来源：HRflag

　　一场AI项目汇报会上，最容易被看见的，往往是已经跑起来的人。有人把原本耗时的材料整理变成几分钟的工作，有人开始用AI准备客户方案，还有人主动提出重做部门流程。这些进展当然值得肯定，但会议室外，还有更多员工在处理订单、核对信息、协调现场、解决客户的具体问题。他们维持着企业日常运转，也需要知道，这场变化将怎样进入自己的工作。

　　这是一种常见的管理场景，也为阅读一份新调查提供了入口。2026年9月29日，PwC发布《全球劳动力希望与恐惧调查》，覆盖48个和地区的49，364名员工，调查在今年5月和6月进行。它记录了AI走进工作的速度，也呈现了员工获得成长机会的差异。对于正在推进AI转型的高管和HR负责人，后者尤其值得认真看待。

　　根据PwC官方发布的信息，64%的受访者过去一年在工作中使用过AI，比上年增加10个百分点；每日使用生成式AI的比例，则从14%提高到22%。与此同时，认为自己能够获得所需学习与发展资源的员工比例，从59%下降到51%。技术使用正在扩大，学习支持却没有同步增加，这两条趋势构成了此次调查最值得关注的背景。

　　它提示的管理问题很具体：企业有了更多AI使用者，是否也有了更多能从中受益的人？如果新工具主要在少数人手中转化为机会，组织就需要进一步补齐通道，让更多承担日常交付的员工进入新的工作方式。 AI转型能走多远，既取决于领先者能创造什么，也取决于这些能力能否进入企业的大多数岗位。 这正是高管和HR需要共同处理的下一段路程。

　　同一家企业，员工正在经历不同的AI转型

　　谈论AI进展时，管理者通常会先看部署数量、使用人数和业务试点。这些指标适合判断技术有没有进入组织，却很难完整说明员工的真实体验。两个人都开通了AI账号，一个已经把它用于复杂任务，另一个只偶尔用来润色邮件，获得的帮助可能相差很远。对于企业而言，账号覆盖只是起点，工作能力的变化才是更值得追踪的结果。

　　PwC为理解这种差异，使用了两个维度。一个是员工的技能与经验在劳动力市场上有多稀缺，另一个是员工自报从AI中获得了多少实际收益，包括工作质量、创造力、技能和对雇主的价值。因此，报告所说的AI优势，不能直接等同于使用次数，也不能仅凭员工会不会写提示词判断。一个人即使频繁使用AI，也未必已经改善了关键工作。

　　按这两个维度，受访员工被分为四类：兼具稀缺能力和较强AI收益的“领跑者”，约占14%；技能相对不稀缺、但已借助AI获得优势的“AI突围者”，约占18%。具有稀缺专长、但AI收益较低的“不可或缺者”，约占11%；技能市场优势和AI收益都相对较低的“引擎室”员工，约占56%。报告展示的是调查人群的分布，不能直接当作任何一家企业的人员结构；四项比例合计为99%，也应按展示数字的取整口径理解。

　　“引擎室”这个称呼，有助于避免一种误读。它指向承担大量日常交付的核心劳动力，而非绩效落后者，更不能据此推断他们缺乏能力或工作态度有问题。技能在市场上相对容易获得，与员工在具体团队里的贡献，是两个不同的判断。熟悉客户、理解流程、处理细节、保持交付稳定，这些能力在企业运转中同样有分量。

　　理解了这一点，就能更准确地看待“双速劳动力”。这不是说员工从此被固定在两条轨道上，而是提醒企业，技术带来的机会目前分布得并不均匀。一些人已经能够主动探索下一种工作方式，另一些人还在寻找可用工具、学习时间和适合自己的任务。管理的空间，恰恰存在于这些条件可以被改变的地方。

　　对HR来说，四类员工的划分更适合用作诊断视角，而非制作一张人才名单。它能够帮助团队识别哪里缺工具、哪里缺业务知识、哪里缺实践机会，却不宜直接转化为员工等级。员工今天从AI中获益较少，可能只是所在岗位尚未接入合适场景。把支持补上后，他的位置就可能发生变化。

