来源：HRflag

　　在很长一段时间里，企业判断一名员工是否具有发展潜力，通常围绕几项熟悉的标准展开：专业基础是否扎实，业绩是否稳定，能否带领团队，以及是否适合承担更大的管理职责。这样的判断建立在一个相对稳定的组织环境之上——岗位边界清晰，专业分工明确，一个人只要沿着既定通道不断积累经验，就有机会从业务骨干成长为管理者。

　　生成式AI进入日常工作后，这套逻辑并没有突然失效，却开始出现越来越多无法解释的例外。有些履历完整、专业深度突出的员工，在新的项目环境中反而显得行动迟缓；另一些职级并不高、资历也不算耀眼的人，却能借助AI快速理解陌生业务，连接产品、数据、客户和技术，在几周内完成过去需要多个岗位配合的工作。

　　高潜人才并没有消失，只是企业识别潜力的坐标正在移动。过去，潜力主要意味着一个人能够沿着纵向通道走得多深；现在，潜力越来越表现为一个人能否在保留专业根基的同时，迅速长出新的能力分支，并把这些分支连接成可交付的业务结果。

　　这也是“X型人才” 开始进入企业人才讨论的原因

　　从“T型人才”到“X型人才”

　　9月3日，Shopify首席运营官Jess Hertz在一次播客中提出，AI时代更理想的员工可能不再只是“T型人才”，而是“X型人才”。传统的T型人才拥有宽广的知识面，并在某一个专业领域形成足够深的能力；X型人才则拥有多个专业“尖峰”，能够快速吸收复杂概念，进入新的知识空间，并在不同领域之间切换和组合。Business Insider的报道提到，这类人甚至可以在短时间内把自己训练成一个“七十分的设计师”，同时保留原有的专业优势。

　　这里的“X”不必被理解为严格的几何结构，也不意味着一个人只拥有两个专业方向。它更像一种人才隐喻：一个人的能力不再只有一根向下延伸的主轴，而是出现多个可以独立创造价值、又能彼此连接的能力支点。专业深度仍然重要，但企业开始关注一个人是否能够在专业边界之外形成新的理解力和行动力。

　　Jess Hertz还特别谈到了团队组合。未来企业需要考虑的，不只是某个人是否足够优秀，而是不同“形状”的人才如何交叉，一个团队能否形成覆盖业务问题所需的完整能力星座。换句话说，X型人才并不是一批全能个体的，而是一种新的组织连接方式。

　　这一判断并非孤立出现。Shopify此前已经将AI使用视为工作中的基础能力，并把相关表现纳入绩效和同事评价，同时要求团队在申请新增人力和资源时，先判断现有目标能否通过AI完成。企业关注的重点由此发生变化：岗位需要多少人，逐渐让位于目标需要什么能力，以及人、AI与团队应当如何重新组合。

　　人才模型的变化

　　T

　　一项深度专业 一片通用知识

　　X

　　多个能力尖峰 彼此连接转化

　　AI改变的不是技能清单，而是能力的形成速度

　　企业过去也喜欢复合型人才，但这类人才长期面临一个现实问题：培养周期太长。一个财务人员想理解产品，一个产品经理想掌握数据分析，一个销售负责人想进入技术实施，通常需要系统学习、长期实践和大量跨部门协作。很多企业因此更愿意把复合能力放在管理岗位上，普通员工则继续留在相对明确的专业分工里。

　　AI降低了跨领域学习和基础执行的成本。员工可以随时调用一个能够解释概念、拆解任务、生成初稿、分析数据、模拟客户、编写简单程序并提供反馈的数字助手。一个人进入相邻领域时，不再需要从搜索资料和理解术语开始，而是可以直接围绕具体问题展开学习，在行动中补齐知识。

　　这种变化并没有让专业能力变得不重要，反而提高了专业判断的价值。AI可以帮助员工迅速获得某个领域六七十分的执行能力，但很难自动告诉他哪些结果值得相信、哪些风险不能忽略，以及某个看似合理的方案为什么不适合当前客户。真正形成差异的，是员工能否用原有专业判断约束AI，再把AI带来的新能力转化为业务成果。

