来源：HRflag

　　过去两年，企业围绕AI讨论最多的问题，一直是“哪些岗位会被替代”。这种问法看似直接，却容易把管理者带向一个过于简单的结论：只要识别出高风险岗位，减少编制、增加工具、安排培训，企业就能完成这一轮转型。现实正在显示，AI带来的变化并不是一张整齐划一的岗位消失清单，而是同一类技术进入不同工作之后，产生了完全不同的人才结果。

　　PwC最新发布的《2026全球AI就业晴雨表》，分析了六大洲27个和地区超过10亿条招聘广告，并结合企业财务数据、劳动生产率和职业任务变化进行研究。报告提出，一个“双轨劳动市场”正在形成：一类岗位被AI进一步“专业化”，人的专业判断、创造力和领导力因技术而变得更加重要；另一类岗位则被AI“民主化”，过去需要长期训练才能完成的任务开始向更多非专业人员开放。

　　这两条轨道的差别，不只是工作难度不同，也开始体现为招聘数量、工资增幅和职业发展空间的分化。被AI“专业化”的岗位，其招聘增长速度大约是被“民主化”岗位的两倍，2021年以来的工资增速也高出42%。放射科医生、招聘顾问等岗位属于前一条轨道，AI承担了信息检索、初步分析和流程性工作，却把更复杂的判断、沟通与决策推到了人的面前；IT服务经理、医疗秘书等岗位则可能因为任务被标准化和简化，进入门槛下降，人才供给迅速扩大。

　　决定一个岗位未来价值的，不再只是它今天承担了多少工作，而是AI拿走标准任务之后，剩下的工作是否仍然需要稀缺的人类能力。

　　01

　　AI没有把所有岗位推向同一个未来

　　所谓“专业化”，并不是给岗位名称增加一个“AI”前缀，也不是要求员工掌握更多提示词。它意味着AI吸收了岗位中的大量常规工作后，员工需要把更多时间用于处理模糊问题、识别风险、权衡利益、解释结论并承担决策责任。工具降低了完成基本任务的成本，却同时提高了企业对最终结果的要求。

　　以招聘顾问为例，AI可以快速生成职位描述、搜索候选人、整理简历、形成初步画像并准备面试问题。如果企业只是把这些工具用于提高简历处理数量，那么招聘顾问的工作很容易被压缩为流程运营；如果企业进一步要求招聘顾问理解业务战略、判断岗位的真实价值、识别候选人的迁移能力，并对关键人才决策提供建议，这个岗位反而会变得更加专业。前者是在替代一部分劳动，后者是在重新定义招聘顾问的价值。

　　放射科医生也体现出类似逻辑。图像识别工具可以协助发现异常、整理历史记录、进行初步分类，但真正困难的部分仍然包括结合患者病史判断异常的临床意义、解释不确定性、与其他科室协作以及确定后续方案。AI越能够处理常规识别，专业人员越需要把能力集中在复杂情境和责任判断上。

　　“民主化”轨道则是另一种变化。当AI把一项原本需要大量经验积累的任务拆解为清晰步骤，并通过模板、提示和自动校验降低操作难度，更多非专家便可以完成过去由专业人员垄断的工作。企业对这些任务的需求未必消失，但任务执行者的稀缺性可能下降，岗位的薪酬议价能力和职业上升空间也会受到影响。

　　这并不意味着被“民主化”的岗位没有价值，更不意味着其中的员工必然失去工作。问题在于，如果岗位长期停留在“接收指令—调用工具—提交结果”的层面，它就很难积累新的专业壁垒。当更多人能够以更低成本完成相似任务时，企业会重新评估岗位数量、层级设置、外包方式和薪酬结构。

　　因此，“专业化”和“民主化”并不是对职业尊卑的划分，而是对价值形成机制的判断。同一个岗位内部，甚至可能同时存在两条轨道：部分任务被AI标准化，部分任务因AI而变得更加复杂。HR如果只根据岗位名称制定AI人才策略，很可能看不到真正发生变化的地方。