　　企业因此需要看见两件同时发生的事。少数员工已经形成新优势，他们值得获得继续成长的空间；大量员工拥有稳定交付的经验，他们也值得得到适合自身工作的升级路径。只关注前者，容易低估能力扩散的难度；只谈后者，又可能浪费已经出现的创新动能。把两种需求放进同一套工作设计里，AI才有机会从个人工具变成组织能力。

　　56%的意义，在于他们连接着真实交付

　　企业的工作并不是所有人各自完成任务，再把结果简单相加。客户需求需要从销售传到产品，方案需要经过交付验证，员工问题需要在业务与HR之间形成一致处理。一个环节提速后，下一个环节能不能理解、接收和继续执行，决定了整体速度。AI提高个人产出，最终仍要经过这条协作链才能变成经营结果。

　　以一个假设的企业服务团队为例，客户经理已经能用AI快速整理需求，生成结构完整的方案。交付同事则需要核对实施条件、确认人员安排，并把客户期待转化为可以兑现的计划。如果两边使用的字段、判断标准和知识来源没有对齐，前端产生更多方案，也会产生更多需要解释的内容。团队要获得实际收益，就需要同时改善信息的交接方式。

　　这并非技术能力不足，而是工作方式仍有进一步调整的空间。快速生成文本与完成一次可靠交付，涉及的条件不同，后者需要共同标准、清晰责任和可追溯的信息。大量承担日常工作的员工，恰好处在这些连接位置。他们能否参与AI应用设计，会直接影响工具生成的内容能不能顺利进入业务。

　　同样的逻辑也适用于HR。招聘负责人借助AI更快整理候选人信息之后，用人经理仍需要明确岗位要求，面试官仍需要形成一致的评价依据。学习团队生成了更丰富的培训材料，业务主管仍要安排员工实践，并帮助他们把知识用于真实任务。单点提效值得追踪，跨角色的配合也需要被纳入项目范围。

　　“引擎室”的升级，关系到企业能否把先进能力接入日常交付。 如果工具只在展示场景里表现出色，却没有进入订单、服务、运营和管理的常规工作，价值就很难持续扩大。反过来，熟悉现场的员工一旦参与进来，企业更容易找到那些不显眼、但长期消耗时间的具体问题。这些问题往往更适合成为AI应用的起点。

　　例如，现场人员可能很清楚，某类问题每次都要在不同文档中反复查找答案。客服同事可能知道，客户真正困惑的是某个操作步骤，而非产品介绍不够完整。运营人员也可能发现，一份报表更大的成本在于口径确认，而非文字撰写。让这些经验进入工具设计，往往比先准备一个复杂演示更有助于确定工作的重点。

　　因此，对多数员工的支持可以从真实工作出发。企业不必要求每个人都成为AI专家，却可以帮助更多人学会识别适合交给AI的环节，理解结果如何检查，并知道遇到异常该找谁。这样的能力看上去朴素，却能让团队使用同一种工作语言。当业务链条上的更多人能够参与，少数人的探索才更容易沉淀为普遍可用的方法。

　　学习资源的减少，改变的是进入新工作的门槛

　　AI课程越来越多，并不自动意味着员工越来越容易学习。课程是否适合岗位、工具是否获得授权、练习是否有业务材料，以及主管是否安排时间，都会影响员工能不能真正开始。一个培训平台里有很多内容，与一个人能获得自己需要的帮助，之间仍有距离。PwC此次调查记录的，正是后一种主观体验。

　　HRD对报告的报道提供了一个更具体的对比：领跑者中，79%认为自己能获得所需学习与发展资源，而“引擎室”员工中这一比例为39%。这反映的是不同群体报告的资源可得性，并不能直接证明企业有意把资源只投给某一类人。对于管理者，它更适合作为检查入口，帮助确认学习支持究竟在哪些岗位、哪些工作条件下没有充分到达。

