来源：HRflag

　　当生成式AI开始写报告、做分析、整理会议纪要，商学院却把更多时间留给沟通、判断、协作与领导力。看起来，这像是技术浪潮中的一次回摆：机器越来越强，学校只好转身强调机器不擅长的部分。但如果把近期招聘市场的变化放在一起看，会发现商学院并不是简单地“回归软技能”，而是在回应一种更难处理的结构性变化—— 初级岗位仍然存在，但它们不再只需要初级能力。

　　《金融时报》近日报道，23岁的索菲娅·巴莱斯特里在瑞士圣加仑大学攻读管理学硕士期间，为争取实习经历了大约100次未成功的面试，临近毕业求职时又经历了相近数量的面试。她反复听到的反馈是，招聘方希望候选人拥有更多经验，哪怕申请的本来就是入门岗位。后来，她调整了求职方向，进入宝洁实习，并在承担真实业务责任的过程中证明了自己，最终获得全职工作机会。

　　这个故事容易被理解为毕业生求职竞争加剧，却没有那么简单。它揭示的是一条正在变窄的职业通道：过去，年轻人先靠扎实的基础能力进入组织，再在项目、客户和管理者的指导中学会判断、沟通与承担责任；现在，部分基础工作已能由AI完成，企业在招聘时便更希望新人带着这些高阶能力进场。 原本属于入职后培养的“第二层能力”，正在变成获得第一份工作的入场券。

　　这也解释了为什么商学院一边增加AI课程，一边强化所谓的“人类技能”。AI素养解决的是一个人能否借助新工具完成工作，人类技能解决的则是他能否识别真正的问题、判断输出是否可信、让不同的人形成共识，并对最后的商业结果负责。企业需要的不是“会用AI的人”和“善于沟通的人”两类人才，而是能把技术能力、业务判断与组织协作揉进同一项工作的人。

　　商学院突然重视的，其实不是“软技能”

　　“软技能”这个词长期带着一种尴尬的意味。在很多企业的人才标准里，专业知识、数据分析和财务建模是可以检验的硬能力，沟通、同理心、适应力则更像简历末尾的一组礼貌性标签。前者决定是否胜任岗位，后者似乎只是让合作过程更愉快，因此培训预算紧张时，软技能课程往往最容易被压缩。

　　AI正在改写这种软硬之分。当一份结构完整的行业摘要、一套看起来专业的演示文稿，甚至一版财务分析都可以快速生成时，“做出一份东西”不再足以证明专业水平。真正拉开差距的，是提出了什么问题、采用了哪些假设、忽略了哪些风险、如何把相互冲突的信息组织成一个可执行的判断，以及如何让业务团队愿意基于这个判断采取行动。

　　这些能力过去被称为软技能，是因为它们很难被拆成标准步骤；如今，它们恰恰因为难以标准化而变得更“硬”。一个人是否能在证据不足时保持审慎，能否在会上发现各方说的是不同层次的问题，能否把技术语言翻译成经营语言，能否在意见冲突时推动决策，都会直接影响项目周期、客户信任和经营结果。 人类技能不再只是工作方式，而越来越成为产出本身。

　　2026年GMAC企业招聘者调查提供了一个很有代表性的信号。参与调查的621名招聘者来自39个，其中53%供职于《财富》全球500强企业；当前招聘商科毕业生时，64%的雇主看重沟通能力，62%看重解决问题能力，60%看重适应力，而AI工具使用能力虽然继续上升，在当前技能排序中仍位列第14。面向未来五年，AI工具能力升到最受重视的位置，但今天真正决定候选人能否进入工作现场的，依然是技术之外的表达、分析和协作质量。

　　这组数据并没有制造“人类对抗AI”的戏剧性。它表达的是企业对人才的双重期待：既希望员工利用AI处理日常任务，又希望他们能解释信息、跨团队协作、影响利益相关者，并在变化中保持判断。AI能力与人类能力并不是此消彼长的跷跷板，而是被同时装进了同一个岗位，导致岗位的能力密度明显上升。

