来源：HRflag

　　过去企业招聘新人，主要购买的是学习速度、执行可靠性和成长潜力。如今，越来越多的岗位还要求新人能够独立定义问题、验证AI结果、理解跨部门影响，并对最终建议承担责任。 岗位名称可能没有变化，人才画像却已经悄悄“升舱”。

　　过去几年，企业讨论AI与人才时，最常见的问题是“哪些岗位会被替代”。但进入2026年，真正影响招聘现场的变化已经不是岗位名单的增减，而是企业对同一个岗位、同一位新人的要求正在迅速上移。 AI没有让专业能力失去价值，反而把过去需要三五年工作经验才能承担的判断、整合和决策责任，提前压到了职业起点。

　　《哈佛商业评论》近期刊发的研究《AI正在改变雇主对新员工的期望》，记录了一个颇具代表性的变化。一位大型跨国银行的管理者告诉研究团队，三年前，其所在部门还没有人使用生成式AI；如今，整个部门每天都会连续数小时使用AI。工具渗透速度之快，使企业已经来不及把AI继续视为少数技术爱好者的效率插件，它开始直接改变岗位的任务结构和人才标准。

　　这项由Jim Doucette和康奈尔大学约翰逊管理学院院长Vishal Gaur参与的研究，访谈了银行与金融服务、管理咨询以及科技、媒体和电子商务三大行业的30家机构、34位不同层级的管理者。这些行业是MBA毕业生和知识型人才的重要雇主，也是生成式AI较早进入核心业务流程的领域。研究发现，企业并没有因为AI能够生成报告、整理资料和完成分析，就不再需要专业人才；相反，当生产信息的成本快速下降，雇主开始把更高的价值赋予判断信息、整合信息和把信息变成行动的人。

　　新人岗位还在，但“新人工作”正在减少

　　传统知识型组织有一套运行多年的培养逻辑。新人先做资料搜集、数据清洗、会议纪要、基础分析和报告初稿，在大量低风险任务中熟悉业务语言、观察员工如何判断，再逐步获得面对客户、参与决策和承担结果的机会。这些工作看起来琐碎，却构成了职业成长最早的一段脚手架。

　　生成式AI首先进入的，恰恰是这部分工作。它可以迅速扫描材料、归纳访谈、生成模型、整理行业信息、提出方案框架，也可以把几个小时的格式处理压缩到几分钟。对企业而言，这是一笔直接的效率收益；对人才体系而言，它同时抽走了新人最熟悉的入场通道。

　　于是，招聘市场出现了一个看似矛盾的现象。一方面，企业仍然需要年轻人才补充组织活力、掌握新工具并形成未来管理梯队；另一方面，原本足以支撑大批新人岗位的基础任务正在缩减，剩余工作迅速向复杂判断、例外处理和跨部门协同集中。企业不是完全不招新人，而是越来越不愿意只为基础执行能力支付成本。

　　PwC《2026全球AI就业晴雨表》

　　在AI暴露程度更高的初级岗位中，雇主要求领导力、战略思维等传统能力的可能性，是低AI暴露初级岗位的7倍。

　　普华永道对六大洲十亿余条招聘广告的分析，为这种变化提供了更大范围的佐证。在AI暴露程度更高的初级岗位中，雇主要求领导力、战略思维等传统能力的可能性，是低AI暴露初级岗位的7倍；自2019年以来，被“化”的初级岗位招聘需求仍增长了35%。这说明AI并没有简单抹掉职业起点，而是在重新定义什么样的人能够站上这个起点。

　　真正收缩的未必是“初级职位”四个字，而是只负责收集、转录、搬运和格式化信息的工作空间。 当这部分任务被AI吸收，岗位剩下的自然是解释、质疑、取舍、沟通和负责。新人因此面对一个更陡峭的入口：企业仍然称其为初级岗位，却希望候选人表现出接近成熟专业人士的工作方式。

　　这种变化很容易被理解成单纯的“门槛提高”，但它背后还有更复杂的组织逻辑。AI扩大了每个人可以处理的信息规模，也缩短了从问题出现到形成方案的时间，管理者因此会提高对产出速度和覆盖范围的预期。过去一名分析师一周完成一份行业扫描，现在可能被期待在内形成初步判断，并把剩余时间用于验证结论、访谈业务和推动决策。

　　效率提升不会自动变成员工的空闲时间，它往往会被组织重新兑换成更大的责任范围。新人不再只负责某个流程中的一个动作，而是更早参与从问题定义、数据搜集、分析判断到建议呈现的完整链条。 AI压缩了任务，却扩大了岗位；减少了操作步骤，却放大了个人责任。

