来源：HRflag

　　过去两年，企业讨论AI，最容易达成共识的是效率。报告可以更快完成，客户资料可以更快整理，招聘信息可以更快匹配，许多原本需要反复处理的工作开始有了新的做法。但到了薪酬会议上，讨论往往会慢下来：员工的工作方式变了，岗位名称未必变；部门的产出增加了，个人究竟贡献了多少，也未必有清楚的记录。

　　如果一位员工用AI把某项工作的交付周期缩短了，另一位员工把这套方法整理成团队可以使用的流程，企业应该如何分别认可他们？如果外部候选人因为拥有同类能力获得更高报价，内部培养出来的员工又应该如何定价？这些问题看起来属于薪酬管理，实际上已经进入AI转型的核心：企业如何识别新的价值，如何让创造价值的人愿意继续投入。

　　Payscale于2026年9月24日发布的《AI劳动力影响报告》预览，把这件事推到了台前。根据其新闻稿，49%的雇主端受访者表示，现有薪酬结构没有跟上AI带来的变化；48%认为，现有市场薪酬基准已经不能反映相关岗位需要的技能。与此同时，23%的雇主已经将AI熟练度视为不再给予额外奖励的基本要求，研究将这种做法称为“free fluency”。这份研究随后被Workforce Observer于10月2日的报道关注，成为近期人才管理讨论中的一个切口。 [1] [2]

　　三个数字放在一起，透露出一个值得高管和HR关注的变化：企业正在提高能力要求，但对于这些能力应该怎样进入薪酬体系，市场还没有形成一致的答案。有的企业愿意为稀缺能力支付额外报酬，有的企业将基础使用能力纳入岗位常规要求，两种选择都可能有其业务依据。真正需要解释清楚的是，两种做法之间的边界，以及员工沿着这条边界向前走时，能够获得怎样的回报。

　　AI转型走到薪酬这一步，企业面对的已经是价值分配问题。 工具采购、培训投入和流程试点可以让AI进入工作，但持续的能力建设还需要员工相信，新增贡献会得到识别。对于CEO、CHRO和业务负责人而言，接下来的管理议题，是让岗位、能力、责任和回报逐渐形成能够相互解释的关系。

　　工作已经换了做法，工资仍按原来的岗位定价

　　传统薪酬管理有一套成熟的工作顺序：明确岗位职责，评估岗位价值，寻找市场参照，再确定薪酬区间。这套方法的优势在于稳定，员工可以理解不同职级之间的差异，管理者也能在预算范围内作出相对一致的决策。AI带来的挑战，是同一个岗位里的任务组合可以在较短时间内发生变化，而岗位说明书、职级体系和市场数据的更新通常需要更长时间。

　　以招聘岗位为例，同样叫“招聘专员”，实际承担的工作可能已经有所不同。有人主要完成职位发布、候选人沟通和面试安排，有人开始借助AI整合人才资料、改善职位描述，并把招聘流程中反复出现的问题转化为可复用的方法。后一种工作仍然属于招聘，但其中已经增加了流程设计、信息判断和跨环节协作的内容。

　　这并不意味着只要使用AI，就应该提高岗位等级。辅助起草邮件和重新设计招聘流程，虽然都涉及AI，承担的责任并不相同，所需能力和组织影响也有差异。HR真正需要识别的是，员工是否只是换了工具，还是持续承担了原岗位没有要求的职责。

　　当这种差异没有写进岗位体系，薪酬决策就容易变得依赖个别判断。业务负责人知道某个人“用得很好”，却未必能说明好在哪里；薪酬团队知道某类候选人报价更高，却未必能找到对应的内部职级。双方都掌握了一部分信息，但缺少一套共同的描述方式，预算讨论因此很难直接落到价值判断上。

　　更细的变化发生在任务之间。过去，整理材料和初步分析可能占用同样的工作时间，AI介入之后，整理部分缩短了，分析部分却可能要求员工投入更多精力，承担更大的解释责任。如果企业仍然按照旧有时间分配理解岗位，就容易把员工新增的判断工作当成原职责的一部分，也难以发现其工作复杂度已经提高。