　　资源可得性包含一些很日常的细节。总部职能人员容易参加在线课程，轮班员工却可能需要配合不同班次；使用电脑办公的人容易练习新工具，现场岗位可能需要更适合移动设备的支持。能够自由安排时间的人，可以边学边试，承担即时响应任务的人则需要主管明确留出窗口。课程内容相同，学习条件并不相同。

　　如果这些差异没有进入培训设计，统一推送就容易产生不统一的效果。已经熟悉数字工具的员工，能迅速找到相关内容，并把课程转换为自己的工作方法。缺少练习条件的员工，可能完成了学习记录，却还没有机会把知识用于任务。下一轮项目选人时，前者又更容易进入试点，差距便可能沿着机会分配继续积累。

　　这是一种需要主动调整的组织机制，而非对员工积极性的简单判断。所谓“主动学习”，也需要有人知道学什么、为什么学，以及学完能够在哪件事上用起来。如果企业把学习要求表达得很宏大，把实践入口留得很模糊，就增加了员工独自寻找路径的成本。把一个具体任务讲清楚，往往能让更多人迈出初次尝试的那一步。

　　一个假设的运营岗位训练，可以围绕一次真实的周报整理展开。员工先学习如何把散落的信息归集到固定结构，再练习让AI生成初稿，随后逐项核对数据、来源和业务解释。主管负责判断成品是否达到部门使用标准，而非只看员工是否完成课程。这样的训练结束时，员工不仅获得知识，也带走了一套下周还能使用的工作方法。

　　当学习被嵌入真实任务，企业就更容易发现支持缺口。有的人缺少业务材料，有的人不清楚输入要求，有的人可以生成内容，却不知道如何判断质量。把这些问题分开处理，比笼统要求“提高AI能力”更有操作空间。学习与发展也由此从内容供给，走向工作条件的建设。

　　员工信心的变化，需要结合工作条件理解

　　PwC官方新闻稿显示，每日使用AI者中，68%对工作保障表示有信心，不常使用者中这一比例为57%。这个差距值得关注，但不能据此推断，每天打开AI工具就会自动提高安全感。更好的学习条件、更适合AI的岗位以及更充分的主管支持，都可能与使用频率同时存在。调查呈现的是关联，企业需要进一步了解自己团队里的具体原因。

　　对于员工而言，信心常常来自一个可以验证的变化。原本需要反复查询的资料，现在能够更快找到；过去只能凭经验整理的内容，现在有了可以检查的初稿；面对新的任务，也知道怎样借助工具完成准备。能力改善让员工更容易理解自己还能贡献什么。这种体验比抽象的趋势介绍更接近职业安全感的来源。

　　因此，解释AI转型时，把工具讲得足够强大并不是重点。员工还需要听到企业准备改善哪些工作，自己可以如何参与，以及新的能力将怎样获得认可。如果沟通只有未来愿景，却没有岗位里的具体变化，员工很难判断它与自己的关系。对高管来说，解释技术导入逻辑，本身就是工作设计的一部分。

　　有意义的沟通可以从范围和安排开始。某个项目先支持哪些任务，哪些结果需要人工确认，谁负责提供学习帮助，以及试点阶段怎样收集反馈，都可以讲得具体。对于尚未确定的岗位变化，也可以说明现阶段已知的信息和下一次更新的时间。清晰不要求一次给出所有答案，却要求员工知道信息会从哪里持续获得。

　　员工需要看见，自己在新的工作方式里有一条能够参与、学习并被认可的路径。 这条路径可以从小任务开始，不必一上来就承诺宏大的职业跃迁。主管帮助员工完成一次可靠实践，再把新能力接入后续任务，信心才容易逐步形成。企业也可以借此获得更真实的反馈，了解支持是否真的到达了需要它的人。

　　同样重要的是，员工应当可以坦然讨论工具的局限。一次结果不准确、一次输入不合适，都是改进使用方法的线索；如果团队能够共同复盘，个人不必独自承担探索的全部压力。对新工具保持判断，是能力成长的一部分。组织鼓励的应是可靠使用和持续改进，而非为了展示进步而回避问题。