　　企业购买的，不再只是“会做事”，而是“能交付结果”

　　在传统岗位说明书里，企业习惯用任务描述工作，例如制作周报、整理客户资料、开展竞品分析、支持招聘流程或者协助培训项目。这种写法默认员工价值来自完成规定动作，管理者再负责整合结果和作出判断。AI进入工作流之后，任务层面的边界开始变得不稳定，因为今天需要人工完成的动作，几个月后可能已经被系统部分接管。

　　岗位价值因此逐渐从“完成了什么步骤”转向“解决了什么问题”。企业真正需要的不是一份由AI生成、结构完整的市场报告，而是能够判断市场变化是否值得采取行动的人；不是一次快速完成的候选人筛选，而是能够解释人才供给、业务需求和录用风险的人；也不是一套看起来专业的绩效方案，而是能够推动管理者改变行为并改善组织结果的人。

　　这正是HBR研究所概括的能力变化：新人需要承担更宽的角色范围，能够综合不同领域的知识，并参与AI工作流的重新设计。这里的“会用AI”并不等于熟练输入提示词，也不等于能够快速生成一份漂亮文档。它更接近一种新型工作素养——知道何时使用AI、如何拆解任务、如何组织多个工具、如何检查偏差、何时必须让人介入，以及怎样把机器结果嵌入真实业务流程。

　　以招聘岗位为例，AI可以起草职位描述、归纳简历信息、生成面试问题并整理面试记录，但这并不意味着招聘人员的专业性变得不重要。恰恰相反，当候选人材料和系统建议都可以被迅速生成，招聘人员更需要识别职位背后的真实业务问题，判断所谓“高匹配度”是否只是关键词相似，并发现候选人能力与团队环境之间更隐蔽的不适配。工具减少了信息处理成本，却提高了错误判断被快速放大的风险。

　　同样的变化也发生在财务、市场、咨询和人力资源等知识型岗位中。AI可以生成预测，但员工需要解释假设是否成立；AI可以形成方案，但员工需要判断组织是否具备落地条件；AI可以提供十种选择，但员工必须说明为什么保留其中一种、放弃另外九种。 当答案变得廉价，定义问题、识别边界和承担选择后果就会变得昂贵。

　　这也是企业对新人期望发生变化的根本原因。过去新人最重要的品质之一是“把交代的事情做好”，因为信息处理能力本身稀缺，完成任务就能产生价值。现在企业更希望新人理解任务为什么存在、结果将被谁使用、错误会造成什么影响，并主动发现原有流程是否值得继续。

　　岗位由此从一个固定的任务容器，变成一个围绕业务结果不断调整的责任单元。员工不能再仅靠熟练重复既有流程获得稳定评价，而需要持续判断哪些动作应交给AI、哪些必须保留人工控制、哪些流程干脆应该被重新设计。对新人而言，这不只是技能增加，而是工作身份发生了变化。

　　绩效差距将从“谁做得快”，转向“谁判断得准”

　　AI普及初期，企业最容易观察到的是速度差异。有人完成过去三天的工作，有人仍然按照原有方法推进；有人能够同时处理多个项目，有人还在把AI当作偶尔使用的搜索工具。于是，一些组织开始把AI使用频率、节省工时和产出数量视为转型成效。

　　这些指标能够反映工具采用，却不能完整衡量价值。员工快速生成十份方案，不意味着组织拥有了十个有效选择；报告篇幅更长、数据更多，也不意味着决策质量更高。若绩效体系只奖励速度和数量，组织很可能得到大量形式完整却未经验证的“AI产出”，并把核查、修正和解释成本转移给下游同事。

　　真正拉开绩效差距的，将是员工能否在更快生产信息的同时保持判断质量。优秀的新员工会主动标注AI输出的依据、不确定性和使用边界，能够区分事实、推断与建议，也愿意在信息不足时明确说明“目前不能得出结论”。表现一般的员工则可能把AI的流畅表达误当成专业可靠，把模型生成的内容直接包装为个人判断。

　　AI使用本身不应成为成绩，借助AI创造经过验证的业务价值才是成绩。

　　因此，AI时代的绩效管理必须从“产出了多少”走向“产生了什么影响”。企业既要看效率，也要看准确性、业务采用率、风险控制和协作质量；既要看员工是否使用AI，也要看其是否改善了客户体验、决策质量或流程结果。AI使用本身不应成为成绩，借助AI创造经过验证的业务价值才是成绩。