　　对于高管而言，这种错位会影响对团队能力的判断。一个部门表面上没有新增职位，实际上可能已经有人承担流程负责人、工具协调者或质量把关者的职责，而这些职责尚未获得正式安排。把变化识别出来，既有助于更准确地讨论薪酬，也能让组织知道哪些能力应该推广，哪些责任需要明确归属。

　　岗位更新因此需要从工作现场开始。员工最近交付了什么，哪些步骤被AI改变，谁决定输出可以进入业务，谁负责处理例外情况，这些信息比在岗位说明书里增加一句“熟悉AI工具”更有用。只有岗位内容描述得足够具体，后面的市场比较和薪酬安排才有可靠起点。

　　“AI技能”四个字，装不下真正的能力差异

　　薪酬讨论里一个常见的困难，是“AI技能”被用来描述过多不同的能力。会与通用模型对话、会验证模型结果、会将工具接入业务流程，以及会设计和维护AI系统，都可能被放进同一个标签。标签越宽泛，企业越难判断它与某个岗位的实际价值有什么关系。

　　基础使用能力可以包括起草、总结、检索和信息整理。在企业已经提供工具、明确使用边界并安排必要培训的情况下，这类能力可以逐步成为部分岗位的常规要求。它能帮助员工完成本职工作，但是否值得额外付薪，还需要结合原来的岗位要求和当地人才供给，而不能单独由“使用了AI”决定。

　　再往前一步，是能够把AI放进具体业务流程。员工需要理解输入来自哪里，输出交给谁，哪些环节需要人工审核，出现错误后如何修正，还要考虑其他同事能否顺利接手。这样的能力已经超出了个人操作熟练度，其价值在于让一个部门的工作变得更稳定、更容易复制。

　　还有一类能力，体现在复杂判断和系统责任上。有人能够处理模型在专业场景中的不确定性，安排合适的验证过程，协调数据和技术资源，并对持续运行的效果负责。对这些岗位而言，使用工具只是工作的一部分，专业知识、系统思维和承担责任的能力，才是企业愿意投入更多资源的重要依据。

　　为了看清差别，可以设想一个用于说明的内容团队场景，这不是某家公司的真实案例。甲员工利用AI快速生成初稿，乙员工不仅生成初稿，还建立资料核验、风格调整和发布审核流程，让团队其他成员也能稳定使用。如果仅按照AI使用次数判断贡献，甲可能看起来更活跃；如果观察团队交付质量与协作成本，乙的价值会更加清楚。

　　这种差别也提醒企业，能力认证需要贴近业务。培训结业证明可以说明一个人接触过相关知识，却不能直接说明他能否在真实工作中持续交付合格结果。更可靠的判断，需要看到具体任务、处理过程、异常应对，以及成果能否经受业务使用的检验。

　　企业为AI能力定价，需要先说明买到的是什么。 如果招聘要求、员工评估和薪酬理由使用的是三个不同版本的“AI技能”，定价就很难稳定。把宽泛标签拆成可观察的工作行为，能够让候选人更清楚岗位要求，让员工更清楚成长方向，也让管理者更容易解释回报差异。

　　基础能力可以成为门槛，新增贡献仍然需要出口

　　将AI熟练度纳入岗位基本要求，是一个可以理解的管理选择。许多工具在进入工作早期会形成差异，普及之后则逐渐成为日常能力，企业没有必要为每一种基础操作设置长期补贴。问题在于，从稀缺能力转向普遍要求的过程中，工作边界、培养条件和员工预期也需要同步调整。

　　判断一项能力是否适合作为基线，可以观察它与本职工作的关系。企业是否已经提供统一工具，是否有清楚的操作标准，普通员工是否能在合理学习时间内掌握，以及这项能力是否已经成为同类岗位的普遍要求，都会影响判断。如果这些条件尚未具备，直接宣布所有人都应该熟练使用，容易让一项能力要求变成难以执行的口号。

　　基础能力的普及，也不会自动消除更高水平贡献之间的差异。能够使用AI整理信息，与能够发现信息缺口、修正错误并改善决策，是不同的工作表现。企业可以将前一种能力逐渐纳入岗位要求，同时继续认可后一种能力带来的业务贡献，薪酬体系需要容纳这种分层。

