来源：HRflag

　　技术采购正在加速，真正稀缺的却不是模型，而是能把模型嵌入业务的人

　　过去三年，企业谈AI时最常出现的画面，是预算会上不断增加的采购清单：大模型账号、智能体平台、知识库、算力、数据治理工具，以及一轮接一轮的试点项目。技术部门负责比较参数和价格，业务部门提交场景需求，管理层希望在下一个季度看到效率改善，HR则往往在项目启动之后，才接到一项补充任务——为员工安排AI培训。整个流程看起来分工明确，却隐藏着一个越来越昂贵的误区：企业以为买到技术，就等于买到了转型能力。

　　《金融时报》在2026年2月的一篇文章中，把这个误区说得很直接：企业大规模投资AI之前，应先把“人”的问题处理好。文章引入了“人力基础设施”这一概念，强调员工应对不确定性、理解复杂情境、作出判断、开展协作和持续学习的能力，与数据、系统和模型一样，都是AI落地的基础设施。 如果组织里的员工无法判断AI在什么情况下可信、怎样把输出转化为行动、何时必须推翻机器建议，那么再先进的系统也只能制造更多内容，无法稳定地产生价值。

　　这个判断之所以值得企业高管和HR负责人认真对待，是因为AI投资已经进入一个新的阶段。早期试点关注工具有没有能力完成任务，现在企业开始追问，为什么员工明明每天都在使用AI，财务报表上却没有出现同等幅度的回报；为什么少数团队能够快速形成新流程，多数团队仍停留在写文案、做摘要和生成会议纪要；为什么采购覆盖率不断上升，真正能被复制的业务成果却依然有限。答案往往不在模型参数里，而在岗位、流程、绩效、能力和管理责任之间那些长期没有被重新设计的连接处。

　　BCG在2026年发布的《AI at Work》研究提供了一个极具张力的数据组合：74%的非管理层白领已经成为AI的经常使用者，比上一年上升23个百分点；在这些经常使用AI的一线员工中，42%表示每周能够节省至少8小时，相当于多出一个完整工作日。问题是，多数组织还没有找到把这些时间转化为业务价值的办法。员工获得了时间，企业却没有同步明确时间应该流向客户、创新、风险控制还是更高质量的决策，于是“省下来的一个工作日”常常只是被更多会议、更多信息和更高的产出要求重新填满。

　　这揭示了AI转型中最容易被忽略的事实：效率并不会自动变成利润，使用率也不会自动变成竞争力。工具可以缩短完成一项任务的时间，却不能替管理层决定这项任务是否仍有必要；模型可以给出十套方案，却不能替组织建立取舍标准；智能体可以跨系统执行流程，却不能自己界定风险边界和责任归属。 AI回报的形成，需要技术能力与人力基础设施同时成熟，任何一边单独领先，都会在组织内部形成新的堵点。

　　“人力基础设施”不是换一种说法做培训

　　《金融时报》所讨论的人力基础设施，并不是传统意义上的员工数量、学历结构或培训覆盖率。参与这一概念研究的管理者和学者提出了八类能力，包括有意识的自主行动、意义建构、好奇心、创造力、希望与乐观、归属感、协作能力和学习取向。它们共同回答的不是“员工会不会使用某个按钮”，而是“当技术快速变化、规则尚未稳定、答案不再时，组织中的人能否继续作出可靠选择”。

　　这与不少企业正在推进的AI学习项目有明显区别。很多培训仍以工具说明、提示词模板和功能演示为主，课程结束后可以统计参训率、考试通过率和证书数量，却很难回答员工是否真正改变了工作方法。员工可能会写出更复杂的提示词，但仍不知道怎样识别模型遗漏；能够生成一份漂亮的报告，却无法解释其中的推理链条；会调用智能体执行任务，却不清楚哪一个环节必须由人承担最终判断。

　　因此，人力基础设施的核心不是知识输入，而是组织的适应能力。它要求企业把学习嵌入真实工作，让员工在具体场景中反复练习如何提出问题、核验信息、组合经验、处理例外并承担结果，而不是把AI能力留在课程平台上。真正有效的能力建设，不以“学过什么”为终点，而以“能否在新的业务条件下稳定交付”为标准。