　　02

　　163%的生产率增长，来自不同的AI使用方式

　　163%

　　AI高暴露企业中表现最领先的20% 以2018年为基准取得的平均劳动生产率增长

　　PwC报告中最引人注目的数字，是163%的劳动生产率增长。但这个数字需要准确理解：它并不是所有AI高暴露企业相对于低暴露企业的直接差值，而是AI高暴露企业中表现最领先的20%，以2018年为基准取得的平均劳动生产率增长。AI暴露程度较高的行业整体生产率增长为34%，AI利用能力较低的企业则为24%，真正拉开差距的是少数能够把技术转化为新价值的领先企业。

　　更值得注意的是，生产率领先并没有简单对应人员规模下降。以2018年为基准，AI暴露度较高企业的员工人数增长了52%，低暴露企业增长了36%；前者的工资增长为24%，后者为17%。这组数据至少说明，生产率提升不一定只能通过减少人员获得，它也可能来自业务规模扩大、服务能力提升、创新周期缩短和新收入来源的形成。

　　企业之间的差距，因而不只在于是否部署了AI，而在于把AI放在了什么位置。仅仅将AI嵌入原有流程，通常只能缩短若干操作环节；围绕AI重新设计产品、岗位、决策机制和协作方式，才可能形成新的产出曲线。前一种做法把AI看成节约工时的工具，后一种做法则把AI看成重新组织专业能力的基础设施。

　　这也解释了为什么不少企业已经购买了模型、部署了助手、开展了培训，却迟迟看不到相应的财务结果。员工可能确实减少了写邮件、整理资料和制作初稿的时间，但被节省的时间没有进入更高价值的工作，流程中的审批、等待、重复沟通和责任模糊也没有改变。局部效率增加之后，组织的整体产出并不会自动提高。

　　AI带来的生产率差距，本质上首先是工作设计的差距，其次才是工具性能的差距。

　　当一家企业仍用旧岗位、旧流程和旧指标管理AI增强后的员工时，技术越强，越可能只是让旧工作完成得更快。领先企业真正改变的是价值生产方式：减少低价值交接，让专业人员更早进入决策，把人机协作嵌入业务结果，而不是停留在个人效率层面。

　　对企业高管而言，这组数据还带来一个更重要的提醒。AI项目如果只由技术部门以工具覆盖率、调用量和节省工时来衡量，就容易把战略目标压缩为成本项目。高管需要追问的是，AI是否让企业能够服务过去无法服务的客户、处理过去无法处理的复杂度、缩短从洞察到市场的时间，并形成新的产品或服务。

　　03

　　62%的AI技能溢价，买的并不只是工具熟练度

　　62%

　　AI技能 平均薪资溢价

　　69%

　　AI专业岗位 增长幅度

　　9%

　　整体岗位市场 增长幅度

　　PwC报告显示，要求特定AI技能的岗位数量增长了69%，而整体岗位市场增长为9%，前者接近后者的八倍。具备AI技能的劳动者平均获得62%的薪资溢价，高于上一年度的57%；不同行业差异明显，消费品行业的溢价更高可达118%，和公共部门约为16%。技术、媒体和通信行业中，AI相关岗位占比达到11%，专业服务业约为6%，医疗行业则不足1%。

　　表面上看，企业似乎只需要增加AI人才预算。但如果把62%理解为企业愿意为“会使用某款工具”支付更高工资，人才策略很可能迅速失效。通用工具的使用门槛会不断下降，今天需要专门学习的功能，明天可能成为办公软件的默认配置，单纯依赖操作熟练度形成的溢价不会长期稳定。

　　更有持续性的溢价，来自三类能力的结合。员工既要理解业务问题，又能判断AI适合介入的环节，还能验证模型输出、控制风险并推动结果落地。缺少业务理解，AI能力容易停留在演示层面；缺少验证和判断，生成速度越快，错误传播也可能越快；缺少组织协作，再好的个人实践也难以进入正式流程。