　　对于新人而言，这种绩效逻辑意味着“忙碌感”会越来越难以构成竞争力。整理了多少材料、参加了多少会议、生成了多少页面，无法证明一个人已经理解业务。管理者更可能追问：你发现了什么关键问题，排除了哪些错误方向，这项分析改变了谁的决策，最终结果为什么值得信任。

　　这种变化也会重新定义高潜人才。过去，高潜往往表现为学习快、执行稳、愿意承担更多任务；未来，高潜还需要体现为能够快速形成业务情境、挑战AI结果、连接不同专业语言，并在不确定条件下作出有依据的判断。成长速度不再只看掌握了多少知识，而要看一个人能否把知识、工具和责任组织成稳定的工作系统。

　　HR如果仍然沿用原来的绩效表格，只是在其中增加一栏“AI使用情况”，就无法捕捉这种变化。更有效的做法，是把绩效标准重新放回岗位价值链，明确哪些结果由人负责、哪些环节允许AI参与、哪些输出必须经过验证，以及员工需要保留怎样的决策记录。只有责任边界清晰，AI带来的效率才能被转化为可信的绩效。

　　“AI能力”不是一项技能，而是一组相互制约的能力

　　很多企业已经开始在招聘要求中加入“熟悉生成式AI工具”或者“具备AI应用能力”，但这样的描述过于宽泛。候选人会使用聊天机器人，不等于能够把AI用于复杂工作；会写提示词，也不等于理解数据来源、模型限制和业务风险。若企业无法把AI能力拆解清楚，最终只能通过候选人的自我描述进行判断。

　　真正有价值的AI能力，首先建立在专业基础之上。员工必须理解行业规则、业务逻辑和岗位标准，才知道AI生成的内容是否合理；如果缺乏领域知识，即使工具使用熟练，也很难发现事实错误、逻辑跳跃和不适用的建议。AI可以降低知识检索成本，却不能替代对知识结构的理解。

　　在专业基础之上，是问题定义和信息综合能力。员工需要把模糊的业务诉求转化为可处理的问题，识别需要哪些数据、哪些利益相关者和哪些约束条件，再把AI提供的分散信息组织成一套可行动的判断。HBR研究强调的并不是简单跨界，而是能够在技术、商业和组织之间建立连接。

　　再向上，是验证与质疑能力。员工需要检查数据来源、寻找反例、比较不同解释，并判断模型是否因为信息缺失、提示方式或训练偏差而给出过于确定的答案。这种能力过去也重要，但在AI能够大规模、低成本生成内容之后，它已经从优秀员工的加分项变成基本质量控制。

　　随后才是流程设计能力。成熟的AI使用者不会只问“这个任务能不能让AI做”，而会重新观察整个工作链条：信息从哪里进入，经过哪些判断，谁有权批准，错误如何被发现，敏感数据怎样处理，结果如何反馈到下一轮。其目标不是在旧流程中插入一个工具，而是让人和AI各自承担最适合的部分。

　　最上层则是沟通、影响和责任承担。AI可以帮助准备材料，却不能替员工建立信任；可以生成建议，却不能代替员工说服业务负责人接受取舍；可以模拟多种情景，却不能承担真实决策产生的组织后果。 未来更受欢迎的新人，不是最像机器的人，而是能够组织机器、理解业务并对结果负责的人。

　　这组能力之间必须彼此制约。只有专业知识而不会使用AI，员工可能难以达到新的效率标准；只有工具熟练而缺乏判断，员工会加速制造错误；只有分析能力而缺乏沟通，结论难以进入业务；只有创新热情而缺少治理意识，则可能给组织带来数据、合规和声誉风险。

　　因此，企业不能把AI培训简化为几场工具课程。真正的能力建设应围绕真实任务展开，让员工经历问题定义、工具选择、结果验证、业务沟通和复盘改进的完整过程。培训的重点不是让所有人掌握同一套提示词，而是形成一套可重复、可审计、可持续改进的工作方法。

　　当基础工作被自动化，企业也可能失去培养高手的路径

　　提高新人标准看起来符合效率逻辑，但其中隐藏着一个容易被忽略的矛盾。判断力、客户洞察、风险意识和跨部门影响力都不是从课程说明中直接获得的，它们通常来自持续处理真实问题、观察后果并接受反馈。企业如果同时削减基础岗位、缩短培养周期，却要求新人入职即具备成熟判断，就会发现市场上“合适的人”越来越少。

　　过去的职业阶梯虽然缓慢，却有一套完整的经验生产机制。新人通过整理材料学会分辨信息质量，通过制作初稿理解分析结构，通过跟随员工参加会议观察利益相关者如何表达，通过一次次修改认识什么叫真正符合业务要求。这些任务的直接产值未必很高，却持续制造未来的专业能力。