　　消失的不只是任务，还有一段“在工作中长大”的过程

　　在传统职业路径中，初级工作常常不够精彩，却承担着隐性的训练功能。咨询顾问从搜集资料、核对数字和整理访谈纪要开始，市场人员先做竞品表格、活动执行和基础文案，财务人员通过对账、报表与差异分析理解业务运行，HR新人则在招聘流程、员工沟通和数据维护中熟悉组织。大量重复工作让人逐渐形成行业语感，也让管理者能够在低风险任务中观察一个人的可靠性。

　　生成式AI首先改变的正是这层工作。资料检索、信息归纳、初稿制作、格式调整和常规数据处理变得更快，一名经验丰富的员工借助工具，可以覆盖过去需要数名初级员工完成的部分任务。对企业而言，这带来了真实的效率空间；对年轻人才而言，被压缩的却不仅是工作量，还有过去藏在这些工作里的观察、纠错和反馈机会。

　　一个新人曾经可以通过十几次会议纪要，学会什么信息值得记录；通过几十份客户材料，理解哪些说法虽然正确却无法说服客户；通过反复修改模型，发现数据口径背后的业务差异。AI能够更快地产出纪要、材料和模型，却不会自动把这些隐性经验转移给使用者。如果组织只保留最终结果，没有重新设计学习过程，效率提升越明显，经验传递反而越容易出现空洞。

　　《金融时报》把雇主新增的要求称为更高一层的“第二层能力”，其中包括创造力、关系管理、独立思考和影响他人的能力。过去，这些能力往往是在入职后几年里，通过观察同事、参与项目和承担逐步升级的责任形成；现在，它们被提前写进校招和初级岗位的筛选标准。于是招聘市场出现了一个看似矛盾的场景：企业仍然招聘新人，却希望新人表现得不像新人。

　　GMAC调查显示，约三分之一的雇主已经用AI替代了至少一部分入门岗位。这个比例并不意味着三分之一的毕业生岗位会整体消失，因为岗位不是一组静止的任务，企业也会把节省出的资源投向新的产品、客户和服务。更值得管理者关注的是岗位内部的重组：被自动化的往往是低风险、易检查的基础任务，被保留下来的则更接近客户、决策和责任，而这些恰好是最需要经验的部分。

　　AI并没有简单拿走职业阶梯的第一阶，却可能把第一阶抬高。 年轻人进入组织后，不再有很长时间只做后台准备，而会更早接触复杂问题、跨部门协作和业务现场；企业也更倾向于寻找能够立即创造价值、减少指导成本的人。招聘要求中的“经验”，很多时候并非执着于工作年限，而是在寻找候选人是否已经形成情境判断和职业成熟度的证据。

　　“入门岗位”正在变成压缩版的成熟岗位

　　过去的人才金字塔建立在一个相对稳定的分工上：基层员工完成信息收集和标准执行，中层人员负责整合、判断与协调，高层人员承担方向选择和最终责任。AI进入工作流后，信息收集与标准执行可以被大幅加速，层级之间原本清楚的任务边界开始移动。新人可能不再需要花一整天做资料汇总，却要在一小时后解释汇总结果为何可信，以及它对客户意味着什么。

　　这种变化让“经验”从时间概念变成了行为概念。企业真正想看到的，不只是候选人在哪里实习过，而是他是否处理过模糊问题，是否在信息不完整时做过取舍，是否能够发现AI输出中的不合理之处，是否曾推动不同立场的人达成行动方案。一个工作两年却始终只接收明确指令的人，未必比一个在高质量项目中承担过完整责任的应届生更成熟。

　　岗位说明书也因此出现了一种能力前置。许多初级岗位同时要求数据分析、AI工具、项目管理、利益相关者沟通和商业敏感度，看上去像把过去几个层级的能力放进了同一个职位。站在招聘方的角度，这符合小团队、高效率的经营环境；站在人才供给的角度，却会让“没有经验所以得不到机会，没有机会所以无法获得经验”的循环更加明显。

　　2026年的美国招聘市场已经呈现类似信号。《华盛顿邮报》援引Indeed对数百万条职位信息的分析称，沟通能力出现在接近42%的招聘信息中，领导力出现在接近三分之一的招聘信息中。与此同时，一些原本被视为入门级的职位开始要求数年经验、技术专长以及AI工具使用能力，企业更偏好能够较快独立工作的候选人。