　　消费品行业出现较高的AI技能溢价，部分原因在于AI可以同时进入消费者洞察、产品设计、内容生产、定价、供应链和渠道运营等多个环节。能够跨越数据、创意与商业决策的人才，不只是帮助企业节省一部分制作成本，也可能直接影响新品速度和市场反应。及公共部门的溢价相对较低，则受到薪酬机制、岗位体系和风险约束等多重因素影响，不能简单解释为AI价值更低。

　　HR因此不能把AI技能作为一个笼统标签加入所有职位说明。数据工程、模型开发、业务应用、风险治理、流程重构和人机协作，需要的能力结构并不相同。如果所有岗位都写上“熟练使用AI工具”，招聘端得到的只会是一批难以比较的自我描述。

　　更可行的办法，是把AI能力写成可观察的工作行为。例如，营销岗位可以要求候选人能够利用AI形成多个消费者假设，并通过数据验证后调整策略；财务岗位可以要求其识别自动分析中的异常和口径问题；招聘岗位则可以考察候选人如何验证AI生成的人才画像、避免相似性偏差，并向业务负责人解释推荐逻辑。

　　这样一来，AI技能就不再是一张孤立证书，而是一种嵌入岗位结果的能力。企业也能更清楚地判断，哪些能力可以通过内部培训获得，哪些需要外部引进，哪些必须由跨职能团队共同完成。招聘预算由此不再只是追逐少数热门头衔，而是服务于组织真正需要建立的AI价值链。

　　04

　　入门级岗位没有简单消失，而是在发生“资历上移”

　　PwC此次专门分析了美国240万个入门级岗位，发现AI暴露度更高的初级岗位，要求领导力、判断力、创造力和面对面互动等传统“能力”的概率，是低暴露初级岗位的七倍。自2019年以来，这些被“化”的入门岗位增长了35%，其他入门岗位则下降了10%。报告将其概括为传统经验与专业能力之间的关系正在改变。

　　过去，许多企业的人才培养遵循一条相对稳定的路径。新人先完成资料整理、基础分析、数据录入、初稿制作和流程跟进，在重复工作中逐渐熟悉业务规则，再通过观察和反馈学习如何处理复杂问题。虽然这些工作价值有限，却承担着“组织学徒期”的功能。

　　AI正在迅速吸收这层任务。新人不再需要用几个月时间整理大量资料，也能在短时间内形成一份结构完整的分析初稿；他们可以快速获得行业知识、模拟客户对话、生成项目计划，甚至调用智能体完成多个操作步骤。企业由此减少了对基础执行的需求，却更早要求新人判断信息是否可靠、理解客户真实意图、解释方案取舍并承担沟通责任。

　　问题在于，AI可以压缩完成任务的时间，却不能自动补齐经验形成的过程。一名新人能够生成看起来成熟的报告，不等于他已经理解数据边界、利益关系、业务后果和组织语境。如果企业看到交付速度提高，便顺势取消导师、缩短培训、减少复盘，就可能得到一批“产出像员工、判断仍处于入门阶段”的人才。

　　微软研究院2026年发布的未来工作研究也指出，宏观层面尚未出现AI导致总体失业或工时显著下降的清晰证据，但年轻、经验较少的劳动者在部分高暴露领域已经承受更明显的机会压力。过去依赖经验和知识积累的入门工作更容易被自动化，这使企业需要重新考虑新人如何获得实践机会。

　　这对企业人才梯队构成了一项长期风险。减少基础岗位，短期能够降低成本；如果没有新的培养机制，数年后却可能缺少真正理解业务细节的中层骨干。企业不能一边取消让新人积累经验的任务，一边继续期待他们按照原来的时间表成长为项目负责人和管理者。

　　当AI拆掉职业阶梯最下面几级台阶，HR的责任不是要求新人跳得更高，而是重新设计他们如何安全地获得判断经验。

　　真正需要被重建的不是一套更密集的在线课程，而是新的学徒制：让新人观察高质量决策、参与真实问题、在可控风险下承担责任，并获得持续反馈。

　　05

　　岗位分析必须从“职责清单”走向“任务组合”