　　X型人才并不是“会使用很多工具的人”。

　　他们的核心特征，是学习速度、跨域迁移和专业判断同时存在。少了学习速度，新的能力分支长不出来；少了迁移能力，不同知识只能彼此孤立；少了专业判断，复合能力便容易停留在表面。

　　世界经济论坛在《未来就业报告2025》中预计，到2030年，劳动力市场所需的核心技能中约有39%将发生变化。报告同时把AI与大数据、技术素养列为增长最快的技能，也强调创造性思维、韧性、灵活性、敏捷性和持续学习的重要程度正在上升。这份覆盖1000多家企业和1400多万名员工的研究显示，技术能力与人的适应能力并不是两张彼此竞争的清单，它们正在被压缩进同一个人才画像。

　　技能重构速度

　　39%

　　世界经济论坛预计，到2030年，劳动力市场所需的核心技能中约有39%将发生变化。

　　当AI接管“横向宽度”，人的价值开始转向连接

　　T型人才模型诞生于专业化分工不断深化的时代。那时，横向知识能够帮助员工理解协作对象，纵向专业则决定他能够交付什么。组织通过部门划分聚集专业人才，再由流程、会议和管理者把不同部门的工作连接起来。

　　AI正在改变这一结构中的成本分布。知识检索、基础写作、初步分析、原型生成、资料归纳和常规沟通的成本大幅下降，过去需要多人接力完成的工作，可以先由一个人和多个AI工具形成雏形。组织仍然需要专业分工，但连接专业的工作不必全部交给流程和管理层。

　　例如，一名市场人员过去提出活动需求后，可能需要设计团队制作视觉、数据团队分析人群、产品团队确认功能、法务团队审查表达。今天，这名市场人员可以用AI完成视觉草图、用户分类、文案版本和风险清单，再带着更成熟的问题与专业团队协作。专业岗位并未失去作用，但协作的起点已经从“请帮我完成”变成“请帮我判断和优化”。

　　这意味着员工创造价值的方式正在发生微妙变化。企业过去为专业执行付费，现在越来越愿意为问题定义、资源组合、质量判断和结果闭环付费。一个人能够调用的能力越多，他就越可能减少等待、误解与反复交接，把一个模糊需求更快推进到可验证的结果。

　　AI时代的效率，不只来自把一项任务做得更快，也来自减少任务在组织中移动的次数。

　　岗位正在从“任务容器”变成“结果责任”

　　传统岗位说明书往往是一组任务的：负责哪些材料，维护哪些流程，参加哪些会议，输出哪些报表。这样的设计便于招聘、定岗和定编，也便于管理者按照完成情况进行评价。但当AI可以承担越来越多的任务时，继续用任务数量描述岗位，容易让企业看见局部效率，却看不清岗位真正存在的理由。

　　以招聘岗位为例，简历筛选、职位文案、面试纪要、人才搜索和候选人沟通都可以得到AI支持。如果岗位仍然被定义为“完成多少次筛选、发布多少个职位、安排多少场面试”，员工就可能成为AI流水线的操作员。岗位如果被重新定义为“提高关键人才识别质量、缩短业务空缺周期并改善候选人体验”，招聘人员便需要同时理解业务、人才市场、数据、流程和沟通。

　　类似变化也在培训、绩效、财务、法务、市场和客户服务中发生。常规任务被AI压缩之后，留下来的工作通常更接近问题的源头，也更依赖情境判断。原本藏在岗位之间的灰色地带，正在成为新的价值密集区。

　　X型人才往往出现在这些边界处。他可能是一名懂客户经营的产品经理，也可能是一名能建立数据模型的HRBP，或者是一名既理解业务流程、又能设计AI智能体工作流的运营人员。每一种组合都不完全相同，但它们有一个共同特征：员工不再只对本专业的交付物负责，而是对一段更完整的业务结果负责。

　　这也解释了为什么简单地在所有职位要求中增加“熟练使用AI”并不能真正完成人才升级。工具能力只是入口，岗位有没有留出跨域解决问题的空间，决定了员工能否形成第二个、第三个能力尖峰。如果岗位仍然被切割得过细，员工即使掌握AI，也只能更快地完成原有任务，很难长成企业真正需要的X型人才。