　　这并不等同于企业不再需要年轻人。年轻人才通常更愿意尝试新工具，也更容易适应新的工作接口，他们对产品、内容和消费变化的敏感度仍然具有独特价值。真正发生变化的是组织不再愿意为“只会执行清晰任务”的人保留太多位置，无论这个人年龄多大、资历多深。

　　因此，商学院对实践学习的重视并非课程包装，而是在补足被工作现场压缩的成长过程。圣加仑大学、法国ESSCA管理学院等机构开始强化企业项目、跨文化合作、真实问题解决、伦理判断和独立思考，让学生在毕业前就经历信息不完整、目标冲突与结果责任。课堂要模拟的已经不只是商业知识的应用，而是一个人如何在复杂情境中形成可信的行动。

　　AI越能给出答案，定义问题越像一项核心业务能力

　　企业过去评价专业人才，常常从答案入手：报告是否完整、模型是否准确、方案是否符合规范、交付是否按时。生成式AI提升了答案的生产速度，也让格式完整、语言流畅的内容大量增加。当高质量的“平均答案”随手可得，答案的外观与答案的价值开始分离。

　　真正昂贵的能力向上游移动。业务面对的通常不是一道边界清楚的题，而是一团混合了客户需求、组织惯性、数据缺口、资源约束和个人立场的问题。能否把这团问题拆清楚，判断哪些变量值得关注，确定什么结果才算成功，往往比迅速给出一份方案更影响最终价值。

　　这也是为什么批判性思维在AI时代没有过时，反而变得更具体。它不是习惯性反驳，也不是在会议上显得更聪明，而是能够辨认事实、假设和推断的边界，知道一项数据能说明什么、不能说明什么，意识到模型给出的高概率答案未必适用于当前客户。AI越擅长生成合理内容，使用者越需要识别“合理但不适用”的内容。

　　世界经济论坛《2025年未来就业报告》显示，约七成受访企业把分析性思维视为核心技能，韧性、灵活性与敏捷性以及领导力和社会影响力紧随其后。与2023年相比，把领导力和社会影响力视为核心技能的企业占比上升了22个百分点，韧性、灵活性与敏捷性上升17个百分点，AI与大数据同样上升17个百分点。这三项同时增长，说明企业面对的并不是单一技术升级，而是技术扩散后决策复杂度与组织协调成本的同步上升。

　　AI在这里更像一个放大器。问题定义得清楚，它可以快速拓展信息、测试假设并生成备选方案；问题定义含糊，它同样会高效率地产出大量看似专业的偏离结果。管理者看到的最终差距，未必是谁掌握了更多提示词，而是谁知道该把AI放在哪个问题上、该在什么节点停止生成并进入判断。

　　未来的高绩效员工，不是比AI更快地完成标准答案，而是能决定哪些答案值得进入现实。 这需要业务知识，也需要理解人、利益和情境的能力。所谓人类技能，正是在答案从屏幕走向组织行动的过程中，开始显示它的商业价值。

　　沟通的价值，不在“说得好”，而在减少组织损耗

　　谈到人类技能，沟通最容易被写成空泛的品质。表达清楚、善于倾听、富有同理心几乎可以出现在任何岗位画像里，却很少有人说明这些能力如何影响经营。结果是企业口头上重视沟通，实际评估时仍然依赖演讲表现、性格印象或上级的模糊评价。

　　AI时代的沟通能力更接近一种组织基础设施。一个产品经理需要把客户抱怨转成研发可以执行的需求，把技术限制翻译成销售可以解释的边界；一个HR负责人需要把人才数据转成管理层能够做取舍的经营语言，也要把战略调整转成员工可以理解的行为预期。沟通不是把同一句话说得更漂亮，而是让不同专业系统之间的信息可以准确流动。

　　广告

　　当AI显著增加内容产量时，这种能力会更加稀缺。会议纪要更多、报告更长、方案版本更多，并不代表组织理解得更深，反而可能增加筛选和协调成本。能够压缩信息、指出真正分歧、明确决策事项并推动后续行动的人，会成为团队中的关键节点。