　　传统岗位说明书通常围绕职责、任职资格和汇报关系展开，更新周期以年计算。AI进入工作之后，这种方法很难跟上任务变化，因为同一个岗位中，不同任务受到AI影响的方向可能完全相反。岗位名称保持不变，并不代表岗位价值没有发生迁移。

　　HR需要把岗位拆解到任务层级，至少回答四个问题：哪些任务可以被AI独立完成，哪些需要人机协同，哪些必须由人进行最终判断，哪些任务虽然可以自动化，却因合规、伦理或客户信任需要保留人工控制。拆解的目的不是计算“可以减少多少人”，而是识别岗位未来的价值重心。

　　例如，一名HRBP的工作可能同时包括生成制度说明、整理组织数据、回应员工问题、诊断团队矛盾、向管理者提供建议和处理敏感事件。前面几类任务更容易被自动化或民主化，后面几类任务则会因信息增多、响应加快而变得更加依赖判断。若企业只看到前半部分效率提升，就可能低估HRBP在复杂组织问题上的价值；若完全忽略自动化机会，又会继续让高成本人才耗费在低价值流程中。

　　任务拆解之后，岗位设计需要进一步调整。企业可以把被AI压缩的时间明确转移到客户洞察、例外处理、创新实验、关系维护和决策复盘，而不是默认为员工“可以承担更多同类工作”。如果一个招聘顾问因为AI把简历筛选速度提高三倍，绩效目标只是要求其筛选三倍简历，那么岗位仍然停留在民主化轨道。

　　相反，如果企业要求招聘顾问利用节省的时间与业务负责人重新校准人才标准、分析内部人才供给、改善候选人体验并跟踪录用后的绩效，这个岗位就开始向专业化轨道迁移。改变并不发生在工具上线的那一刻，而发生在企业重新分配时间、责任和评价标准的那一刻。

　　岗位价值也不能只看单项任务是否容易被自动化。大量看似简单的工作可能处在关键流程节点，连接客户、数据和决策，并承担异常识别功能。如果机械删除这些岗位，流程中的问题可能更晚暴露，复杂事项则会堆积到少数专家和管理者身上。

　　因此，岗位重构需要业务部门、技术团队和HR共同参与。业务部门理解价值和风险，技术团队判断AI能力边界，HR则需要将变化落实到组织结构、岗位数量、能力标准、薪酬和人才流动。任何一方单独推进，都容易把任务变化误判为编制变化。

　　06

　　招聘预算要从“填补空缺”转向“配置AI杠杆”

　　过去的招聘计划大多由人员流失、业务增长和编制空缺驱动。业务部门提出需要多少人，HR测算招聘周期与成本，再通过外部招聘补齐岗位。AI改变的不是招聘流程中的某个环节，而是“需要什么样的人”以及“为什么要招这个人”的逻辑。

　　当AI能够接管大量标准任务，继续按照历史人效比例增加相同岗位，可能会把组织锁定在旧的成本结构中。但如果企业因此全面冻结招聘，也可能错过那些能够放大AI价值的关键人才。PwC数据显示，AI利用能力更强的企业不仅生产率增长更快，人员规模也增长得更快，这说明领先者并没有停止招人，而是在用不同标准配置人。

　　招聘需求提出时，业务负责人应当说明新岗位将管理哪些AI能力、承担哪些人类判断，并创造什么新增价值。若一个岗位只是重复现有流程，需要先判断工作能否被重新组合；若一个岗位可以让团队处理更复杂客户、建立新的服务或缩短创新周期，则可能值得给予更高预算。

　　这也会改变人才成本的比较方式。企业过去常以单人薪酬衡量招聘是否昂贵，但AI增强型人才的价值更适合用“可放大的业务产出”计算。一名能够设计人机协同流程、训练团队并控制结果质量的高薪人才，可能比多名仅执行标准任务的员工更具成本效益。

　　不过，企业也不应把所有预算集中到少数AI专家身上。技术专家可以搭建系统，却未必理解每个业务场景中的隐性规则。真正稀缺的往往是能够连接模型能力与业务问题的人，他们既不一定拥有最耀眼的技术头衔，也不一定来自传统的人才池。