　　AI接管基础任务之后，这套机制不会自动升级。若管理者只是把原来的任务交给工具，再把最终结果交给少数员工审核，新人就可能同时失去练习机会和观察机会。组织短期获得效率，长期却可能形成中间人才断层：能熟练操作工具的人很多，能够在复杂场景中作出可靠判断的人不足。

　　企业希望购买现成的判断力，却正在减少内部生产判断力的过程。

　　这就是AI时代最值得警惕的“人才供应链问题”。企业希望购买现成的判断力，却减少了内部生产判断力的过程；希望新人更快成熟，却压缩了允许新人犯低成本错误的空间；希望管理者聚焦高价值工作，却没有把培养下一代专业人才纳入其责任。 如果所有企业都只招聘已经成熟的人，整个市场最终不会凭空产生足够的成熟人才。

　　普华永道的研究因此特别提出，组织需要重塑早期职业路径和导师机制，让年轻员工更早接触复杂决策，同时获得更密集的支持。重点不是保留所有旧式基础工作，而是设计新的“学习型工作”：新人可以借助AI完成分析，但必须解释推理过程；可以参与客户讨论，但需要员工复盘；可以提出建议，但要在可控制的风险范围内承担结果。

　　这种设计比传统“先做三年杂活”更有挑战，也更有可能提升人才成长效率。AI可以帮助新人迅速获得背景知识、模拟情景和比较方案，管理者则把时间投入到纠正判断、讲解隐性规则和提供反馈。技术负责降低知识门槛，人负责传递情境、标准和责任。

　　企业真正需要保护的，并不是那些已经可以自动化的旧任务，而是任务背后的学习功能。某项工作被AI替代后，HR和业务负责人应继续追问：新人过去通过这项任务学会了什么，这种能力今后通过什么方式获得，谁来提供反馈，组织如何判断其已经形成。只有回答这些问题，岗位自动化才不会演变成人才培养断层。

　　招聘不能只提高要求，还要重新定义“证据”

　　当企业需要的能力从执行转向判断，传统简历和面试的有效性会进一步下降。候选人可以借助AI优化简历、准备回答并生成案例描述，招聘方也可以借助AI快速筛选材料，双方都拥有更强的内容生产能力。招聘流程中可见的信息越来越精美，却未必更加真实。

　　这并不意味着企业应该禁止候选人使用AI。相反，真实工作本来就会使用AI，如果面试仍要求候选人在完全脱离工具的环境中完成所有任务，评估结果反而可能与实际绩效脱节。关键是把“是否使用AI”改成“如何使用AI、在哪里保留判断、能否解释结果”。

　　更有效的招聘评估，应让候选人处理一项接近真实工作的任务。企业可以提供不完整的数据、相互矛盾的业务要求和明确的时间限制，允许候选人使用指定AI工具，同时要求其提交问题拆解、信息来源、关键假设、验证过程和最终建议。面试官关注的不是文档是否华丽，而是候选人如何面对不确定性。

　　候选人如果能够指出信息不足、识别AI输出中的错误，并说明哪些结论需要进一步向业务确认，就已经展现出比“快速给出标准答案”更有价值的能力。若候选人还能够解释为什么选择某种工作流、怎样保护敏感信息，以及最终建议可能影响哪些利益相关者，其表现就更接近AI时代的真实高绩效。这样的评价也比询问“你常用哪些AI工具”更难被包装。

　　职位说明书也需要同步改变。企业不应简单地在原有技能列表中增加“熟练使用AI”，而应明确岗位需要解决的问题、负责的结果、可以调用的工具以及不可转移的人类责任。对于初级岗位，还应区分“入职必须具备的能力”和“可以在组织内培养的能力”，避免把所有未来要求一次性堆进招聘门槛。

　　广告

　　这一区分十分重要。若企业把AI熟练度、行业经验、战略判断、客户影响力和团队领导力全部列为初级岗位的必备条件，最终得到的不是更精准的人才画像，而是一份脱离市场的愿望清单。招聘标准越高，企业越需要说明自己愿意提供怎样的成长资源。

　　技能优先招聘也不能停留在删除学历要求。真正的技能优先，是用工作证据判断候选人能否完成关键任务，并承认相邻行业经验、项目经历和可迁移能力的价值。SHRM的研究显示，已经较频繁采用技能优先策略的组织，在财务目标和积极文化等指标上表现出更好的关联结果，这说明放宽传统资历限制并不等于降低质量。