　　领先者的下一站，取决于企业能否提供更好的工作

　　对多数员工建立学习通道，并不意味着领先者的需求可以暂时放下。PwC调查中，29%的领跑者表示未来一年很可能或极有可能更换雇主，这是一项流动意愿指标，并非已经发生的离职率。它提示企业，获得新能力的人，也会重新考虑自己能够在哪里发展。人才支持因此需要同时处理普遍成长和关键能力的持续发挥。

　　从管理角度看，领先者的变化不只体现在产出速度。一个人发现自己能更快分析问题、尝试方案和完成准备，通常也会希望承担更有价值的任务。如果工作安排始终停留在原有范围，新能力便缺少施展空间。这是企业可以通过岗位设计、项目安排和发展讨论主动回应的需求。

　　留才因此需要超出工具供给。优质账号、进阶课程和培训机会，都能支持员工成长，但不能替代有挑战性的工作、合理的自主权和可理解的发展前景。员工已经能够改善任务时，企业可以让他参与定义下一阶段的问题。能力与责任一起扩展，才更容易形成长期合作的基础。

　　例如，一位善于使用AI的HR伙伴，可以继续提高报告整理效率，也可以参与重新设计员工咨询流程。前者改善个人工作，后者要求他与业务、技术和服务团队共同判断需求，并形成可复用的安排。企业如果愿意提供这种项目机会，也需要明确相应的投入时间、决策范围和贡献评价。否则，新的工作容易只是附加任务，难以形成真正的发展体验。

　　让领先者参与带动团队，也有助于拓宽他们的贡献方式。擅长某个工具的人可以与熟悉业务的同事共同制作范例，记录适用条件和常见问题，再帮助其他人完成初次实践。这样，个人经验逐步变成团队可使用的资料。不过，辅导、测试和方法整理都需要时间，应当被正式纳入工作安排。

　　企业还可以减少关键知识对个人的过度依赖。工具设置、资料来源、判断标准和验证过程，如果能够在授权范围内被记录下来，团队就更容易接续工作。对领先者来说，这也让贡献获得更清晰的呈现，而非只在需要解决问题时被临时想起。知识沉淀与人才认可，可以在同一项安排中得到改善。

　　因此，普及与留才并不必然争夺同一份资源。基础支持帮助更多员工进入AI工作，进阶项目帮助关键人才承担更复杂的责任，两者可以彼此促进。领先者获得团队协作与组织影响力，多数员工获得更贴近工作的帮助。企业由此建设的是一套能够持续产生能力的机制，而非只依赖几位早期使用者。

　　薪资溢价的背后，是工作价值正在重新组合

　　与员工调查相互补充的，是PwC今年6月发布的《2026全球AI就业晴雨表》。这份基于招聘广告等数据的研究显示，AI技能的平均薪资溢价升至62%，上年为57%。它并不是近5万人员工问卷直接得出的薪酬结论，也不意味着某个员工学会AI后就能获得同样幅度的加薪。这个数字更适合用来观察劳动力市场如何评价相关能力。

　　对于高管和HR，值得进一步思考的是能力怎样与工作价值相连。会使用一个工具，只能说明具备了某种操作能力；能够借助工具改善服务、提高判断质量或承担更复杂的任务，才更接近企业所需要的贡献。同一种AI能力，在不同岗位和工作条件下，可能产生不同结果。薪酬与发展讨论因此仍需回到实际职责和可验证的产出。

　　以招聘工作为例，整理信息的速度可以提高，但岗位需求是否准确、面试评价是否一致、用人决策是否得到充分支持，仍需要专业判断。HR如果能把AI用于准备和信息归集，就可能将更多时间用于与业务确认人才要求。这样的变化会逐步调整岗位里的时间分配，也可能扩展工作的责任。能力升级的意义，在于把工具优势接入更重要的业务问题。