　　高潜人才不再只是“下一任管理者”

　　过去许多企业的高潜计划与管理梯队紧密相连。员工在现岗位表现出色，获得上级认可，被放入人才盘点九宫格，随后接受轮岗、培训和管理任务，逐步进入领导岗位。这条路径曾经有效，因为管理幅度、组织规模和业务增长往往同时扩大，企业需要持续补充管理者。

　　AI带来的一个重要变化，是高价值人才未必通过扩大团队规模来放大影响。一个优秀的个人贡献者可以借助AI完成过去需要多人协作的分析、设计、开发和运营工作，也可以把自己的方法沉淀为模板、知识库和智能体，供更多同事重复使用。影响力开始与下属人数脱钩，专业路径和项目路径的重要性随之上升。

　　因此，高潜人才的判断不能只看一个人是否“像管理者”。有些员工不热衷于行政管理，却能够快速进入陌生问题，建立解决框架，并让团队获得新的工作方法；有些员工讲话并不强势，却善于发现被忽略的风险，在AI提供大量答案时保持清晰判断。这些人可能不是传统人才盘点中最显眼的候选者，却有可能成为AI时代最重要的能力节点。

　　过去的高潜评估主要预测一个人能走到多高，今天还需要判断他能以多快速度改变自己的能力结构。

　　这不意味着历史业绩不再重要。业绩依然是判断员工是否能够兑现承诺的重要证据，只是它不能独立证明未来潜力。一个人在熟悉环境中长期保持高绩效，可能来自深厚能力，也可能来自对既有流程的熟练；只有当场景变化、工具变化或责任扩大时，企业才能看见他是否具有重新学习和重新组织工作的能力。

　　识别X型人才，简历上的关键词越来越不够用

　　简历擅长呈现经历，却不擅长呈现能力形成过程。候选人可以写下参与过多个跨部门项目，也可以罗列大量AI工具，但企业很难仅凭这些信息判断，他在项目中究竟承担了关键判断，还是只完成了被分配的部分。AI还能让简历和面试答案变得更加完整，传统筛选方法因此更容易把表达质量误认为真实能力。

　　识别X型人才，需要把注意力从“他接触过什么”转向“他如何进入一个陌生问题”。面试中可以提供一个与候选人主专业相邻、但并不完全熟悉的业务场景，观察他如何拆解目标、识别信息缺口、调用工具、形成假设并修正答案。企业要看的不是候选人能否一次说对，而是他的学习路径是否清晰。

　　另一个有效信号，是候选人能否解释能力之间的连接。一个同时做过销售、产品和数据分析的人，不一定天然具有复合优势；如果三段经历彼此孤立，它们可能只是职业路径的多次切换。真正的X型人才往往能说明，销售经验如何影响产品判断，数据能力如何改变客户沟通，以及这些能力如何在一次具体决策同发挥作用。

　　作品和业务复盘也比抽象自我评价更有价值。企业可以要求候选人展示一个从问题提出到结果验证的完整案例，说明哪些部分由自己完成，哪些部分使用AI，哪些判断来自专业经验，又在哪些节点寻求他人帮助。能够准确说清边界的人，通常比声称自己“全程独立完成”的人更值得关注。

　　对于内部人才，企业还可以观察一些日常信号。X型人才经常主动把模糊问题变成小实验，在跨部门讨论中能够使用对方听得懂的语言，并愿意把成功做法整理成他人可以复用的工具。他们并不一定是AI使用次数最多的人，却往往能够把AI生成的普通结果推进为组织可用的解决方案。

　　识别X型人才的四个观察点

　　● 如何进入一个陌生问题，而不只是接触过什么

　　● 能否解释不同能力怎样共同影响一次决策

　　● 是否说得清AI、个人判断与团队协作的边界

　　● 能否把一次成果转化为团队可复用的资产

　　绩效不能只统计“用了多少AI”

　　当AI使用成为企业关注重点，一种最直接的管理方式是记录调用次数、活跃天数、生成内容数量和节省时间。Shopify此前将AI使用纳入绩效和同事评价，引发广泛讨论，也说明AI已经从员工的自选工具逐渐变成工作体系的一部分。其关注重点并不是简单增加工具登录量，而是推动员工重新思考：如果AI智能体已经成为团队成员，现有工作可以怎样完成。