　　员工关心的往往也并非每学会一个工具就立即加薪。他们更希望知道，新增职责是否会被记录，持续改善是否会进入绩效，承担更复杂工作是否有机会进入更高职级。回报可以由不同机制承接，但机制需要清楚，不能把所有期待都留到年度评估时临时解释。

　　对于已经为稀缺能力提供额外奖励的企业，能力逐渐普及之后也需要区分两件事。未来招聘的定价规则可以随着市场变化重新评估，现有员工的待遇安排则涉及既有约定、岗位变化和组织信任，不能简单依据工具普及程度处理。讨论的重点应该放在职责和价值是否仍然存在，以及员工是否有向更高层次发展的通道。

　　基线能力还需要对应基线支持。企业要求员工使用AI处理日常任务，就需要明确哪些工具可以使用、哪些资料可以输入、怎样验证结果，并为学习预留合理空间。把这些条件安排好，员工才有机会在同一个起点上接受能力评价，也更容易理解为什么基础熟练度逐步成为岗位要求。

　　因此，“不为基础使用单独加薪”需要搭配一套完整解释。企业可以说明常规能力的标准，也可以说明流程改善、专业判断和责任扩展如何获得认可，使员工看到下一步发展的可能。薪酬沟通做到这一层，AI要求才能成为可以努力达到的目标，而不是不断增加却没有边界的职责。

　　同一个岗位名称，市场上可能已经是不同的价格

　　外部人才市场为企业提供参照，但市场也需要被正确理解。在相同岗位名称下，有的职位只要求基础工具使用，有的职位要求独立完成自动化流程，还有的职位需要对系统效果负责。如果HR只比较名称和经验年限，看到的薪酬差异就可能混合了岗位内容、责任范围和技能要求的差异。

　　近期关于AI薪酬溢价的研究说明，这种差异值得认真观察。PwC的2026年AI就业晴雨表官方材料指出，要求特定AI技能的岗位存在平均62%的薪酬溢价，其分析覆盖大量招聘广告及相关数据。这个数字提供了市场信号，但它是跨市场的统计结果，不能直接理解为某位员工学会使用一个工具，就应获得同等幅度的加薪。 [3]

　　企业真正需要的是与自身业务相关的可比信息。岗位所在地区、行业、职级和职责范围需要接近，薪酬中固定工资、奖金和其他回报的口径也需要一致，之后才有条件讨论某项能力带来的差异。招聘广告标注的薪酬范围与最终录用待遇，也应分别记录，避免把所有信息当成同一种成交价格。

　　这意味着市场数据的使用可以更加细致。传统薪酬调查仍然能够提供较稳定的职级和岗位参照，招聘过程中的候选人报价、录用接受情况和能力要求，则能补充近期变化。不同信息各有价值，关键是知道它们回答的是什么问题，而不是看到一个更高的数字就替换全部原有标准。

　　对正在招聘的企业而言，还需要记录价格背后的业务原因。一位候选人获得更高报价，可能是因为能够缩短系统部署周期，也可能是因为承担更大的质量责任，或者拥有难以快速培养的专业组合。把这些理由留下来，未来评估内部员工时，才能使用相同标准，减少外部录用与内部成长之间的解释落差。

　　短期需求也值得与长期岗位价值分开处理。某个项目急需的能力可能暂时稀缺，但项目结束后是否仍然需要，还要观察业务规划和人才供给。企业可以为阶段性需求安排明确的回报，也可以为长期职责调整岗位等级，两类安排有不同用途，混在一起会增加后续管理难度。

　　市场薪酬基准的价值，在于帮助企业理解可比工作怎样被定价。 AI让这种比较需要更多岗位细节，HR因此需要同时阅读数字和工作内容。当薪酬团队能够说明每一个溢价对应什么责任、什么能力和什么人才市场，业务负责人就更容易判断这笔投入是否合理。

　　员工节省了时间，企业就已经获得收益了吗？

　　AI能力进入薪酬体系，还绕不开一个更具体的问题：贡献如何计算。员工完成同一项任务所花的时间减少了，确实是一个值得记录的变化，但节省时间和形成可持续业务收益之间，还有一段需要解释的过程。产出的质量是否稳定，后续审核是否增加，省下来的时间是否真正用于其他有价值的工作，都会影响最终判断。