　　这给岗位评价带来了新的观察角度。原先按材料数量、处理时长或流程完成度评价的工作，可能需要进一步加入质量、复用效果和协作贡献。如果有人帮助整个团队减少重复查询，他创造的价值就不只体现在自己的任务清单里。企业能够看见这种贡献，员工才更有动力把方法分享出来。

　　广告

　　调整评价并不要求立刻重做全部薪酬结构。企业可以先在具体项目中明确哪些结果值得认可，并记录职责如何改变，再逐步判断岗位价值是否需要重新评估。奖励可以体现为项目机会、专业发展、团队贡献认可，也可以在充分依据下进入薪酬讨论。关键是员工能理解新能力怎样转化为成长，而非只能从外部市场的数字里寻找答案。

　　同时，原有专业能力仍需获得恰当评价。善于使用AI的人，需要业务知识帮助自己判断输出；积累了现场经验的人，也可以通过工具把经验变得更容易传递。两种能力在工作中相互补充，岗位升级因此可以沿着不同路径发生。HR若能呈现这些路径，就更容易让员工看见自己已有能力与未来工作的连接。

　　两类中间人群，是组织能力扩散的连接点

　　四类员工中，位于两端的群体容易获得注意，中间两类却提供了很有价值的合作可能。“AI突围者”已经通过工具获得一定收益，可以继续扩展业务理解；“不可或缺者”拥有稀缺专长，则可以探索怎样借助AI扩大专业能力的作用范围。这是根据报告分类提出的管理分析，而非给每个人规定统一的发展方向。具体安排仍应依据岗位需求和员工实际情况。

　　一个可能的合作方式，是让熟悉工具的人与经验丰富的业务专家共同处理一项任务。前者负责设计信息整理和初稿生成过程，后者负责判断业务条件、例外情况和结果是否可靠。两个人不需要争论谁更先进，而是共同确定哪些内容可以交给AI，哪些判断必须保留在专业人员手中。合作的结果，可以成为其他同事练习和使用的样本。

　　以假设的设备服务场景为例，经验丰富的工程师熟悉故障表现与现场约束，年轻同事可能更善于整理资料和构建问答流程。两者共同完成一份经过确认的故障查询指引，就可能减少重复查找，同时保留专业判断的要求。资料中需要标明适用条件、更新时间以及需要升级处理的情形。这样，经验被整理出来，也没有被简化成不分场景的标准答案。

　　这类合作还可以改善员工之间对彼此价值的理解。熟悉工具的人会看到，真实业务并非只要生成一段文字就能处理；经验丰富的人也会看到，工具可以帮助自己整理和传播知识。双方共同完成任务，比单向要求某一方追赶更容易形成具体进展。HR可以通过项目安排促成这种合作，并使贡献得到合理记录。

　　需要注意的是，经验传递不应只是对员工的额外索取。整理业务规则、检查样本、参与测试，都属于专业工作，需要安排时间，也需要明确使用范围和责任。如果企业希望这些知识持续更新，就要有人负责维护，并让专业人员获得相应认可。知识共享才能从一次活动，逐渐成为稳定的工作机制。

　　对于工具熟练但业务经验仍在积累的员工，发展机会也可以更有针对性。让他们参与真实客户讨论、复盘交付问题，并理解专业标准，比继续增加泛化课程更有帮助。当他们能解释一项结果为什么可用，AI操作能力才更容易转化为职业能力。中间人群由此成为连接技术探索与业务经验的一条通道。

　　直属主管，决定学习能不能进入工作日程

　　员工能否使用新方法，很多时候取决于直属主管怎样安排日常工作。培训部门提供了课程，技术团队开通了工具，主管仍需要决定员工何时实践、哪些任务适合尝试，以及谁负责检查结果。如果这些安排没有落到团队层面，支持就容易停留在通知里。主管因此是AI转型进入日常工作的重要连接者。

　　主管自身也需要清晰的帮助。一个负责交付的经理，要平衡进度、质量、人员安排与客户要求，不能仅凭一句“鼓励创新”判断可以怎么做。企业可以提供适合部门的任务示例、基本验证标准和咨询渠道，让他能够做出可执行的安排。对于需要跨部门解决的权限或数据问题，也应有明确的升级路径。