　　内部人才市场因此变得更加重要。很多员工已经拥有深厚业务知识，只是缺少将其转化为AI工作流的机会。如果企业把全部AI岗位对外招聘，既会推高人才成本，也可能忽略最了解客户、流程和风险的内部人员。

　　招聘预算可以相应分为三类：用于引进稀缺技术与治理能力的预算，用于关键业务人才升级的预算，以及用于新人梯队重建的预算。三类投入需要相互配合，否则企业可能拥有先进模型，却缺少业务转化者；拥有大量AI使用者，却没有风险控制者；拥有眼前的交付能力，却缺少未来的管理者。

　　广告

　　07

　　绩效管理不能继续奖励“做得更多”

　　AI最直接的效果，是在更短时间内生成更多内容、分析更多数据并完成更多流程。如果绩效管理仍以数量和速度为中心，员工自然会把AI用于扩大可见产出。报告更多、方案更多、代码更多、候选人名单更多，并不必然意味着决策质量和客户价值同步提高。

　　数量指标曾经具有一定合理性，因为完成一项任务需要真实投入时间。AI降低任务成本后，数量与努力、能力之间的关系被打破。一名员工提交十份方案，可能只是连续调用模型；另一名员工花时间排除九个错误方向，最终只提交一份更可靠的方案，反而可能在旧指标下处于劣势。

　　绩效指标需要从“完成多少”转向“判断和改进了什么”。评价可以更多关注问题定义是否准确、证据是否可靠、结果是否被采用、风险是否提前发现、客户是否获得更好体验，以及员工是否沉淀了可以复用的方法。AI使用率可以作为过程观察数据，却不适合作为孤立的绩效目标。

　　对招聘团队而言，单纯提高简历处理量的意义正在下降，真正重要的是关键岗位招聘成功率、候选人与岗位的长期匹配、入职后绩效和人才池质量。对内容团队而言，文章数量不应成为核心指标，更值得关注的是信息准确性、观点独特性、用户转化和品牌信任。对财务团队而言，自动生成报告只是起点，异常识别、预测质量和经营建议才是最终价值。

　　评价责任也必须随之上移。员工使用AI形成初稿后，管理者不能只看结果是否整齐，而应检查其推理过程、证据来源和关键假设。管理者如果缺乏判断AI产出的能力，就会被表面成熟度误导，进而把未经验证的内容带入正式决策。

　　这会使“可解释交付”成为新的绩效要求。员工不仅要提交结果，还要说明AI参与了哪些环节、自己进行了哪些验证、哪些判断仍存在不确定性。这样做不是为了增加形式负担，而是为了保护组织的决策质量，并识别员工是否真正理解自己的工作。

　　AI时代最危险的绩效幻觉，是把生成能力误认为专业能力，把交付速度误认为价值创造。

　　绩效改革的关键不是简单降低数量权重，而是把人的判断、责任和业务后果重新放回评价中心。

　　08

　　能力建设要跨过“会用工具”这一层

　　PwC发现，AI暴露度更高岗位的技能变化速度，是低暴露岗位的两倍以上，而且两者之间的差距较上一年扩大了75%。AI高暴露岗位新增的任务，也更有可能依赖同理心、判断力和创造力等人类能力。技术越深入工作，这些能力并没有退居次要位置，反而成为决定工作质量的关键。

　　世界经济论坛《2025未来就业报告》曾预计，到2030年，劳动者39%的核心技能将发生变化。技术素养的需求快速上升，但分析性思维、韧性、灵活性、领导力和社会影响力同样位于雇主关注的能力之列。

　　企业培训如果仍以统一课程、工具演示和结业考试为主，很难应对这种变化。员工知道某个功能如何操作，并不代表他知道什么时候不该使用，也不代表他能在复杂业务中验证结果。真正有效的学习必须贴近岗位任务，让员工在真实场景中反复经历问题定义、AI协作、结果验证和业务反馈。

　　能力建设可以围绕三层展开。基础层帮助员工理解模型能力、数据安全、事实核验和使用边界；岗位层训练员工将AI嵌入本职工作，重新设计流程并提高结果质量；专业层则培养能够搭建智能体、管理模型风险、重构跨部门流程并推动规模化应用的人才。