　　影响力也不等于职位权力。跨职能项目、矩阵组织和人机协作让大量工作发生在直接汇报关系之外，员工需要在没有正式授权的情况下争取资源、解释风险、协调节奏。一个方案在分析上正确，却无法获得业务团队的信任，它的价值仍然停留在文件里；一个AI建议在技术上可行，却没有人愿意改变流程，它也不会形成生产率。

　　从这个角度看，企业重视沟通与领导力，并不是怀念更有人情味的办公室，而是在为AI规模化应用寻找转化机制。技术可以降低生成方案的成本，却不能自动降低组织接受方案的成本。越是希望AI进入核心流程，越需要有人承担解释、协商、质疑和建立信任的工作。

　　绩效管理将遇到一个新难题：看起来很忙的人越来越多

　　当报告、代码、图表和邮件的生产速度提高，传统绩效管理中的许多可见信号会变得不可靠。过去，交付数量、响应速度和材料完整度能够在一定程度上反映投入与能力；现在，一个人可以在短时间内生成大量结构工整的内容，却不一定更接近业务结果。如果仍以产出件数和表面质量作为主要评价依据，组织很容易奖励“高效率地制造中间物”。

　　这并不意味着效率指标失去意义。标准流程的处理速度、服务响应时间和单位成本依然需要衡量，只是它们更适合评价人机系统，而不再足以单独判断个人贡献。员工真正增加的价值，往往体现在是否减少了返工、是否发现了关键风险、是否改善了决策质量、是否帮助他人更有效地使用AI，以及是否让跨团队协作更顺畅。

　　人类技能因此需要从抽象素质转成可观察行为。所谓判断力，可以体现为是否主动核验关键事实、能否识别模型输出的边界、是否在证据变化后及时修正建议；所谓协作力，可以体现为是否让关键角色提前参与、能否公开处理分歧、是否帮助团队形成共同的决策依据；所谓责任感，则可以体现为是否清楚说明假设、风险与不确定性，而不是把错误归因于工具。

　　这种绩效视角会改变“高绩效”的外观。最有价值的人未必生产最多材料，而可能是删掉了五份不必要报告的人；未必提出最多想法，而可能是及时指出项目不该继续的人；未必在每次会议上最活跃，而可能是让不同部门真正听懂彼此的人。 AI降低了表达和生产的门槛，却提高了选择、取舍和负责的价值。

　　绩效对话也会从“做了多少”逐渐走向“在哪些关键节点改变了结果”。这类贡献确实比统计任务数量更难衡量，但并非无法评价，关键是把观察放回真实工作场景。项目复盘、决策记录、客户反馈、同事协作证据和关键事件，比一张笼统的能力评分表更能说明一个人的人类技能是否真正发生作用。

　　人类技能不是一门课，而是一种工作经历

　　商学院正在改变课程设置，但它们面对一个天然限制：判断力、适应力和影响力很难通过讲授获得。学生可以理解冲突管理模型，却只有在利益真正冲突时才会体会取舍；可以学习如何做决策，却只有在数据不完整、时间有限并需要承担后果时，判断才会逐渐成熟。人类技能之所以稀缺，正因为它们需要在情境中生成。

　　《金融时报》提到，哈佛商学出版社旗下Harvard Business Impact正在推出一系列“关键技能组合”，涵盖高效协作、如何在团队中表达不同意见、应对变化与不确定性、做出可靠决策、清晰沟通以及管理冲突。法国ESSCA管理学院则强调“3A”：责任意识、适应能力与亲和可合作性，并把AI熟悉度与企业项目、跨文化学习及伦理理解放在同一培养体系中。变化的重点不是多开几门沟通课，而是让知识学习进入更接近真实工作的场景。

　　对企业而言，内部学习也会出现相同转向。过去的领导力课程往往集中在晋升为管理者之后，沟通与影响力培训也多被视为中高层项目；现在，部分员工在职业早期就要面对客户、跨部门协作和AI输出审核，这些能力需要更早进入培养路径。培训对象前移，学习场景也要从课堂前移到项目。