　　学习时间尤其需要进入工作计划。员工承担的常规任务没有变化，新增学习就需要主管调整顺序、安排替补，或减少一部分低价值的重复工作。这些调整未必很大，却会影响员工能否持续实践。企业若希望学习成为正式工作的一部分，就需要让团队在任务和考核上获得相应空间。

　　一个可行的安排，是围绕部门已有任务保留短而稳定的练习窗口。团队选择一项适合尝试的工作，用经过授权的材料完成练习，再由主管或专业人员确认结果。发现的问题进入下一次改进，而不是在课程结束时一起归档。这样，学习与交付互相连接，也更容易控制试点范围。

　　主管的评价方式同样需要跟进。员工刚开始实践时，进展可能体现在减少一个错误、补全一个信息缺口，或者形成一份更容易复用的说明，而非立刻大幅提高产量。如果团队能够确认这些改进的价值，就更容易保持学习动力。评价新能力时，质量和稳定性应与效率一起进入讨论。

　　对主管贡献的认可，也可以从团队能力出发。有人帮助更多同事掌握了同一种方法，让新人更容易接续任务，或者减少了团队对单个专家的重复求助，这些都值得被看见。把能力建设纳入经理职责，可以让AI应用与日常管理更紧密地结合。技术推广由此不再仅靠项目团队推进，也获得业务管理的持续支持。

　　培训结束之后，还需要一段从会用到能交付的路

　　AI学习的难点，有时出现在课程之后。员工在演示里看懂了操作，回到岗位却面对不完整的资料、复杂的例外和不确定的质量标准。课堂上的问题结构清晰，真实工作的条件则需要进一步整理。如果企业愿意支持这段转换过程，培训就更容易形成持续结果。

　　因此，学习机制可以保留一个基本共同起点，再根据岗位提供不同实践。共同起点包括了解工具的适用范围、输入材料的处理要求、结果检查方法，以及遇到问题如何寻求帮助。岗位实践则应围绕真实职责展开，让员工完成与自己有关的工作。普及保证更多人能够进入，差异化支持帮助他们走得更稳。

　　对于现场岗位，实践内容可以是从明确的资料库中寻找规定和操作说明，而非要求每个人都生成复杂报告。对于HR服务人员，可以围绕员工常见问题整理回复依据，并确认需要人工处理的情况。对于专业岗位，则可以从比较方案、整理证据或准备讨论材料开始。不同岗位的使用方式可以不同，可靠交付的要求仍需清晰。

　　学习过程中的支持也应尽量接近任务发生的位置。员工遇到问题时，能够找到可参考的范例、知道向谁咨询，并获得简明反馈，比单纯增加课程数量更有帮助。范例需要保留资料来源、适用条件和验证方法，便于同事理解它为何成立。只有提示词而缺少这些信息，方法就很难在不同条件下可靠复用。

　　企业真正需要普及的，是借助AI完成可靠工作的能力，而非一种表面一致的操作方式。 有些岗位适合日常使用，有些岗位只在特定环节使用，有些任务则暂时没有合适场景。管理者可以依据质量、成本和业务需要作出判断，不必用统一频率衡量所有人。这样的安排，也更容易让员工把注意力放在工作结果上。

　　学习是否有效，可以在一段时间后回到任务里观察。员工能否独立完成曾经需要反复求助的步骤，结果能否达到团队标准，其他同事能否顺利接续，都比单纯的课程完成率更接近业务价值。如果方法还不能稳定使用，就继续找出原因并补齐支持。学习机制由此形成反馈，而非只留下参加过培训的记录。

　　HR需要把成长机会，做成可以持续运行的机制

　　对HR负责人来说，这份调查可以成为重新检查人才发展安排的契机。讨论的起点可以从“还要增加多少AI课程”，推进到“员工进入新工作的条件是否充分”。这涉及学习资源，也涉及岗位任务、主管安排、项目选人和贡献认可。HR的作用，是让这些分散的安排形成相互支持的机制。