　　可以设想一个仅用于测算说明的业务场景。某项资料整理工作每月发生20次，员工每次借助AI节省两小时，表面上相当于每月释放40小时，但这个结果并不能直接按工资折算为现金节约。如果核验和维护额外消耗10小时，净释放时间应重新计算；如果这30小时帮助团队完成了原本无法及时交付的客户工作，才可能进一步形成收入或服务价值。

　　这种测算不需要无限复杂，却需要保留基本的成本意识。工具费用、数据准备、流程维护和人工审核都属于工作的一部分，贡献判断应该观察完整流程，而不是只看生成结果的那一分钟。对财务负责人而言，这样的说明比一句“效率提高很多”更容易进入预算讨论。

　　实际研究也表明，AI对不同员工的帮助可能并不相同。NBER《Generative AI at Work》工作论文基于5179名客服人员的数据发现，使用AI辅助工具后，按每小时解决问题数量衡量的生产率平均提高14%，新手和低技能员工的提升达到34%。这些结果来自特定客服场景，为企业理解能力提升提供了参考，但不能直接套用到所有岗位。 [4]

　　这一研究引出的管理思考，是把个人进步与组织提供的支持同时纳入判断。新员工可能因为获得更好的工具和知识支持而明显改善表现，员工的贡献则可能体现在识别复杂情况、提供高质量经验和完善流程上。企业如果只奖励提升幅度，容易忽略那些帮助系统和团队共同提高的人。

　　质量还需要进入同一张评估表。完成更多任务固然重要，但如果错误率、返工量或者后续解释工作增加，整体收益可能会发生变化，甚至需要重新选择使用方式。相反，某项AI应用未显著增加数量，却让结果更一致、让业务人员更容易理解，也可能具备真实价值。

　　贡献归属同样需要留出讨论空间。一套流程可能由业务人员提出需求，由技术团队完成配置，再由一线员工不断修正，最终收益属于共同投入的结果。绩效和奖励既需要识别关键个人，也需要鼓励协作，否则组织容易只记录最容易展示的成果，而遗漏持续维护的工作。

　　把这些环节连起来，薪酬决策的依据就会更扎实。企业能够看到能力如何进入任务，任务如何改善流程，流程如何形成业务结果，再决定采用怎样的回报方式。员工也更容易理解，真正被认可的是能够持续交付的贡献，而不是使用工具的表面热闹。

　　内部培养出来的人，如何获得与外部人才可比的评价

　　招聘和内部培养，本来可以相互补充。外部人才带来新的经验，内部员工理解企业的业务、客户和协作方式，二者各有优势。AI使这种互补关系更加重要，因为很多应用能否真正落地，取决于工具能力与企业现场知识能否结合。

　　Payscale的研究预览显示，74%的雇主计划在未来12个月投入AI技能提升，而56%的员工认为，发展AI能力应该获得更高报酬。两组数字来自不同的雇主端和员工端调查，不能直接推算同一家企业里的意见差距。它们共同提示了一个需要提前沟通的问题：培养计划中的能力增长，如何与员工的发展和回报相连接。 [1]

　　企业投入培训，员工投入学习时间，双方都在为未来能力作出投入。对于员工来说，课程结束后能否获得更有挑战的任务，项目成果能否被记录，持续承担新职责能否改变职业发展，都影响他对投入价值的判断。对于企业来说，把这些安排衔接好，才有条件将培训成果持续转化为业务能力。

　　广告

　　内部人才的定价困难，有时来自信息呈现方式。外部候选人的能力会在招聘过程中被详细介绍，薪酬要求也会被明确讨论；内部员工新增的能力则可能散落在日常任务里，缺少一次完整整理。于是，组织对前者拥有清楚的“能力说明”，对后者只有一个笼统印象，两类人才的评价起点就不相同。

　　这种差异可以通过统一评估方式缩小。企业在录用外部候选人时要求展示项目和工作方法，也可以为内部员工提供类似的能力复核机会，把日常改善整理成可观察的证据。复核的重点应放在岗位相关能力和实际责任上，避免把善于自我表达误当成更有贡献。