　　使用数据能够帮助企业了解工具普及程度，却很难单独判断价值。一个员工每天调用数百次AI，可能只是把原有工作流程复制到新工具中；另一个员工每周只使用几次，却可能重新设计了关键流程，使团队不再重复处理大量低价值任务。把调用量直接等同于绩效，容易奖励可见的忙碌，而忽略真正的工作重构。

　　更适合X型人才的绩效逻辑，应当围绕结果、质量、速度和可复用性展开。员工是否缩短了交付周期，是否减少了返工，是否提升了客户体验，是否发现了过去无法识别的问题，以及是否把个人成果沉淀为团队可以继续使用的资产，这些指标比提示词数量更接近商业价值。

　　评价中还需要保留专业判断的位置。AI可以让员工生成更多方案，却不意味着方案质量自然提高；它也可以让项目推进得更快，却可能同步放大方向错误。员工是否知道何时可以信任AI、何时必须进行人工复核，是否理解数据、版权、隐私和业务风险，应该成为高绩效的重要组成部分。

　　绩效周期本身也可能需要缩短。X型能力经常在新项目、紧急任务和跨部门协作中显现，如果企业仍然只依赖一年一次的主管评价，很多关键证据会在日常流程中消失。项目复盘、内部客户反馈、成果样本和能力迁移记录，可以为高潜识别提供更及时的依据。

　　AI时代的绩效，不应奖励 “人像机器一样完成更多任务” 而应识别人如何借助机器重新定义任务

　　X型能力如何长出来

　　企业不太可能在外部市场上直接买到足够多的X型人才。因为X型能力往往与具体业务环境有关，同一个人在一家企业形成的跨域组合，进入另一家企业后未必能够立即复制。真正可持续的做法，是在组织内部创造能力生长的条件。

　　专业根基仍然是起点。员工需要在一个领域中形成足够稳定的判断，才有可能辨别AI输出的质量，也才知道哪些经验可以迁移到其他场景。企业如果因为强调复合能力而忽略基本功，最终培养出来的可能不是X型人才，而是一群熟悉术语、善于演示却难以承担关键责任的浅层通才。

　　第二个能力尖峰通常不会从课堂中自然出现，它更多来自真实任务。让HR参与一次业务流程重构，让产品经理进入客户成功项目，让财务人员参与商业模式设计，让一线管理者尝试搭建简单的智能体，都可能比统一安排一轮工具培训更有效。因为员工需要在真实约束中理解另一个专业，而不是只记住概念。

　　AI可以成为这一过程的学习加速器。员工可以利用AI进行角色模拟、案例推演、资料解释和方案对比，在较低成本下获得更多练习机会。但组织仍然需要提供导师、同伴和专业审核，否则员工可能在错误反馈中迅速形成虚假自信。

　　项目结束后的复盘尤其重要。企业可以要求员工说明自己新形成了什么能力，哪些判断来自原专业，哪些知识能够迁移到下一项任务，以及本次工作形成了哪些可复用资产。这种复盘让“完成项目”转化为“扩展能力”，也让组织能够看见人才形状如何变化。

　　轮岗机制也需要更加轻量。传统轮岗往往以半年或一年为周期，实施成本较高，员工还可能因为离开原岗位而产生发展顾虑。AI时代的能力拓展可以更多依靠短期任务、跨职能小组、内部项目市场和兼职角色，在不改变正式汇报关系的情况下，让员工获得新的责任窗口。

　　X型人才不是“一个人干五个人的活”

　　“复合型人才”很容易被组织误读为压缩编制的便利理由。一个人会写文案、做设计、分析数据、搭建自动化流程，于是管理者顺势把多个岗位的任务集中到他身上。短期看，团队似乎获得了更高人效；长期看，这名员工可能被大量碎片化任务耗尽，真正有价值的跨域能力反而无法继续发展。

　　X型人才的价值不在于承担更多零散工作，而在于减少无效交接、改善问题定义并形成更完整的结果责任。如果员工只是同时维护五张任务清单，他并没有获得更大的决策空间，只是变成了一个更忙的执行中心。能力越多，工作越碎，这并不是人才升级，而是组织把协调成本转移给了个人。