　　OECD在2026年发布的《AI与技能》报告显示，制造业和金融业中约40%的雇主把技能不足列为AI采用的主要障碍，超过一半尚未使用生成式AI的中小企业也认为技能缺口限制了行动。这里的“技能”并不只指算法工程师或数据科学家，更包括能够把业务知识、风险判断和AI工具结合起来的复合能力。技术人才可以买来或外包，业务判断却分散在销售、运营、财务、法务、客服、研发和一线管理者的日常工作中，企业无法绕过这些人完成真正的流程重构。

　　这也是为什么简单扩充AI团队常常不能解决规模化问题。少数专家可以做出效果出色的演示，也能完成几个高曝光项目，但当应用要进入几十个部门、覆盖数百种岗位和成千上万项决策时，瓶颈会迅速从“有没有模型”转向“谁理解场景、谁定义标准、谁校验结果、谁处理例外”。 企业真正缺少的，通常不是一支孤立的AI精英小队，而是一张能够让技术专家、业务专家和管理者共同工作的能力网络。

　　AI项目回报不高，问题往往出在工作没有被重新设计

　　麦肯锡2025年全球AI调研显示，88%的受访者表示所在组织已经在至少一个职能中经常使用AI，但接近三分之二的组织仍未进入企业级规模化阶段，只有39%的受访者报告AI已经对企业层面的息税前利润产生影响。换句话说，AI已经广泛进入工作，却没有以同样速度进入经营结果。企业并不是没有用AI，而是大量使用仍停留在局部任务优化，未能穿透到端到端流程和价值创造方式。

　　同一项研究发现，真正从AI中获得显著价值的高绩效组织只占约6%，这些组织与其他企业之间最明显的差异之一，是它们更愿意从根本上重新设计工作流。高绩效组织进行根本性流程重构的可能性接近其他企业的三倍，领导层对AI项目表现出明确所有权和投入的可能性也高出约三倍。它们并没有把AI当作旧流程上的加速器，而是重新判断哪些步骤可以取消、哪些判断可以增强、哪些责任必须保留在人手中。

　　很多企业的AI项目之所以“看起来有效、算起来不值”，原因就在这里。假设员工用AI把制作周报的时间从三小时缩短到三十分钟，但管理层仍要求沿用原来的周报模板、审批层级和汇报节奏，节省的时间只会成为局部效率，并不会改变决策速度。再比如，客服团队用AI快速生成答复，如果知识更新、授权边界和异常升级机制没有同步调整，员工反而需要花更多时间核验内容，管理风险也可能转移到更靠近客户的一线。

　　真正的AI工作设计应从业务结果倒推，而不是从工具功能出发。企业需要先明确客户等待时间、转化率、研发周期、质量损失、库存周转或风险事件中，哪一个指标值得被改变，然后把相关流程拆解为信息获取、分析判断、内容生成、决策批准和执行反馈等任务。只有这样，组织才能判断每项任务应由人完成、由AI完成，还是采用人机协作，并据此重组岗位和团队。

　　这意味着企业不能再满足于收集“AI使用案例”。案例数量很容易增长，员工生成一次会议摘要、做一页PPT、查询一项政策，都可以被记录为一个场景，但它们未必构成经营价值。更有意义的管理问题是：这个场景是否减少了流程中的等待和返工，是否提高了决策质量，是否带来客户体验和收入改善，是否能够在不同团队间稳定复制，以及它是否释放了稀缺人才去处理更复杂的问题。

　　岗位不是被AI整体替代，而是在任务层面重新定价

　　当企业开始从流程看AI，岗位设计就不能继续停留在静态职位说明书上。传统岗位通常按部门边界和历史分工形成，一个职位中可能同时包含大量信息整理、规则判断、关系协调、例外处理和责任承担。AI进入之后，这些任务的成本、速度和稀缺性会发生不同程度的变化，岗位价值因此不是简单上升或下降，而是被重新拆分和组合。