　　在一个用于说明的薪酬场景中，某位内部员工经过培养，已经能够承担新招聘岗位要求的核心工作，外部候选人则在同等职责下获得更高报价。这时，企业需要比较的包括岗位范围、能力成熟度和绩效表现，还包括待遇差异是否来自入职时点或者其他合理因素。如果差异已经缺乏解释依据，就有必要进入薪酬复核，而不是只依据“内部员工原本拿多少”继续定价。

　　这种复核并不要求所有薪酬立即完全一致。员工的经验、持续表现和承担范围仍然可能不同，调整也需要考虑预算和既定规则。关键在于，内部员工能够获得使用同一套标准接受评价的机会，组织能够解释差异，并为达到新标准的人提供明确通道。

　　人才保留因此可以更早进入管理流程。岗位发生变化、员工完成关键项目或者市场报价持续变化，都可以成为复核触发点，不必等到员工手中已有外部录用通知才讨论其新增价值。对于企业来说，早一些形成判断，也意味着业务连续性、接班安排和人才预算可以被放在一起考虑。

　　薪酬架构要稳定，能力回报可以有不同的承接方式

　　当AI相关能力变化较快，所有奖励都进入固定工资，未必适合每一家企业。固定工资承接长期职责和稳定岗位价值，一旦调整，企业就需要持续承担相应预算，也需要能够解释与其他岗位之间的关系。因此，讨论能力回报时，可以先判断贡献的性质，再选择合适的方式。

　　如果员工长期承担了新的系统维护、质量审核或者跨部门流程责任，岗位评估就有必要重新检查。此类变化可能影响职责范围和工作复杂度，也可能对应更高的岗位等级，固定薪酬调整可以建立在正式评估之上。让长期责任有稳定承接方式，有助于员工理解组织对其工作的持续期待。

　　如果能力主要用于一个阶段性项目，项目奖励或者期限明确的专项安排可能更合适。它们可以对应明确的交付要求和投入周期，使企业在认可贡献的同时保留预算弹性。安排时说明适用条件、评估节点和结束方式，也能够减少员工对奖励性质的误解。

　　如果员工改善了某项业务结果，绩效机制可以承接这部分贡献。评估不必为了AI单独增加大量指标，但可以在原有交付质量、效率和服务结果中记录改变，并说明员工起到了什么作用。这样既能保持绩效体系与业务相连，也能避免为了展示AI使用情况而偏离本职目标。

　　对一些员工而言，职业发展机会同样重要。能够参与更复杂项目、获得跨部门协作机会，或者进入新的专业路径，可以帮助他们把刚获得的能力继续发展下去。但这种安排需要明确的职责和资源支持，不能只是给员工增加任务，再用“成长机会”解释所有新增投入。

　　团队贡献则可以通过共同目标和成果认可承接。一套可复用流程往往依赖多人参与，奖励如果只集中在最终演示者身上，就难以反映真实协作关系。企业可以在项目开始时说明团队收益如何认定、关键个人贡献如何记录，让维护、支持和知识分享都具有被看见的可能。

　　不同回报方式并存，需要避免重复计算。某项长期职责已经纳入岗位等级，其常规完成情况可以继续进入绩效，但不能因为同一能力被反复贴上不同标签，就默认产生多次额外奖励。清楚说明固定工资、专项安排和绩效奖励分别对应什么，能够让预算和员工预期都更加稳定。

　　AI时代的薪酬灵活性，可以建立在稳定的岗位架构之上。 企业既能保留对长期工作价值的判断，也能为阶段性稀缺能力和项目贡献设置出口。员工看到的则是一套可以理解的关系：承担什么责任、达到什么结果，对应怎样的回报和发展机会。

　　能力认证要靠近真实工作，也要给员工相近的机会

　　薪酬与能力连接得越紧，能力如何被证明就越重要。如果认证依赖某种课程证书或者一次工具演示，企业可能看到的是学习记录与展示能力，未必是工作能力。更贴近岗位的评估，需要让员工在具体任务中说明自己的判断和处理过程。

　　例如，评估一位招聘人员的AI能力，可以围绕实际招聘流程开展。员工需要解释如何整理岗位需求、核验候选人资料，怎样处理信息不足和结果偏差，以及哪些决定必须保留人工判断。观察这些环节，能够比询问“会用哪些模型”更清楚地了解其专业水平。