　　三层能力不应按照职级简单分配。管理者同样需要基础的模型理解，一线员工也可能成为流程创新者。企业需要根据岗位责任和风险暴露设计能力要求，而不是默认高层只负责战略、基层只负责操作。

　　学习方式也需要从“先培训、后使用”转向“在工作中形成能力”。企业可以选择高频、边界清晰且风险可控的任务开展小规模实验，让员工记录提示、失败结果、验证方法和业务影响，再由专业人员进行复盘。这样形成的案例库，比一套脱离业务的通用教程更容易转化为组织能力。

　　导师制度必须同步升级。过去导师主要传授行业知识和工作方法，未来还要帮助新人判断AI输出、理解例外情形并识别未经表达的组织规则。导师的价值不再是向新人提供所有答案，而是让新人看到专业判断是如何形成的。

　　企业还需要给学习留下真实时间。如果员工在原有工作量不变的情况下额外承担AI试验，学习很快会变成加班项目。管理层需要明确减少哪些旧任务、暂停哪些低价值流程，并为试错设置可接受的边界，否则所谓能力建设只会成为另一项使用率指标。

　　09

　　中层管理者是“双轨化”真正的分流器

　　一个岗位最终走向专业化还是民主化，技术只决定部分可能性，管理方式决定了大量现实结果。同样一套AI工具，在一个团队中可能帮助员工进入更复杂的决策，在另一个团队中却可能只是让员工生产更多标准内容。两者的差别，往往来自中层管理者如何分配任务、设定目标和提供反馈。

　　当管理者把AI节省的时间全部转化为更高工作量，员工会选择最容易量化的使用方式。为了完成更多任务，他们倾向于依赖模板、减少验证并重复已有方法，岗位逐渐被压缩为AI操作端。短期数据可能很好看，长期专业能力却会被削弱。

　　如果管理者把节省的时间投入客户沟通、问题诊断、跨部门协同和方案创新，员工便有机会发展更难被替代的能力。管理者还可以把部分复杂任务提前交给新人，并通过小范围授权、阶段检查和决策复盘控制风险。这样，AI才真正成为专业能力的放大器。

　　这要求管理者具备新的“工作架构能力”。他们需要知道哪些任务适合交给AI，哪些必须保留人工判断，如何为人机协作设置质量标准，并在错误发生时追溯责任。管理者不能只告诉员工“多用AI”，而要明确AI在团队价值链中的位置。

　　管理跨度也可能随之变化。员工拥有更多AI代理之后，一名管理者表面上可以管理更大团队，但信息量、异常事项和决策请求也会增加。如果企业只扩大管理幅度，却没有重构信息汇报和授权机制，中层可能成为新的瓶颈。

　　因此，管理者的绩效需要加入团队能力升级和流程改造结果，而不只是业务交付。企业可以观察团队是否减少了低价值任务、是否形成可复用的人机协作方法、是否培养出能够独立判断的新人，以及AI风险是否得到有效控制。这些指标比简单统计调用次数更接近管理责任。

　　AI不会自动把岗位推向高价值轨道，真正完成分流的是管理制度。

　　技术能够释放时间，管理者决定这些时间被用来增加数量，还是积累判断；技术能够提供答案，管理者决定员工只是复制答案，还是学会验证答案。

　　10

　　对中国企业而言，双轨化可能表现得更加复杂

　　中国企业的AI应用通常伴随着更强的效率压力、组织响应速度和规模化要求。许多企业拥有丰富的业务场景和大量流程数据，AI落地具备明显优势；与此同时，不同行业、地区和企业规模之间的数字化基础差异，也会让双轨化以更不均衡的方式出现。

　　在知识密集型行业，AI可能迅速压缩资料搜集、初稿制作和基础分析，使人才能够覆盖更多项目。企业如果同步升级服务内容和客户价值，岗位就有机会进入专业化轨道；如果只把AI用于降低交付成本，则可能形成更激烈的同质化竞争，专业服务岗位也会被推向民主化。