　　例如，一名招聘顾问过去要花大量时间筛选简历、整理面试记录和撰写候选人报告，AI可以承担其中相当一部分信息处理任务。但对业务需求的理解、对候选人动机的识别、对团队适配风险的判断，以及在复杂市场中影响候选人决策，反而会成为更重要的价值来源。如果企业只是把原岗位压缩为“更快完成更多招聘单”，员工会感受到工作强度提升；如果企业把释放的时间转向人才咨询、内部流动和关键岗位供给，岗位就会从流程执行者升级为业务问题解决者。

　　财务、法务、采购、营销和研发岗位也在发生类似变化。模型能够快速生成分析初稿、合同摘要、市场洞察和技术方案，但输出越多，组织越需要有人识别假设、比较证据、处理冲突并对结果负责。AI降低了内容生产的成本，却提高了判断、整合和责任的价值。 未来岗位竞争力的分水岭，不只是一个人会不会使用AI，而是他能否把机器的速度转化为更可靠的业务判断。

　　这要求HR与业务负责人共同完成一项过去很少被系统开展的工作：建立任务级岗位地图。地图不应只写“负责市场分析”或“支持经营决策”，而要拆出工作频率、耗时、价值、风险、所需数据、判断复杂度和责任等级，并标记哪些任务适合自动化、增强或保留。随着模型能力和业务环境变化，这张地图还需要持续更新，而不能像传统职位说明书一样数年不动。

　　任务地图的价值不只是寻找可以省人的环节，更重要的是发现组织未来要补的能力。某些岗位中，信息搜集工作可能显著减少，但跨部门协调、客户沟通、实验设计和质量审查会快速增加；另一些岗位不一定减少人数，却会出现初级任务被压缩、经验传递链条断裂的问题。HR如果只根据当前人数做编制优化，很容易忽略未来两三年关键能力的供给方式。

　　这也改变了招聘逻辑。企业仍然需要AI工程师、数据人才和治理专家，但更大规模的需求会出现在“业务＋AI”的复合人才上，他们能够理解行业语境、识别高价值场景、重构工作流程，并与技术团队共同定义模型边界。招聘标准因此应减少对单一工具熟练度的迷信，更关注候选人是否能够提出高质量问题、验证机器输出、解释决策过程，并把经验沉淀为团队可复用的方法。

　　绩效体系不改，员工越会用AI，组织反而越容易失真

　　AI让产出变快以后，更先失效的往往是原有绩效指标。很多岗位仍以文档数量、处理单量、响应速度、项目工时和活动场次衡量表现，这些指标在人工完成任务的时代尚能近似反映投入与贡献，但在AI大幅降低生产成本之后，数量与价值之间的关系会迅速减弱。一个人可以在内生成过去一周的内容，如果组织继续奖励数量，得到的未必是更高绩效，而可能是更多需要审校和协调的信息。

　　微软2026年工作趋势研究把这种现象称为一种转型悖论：65%的AI用户担心如果不快速使用AI就会落后，但45%的人认为，与其重新设计工作，专注完成当前目标反而更安全，只有13%的人表示即使尝试重构工作没有达到结果，也会因此得到认可。员工接收到的信号非常矛盾，一方面被要求创新，另一方面仍按旧流程、旧产量和短期结果接受评价。于是最理性的选择不是改变工作，而是在原有绩效框架内用AI做得更多。

　　这种绩效错位会带来三类隐性问题。员工可能为了显示使用效果而制造更多可见产出，把时间节省包装成工作量增长；管理者可能把AI效率直接折算为更高任务配额，却没有改善工作质量和客户价值；团队也可能回避高不确定性的流程创新，因为短期试错会损害当期指标。最终，组织拥有了更高的工具使用率，却没有形成更强的学习能力。

　　绩效体系需要从“生产了多少”转向“改变了什么”。对于知识型岗位，可以增加决策质量、返工率、客户采用率、问题解决周期、创新转化和知识复用等指标；对于人机协作流程，还应观察员工是否正确识别风险、是否建立可追溯的验证记录、是否把成功方法沉淀为团队资产。速度仍然重要，但必须与质量、价值和责任放在同一张绩效表中。