　　评估财务、营销或者运营岗位，也可以沿用这种思路，但任务应由相应业务负责人参与设计。财务关注数据与业务解释是否准确，营销关注内容和客户目标是否一致，运营关注流程是否稳定和异常能否处理。不同岗位具有不同的价值标准，统一的是证据要求，不必统一成同一种操作考试。

　　证据还需要一定的连续性。一次成功交付可以说明员工有潜力，多个周期中的稳定表现，则更有助于判断能力是否成熟，能否承接长期职责。企业也可以让其他同事尝试使用其方法，观察成果是否依赖本人持续介入，从而区分个人熟练与组织可复用能力。

　　与此同时，评价机会需要足够接近。有人能够参与核心项目，获得更完整的数据与工具权限，有人受岗位安排限制，只能接触基础应用，如果不记录这些差异，能力比较就可能混入资源差异。HR在设计评估时，需要了解员工获得了什么任务和支持，才能更准确地解释结果。

　　这种做法并不会降低评价标准。它帮助管理者识别哪些差异来自能力，哪些来自岗位机会，从而决定是给予回报、安排培养，还是提供新的实践条件。对于暂时没有机会参与AI项目的员工，组织也可以保留通向相关岗位的路径，让能力建设不会只发生在少数熟悉工具的人身上。

　　认证结果更好能够进入真实的人才决策。员工完成能力复核后，可以获得项目匹配、岗位发展或者薪酬评估的具体信息，而不是仅在系统中多一个标签。只有认证与实际机会之间形成连接，员工才会愿意持续更新证据，业务部门也会更愿意参与评价。

　　评估规则还需要能够被解释和复核。管理者依据什么作出判断，员工认为哪部分贡献被遗漏，新增能力是否确实改变了职责，都可以进入必要的讨论。当一个组织准备为AI能力支付不同报酬时，可信的评价过程会成为薪酬认可的重要基础。

　　HR自己的岗位，也需要进入这次重新评估

　　讨论AI薪酬时，HR很容易把自己放在制度设计者的位置，却忽略本部门的工作也在变化。招聘、学习发展、薪酬分析和员工服务都有机会借助AI调整流程，但相应的专业责任也可能随之增加。HR既要理解其他岗位的新能力，也要描述清楚自身工作的变化。

　　薪酬分析就是一个典型场景。工具可以辅助整理市场数据、寻找可比岗位和发现待遇差异，但数据来源是否可靠、岗位是否真正可比，以及调整理由能否经得起解释，仍然需要专业人员判断。分析速度提高之后，HR有机会把更多时间投入业务沟通和结构分析，这部分工作也需要被记录。

　　招聘团队的价值则可能更多体现在需求澄清和质量把关。当工具能够帮助完成部分信息处理，招聘人员需要更准确地理解业务为何需要某项能力，如何判断候选人的实际水平，以及录用待遇与内部人才如何衔接。招聘结果因此与岗位设计、培养安排和薪酬标准更加紧密地联系起来。

　　学习发展团队同样可以从课程交付向能力应用延伸。培训是否覆盖了目标人群固然重要，员工学到的方法能否进入真实任务，主管是否提供了实践机会，以及成果能否进入人才评估，也需要有人协调。课程、项目和回报之间的连接，会成为学习发展工作中值得进一步明确的职责。

　　这种变化对HR负责人提出了更具体的业务要求。与CFO讨论时，需要能够说明人才投入与业务产出的关系；与技术团队讨论时，需要理解工具条件和使用边界；与业务负责人讨论时，需要把宽泛的AI要求转化成岗位行为。掌握这些信息，有助于HR把各部门的判断整理成可以一致执行的规则。

　　组织安排也可以因此更加集中。企业可以明确谁维护岗位信息，谁跟踪市场价格，谁记录项目贡献，以及谁负责在不同信息之间作出最终协调，减少同一能力在不同部门被重复或不同方式定价的情况。这样的协作机制未必需要增加一个新部门，却需要明确责任和信息更新方式。