　　工作负荷因此需要从任务量转向认知负荷来判断。跨领域工作涉及频繁切换语境、权衡不同目标并承担更多不确定性，即使表面上的工作件数不多，也可能消耗大量注意力。企业在提高人才密度的同时，需要给关键员工更清晰的优先级和更大的取舍权。

　　职业回报也应当反映这种变化。X型人才创造的价值常常分布在多个部门，很难完全体现在单一职能的指标中。如果薪酬和晋升仍然只认可纵向专业成果，他们就可能被评价为“每件事都参与，但没有一项属于自己”，最终回到更容易获得认可的传统路径。

　　管理者需要区分“能力范围扩大”和“职责无限扩张”。前者意味着员工可以选择更优的解决路径，后者则意味着所有没人负责的工作都落到他身上。只有当授权、资源和回报同步变化时，X型人才才会成为组织优势，而不是新一代的高绩效消耗品。

　　广告

　　企业需要的不是更多“超级个体”，而是更好的团队星座

　　Jess Hertz在谈到X型人才时，将团队构成视为同样重要的问题。这一点提醒企业，人才模型不能只用于评价个人，还需要用于设计团队。如果所有人都被要求具备完全相同的能力组合，所谓多元化最终可能变成另一种标准化。

　　有些工作仍然需要极深的专业人才。基础研究、复杂工程、医疗判断、法律意见、风险控制和核心算法等领域，不会因为AI出现就失去深度价值。相反，当普通执行变得更容易，少数能够识别细微差异、处理极端情况并承担最终责任的专家，可能更加重要。

　　X型人才与深度专家并不是替代关系。前者可以把业务问题带到专业人员面前，减少沟通损耗，并将专家判断转化为产品和流程；后者则为团队提供可信边界，避免快速跨域变成仓促越界。一个有效团队可能同时包括深度专家、跨域连接者、客户洞察者和AI工作流设计者。

　　团队设计的关键，也不再只是凑齐岗位。管理者需要看见成员之间的能力重叠和空白：哪些人能够理解客户，哪些人掌握关键数据，哪些人可以判断技术风险，哪些人擅长推动共识。组织图显示谁向谁汇报，能力图则显示团队真正能够解决什么问题。

　　这也会改变企业对人才密度的理解。人才密度不是每个岗位都塞入最聪明的人，而是让不同能力之间产生更高质量的连接。一个由专家组成、却缺少翻译和协同能力的团队，未必比一个能力层次合理、能够迅速组合资源的团队更高效。

　　未来的组织优势，可能不来自拥有最多的X型人才，而来自最清楚地知道不同形状的人应当怎样组合。

　　AI正在“专业化”一部分岗位，也在“普及化”另一部分岗位

　　普华永道《2026全球AI就业晴雨表》分析了27个和地区超过10亿条招聘广告，发现AI正在形成两条不同的岗位演化路径。一部分工作因为AI降低了操作门槛，更多非专业人员也可以完成；另一部分工作则因为AI承担了基础任务，对人的判断、领导力和专业深度提出了更高要求。报告将这两条路径概括为岗位的“普及化”与“专业化”。

　　值得注意的是，岗位专业化并不等于回到传统专家模式。AI帮助员工处理基础分析和常规生产后，专业人员需要更靠近复杂决策、客户情境和跨领域协作。专业越深，越需要能够将知识放入业务环境中；否则，大量无法转化为行动的专业知识，也可能被困在组织边缘。

　　2×

　　专业化岗位的 数量增长速度

　　+42%

　　专业化岗位的 工资增长优势

　　+40%

　　高AI暴露企业的 生产率增长优势

　　报告显示，走向专业化的岗位数量增长速度约为被普及化岗位的两倍，工资增长也高出42%。在AI暴露程度更高的企业中，相对于2018年基准的员工数量增长达到52%，高于低AI暴露企业的36%；这些企业的生产率增长也高出40%。这组数据说明，AI的商业价值并不只表现为减少人力，它也可能帮助企业进入新的市场、扩大服务范围并创造新的工作需求。