　　真正有效的能力发展，通常发生在“略高于当前成熟度”的责任中。新人独立完成一段分析后，需要解释判断逻辑；参与客户会议时，不只是旁听，而是负责一个明确议题；使用AI交付成果时，不只是展示效率，而是说明验证过程和风险边界。任务不能低到只剩机械执行，也不能高到一旦出错便造成不可承受的后果。

　　这类培养方式看起来比一门标准课程更慢，却能积累组织真正需要的证据。企业会逐渐看见谁能够从反馈中调整、谁能处理模糊信息、谁会在压力下隐藏问题、谁能把不同意见整合成方案。人类技能不再依赖自我评价或性格标签，而是通过一连串真实行为变得可识别。

　　HR需要重新理解岗位：不是列任务，而是设计成长坡度

　　长期以来，岗位设计主要回答两个问题：这个职位负责什么，以及达到什么结果。AI进入流程后，还需要增加一个问题：哪些任务由人完成、哪些由AI完成，以及员工通过什么经历获得下一阶段能力。如果只把可以自动化的任务从岗位说明书中删除，岗位会变得更精干，却也可能失去培养人的梯度。

　　一个健康的初级岗位并不意味着保留低价值劳动，而是保留逐步承担责任的路径。AI可以先生成客户研究初稿，新人负责验证来源、识别矛盾并提出三个需要进一步调查的问题；AI可以整理员工反馈，新人负责判断哪些问题属于流程、哪些涉及管理，并与业务团队核实；AI可以形成项目计划，新人则需要协调依赖关系、记录变更理由并复盘偏差。工作没有回到低效率，但学习过程被重新嵌入流程。

　　岗位画像也会从技能清单转向“任务—情境—责任”的组合。写着“沟通能力强”很难帮助招聘者判断候选人，明确“能够向非专业管理者解释分析结论并推动资源取舍”则更接近真实要求。写着“具备批判性思维”依然抽象，换成“能够核验AI生成内容中的关键事实，并说明证据不足对建议的影响”，能力就有了行为边界。

　　这种变化会影响招聘方式。简历和标准问答越来越容易被AI优化，企业仅凭文字表达判断候选人，信号噪声会继续增加。更有区分度的方式，是让候选人处理一个不完整案例，观察其如何提问、如何使用工具、如何验证信息、如何解释取舍，以及在收到新信息后是否愿意修改原有判断。

　　招聘因此不必变成一场“抓AI作弊”的技术竞赛。AI已经是工作环境的一部分，完全禁止候选人使用工具，可能筛选出擅长传统考试的人，却未必找到最适合未来工作的人。更值得观察的是候选人能否透明地说明工具使用边界，能否对输出承担责任，并在没有现成答案的互动中展现真实思考。

　　能力建设的重点，会从“人人会用”走向“人人会负责”

　　过去几年，许多企业的AI学习从普及工具开始，这一步仍然必要。员工需要理解模型能做什么、如何保护数据、怎样写出清晰指令，也需要体验AI对日常工作的直接帮助。但当工具使用逐渐普及，是否打开过AI、生成过多少内容，很快会失去区分度。

　　下一阶段的差距更可能出现在责任链条上。谁决定这个任务适合交给AI，谁核验关键事实，谁判断输出是否符合业务情境，谁向客户或员工解释结果，出现偏差时由谁纠正，这些问题决定AI是否真正成为可靠的生产系统。没有清晰责任的AI应用，表面上节省了时间，实际可能把风险和返工推向流程后端。

　　这也是“人类技能”与AI治理相遇的地方。伦理判断并不是课堂上的宏大讨论，它可能只是招聘团队意识到某项模型建议会对特定群体造成不公平影响，销售人员没有把生成内容中的推测当成客户事实，管理者在自动化决策前保留了必要的人工复核。负责不是拒绝技术，而是知道效率不能替代哪些判断。

　　企业对AI能力的定义因此会变宽。初级层面是能够安全、有效地使用工具；成熟层面是能把工具嵌入业务流程；更高层面则是能设计人机分工、评估风险并带领他人完成变化。每向上一步，技术操作的比重未必增加，人类判断、沟通和责任的比重却会明显上升。