　　如果HR内部已经有人承担上述新工作，对其岗位的评估也应使用相同原则。持续承担更复杂职责，就需要检查岗位范围和发展路径；完成阶段性项目，则可以记录项目成果和实际贡献。让制度设计者自身也接受一致的价值评价，能够帮助这套规则在组织中更有说服力。

　　从一个业务流程开始，让薪酬调整有可验证的依据

　　对于尚未形成AI薪酬规则的企业，全面重写体系通常需要较长时间。更容易进入实际工作的起点，是选择一个AI应用已经发生、职责变化比较清楚、业务结果能够观察的流程，先把相关信息整理完整。这样可以在有限范围内验证评估方法，再决定哪些做法适合扩大。

　　选择试点时，应用最热闹的部门未必是更佳选择。一个已经运行稳定、主管愿意参与、员工工作内容有清楚记录的场景，更容易形成可靠证据；相反，如果工具和业务流程仍在频繁变化，过早建立长期定价规则可能增加调整难度。试点的价值在于帮助企业理解工作变化，而不是尽快宣布一套AI补贴方案。

　　在一个用于实施参考的三个月安排中，起始阶段可以先梳理岗位和任务。记录员工实际做了哪些工作，哪些环节借助AI，谁负责核验结果，哪些职责已经超出原有说明，并检查企业是否提供了必要支持。这个阶段的产物应该是一份能够由员工与主管共同确认的工作描述。

　　随后可以把内部记录与外部市场进行比较。选择职责接近的岗位，分析对应能力要求和薪酬口径，再结合项目交付、质量变化和实际成本，判断新增价值来自哪里。薪酬团队、业务负责人和财务人员一起讨论，有助于提前发现各方对“收益”或者“责任”的不同理解。

　　进入决策阶段时，可以分别形成岗位调整、项目回报和培养安排。对长期责任作出正式评估，对阶段性贡献明确奖励方式，对尚未达到要求的能力提供实践机会，避免把不同问题都放进同一个加薪决定。每项安排保留理由和复核节点，也方便后续判断规则是否有效。

　　试点之后，企业可以观察招聘接受情况、内部员工的岗位流动、关键能力保留，以及相关流程的质量和成本。数据较少时，不必急于推断某一项薪酬调整带来了全部结果，而可以结合主管和员工反馈，逐步完善解释。对薪酬机制而言，能够持续修正规则，比一次给出看起来的答案更有价值。

　　更新节奏也可以分层安排。已经稳定的岗位仍然按照既定周期管理，变化较快的能力和关键招聘需求可以更频繁地观察，而实际调薪则遵循正式审批和评价流程。这样既能让信息保持及时，也能避免每一次市场波动都变成内部待遇调整。

　　对规模较小或者预算有限的企业，记录同样具有价值。即使暂时无法全面购买技能数据，也可以从真实招聘、项目交付和内部能力复核中积累信息，形成能够解释的优先顺序。有限预算下清楚知道为什么优先支持某类岗位，会比为所有AI使用者设置相同奖励更有针对性。

　　高管真正要判断的，是怎样让能力持续留在组织里

　　薪酬问题最终会回到企业的经营选择。工具可以采购，课程可以安排，新的工作方法却需要有人在日常业务中不断尝试、修正和维护，组织才能真正获得持续能力。如果这些投入获得怎样的认可一直没有清楚答案，员工和管理者就很难对未来形成稳定预期。

　　这也是薪酬架构与AI转型之间最值得重视的联系。回报规则会影响员工把时间投入在哪里，愿意承担哪些责任，以及是否愿意把个人方法整理成团队资产。企业通过薪酬和职业发展传递的信号，会与培训、流程设计一起，塑造AI进入工作的具体方式。

　　只认可个人提速，组织可能难以充分看见流程建设的贡献；把团队复用、质量改善和持续维护纳入评价，则更有机会支持能力扩散。两种做法带来的行为倾向值得高管观察，因为企业最终需要的既是能完成任务的人，也是能让更多人稳定完成任务的方法。相应的回报规则，应该能够识别这两种价值。

　　对于CFO而言，这类讨论可以被放进人才投资和业务连续性的整体预算。某项能力是否稀缺，内部培养需要多久，外部招聘的真实成本是什么，相关工作能否由团队接替，都有助于判断投入的优先级。把依据说明清楚，薪酬调整就更容易从单个部门的申请，进入可比较的经营决策。