　　对高潜人才管理而言，这种分化十分重要。企业不能笼统地把所有岗位都改写为“AI增强岗位”，而需要判断每个岗位正在走向哪条路径。如果基础门槛持续降低，岗位应当扩大结果责任并提高判断要求；如果AI让专业问题变得更加复杂，企业则需要强化专业深度，并为专家配置更好的跨域伙伴。

　　X型人才更可能在两条路径的交界处产生。他们既能够利用AI降低执行门槛，又能够判断哪些问题正在变得更加专业；既能让更多人完成过去只有专家才能完成的基础工作，也知道何时必须把决策交还给真正的专家。这样的边界意识，往往比单纯的工具熟练度更难获得。

　　入门岗位变少之后，高潜人才从哪里来

　　企业对X型人才的需求不断上升，却面临一个容易被忽略的培养矛盾：员工的专业深度通常来自长期处理基础问题，而大量基础工作正是AI更先接管的部分。年轻员工如果没有机会经历资料整理、基础分析、客户沟通和错误修正，可能很快学会生成漂亮答案，却难以理解答案是如何形成的。

　　Cognizant与Pearson在2026年发布的一项研究显示，全球约三分之一的入门级任务已经由AI完成，96%的受访HR负责人预计，未来五年入门岗位将更多转向监督和管理AI系统。与此同时，94%的HR负责人认为AI会创造目前尚不存在的新型入门岗位。这项研究呈现出一个双重变化：传统起点正在缩小，新的起点也在形成。

　　1/3

　　入门级任务 已由AI完成

　　94%

　　HR负责人预计 AI将创造新入门岗位

　　问题在于，新岗位往往一开始就要求年轻员工理解AI输出、识别异常并做出判断。这些能力过去通常在数年工作经验后才被要求，现在却可能提前出现在职业入口。企业希望招聘具有复合能力的新人，却不能假设这些能力会在学校或个人使用AI的过程中自动形成。

　　入门岗位因此需要重新设计，而不是简单取消。企业可以减少重复性劳动，但应保留能够帮助新人理解业务因果关系的任务，并通过样本对比、人工复核、客户观察和导师反馈建立判断力。AI可以提供速度，真实业务仍然需要提供摩擦，因为很多专业感知正是在处理例外、冲突和失败时形成的。

　　高潜人才培养也需要更早识别学习方式。年轻员工是否愿意核查AI提供的信息，是否能从一次错误中修改方法，是否会主动理解任务背后的业务目标，比他是否熟悉某一款当前流行的工具更具长期价值。工具可能数月就发生变化，学习和判断机制却能够持续迁移。

　　如果企业只招聘已经成熟的X型人才，却不提供形成X型能力的早期岗位，人才市场最终会出现明显断层。所有企业都在寻找能够跨域解决问题的人，却很少有企业愿意承担培养他们的基础成本。几年之后，稀缺的可能不是会用AI的人，而是既经历过专业训练、又能驾驭AI的人。

　　培训的重点将从“教工具”转向“建能力回路”

　　很多企业的AI培训仍然以功能介绍和提示词技巧为主。这类培训能够降低员工的使用门槛，也容易形成规模化覆盖，但它解决的主要是“会不会用”的问题。X型能力真正对应的，则是“能否把工具嵌入业务并持续改善结果”。

　　更有效的培养方式通常从具体业务问题开始。员工需要带着真实任务进入训练，例如缩短报价周期、改善招聘质量、降低客服重复咨询、提高销售方案的客户适配度。培训结束时交付的不只是一份学习心得，而是一套经过验证的新流程、一组质量标准或一个可以被团队继续使用的智能体。

　　能力评价也可以围绕真实迭代展开。员工最初如何理解问题，AI提供了哪些帮助，哪些输出被否决，最终结果怎样验证，下一次又准备修改什么，这些过程能够呈现学习速度与判断质量。相比一次考试，它更接近X型人才实际工作的状态。

　　导师角色也会发生变化。导师不再只是把已有答案传递给新人，而是帮助员工建立边界意识，指出哪些知识可以快速借助AI获得，哪些经验必须通过长期实践积累。好的导师还会让员工看见，不同专业在同一业务问题中使用的是不同判断标准。