　　真正的AI准备度，不只是员工是否掌握工具，也是组织是否为判断与责任保留了清晰位置。 如果每个人都能生成内容，却没有人知道谁该核验、谁能否决、谁承担后果，企业获得的只是一条更快但更不稳定的生产线。人类技能在这里不是AI之外的补充，而是AI能够进入核心业务的前提。

　　管理者的新责任，是把经验从“自然发生”改成“有意设计”

　　传统团队中，很多培养并没有被写进制度。新人坐在同事旁边，听他如何与客户沟通，看他怎样修改方案，在一次次返工中理解组织标准；管理者也通过分配任务、审阅细节和现场纠偏完成带教。这种学徒式机制效率不高，却构成了经验传递的基本通道。

　　混合办公、项目制组织与AI工具同时普及后，这些通道正在变弱。新人收到的可能已经是AI整理后的信息，员工直接修改最终文档，双方都节省了时间，却很少暴露中间的判断过程。久而久之，团队知道答案是什么的人还在增加，知道答案如何形成的人却未必同步增加。

　　管理者在这种环境下更像工作架构师。他需要决定哪些任务可以完全自动化，哪些任务应让新人保留思考过程，哪些关键节点需要解释推理而不仅是提交结果。带教不再只是工作之外的额外付出，而成为流程设计的一部分。

　　这也会改变管理者自己的绩效含义。如果一名主管总能借助AI和个人经验快速收尾，却没有让团队成员学会处理复杂问题，他的短期效率可能很高，组织的长期能力却会集中在少数人身上。相反，能够让年轻员工逐渐扩大责任范围、形成判断框架并独立协作的管理者，实际上在为企业保留未来的人才供给。

　　这里并不需要把每位管理者变成职业教练。更现实的做法，是把少量但高质量的解释嵌入日常工作：为什么这项建议没有采用，为什么某个数字需要再次核实，为什么客户表面提出的问题并非真正问题，为什么这次需要人工判断而不能直接接受模型结果。这些短暂的“把思考说出来”，可能比一门通用领导力课程更接近能力传承。

　　商学院补的课，最终仍要在企业里完成

　　商学院强化体验式学习，可以让毕业生更早接触复杂情境，也能帮助他们建立表达、协作和判断的基本框架。然而，再逼真的商业案例也无法完全复制企业内部的客户关系、资源约束和责任后果。学校可以提高起点，却无法替代组织提供真实成长机会。

　　如果企业一方面减少基础任务，另一方面继续要求候选人在入职前就拥有成熟经验，人才市场会逐渐偏好那些更早获得优质实习、项目与社会资源的人。这会提高招聘效率，却可能缩窄人才来源，让一些具备潜力但缺少展示机会的人难以进入。对企业而言，这不仅是公平议题，也是人才供给和组织多样性问题。

　　索菲娅·巴莱斯特里的经历具有启发性，不在于她最终找到了一个更好的求职技巧，而在于一家企业给了她承担真实责任的机会。能力并不是在录用前被完全证明的，很多时候，它是在合理授权、清晰反馈和适度挑战中被激活的。企业寻找“即插即用”的人才没有错，但如果整个市场都只消费成熟能力，而很少生产成熟能力，几年后高级人才短缺会以另一种形式出现。

　　商学院与企业之间的分工因此正在重新调整。学校需要把知识教育与真实问题连接起来，企业则需要把高效率流程与人才成长连接起来；前者不能只把人类技能做成课程名称，后者也不能把培养责任全部转移给教育系统。两边共同面对的，是如何在AI减少练习性任务之后，创造新的练习方式。

　　这可能是当前“人类技能热”最容易被忽视的一面。它并不是一场关于人文价值的抽象讨论，而是一项具体的人才供应链问题：企业未来需要大量具备判断、沟通和责任能力的人，这些人却不会因为会使用AI而自然出现。没有任务梯度、反馈机制和真实责任，再漂亮的能力模型也无法制造经验。

　　对企业高管而言，这不是培训议题，而是组织能力议题

　　商学院课程变化之所以值得企业高管关注，是因为它提前反映了用人市场的重新定价。AI工具越来越容易获得，单纯掌握工具的稀缺性会下降；能够把工具转成业务结果、组织共识与可靠决策的人，价值会继续上升。人才竞争的焦点，不会停留在谁招聘了更多AI专业人才，而会转向谁拥有更多能够驾驭人机协作的业务人才。