　　AI时代的招聘需要同时完成两件事：提高对真实能力的识别精度，并减少对职位名称、学校背景和固定年限的过度依赖。企业要求新人更早承担复杂责任，就更应该寻找具有学习敏捷性、判断潜力和可验证工作样本的人，而不是机械地把“成熟能力”翻译成更多年限要求。 标准升级不应变成资历通胀，否则企业只会用更高成本争夺同一小群人。

　　新员工入职，不应只是教工具，而要建立“判断生产线”

　　新人进入组织后的前90天，过去主要用于熟悉制度、产品、流程和团队关系。现在，这一阶段还需要帮助员工建立安全、稳定的AI工作方式，理解哪些数据可以输入、哪些场景必须人工确认、哪些结果需要保留记录。若企业只发放工具账号而不提供工作规范，员工只能在各自理解范围内摸索。

　　有效的入职设计可以从真实业务案例开始。新人先观察员工如何定义问题，再使用AI形成初步分析，随后由导师带领其核查事实、挑战假设并调整建议。通过这种方式，AI不是绕过学习过程的捷径，而是把更多时间释放给判断训练和反馈。

　　培训案例还应包含失败情景，而不能只展示成功应用。新人需要看到一份语言流畅却引用错误数据的报告，理解一个看似合理的建议为什么忽略了客户约束，也需要练习在模型无法确定时如何向管理者说明风险。只有经历这些场景，员工才会形成对AI的适度信任，而不是盲目依赖或完全排斥。

　　导师制在这里不应被理解为松散的经验交流。导师需要观察新人如何拆解问题、如何选择工具、如何验证结果，并在关键节点说明组织内部的判断标准。每次反馈都应指向具体工作证据，而不是笼统评价“思路不够成熟”。

　　新人培养也可以采用逐级授权。早期让员工处理可逆、低风险的决策，随后扩大到跨部门分析和客户沟通，最终再进入具有更高业务影响的场景；AI工具的使用权限、数据范围和审核要求也随能力同步调整。这样既能加快成长，又不会把复杂风险直接交给缺乏情境经验的人。

　　前90天的评价标准同样需要变化。管理者不只检查新人是否完成课程和熟悉流程，还应观察其能否准确说明AI参与了哪些步骤、是否发现过错误、能否解释关键假设，以及是否知道何时请求帮助。 AI时代的胜任，不是一个人永远不需要别人，而是他知道哪些问题可以独立解决，哪些问题必须升级处理。

　　绩效体系需要给“验证、协作与培养”留下位置

　　AI让产出速度提高之后，组织容易陷入一种新的管理幻觉：既然同样的工作所需时间减少，就应该不断增加任务数量。短期看，这能带来更多文档、分析和项目；长期看，如果员工没有时间核查、讨论和复盘，组织会积累大量未经消化的信息。高产出最终可能演变为高返工。

　　新的绩效体系应在效率之外明确质量边界。对于AI参与程度较高的岗位，企业可以同时观察结果准确性、业务影响、流程改进、风险控制和知识共享，让员工知道“快速完成”只是基本要求。对于关键决策，还应要求保留必要的依据、假设和人工审核记录。

　　协作价值也需要被重新评价。一个人借助AI独立完成大量工作，看起来非常高效，但如果其方法无法复用、关键判断没有记录、同事无法理解结论来源，组织并没有真正获得能力。反之，能够建立模板、沉淀案例、分享错误并帮助团队提升的人，创造的是可扩展的组织资产。

　　管理者培养新人的投入也应进入绩效责任。很多企业口头上强调导师制，但管理者的目标仍然集中在收入、项目和交付，培养人才只能依赖个人热情。AI压缩基础工作后，新人更需要高质量反馈，如果组织不为管理者预留时间和评价权重，导师机制很难稳定运行。

　　HR可以把新人能力增长与管理者评价关联起来，但不宜简单追求课程完成率。更有意义的指标包括新人达到独立交付标准所需时间、关键能力提升证据、试用期后的绩效稳定性、内部流动情况以及团队知识沉淀质量。这些指标能够帮助组织判断，管理者是否真的在生产人才，而不是只在使用人才。

　　AI时代的管理责任不只是分配人与机器的工作，更要确保组织仍然有能力把新人培养成专家。 如果管理者只享受自动化带来的效率，却不承担知识传递和人才成长责任，企业很可能在两三年后发现，成熟人才储备已经无法支撑业务扩张。那时再从外部高价争夺人才，成本会远高于今天的培养投入。