　　同时，企业要为工作重构设置一段可被管理的学习期。AI场景从试点到稳定运行，必然经历提示调整、数据清理、流程磨合和责任校准，如果所有尝试都要求在当季立即兑现利润，团队只会选择最安全、最表层的应用。管理层可以设置探索指标和经营指标的双轨机制，在早期关注验证速度、员工反馈和风险闭环，进入规模化后再逐步提高财务回报与客户价值的权重。

　　更重要的是，AI节省下来的时间必须有明确的再投资规则。部门不能简单地把“每周节省八小时”理解为可以再塞进八小时任务，而应预先约定其中多少投入客户、多少投入创新、多少投入学习和流程改善。只有被重新分配到高价值活动的时间，才会成为组织能力；否则，所谓效率提升只是在既有系统里提高转速，员工更忙，企业却没有走得更远。

　　真正需要重训的，往往先是管理者

　　在许多企业中，AI培训更先覆盖的是普通员工，管理者则以“业务太忙”或“了解战略即可”为由停留在概念层面。这种顺序会导致一个直接后果：员工掌握了工具，却无法改变目标、流程、资源和授权，真正有权重新设计工作的人反而缺乏实践经验。个人能力增长与组织条件之间由此出现断层。

　　微软的研究显示，只有26%的AI用户认为领导团队对AI方向保持清晰且一致的共识。当管理者亲自示范使用AI时，员工报告的AI价值提高17个百分点，批判性思考水平提高22个百分点，对智能体的信任提高30个百分点；如果管理者能够为试验创造心理安全，员工的AI准备度和价值感更高可提高20个百分点，成为智能体高频用户的可能性也达到其他员工的1.4倍。这些数据说明，管理行为不是AI落地的外围因素，而是决定员工是否敢用、会用和用到关键流程的核心变量。

　　管理者需要学习的内容，也不能停留在提示词。业务负责人必须能够识别哪些问题值得用AI解决，判断一个场景的价值上限和风险边界，重组团队分工，并建立人工校验标准；一线经理还要观察员工如何与AI协作，及时纠正过度依赖、隐性绕行和质量下降。对管理者而言，AI能力本质上是一套新的经营与带队能力。

　　管理者还需要改变分配工作的方式。过去，经理把完整任务交给员工，员工完成后接受检查；在人机协作环境中，任务可能被拆成多个由人、模型和智能体共同完成的环节，经理必须明确每一环的输入、输出、授权和升级条件。如果边界不清，员工会在“机器说了算”和“所有内容都要人工重做”之间摇摆，AI不是减轻负担，而是增加一层复杂性。

　　更深层的变化发生在信任关系上。员工愿不愿意贡献自己的经验去训练知识库、优化流程和完善智能体，取决于企业是否清楚说明数据如何使用、岗位将如何变化、效率收益怎样分配，以及个人能否从转型中获得成长机会。管理者如果只强调降本，不解释工作未来，员工就有理由保留知识、降低参与度；如果能够把AI与更有价值的任务、清晰的职业路径和公正的回报联系起来，员工才会愿意把隐性经验转化为组织资产。

　　能力建设要从“全员一门课”变成分层、分岗、在岗学习

　　全员AI通识仍然有必要，它可以建立共同语言，让员工理解基本原理、数据安全、幻觉、偏见和责任边界。但通识只能解决认知起点，不能直接解决不同岗位的业务问题。销售人员需要学习如何把客户信息转化为洞察，财务人员需要掌握证据核验和异常识别，HR需要理解人员决策中的公平与隐私，管理者则需要学会重构流程、配置资源和治理风险。

　　有效的能力体系可以按三类角色展开。技术与平台人才负责模型、数据、架构、安全和工程化，业务与产品人才负责场景定义、流程设计、价值验证和推广，一线员工与管理者负责日常使用、结果校验、例外处理和持续反馈。三类人才不是上下游的简单交接关系，而应在同一个业务问题上协同工作，形成从需求到运行的闭环。

　　学习方式也要从集中授课转向真实任务。员工在课程中学会一个提示模板，回到工作后常常会遇到数据不可用、权限不足、业务语境复杂和输出标准不清等问题，知识很快失去作用。更有效的方式是选择真实流程，让员工带着实际材料完成一次完整的人机协作，在教练和业务专家支持下反复校准，并把有效方法沉淀为团队模板、验证清单和操作规范。