　　预算分配可以先保留面向全体员工的基础支持，再针对关键岗位和具体场景提供进阶投入。基础支持确保员工有工具入口、基本学习和寻求帮助的渠道，进阶投入则服务于更加复杂的业务任务。这样的设计不要求平均分配每一笔费用，而是保证不同员工都能找到适合自己的起点。资源的差异应当能够被解释，也应当能够根据实际结果调整。

　　项目选人也可以从单纯寻找已有能力，扩展为寻找合适的能力组合。一个试点团队既需要工具熟练者，也需要熟悉日常交付的人，还需要能够判断专业质量的人。参与人员如果覆盖真实工作中的不同角色，方案就更容易经受使用条件的检验。对员工来说，试点也因此成为学习和贡献的机会，而非只能由少数人进入的展示舞台。

　　内部职业流动则提供了另一种支持。员工在现有岗位形成新能力后，可以通过短期项目、跨团队协作或适当轮岗，把能力用于更多问题。企业需要让这些机会更容易被了解，并明确选拔条件、投入方式和项目结束后的评价。这样，员工不必仅靠个人关系寻找发展路径，组织也更容易识别正在成长的能力。

　　在数据上，HR可以把资源可得性、实际实践与业务结果放在一起观察。某个团队使用率不高，可能是任务不适合，也可能是授权或时间安排尚未到位；某个团队课程完成率很高，也仍需确认员工有没有真正用起来。指标之间的关系，比孤立排名更有助于改进支持。对于不同工作条件的员工，分析也应保留必要的背景。

　　员工反馈在这里有直接价值。学习资源是否够用、指导是否清楚、主管是否支持，以及新能力有没有获得使用机会，都可以通过短而具体的讨论了解。反馈收集之后，应当有人负责处理，并把改进安排告知员工。员工看到意见能够影响后续工作，才更容易继续参与到变化中。

　　一个季度的行动，可以从一条业务流程开始

　　这些安排并不意味着企业必须同时改造所有岗位。对资源有限的团队，更实际的起点是选择一条有代表性的业务流程，把不同角色的工作连起来观察。以下是一种可供讨论的季度安排，属于管理建议，并非PwC报告规定的步骤。企业可以依据自身节奏和业务条件调整范围。

　　在最初的诊断阶段，团队可以邀请业务人员、HR、技术支持和相关专业人员共同梳理流程。讨论围绕具体任务展开，找出重复查找、材料整理、信息交接或解释口径上最耗时的部分。同时确认哪些资料可用、哪些结果需要专业检查，以及员工现在最缺少什么帮助。诊断的产出应是一个范围清楚的问题，而非一份笼统的AI需求清单。

　　进入试点后，可以选取少量真实任务，提供工具、范例和必要的指导时间。不同经验的员工共同参与，主管负责协调实践与常规交付，专业人员负责确认结果质量。每次使用都记录适用条件、问题和修改过程，逐渐形成可以解释的方法。试点规模可以较小，但要让整个任务从输入到交付都有明确责任。

　　后续评估则需要回到实际工作。除了记录完成时间，还可以观察返工、查询次数、交接是否清晰以及员工能否独立接续任务。某个环节节约了时间，也应确认是否把核对负担转移到了其他环节。能够稳定改善整体工作的方法，再逐步扩展到更多人员和相似任务。

　　这个过程中，成本也需要被完整看见。工具费用之外，专业检查、资料整理、培训和维护都需要投入，项目不能只按生成速度判断收益。与此同时，一套可靠方法帮助多个同事减少重复工作，也可能在更长时间内产生价值。把投入与使用范围对应起来，企业就更容易决定哪些应用值得继续建设。

　　季度结束时，最有意义的成果，是一条流程获得了可持续的改进。参与者知道怎样使用，主管知道怎样安排，专业人员知道怎样验证，后续同事也能理解方法从何而来。即使初步收益有限，这些信息仍能帮助企业作出下一步决定。相比继续扩大演示数量，一段经过实际交付验证的工作经验，更有利于后续推广。