　　HR需要重做的，是岗位、绩效、能力和管理责任之间的连接

　　很多企业的AI转型仍由技术部门或业务创新团队主导，HR通常在工具落地之后才被要求组织培训、调整招聘或者处理岗位变化。这种顺序已经难以适应当前变化，因为AI影响的并不只是工具使用，而是岗位结构、能力标准和职业阶梯。人力资源战略不能继续处在自动化决策的下游。

　　岗位设计是更先需要调整的环节。HR应与业务部门共同拆解岗位中的任务，判断哪些可以自动化、哪些可以由AI增强、哪些必须由人负责，再重新确定岗位的结果边界。重点不是计算某个岗位有多少工作可以被替代，而是理解剩余工作对判断、协作和风险责任提出了什么新要求。

　　岗位变化随后会传导到绩效。若一个岗位的大量基础任务已经由AI完成，原有工作量指标自然会失去区分度，绩效标准就需要转向结果质量、业务影响和例外处理。与此同时，企业必须防止把全部效率收益直接转化为无限加码，避免员工在更高速度下承担无法持续的认知负荷。

　　绩效标准变化又会推动能力模型更新。HR需要把笼统的“AI能力”拆解为专业判断、问题定义、工具编排、结果验证、沟通影响和治理意识，并根据不同岗位设置不同深度。销售、财务、研发和HR使用AI的场景不同，不能套用完全相同的课程和认证。

　　能力要求最终必须回到管理责任。员工无法仅靠自学形成与企业场景匹配的判断力，业务管理者需要提供真实任务、反馈和授权；HR则负责建立标准、工具和评价机制。若管理者仍把人才培养视为HR部门的工作，能力模型再精细，也难以转化为实际表现。

　　岗位决定需要什么能力，能力决定如何招聘和培养，绩效判断这些能力是否创造价值，管理者负责让能力在真实工作中成长。

　　这四个环节必须形成闭环。岗位决定需要什么能力，能力决定如何招聘和培养，绩效判断这些能力是否创造价值，管理者负责让能力在真实工作中成长。 任何一个环节停留在旧逻辑，AI转型都会出现表面先进、内部失配的情况。

　　例如，一家企业可能已经部署先进AI工具，却仍然使用五年前的职位说明书招聘；员工接受了大量培训，绩效体系却只奖励短期交付；管理者要求新人独立判断，却不给其接触客户和参与决策的机会。问题并不在员工“不愿转型”，而在组织没有提供一致的工作环境。

　　世界经济论坛《未来就业报告2025》显示，到2030年，雇主预计39%的关键技能将发生变化；报告覆盖超过1000家雇主，涉及55个经济体和1400多万名员工。这种变化速度意味着，企业无法等岗位彻底改变之后再更新人才制度。岗位设计、招聘标准和学习体系需要建立更短的迭代周期。

　　波士顿咨询公司2026年的分析则预计，未来两三年，美国约50%至55%的岗位将被AI显著重塑，而不是直接消失。虽然这一模型不能机械套用于所有和企业，但它提醒管理层，最广泛的挑战不是一次性裁撤岗位，而是大量员工留在原岗位上，却必须按照新的方式工作。对HR而言，这比处理一份岗位增减名单复杂得多。

　　对中国企业而言，真正的风险是标准升级快于组织升级

　　在中国企业环境中，AI工具的传播速度通常快于制度调整。业务团队可能已经自发使用多个模型完成研究、文案、分析和会议整理，岗位说明书、数据规范、绩效指标和培训体系却仍停留在原有版本。员工在新工具中工作，组织仍用旧标准评价，矛盾由此产生。

　　不少管理者会直接把效率预期传递给新人，认为年轻员工更熟悉数字工具，理应更快掌握AI。这种判断并非没有依据，但熟悉工具界面不等于理解企业业务，更不等于具备风险意识。新人可能拥有较强的AI尝试意愿，却仍然需要通过真实情境建立行业判断。

　　如果企业把所有差距都归因于新人“不够主动”，就会忽略自身责任。员工无法仅凭公共模型理解企业独特的客户结构、利润逻辑、数据口径、合规要求和决策方式；这些知识必须通过组织提供的案例、导师和工作反馈获得。企业越强调员工入职即战力，越需要明确自己能够提供什么样的组织支持。

　　另一个风险是过度追求复合型人才。很多职位开始同时要求业务、数据、AI、项目管理和沟通能力，人才画像越来越完整，实际招聘却越来越困难。若每个岗位都寻找“全栈型超级员工”，组织不仅会推高人才成本，也会掩盖流程分工和团队协同设计上的不足。