　　BCG的研究显示，尽管绝大多数受访者认为未来五年需要提升能力，只有36%认为自己得到了充分培训。另一个值得注意的发现是，员工接受五小时以上培训，尤其获得线下指导和教练支持后，成为AI经常使用者的可能性显著提高。培训时长本身不是答案，真正起作用的是持续练习、即时反馈和对真实问题的解决。

　　学习还必须进入绩效和工作负荷。企业一边要求员工完成满负荷业务目标，一边让他们在业余时间学习AI，最终只会让最有兴趣或最不忙的人形成能力，关键岗位反而难以投入。组织需要为场景试验预留时间，把辅导他人、沉淀方法和改进智能体纳入绩效，让能力建设从个人爱好变成正式工作。

　　埃森哲2026年的研究把这种模式称为“人机共同学习”。其调研发现，只有25%的组织把学习嵌入文化与工作流程，并利用AI工具提供实时提示和个性化内容；能够同时推进人才与技术重塑的“人才重塑者”只占18%。但这些组织2025年的收入增速比同业高1.8个百分点，利润增速高1.4个百分点，说明人才建设并非AI投资之外的额外成本，而可能是决定投资能否产生增长的关键机制。

　　好的案例都不是先上工具，再让员工自己适应

　　一些走在前面的企业实践，已经体现出“技术部署与人才设计同步”的共同特征。埃森哲在重塑自身市场与传播职能时，为全球954名营销人员配置了14个专业AI智能体，每个智能体都由一名“人员负责人”承担引入、培训和反馈责任。企业没有把智能体作为孤立软件交给员工，而是配套角色化学习、变革支持和双向反馈机制，最终将人工任务减少约30%，上市速度提高25%至55%。

　　这个案例的价值不在于使用了多少智能体，而在于责任设计。每个智能体都有人负责其表现和成长，员工也有明确渠道把业务反馈带回系统，人与AI由此形成持续校准的关系。技术输出不再由某个远离业务的项目组单向推送，而是在真实工作中不断被检验和改善。

　　默克也采用了类似的在岗学习思路，把AI素养与人机协作嵌入日常工作，而不是只安排独立课程。埃森哲的研究资料显示，默克超过80%的员工使用其自有AI平台简化和自动化流程，让更多精力转向高价值的问题解决与创新。高覆盖率的背后，是工具、场景、学习和工作方式同时推进，而不是单纯依靠行政要求拉高登录次数。

　　卡特彼勒则从未来技能供给入手，在2025年承诺未来五年投入1亿美元，用于提升员工在数字化、自动化、AI和先进技术方面的能力。它通过定义未来技能、建设培训项目和推动人才重新部署，将人力规划从固定岗位逐步转向技能流动。这样的投入逻辑不是“培训预算增加了多少”，而是企业提前为未来业务建立可调动的人才储备。

　　中国制造企业的实践同样说明，能力建设只有贴近生产流程才能形成回报。世界经济论坛介绍的美的案例中，企业把AI教学、VR训练和自动认证结合起来，将核心技能认证周期从八天缩短到三天，多技能员工占比提高6%，员工流失率从16.5%下降到9.9%。这里的AI没有被包装成宏大概念，而是直接连接上岗速度、多技能供给和人员稳定性，人才指标与经营指标形成了清晰关系。

　　这些案例跨越咨询、医药、制造和工业企业，却有几个相同点。它们都从具体业务结果出发，为员工提供与岗位相关的学习，让管理者或业务负责人承担落地责任，并建立持续反馈机制；它们也没有把“使用AI”本身当作终点，而是观察上市速度、流程效率、人才流动、技能认证和员工稳定性。 真正成熟的AI投资，不是技术项目外加一笔培训预算，而是一项技术、工作和人才共同重构的经营工程。

　　HR不能再等战略确定后负责培训和沟通

　　《金融时报》文章给CEO的建议很明确：首席人力资源官应成为AI转型真正的战略伙伴，而不是在战略形成后负责执行。这个建议对中国企业尤其重要，因为许多AI项目仍由技术或数字化部门牵头，HR通常在人员调整、培训推广、绩效修改或员工沟通阶段才被拉入。等到这些问题暴露出来，岗位和流程设计往往已经固化，HR能够采取的动作只剩补救。