　　在制造、零售和物流等领域，AI的价值不仅体现在办公室工作，还会进入质量检测、需求预测、设备维护、排班和供应链协调。熟悉现场业务并能理解数据的人，可能成为新的关键人才。传统上被视为执行岗位的员工，也可能因为能够处理异常、协调资源和训练系统而获得新的专业空间。

　　大型企业有条件建设统一平台、数据治理和AI人才体系，但也更容易受到复杂流程和部门壁垒限制。中小企业缺少专门技术团队，却可能通过标准化AI服务快速获得过去难以承担的能力。技术因此既可能扩大大型企业的资源优势，也可能降低中小企业进入某些专业领域的门槛。

　　这种变化会重塑人才竞争。企业争夺的不只是算法工程师，也包括理解行业、掌握客户场景、能够重构工作并对结果负责的人。很多高价值人才可能来自业务一线，而不是传统技术部门，HR需要建立跨岗位识别和流动机制。

　　薪酬体系也要避免简单追随市场标签。如果企业对所有带有“AI”字样的岗位大幅加薪，却无法区分能力深度与业务贡献，很容易形成内部失衡。更合理的方法，是根据人才对收入增长、成本改善、风险控制和能力扩散的实际贡献设计薪酬。

　　对中国企业来说，AI转型还涉及较强的数据安全、合规和客户信任要求。岗位越依赖AI，越需要清晰界定数据边界、审核责任和异常处理机制。专业化不只意味着创造更多价值，也意味着承担更明确的责任。

　　11

　　HR需要建立一张新的“岗位双轨地图”

　　面对PwC报告，高管和HR不需要立即给所有岗位贴上“专业化”或“民主化”的标签。双轨不是职业宿命，而是一个动态方向，企业的技术选择、流程设计和管理制度都会改变岗位所处的位置。真正有用的是建立一张能够持续更新的岗位地图。

　　这张地图应从核心业务链条出发，识别每个岗位中正在被AI吸收的任务、正在增强的人类任务和新出现的责任。HR还需要观察外部招聘数量、技能要求和薪酬变化，判断岗位的市场稀缺性是否正在改变。岗位内部的任务变化和外部人才市场的价格信号，需要放在一起分析。

　　对正在专业化的岗位，企业应增加高质量人才投入，缩短低价值流程，并强化判断、客户关系、创新和责任能力。对正在民主化的岗位，则需要决定是整合任务、扩大服务范围、降低层级，还是帮助员工向新的专业领域迁移。处理方式不应只是减少编制，更不能等到岗位价值明显下降后才启动转型。

　　企业还要识别处于分岔口的岗位。这类岗位目前仍包含大量标准任务，但也拥有靠近客户、数据或关键决策的优势。如果及时重构，它们可能进入专业化轨道；如果继续按照旧方式管理，则可能迅速失去稀缺性。

　　HR可以优先选择几个AI暴露度高、人员规模较大或业务影响显著的岗位进行试点。试点不只测试工具效果，还要同步调整职责、能力标准、绩效指标和培养方式。只有当这些要素一起变化，企业才能看清岗位重构的真实结果。

　　管理层则需要定期审视AI收益如何分配。如果技术带来的收益全部表现为成本削减，组织可能缺少创新动力和人才信任；如果收益能够部分转化为员工能力、薪酬增长和新业务投入，AI更容易形成可持续的增长循环。PwC数据显示，AI利用能力更强的企业同时实现了更高的生产率、工资和员工规模增长，这种组合比单一降本更值得关注。

　　12

　　从现在开始，企业需要改变的不是岗位数量，而是价值分配方式

　　PwC的报告没有证明所有高AI暴露岗位都会增长，也没有宣布所有被民主化的岗位都会消失。它揭示的是一种正在加速的结构性分化：当AI拿走标准任务后，能够转向判断、创造、关系和责任的岗位，会获得更多增长空间；长期停留在工具调用和标准交付层面的岗位，则面临更强的可替代压力。