　　对于CHRO而言，关键工作是让成长路径能够被员工理解。员工掌握基础能力之后，如何通过项目证明更高水平，承担新职责之后，如何获得岗位复核，以及贡献在什么时间进入回报讨论，都可以被明确安排。一个有清楚路径的组织，更容易把员工的学习意愿转化为持续的工作能力。

　　对于CEO而言，则需要关注制度更新是否跟得上经营变化。当业务部门已经依赖新的能力，岗位和薪酬规则就有必要及时观察；当工具带来的收益尚不稳定，也需要为验证和完善留出空间。推进速度可以因业务而异，但职责、贡献和回报之间的关系应逐渐变得清楚。

　　Payscale这次研究提供的是一个当下的提醒，而非适用于所有企业的统一调薪答案。AI正在改变工作内容，企业需要通过更具体的岗位描述、更可比的市场信息和更可信的贡献记录，理解这种变化对人才价值意味着什么。做到这些，薪酬机制才有条件支持招聘、培养和保留之间的衔接。

　　当员工的能力开始改变，组织对价值的判断也需要有新的证据。 会使用AI可以逐渐成为基础要求，能够改善业务、扩大责任并让团队共同受益的人，则需要看到相应的发展空间。企业把这条关系建立得越清楚，AI投入就越有机会成为可以持续积累的组织能力。

　　参考资料与数据口径

　　本文依据截至2026年10月10日可查阅的公开资料撰写，Payscale核心数据来自2026年9月24日发布的报告预览及新闻稿。新闻稿表示完整版计划于2026年11月发布，因此本文未将预览表述为已经发布的完整报告。文中的管理分析为基于资料展开的编辑判断，所有明确标注为“设想”“说明”“测算”或“实施参考”的场景，均非真实企业案例。

　　Payscale预览的方法说明显示，调查于2026年8月通过在线自愿参与样本开展，雇主端样本500人，员工端样本1000人，面向100人以上组织的相关人群。雇主端主要为HR、薪酬与招聘人员，员工端包含全职员工及符合筛选条件的求职者，结果应理解为受访者报告的情况，不能直接推算为中国或全球所有企业的比例。调查中的计划、态度与实际完成行为也应区分。 [1]

　　关于48%的数据，Payscale新闻稿、预览页面“关键发现”及相关问答均写为现有市场基准不能反映AI相关技能要求，但预览页“执行摘要”出现了相反方向的表述。本文采用新闻稿及多处一致表述的口径，未将其换算为其他比例。AI技能市场平均溢价和特定场景生产率结果，仅用于理解市场与工作变化，不作为企业统一调薪或收益预测依据。

　　[1] Payscale：《The AI Skills Vortex is Remaking Work and Fragmenting Pay — and HR Isn’t Ready》，2026年9月24日；《The AI Workforce Impact Preview Report》。 https://www.payscale.com/press-releases/2026-ai-workforce-impact-preview https://www.payscale.com/featured-content/ai-workforce-impact-preview

　　[2] Workforce Observer：《AI Reshapes Work， Fragmenting Pay and Challenging HR Readiness》，2026年10月2日。 https://www.workforceobserver.com/wire/2026/10/ai-reshapes-work-fragmenting-pay-and-challenging-hr-readiness

　　[3] PwC：《PwC 2026 AI Jobs Barometer: AI reshapes global labour market into two distinct paths， rewarding human skills》，官方新闻资料。 https://www.pwc.com.cy/en/press-room/press-releases-2026/pwc-2026-ai-jobs-barometer--ai-reshapes-global-labour-market-int.html

　　[4] Erik Brynjolfsson、Danielle Li、Lindsey R. Raymond：《Generative AI at Work》，NBER Working Paper 31161，2023年版本。本文引用该工作论文的14%与34%结果，未将其与后续版本或其他研究的数据混用。 https://www.nber.org/papers/w31161 https://www.nber.org/system/files/working_papers/w31161.pdf?category=marketing

　　原文链接：https://mp.weixin.qq.com/s/IrlC9d0grGAroL1ICTTXVQ