决定应用能否进入真实工作。人员数量的变化也需要结合需求、质量和组织承载能力判断。先理解完整流程，再讨论资源安排，有助于减少脱离业务的决策。

　　从CHRO的角度，这关系到人才体系的几个环节能否共同更新。招聘识别新的能力，学习支持能力形成，岗位设计提供应用机会，绩效看见实际贡献，职业发展为员工提供成长空间。各环节之间如果缺少衔接，企业就可能在招聘时要求一种能力，在工作中限制这种能力，在评价时又忽略这种能力。协调这些安排，是HR能够发挥的重要作用。

　　从员工的角度，更清晰的组织安排能够减少对模糊要求的猜测。员工需要知道自己为什么学习，哪些任务适合采用新方法，怎样证明已经掌握，以及未来能够承担什么职责。企业能够把这些问题讲明白，学习就更容易与工作发展建立联系。员工的业务经验也有机会通过新的方式继续产生价值。

　　IMF招聘广告分析提供的，是劳动力市场正在变化的一组观察。它不能替企业决定岗位数量，也不能保证每一项技能投入都会带来回报，但能够提醒管理者及时检查原有的人才假设。面对同一项工作，企业是否仍然采用过去的能力要求，是否知道新的工作方法需要什么支持，是否能够识别真正的成果，都值得被放进经营讨论。

　　企业更需要会用AI的人，最终要落实为“企业知道怎样识别、培养和使用这种能力”。 这句话的后半部分，决定了前半部分能否成为现实。能够把工具能力、业务知识与人的判断结合起来，并持续验证工作效果，企业才有机会建立适合新环境的人才体系。人才投入也由此获得更清晰的经营依据，而不必依赖对未来的笼统承诺。

　　参考资料与口径说明

　　本文以2026年10月12日曼谷年会相关研究交流为新闻引子。年会议程与发言者信息由IMF官方页面核查；7亿条招聘广告、两倍AI技能需求与约10%的相对招聘变化，依据现场报道转述，不将新闻报道等同于完整研究方法公开。文中的企业场景为解释管理逻辑而设置的示意或假设，未作为真实公司案例；预算、绩效及人才体系建议为作者分析。

　　《The Nation》：IMF finds AI skills demand twice as high in exposed jobs on October 12，2026年10月12日。

　　https://www.nationthailand.com/business/tech/40072171

　　IMF官方年会议程：Analytical Corner: Labor Markets in Asia: Challenges and Opportunities in the Age of AI，2026年10月12日。

　　https://www.imf.org/en/meetings/2026/annual/schedule/2026/10/12/analytical-corner-labor-markets-in-asia-challenges-and-opportunities-in-the-age-of-ai-212361

　　《Thairath》：IMF Highlights Continued Need for Human Workers with AI Skills in the AI Era，2026年10月12日。

　　https://en.thairath.co.th/money/economics/global_economics/2965741

　　IMF：Bridging Skill Gaps for the Future: New Jobs Creation in the AI Age，Staff Discussion Notes，2026年1月。

　　https://www.imf.org/en/publications/staff-discussion-notes/issues/2026/01/09/bridging-skill-gaps-for-the-future-new-jobs-creation-in-the-ai-age-572136

　　补充说明：“约为两倍”属于高、低暴露职业之间的比较，并非AI技能需求同比翻倍；“约10%”属于特定时期相对低暴露职业的招聘需求变化，并非裁员率。招聘广告中的技能要求、岗位薪酬和实际就业人数属于不同口径，不能据此作出AI只改变技能、不影响人员数量的保证，也不能将某一类岗位的薪酬差异外推为整体工资变化。

　　原文链接：https://mp.weixin.qq.com/s/2XatzJDbsne9q6ngLf9dVg