　　这场分化会沿着岗位、员工和企业三个层面同时发生。同一个岗位中，有人能够利用AI扩大专业影响，有人只是提高任务数量；同一个行业中，有些企业用AI创造新价值，有些企业只缩短原有流程。技术普及不会自动缩小差距，反而可能让不同管理方式的结果更快显现。

　　因此，企业的人才问题已经不能停留在“要不要招聘AI人才”或“员工是否完成AI培训”。高管需要决定AI要创造什么新价值，业务负责人需要重构任务和流程，HR需要调整岗位、招聘、绩效和培养，技术与风险团队则要建立可靠的运行边界。任何一个环节缺席，AI都可能停留在局部效率，而无法形成组织生产率。

　　对HR而言，最重要的变化是从编制管理者转向价值结构设计者。过去，HR主要关注岗位是否有人、能力是否匹配、薪酬是否具有竞争力；未来还必须判断岗位中的专业壁垒是否正在上升，哪些能力正在被工具普及，哪些员工有潜力跨入更高价值的轨道。

　　招聘预算也需要从“招人填坑”转向“配置AI杠杆”。值得投入的，不一定是最会操作某个工具的人，而是能够把业务知识、AI能力、人类判断和结果责任连接起来的人。这样的人能够让一个团队服务更多客户、解决更复杂问题并形成可复制的能力，他们才是AI技能溢价背后的真正对象。

　　绩效管理则要停止单纯奖励数量扩张。AI能够廉价制造大量看似完整的结果，企业必须把评价中心转向问题质量、判断依据、实际采用、客户影响和责任承担。否则，组织可能获得前所未有的内容产量，却没有相应的决策改善。

　　能力建设也不能只提供更多课程。企业需要重建被AI压缩的学徒过程，为新人提供真实任务、导师反馈、受控试错和决策观察，让他们在更短时间内形成更高水平的判断。否则，入门岗位的“资历上移”只会变成对年轻员工不切实际的要求。

　　管理者需要承担最终的分流责任。他们决定AI节省的时间被用于增加工作量还是提升专业性，决定新人得到的是复制答案的机会还是学习判断的机会，也决定团队把技术用于降本还是增长。AI工具可以由企业统一采购，但岗位走向哪一条轨道，最终取决于每天发生在团队中的管理选择。

　　未来真正拉开企业差距的，不是谁最早宣布“全面拥抱AI”，而是谁能够把AI释放出来的能力，重新配置到更高价值的岗位、决策和人才身上。

　　PwC所描述的“双轨劳动市场”并不是一个遥远预测，它已经通过招聘增速、薪资溢价、入门岗位要求和企业生产率表现出来。企业现在需要做的，也不是匆忙判断哪些人应该离开，而是尽快识别哪些工作正在失去稀缺性，哪些专业能力正在因AI变得更加重要，以及如何帮助更多员工跨入后一条轨道。AI不会替企业完成这次选择，它只会让选择带来的结果更快、更清晰地呈现出来。

　　从这个意义上说，AI时代最重要的人才战略，不是减少多少岗位，也不是增加多少AI人才。它是让每一个关键岗位都能回答一个更具体的问题：当机器已经能够完成越来越多任务之后，这个岗位的人，究竟凭什么继续创造不可轻易替代的价值。

　　参考来源

　　1. PwC， 2026 Global AI Jobs Barometer https://www.pwc.com/gx/en/services/ai/ai-jobs-barometer.html

　　2. PwC， AI reshapes global labour market into two distinct paths， rewarding human skills https://www.pwc.com/gx/en/news-room/press-releases/2026/pwc-2026-ai-jobs-barometer.html

　　3. Microsoft Research， New Future of Work: AI is driving rapid change， uneven benefits https://www.microsoft.com/en-us/research/blog/new-future-of-work-ai-is-driving-rapid-change-uneven-benefits/

　　4. World Economic Forum， The Future of Jobs Report 2025 https://www.weforum.org/publications/the-future-of-jobs-report-2025/in-full/3-skills-outlook/

　　原文链接：https://mp.weixin.qq.com/s/2WgoHuCwG_kpxOlwN4z8Cw