　　这类人才很难被某一个职能独立培养。业务负责人提供真实问题和结果责任，技术团队建立工具与数据基础，HR重新设计岗位、评价和学习机制，管理者在日常工作中完成反馈与授权。任何一环缺位，员工都可能停留在“会使用工具，却无法扩大影响”的阶段。

　　组织结构也可能因此变得更加两极。一端是高度标准化、由AI和自动化系统承担的大规模流程，另一端是围绕客户、创新和复杂决策组成的小型高密度团队。处在中间、主要负责传递信息和加工材料的角色会受到更大压力，而能连接两端的人——理解系统，也理解业务和人的人——会成为新的关键人才。

　　这并不意味着所有人都要成为。所谓领导力在这里不是头衔，而是能否在自己的责任范围内让事情向前推进；所谓战略思维也不是人人制定公司战略，而是理解当前任务与客户价值、经营目标之间的关系。高阶能力下沉到基层，并不需要制造一批夸张的“全能型人才”，而是让每个岗位拥有与其风险和影响相匹配的判断空间。

　　对HR而言，最值得警惕的不是能力词典里缺少“人类技能”，而是组织仍用旧方式管理新工作。岗位说明书列的是昨天的任务，绩效指标统计的是AI最容易放大的数量，培训课程教授的是脱离情境的概念，管理者则被短期交付挤压得没有时间解释判断。四者如果没有一起变化，企业即使投入大量AI工具，也很难形成稳定的人机协作能力。

　　AI时代真正稀缺的，不是“更像人”，而是更能承担复杂性

　　“人类技能”这个说法容易把讨论引向机器无法替代的特质，好像只要找到一张AI做不到的清单，人就能获得稳定的职业安全感。现实并没有如此清楚的边界。AI会继续进入写作、分析、创意和沟通等曾被认为高度人类化的活动，人类的价值也不应建立在技术永远做不到什么的猜测上。

　　更稳固的价值来自承担复杂性。商业世界中的重要决定往往没有完整数据，也没有正确答案，它们涉及时间、成本、客户、员工、声誉和长期机会之间的取舍。AI可以提供信息与选项，但组织仍需要有人理解具体情境、召集相关角色、做出选择，并在结果不如预期时继续修正。

　　因此，商学院强化人类技能并不是逆技术潮流而行，恰恰是技术深入工作后的自然结果。工具接管了更多“如何完成”的问题，人需要更早面对“为什么做、做什么、相信什么、由谁负责”的问题。过去只有管理者频繁处理的复杂性，正沿着组织层级向下移动。

　　这也为“AI是否替代工作”的争论提供了一个更接近管理现场的视角。岗位数量当然重要，但企业每天真正经历的是任务重新分配、能力标准上移和责任边界变化。人不是在某突然被AI整体替代，而是在每一次流程改造中发现，原有能力只能覆盖越来越少的价值环节。

　　AI越像一名合格的执行者，企业越需要更多能够定义问题、判断取舍、协调他人并承担结果的人。 商学院今天加码的，看似是沟通、适应与领导力，实质上是在为一种新的职业起点做准备：年轻人从进入组织的那起，就要学会与机器共同生产，也要比过去更早证明自己能够对现实负责。

　　这不是一场“硬技能退潮、软技能回归”的轮换。真正发生的，是技术能力与人类能力被重新装配进同一份工作，入门岗位的能力浓度提高，绩效评价从产出数量转向决策与协作质量，管理者的角色从分配任务延伸到设计经验。商学院只是更先感受到压力的一端，下一步更大的变化，仍会发生在企业内部。

　　当企业重新审视岗位、绩效、能力与管理责任时，“人类技能”才不会停留在一组温和而正确的词汇里。它会变成客户愿意信任的解释、团队能够执行的共识、模型无法替代的责任，以及组织面对不确定性时仍能向前推进的能力。到那时，人类技能不是AI时代的防守线，而是AI真正转化为商业价值的那一段路。

　　参考资料

　　原文链接：https://mp.weixin.qq.com/s/G1JUaItEWOg7L0004KQpXg