　　HR进入AI战略，不是为了扩大部门边界，而是因为大量关键决策本身就是组织决策。企业选择自动化哪些任务，会改变岗位内容；决定把节省的时间投向哪里，会改变绩效要求；确定由谁审核模型输出，会改变责任体系；选择内部培养还是外部招聘，会改变人才供给和成本结构。缺少HR参与，这些决策容易被当作纯技术问题处理，最终由组织承担隐性代价。

　　在岗位层面，HR需要推动任务级分析，识别被自动化、被增强和新出现的工作，并据此更新岗位职责、编制逻辑和职业路径。更新不能只是把“熟练使用AI”加进每一份职位说明书，而要写清员工利用AI后应交付什么更高价值的结果。对于初级岗位，还要避免把基础任务全部拿走后，组织失去培养经验和形成专业判断的通道。

　　在绩效层面，HR要帮助业务重新定义贡献。AI显著提高生产速度后，数量型指标的解释力会下降，质量、判断、客户价值、风险控制、知识沉淀和协作贡献需要获得更高权重。对于承担智能体训练、流程改造和同事辅导的员工，企业也应给予正式认可，否则这些决定组织长期能力的工作会被日常KPI挤出。

　　在能力层面，HR应建立动态技能视图，而不是每年进行一次静态盘点。AI工具和业务场景变化速度很快，企业需要持续知道哪些能力正在贬值、哪些能力正在增长、哪些员工已经在实践中形成新专长，以及哪些团队存在关键单点风险。技能数据只有与项目分配、内部流动、学习资源和晋升机制连接，才会成为经营工具，而不只是人才系统里更精细的标签。

　　在管理责任层面，HR需要把AI领导力写入管理者标准。管理者不仅要支持员工使用工具，还要亲自示范、设定质量标准、创造安全试验空间、处理工作负荷变化，并对人机协作结果负责。不能把所有风险推给一线员工，也不能把所有判断交给技术团队，业务管理者必须成为AI价值实现的直接责任人。

　　CEO需要建立一张“AI投资—人才能力”联动表

　　企业讨论AI预算时，通常会详细列出软件许可、算力、数据、集成和咨询费用，却很少用同样精度计算岗位重构、管理者投入、在岗学习、人才迁移和变革支持。这会造成一种财务错觉：技术成本是必须投入，人才成本则是可以压缩的配套费用。事实上，人才准备不足会通过低采用率、重复建设、流程返工、风险事件和项目停滞，以更高但更隐蔽的方式回到损益表。

　　更合理的做法，是让每一个重要AI项目都对应一张人才能力联动表。项目立项时不仅写明技术方案和财务目标，还要列出受影响任务、关键岗位、所需技能、人工判断点、管理责任、学习安排、人员迁移和绩效变化。技术里程碑与组织里程碑同步验收，模型上线不再等同于项目完成，员工能够稳定使用并交付预期业务结果，才算真正进入运行阶段。

　　这张表还应明确三类预算。建设预算用于数据、平台和系统，转型预算用于流程重构、岗位调整和变革支持，能力预算用于在岗学习、教练、人才引进和知识沉淀。三类预算不必机械等额，但不能只批准技术而期待组织自行吸收变化。

　　董事会和经营层也需要改变AI项目的汇报方式。除了投入、进度、使用人数和调用次数，管理层还应看到流程周期、质量变化、客户价值、员工能力、风险事件、时间再投资和人才流动。尤其要区分“员工用了AI”“流程嵌入了AI”和“经营结果因AI而改变”这三个层次，避免把活跃账号误认为转型成果。

　　在资源有限时，企业不应追求场景铺得越多越好。PwC对2026年AI趋势的建议是，由更高管理层选择少数重点领域，优先考虑业务优先级、价值证据以及人才和数据是否具备。集中资源完成几个端到端流程，比在几十个部门同时形成浅层使用更容易建立方法、培养人才和验证回报。