　　真正有效的复合能力并不意味着每个人掌握所有专业，而是员工能够理解相邻领域、正确调用资源，并知道自己的判断边界。企业需要的是能把业务专家、技术人员、AI工具和管理者连接起来的人，而不是要求一名新人独自承担整个系统。 复合型人才的价值来自连接能力，不是技能清单无限延长。

　　中国企业还需要特别关注新人培养的公平性。如果高质量任务、导师关注和AI工具权限只集中在少数被提前识别的高潜人才身上，其他新人会更难获得证明能力的机会。长此以往，组织看到的所谓“人才差距”，一部分可能只是机会分配差距。

　　HR需要确保不同背景的新人都能获得基本工具、真实任务和反馈机会，并通过工作证据而不是主观印象识别潜力。AI可以帮助降低信息获取门槛，也可能因为历史数据和既有偏好固化筛选结果。技术是否扩大人才池，取决于企业用它“筛选进入”还是“快速排除”。

　　对于大量正在推进全球化、数字化和组织升级的中国企业而言，新人仍然是未来人才供应的重要来源。短期减少初级岗位也许能够改善成本指标，但如果没有同步设计内部流动、导师培养和能力加速机制，未来的项目负责人、专业专家和管理者将失去来源。人才梯队从来不是招聘部门在市场上临时购买的库存，而是组织多年持续生产的结果。

　　CEO和CHRO现在需要回答的，不是“要不要招新人”

　　当AI可以承担越来越多基础任务时，管理层最容易提出的问题是：“今年是否还需要招聘这么多新人？”这个问题当然涉及成本，却不足以支撑长期决策。更重要的是，企业未来需要哪些专业能力，这些能力准备从哪里产生，以及今天的新人岗位在其中承担什么功能。

　　CEO需要把AI投资与人才供应链放在同一张战略图上。每一个自动化项目都应同时评估效率收益、岗位变化、技能需求和梯队影响，而不是在技术部署完成后再由HR处理人员问题。自动化一项任务的同时，企业还要决定原本通过这项任务形成的经验将如何继续传递。

　　CHRO则需要把研究中所说的“雇主期望变化”转化为制度动作。职位说明书是否已经体现AI参与后的责任边界，招聘评估是否能够识别判断和验证能力，入职项目是否提供真实工作场景，绩效体系是否奖励质量与影响，管理者是否对培养结果负责，这些问题比新增一门AI课程更关键。

　　业务负责人需要重新理解新人的价值。新人不只是低成本执行资源，也不应被想象成一入职就能独立运转的成熟专家；他们是未来组织能力的早期形态。管理者既要提高要求，也要设计形成这些能力的路径。

　　企业还应建立清晰的AI治理底线。SHRM《2026 CEO优先事项与观点报告》显示，82%的CEO预计组织需要增加AI治理投入，79%预计CEO将更深度参与AI伦理和数据监督。治理并不是限制员工创新，而是让员工知道哪些尝试受到支持、哪些数据不可使用、哪些决定必须由人负责。

　　对于知识型岗位，治理标准本身也会成为新人能力的一部分。一个人能否保护客户信息、识别模型偏差、保留决策依据并主动披露AI参与程度，将直接影响其专业可信度。未来企业招聘的不是单纯的AI使用者，而是能够在组织规则中负责任地使用AI的人。

　　管理层还需要避免把AI转型变成单向度的压力传递。工具提高效率之后，组织应明确一部分收益用于业务增长，一部分用于质量提升，一部分用于员工学习和流程改进。如果所有节省下来的时间都被立即填入更多任务，员工很难形成深度判断，AI最终只会让低价值工作运转得更快。

　　普华永道的研究发现，AI暴露程度较高的企业不仅生产率增长更快，其中表现领先的企业在员工数量和工资增长方面也展现出更积极的趋势。这说明AI价值并不必然来自减少人员，更可能来自扩大服务能力、创造新产品和进入新市场。企业选择用AI追求增长还是只追求压缩，将决定其需要怎样的新人。

　　一套更现实的新人策略，应从未来两年倒推今天

　　企业可以先从关键岗位入手，观察AI已经改变了哪些具体任务。不要急于讨论岗位是否保留，而要识别哪些基础工作正在减少、哪些复杂责任正在增加，以及这些变化是否已经反映在招聘与绩效标准中。岗位分析越具体，人才策略越不容易被宏大叙事带偏。

　　随后，企业需要为每类岗位建立更低AI工作标准。这里既包括允许使用的工具、数据边界和审核要求，也包括员工必须具备的专业判断和风险意识。标准不应只规定“必须使用”，还要规定“必须解释”和“必须验证”。