　　让更多人跟上，是把转型变成企业的日常能力

　　PwC这份近5万人调查的价值，在于把AI进展放回员工的工作体验中。技术正在普及，但从工具中获得收益，需要学习条件、业务场景和组织安排共同支持。不同员工的起点各异，发展需求也不完全相同。企业拥有的管理空间，是让这些差异获得恰当回应，并让能力沿着工作关系不断传递。

　　对高管而言，下一阶段可以更关注AI怎样进入关键流程，以及员工如何参与其中。对HR而言，可以进一步连接岗位发展、主管支持和学习机制，让新能力有机会用于真实任务。两种视角需要在同一项业务改进中相遇，才能减少技术部署与人员发展之间的距离。企业也由此更容易判断，投入究竟改善了哪些工作。

　　回到开头的汇报会，领先者的进展依然值得展示。与此同时，报告里也可以呈现更多承担日常交付的同事怎样获得帮助，哪些专业经验进入了新方法，以及下一批员工准备从哪里开始。这会让AI转型拥有更完整的画面，也让更多人理解自己能够作出的贡献。所谓让56%的员工跟上来，是为这些参与提供一条具体可走的路。

　　AI转型的长期价值，要通过一支能够持续学习、稳定协作并完成真实交付的团队来实现。 领先者可以推动探索，专业人员可以提供判断，日常岗位可以把方法落实到每一次工作中。当这些贡献能够连接起来，企业获得的就不只是几位员工更快的产出，而是一套更容易延续和扩展的能力。更多人的成长机会，也会因此成为企业下一阶段发展的条件。

　　资料来源与数据说明

　　本文以2026年9月29日发布的PwC全球员工调查为引子，结合官方报告、新闻稿和相关报道进行管理分析。文中的企业服务、运营训练、设备服务及季度安排均为说明思路的假设场景或行动建议，不代表某家企业已经实施的案例。员工分类依据市场技能优势与自报AI收益，不能视为绩效排名；流动意愿不等于实际离职，使用频率与信心的关联也不等于因果。

　　薪资溢价来自2026年6月发布的另一份PwC研究，本文已与员工调查区分。调查结果反映受访人群的总体情况，具体企业仍需结合自己的岗位、地区和业务条件判断。以下集中列出参考资料，便于进一步核对数据与原始表述。

　　1. PwC，《Global Workforce Hopes and Fears Survey 2026》，2026年9月29日。核心参考：调查方法、AI收益分类及不同员工群体的特征。

　　https://www.pwc.com/gx/en/1/issues/workforce/hopes-and-fears.html

　　2. PwC，《Companies risk losing their most AI-savvy employees while leaving majority behind》，2026年9月29日。核心参考：AI使用率、学习资源可得性、工作保障信心与人才流动意愿。

　　https://www.pwc.com/gx/en/news-room/press-releases/2026/companies-risk-losing-ai-savvy-employees.html

　　3. Human Resources Director，《These ‘key’ workers feel left out of learning and development access》，2026年9月30日。核心参考：不同员工群体的学习资源可得性对比。

　　https://www.hcamag.com/au/news/general/these-key-workers-feel-left-out-of-learning-and-development-access/591857

　　4. PwC，《AI reshapes global labour market into two distinct paths， rewarding human skills: PwC 2026 Global AI Jobs Barometer》，2026年6月15日。核心参考：AI技能薪资溢价及其独立研究口径。

　　https://www.pwc.com/gx/en/news-room/press-releases/2026/pwc-2026-ai-jobs-barometer.html

　　5. TechNews科技新报，《AI造成技能落差加深，PwC建议企业加强员工培训避免人才流失》，2026年10月1日。作为选题引子的新闻参考，本文数据优先以PwC官方来源核对。

　　https://technews.tw/2026/10/01/pwcs-huge-survey-of-50000-workers-says-ai-is-splitting-employees-into-4-distinct-groups/

　　原文链接：https://mp.weixin.qq.com/s/r5tdlTq0DLnhdLWUbhlVew