　　从90天开始，把人才准备放到AI采购之前

　　企业不需要等到建立完整的人才体系后才开始AI项目，但可以在未来90天内调整投资顺序。更先要做的不是再组织一次全员工具培训，而是选择两到三个与经营目标直接相关的流程，画出任务、数据、决策和责任的完整链条。管理层需要从中找出真正限制价值的环节，确认问题究竟来自技术能力、数据质量、流程设计，还是岗位与授权。

　　接下来，企业应组建小型跨职能团队，由业务负责人、流程专家、技术人员、HR和风险相关人员共同参与。团队不以“做出一个演示”为目标，而以改善一项可量化的业务结果为目标，在真实场景中明确人机分工、验证规则和例外升级机制。参与者既是项目执行者，也是未来内部能力的种子。

　　在试验过程中，HR需要同步记录任务变化和能力变化。哪些工作消失了，哪些工作增加了，哪些判断变得更重要，哪些员工快速形成了复合能力，哪些管理行为促进或阻碍了采用，这些信息都应进入岗位、学习和人才流动决策。试点的价值不只是证明工具有效，更是帮助组织看见未来工作的形状。

　　绩效规则也应在90天内进行小范围调整。对参与重构的团队，可以同时设置业务结果、质量与风险、学习速度和知识复用指标，并为试验预留正式时间。管理者要明确说明节省时间的再投资方向，避免员工把AI理解为单纯加码工作量的工具。

　　最后，企业应根据试点结果再决定是否扩大采购。能清楚说明业务价值、人才要求和复制条件的场景，可以进入规模化；仍依赖少数专家、缺少责任人或无法量化结果的场景，应继续优化而不是急于铺开。 把采购放在组织验证之后，不会拖慢AI转型，反而能减少无效试点，把资金集中到真正有能力产生回报的地方。

　　AI时代，人才不是技术的配套，而是资本配置的一部分

　　企业过去习惯把技术投资计入资本，把人才投入计入成本。AI正在迫使管理层重新理解这条边界，因为模型的能力只有通过员工的业务知识、判断、协作和责任才能进入经营系统。没有合适的人力基础设施，技术资产会快速折旧；拥有能够持续学习和重构工作的组织，同一套技术也可能产生完全不同的回报。

　　这并不意味着企业应停止购买AI，或者在人才完全准备好之前保持观望。真正的含义是，AI预算和人才战略必须从一开始就被放在同一张桌上讨论，技术选择要匹配组织能力，人才建设也要围绕具体业务价值展开。企业不是先做完技术、再处理人员，而是在每一个场景里同步设计技术、流程、岗位和管理机制。

　　对CEO而言，最重要的变化是把AI从采购议题升级为组织议题。对CHRO而言，机会也不在于承接更多培训，而在于用岗位、绩效、能力和领导力工具，帮助企业把模型能力转化为可持续的经营能力。两者如果仍然各自行动，技术会不断前进，组织却会停留在原地。

　　《金融时报》提出“先把人理顺，再重金投入AI”，听起来像是在为人才争取更多重视，实质上讨论的是一条更严格的投资纪律。企业必须在花钱之前回答：谁来定义价值，谁来重构工作，谁来验证结果，谁来承担责任，员工又为什么愿意参与。 AI时代最昂贵的并不是模型，而是组织花了大量资金之后，仍没有人能够把它变成业绩。

　　参考资料

　　Financial Times， Sort your people out — before you spend big on AI， 2026年2月25日。

　　BCG， AI at Work: Why Strategy Matters More Than Tools， 2026年6月3日。

　　McKinsey & Company， The State of AI in 2025: Agents， Innovation， and Transformation， 2025年11月5日。

　　Microsoft， 2026 Work Trend Index: Agents， Human Agency， and the Opportunity for Every Organization， 2026年5月5日。

　　OECD， AI and Skills: What We Know So Far， 2026年6月5日。

　　Accenture， Talent Reinventors: Delivering Value with and for People in the Age of AI， 2026年3月16日。

　　Accenture， Making Reinvention Real with Gen AI， 2025年。

　　World Economic Forum， Insights from the Production Line for the New Industrial Workforce， 2025年12月8日。

　　原文链接：https://mp.weixin.qq.com/s/SntzLzb1Q7IJWrgKIAN5YA