　　招聘环节可以逐步增加透明的AI协作任务，让候选人展示真实工作过程。企业允许使用工具，同时要求说明信息来源、关键假设和人工判断，能够更准确地区分“会生成内容”与“会完成工作”。这种评估也能向候选人传递清晰信号：组织重视AI效率，但不会放弃专业责任。

　　入职环节应把导师反馈嵌入业务节奏。新人不需要长时间脱产听课，却需要在前几个月持续获得小规模真实任务、快速反馈和逐级授权。管理者提供的不是标准答案，而是帮助新人理解为什么某个答案在这个组织、这个客户和这个时间点并不成立。

　　绩效环节则需要减少对表面工作量的依赖。企业可以观察业务采用率、返工情况、风险事件、客户反馈和知识沉淀，判断AI是否真正提高了工作质量。对于新人，还应关注其从依赖指导到独立判断的能力变化，而不是只比较短期产出数量。

　　培养环节要保留足够的“练习场”。企业可以通过内部项目、模拟决策、客户影随、跨部门轮岗和案例复盘，让新人接触过去通过基础工作逐渐积累的情境知识。AI负责加速准备和提供多种方案，管理者负责解释权衡和后果。

　　管理责任需要在制度中得到确认。若一位管理者不断获得AI带来的效率收益，却长期不能培养出能够独立工作的成员，这不应只被视为员工能力问题。团队是否形成可持续的人才梯队，本身就是管理质量的重要组成部分。

　　真正成熟的AI人才战略，不是把新人从组织中拿掉，而是让新人更快进入高价值工作，同时获得足够支持去承担更高责任。

　　这套策略不要求企业保留所有旧岗位，也不意味着降低自动化速度。它要求管理层在获得短期效率的同时，明确未来专家、管理者和业务负责人的成长路径。 真正成熟的AI人才战略，不是把新人从组织中拿掉，而是让新人更快进入高价值工作，同时获得足够支持去承担更高责任。

　　结语

　　AI抬高了起点，企业必须重建通往高处的楼梯

　　HBR这项研究最值得企业重视的，不是又增加了一张“未来技能清单”，而是揭示了新人岗位的结构性变化。AI正在吸收大量基础分析与执行工作，企业因此把问题定义、综合判断、沟通影响和流程设计提前放进入职要求。新人没有消失，但他们进入组织后的第一步正在变得更高、更难。

　　这种变化可能提高组织效率，也可能制造新的能力断层。决定结果的并不是AI工具本身，而是企业是否同步重构岗位、招聘、绩效、培养与管理责任。只提高人才门槛而不提供成长机制，最终得到的只会是招聘困难、人才争夺和内部梯队变薄。

　　对于HR而言，眼前的任务也不只是帮助员工“学会AI”。更关键的是，让组织重新回答谁负责判断、谁承担结果、能力如何形成、管理者如何培养，以及职业起点在基础任务减少之后应当怎样存在。 当AI把能力提前塞进新人岗位，企业就必须把过去缓慢、隐性的成长过程，改造成更明确、更密集、更可验证的人才系统。

　　未来真正具有竞争力的企业，不会因为AI而停止培养新人，也不会继续沿用依赖大量重复劳动的旧式学徒路径。它们会让AI成为新人的能力放大器，让导师成为判断力的加速器，让真实业务成为最重要的学习场。届时，新人的门槛确实更高，但通往专业成熟的路径也会更短、更清晰。

　　参考资料

　　1. Harvard Business Review：Research: AI Is Changing What Employers Want from New Hires https://hbr.org/2026/07/research-ai-is-changing-what-employers-want-from-new-hires

　　2. Cornell Chronicle：AI Is Changing Expectations for MBA Graduates https://news.cornell.edu/stories/2026/06/ai-changing-expectations-mba-graduates

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

　　4. Boston Consulting Group：AI Will Reshape More Jobs Than It Replaces https://www.bcg.com/publications/2026/ai-will-reshape-more-jobs-than-it-replaces

　　5. World Economic Forum：The Future of Jobs Report 2025 https://www.weforum.org/publications/the-future-of-jobs-report-2025/

　　6. SHRM：The Skills-First Movement https://www.shrm.org/topics-tools/research/skills-first-movement-redefining-how-organizations-hire-grow

　　7. SHRM：2026 CEO Priorities and Perspectives Report https://www.shrm.org/topics-tools/research/ceo-priorities-perspectives-report

　　原文链接：https://mp.weixin.qq.com/s/L6TXInm6YC-hB1kWr1Glag