　　ManpowerGroup《2026全球人才晴雨表》显示，经常使用AI的员工比例已经上升至45%，但员工对技术的信心反而下降；56%的受访者近期没有接受过培训，57%缺少导师支持。89%的员工相信自己能够胜任当前岗位，却有43%担心工作可能在未来两年受到自动化替代。这组数据说明，工具扩散并不会自动带来能力安全感。

　　企业如果只要求员工快速使用AI，却没有解释岗位将如何变化、哪些能力值得长期积累，员工就容易把每一次工具升级理解为新的淘汰信号。相反，当员工能够通过真实项目看见自己如何获得新的能力支点，AI就不再只是替代压力，也会成为职业发展的基础设施。

　　AI采用与员工信心之间的落差

　　45%

　　经常使用AI

　　56%

　　近期未获培训

　　43%

　　担心岗位被自动化

　　管理者的角色，从分配工作转向设计能力组合

　　在稳定的岗位体系中，管理者的主要任务包括设定目标、分配资源、监督进度和评价结果。AI减少了一部分信息整理和任务协调工作，却增加了另一类更复杂的责任：管理者需要判断哪些任务交给人，哪些任务交给AI，哪些工作应当重新组合，以及哪些风险必须保留人工控制。

　　这项工作无法完全交给HR或技术部门。离业务最近的管理者最清楚客户要求、质量标准和流程中的隐性经验，也最能判断一次效率提升是否真正改善了结果。如果管理者只把AI视为员工个人工具，团队就可能出现大量局部创新，却难以形成整体生产率。

　　X型人才的发展尤其依赖管理者授权。员工跨出本专业时，需要获得试验空间、数据权限和接触真实问题的机会，也需要知道自己可以在哪些边界内做决定。没有授权的跨域协作，很容易退化为额外帮忙；只有责任和决策权同步扩大，新的能力尖峰才可能稳定下来。

　　管理者还需要接受一个并不轻松的变化：团队中最有价值的人，未必是最听从既有流程的人。X型人才经常会发现部门边界中的重复工作，并提出与原流程不同的完成方式。他们需要的不是无限自由，而是管理者能够区分建设性重构与无效越界。

　　绩效沟通也应从“完成了哪些任务”转向“形成了什么能力和杠杆”。一个员工可能通过AI减少了自己30%的常规工作，却把节省下来的时间用于帮助团队建立知识库和自动化流程；另一个员工则可能把所有节省时间重新填入更多低价值任务。两者的忙碌程度相似，对组织的长期贡献却完全不同。

　　管理者在AI时代的重要产出之一，是让团队长出原本不存在的能力。

　　HR面对的，不只是更新一套胜任力模型

　　“X型人才”很容易被写进新一版人才标准：增加跨界学习、AI应用、系统思考、协同影响等能力项，再重新设计一张更加复杂的测评表。这样的更新有一定价值，但如果岗位、项目、绩效和职业通道没有同步改变，新模型很可能只停留在人才盘点会议中。

　　HR需要先看岗位。哪些任务正在被AI压缩，哪些判断正在变得更重要，哪些职责可以从部门之间的缝隙中重新组合，决定了企业究竟需要什么样的X型能力。脱离工作变化讨论人才画像，很容易把所有岗位都写成同一种理想员工。

　　随后需要看绩效。新的能力是否能够在指标中获得承认，员工为团队建立的工具和方法是否被视为正式贡献，跨部门成果由谁评价，这些机制决定员工是否愿意拓展能力。如果制度仍然只奖励本部门任务，跨域人才最终会发现，最安全的选择仍然是回到自己的专业边界。

　　能力发展则需要与业务项目连接。HR可以搭建内部项目市场、短期任务机制、AI实践社群和跨职能导师网络，让员工不必等待正式晋升或长期轮岗，也能获得第二个专业场景。员工的能力数据应当来自真实成果，而不是只来自课程记录和自我申报。

　　管理责任是这条链条的最后一环，也是最容易被遗漏的一环。业务管理者是否愿意释放员工时间，是否允许他们参与跨部门任务，是否能够评价新型贡献，直接决定人才战略能否落地。HR可以设计机制，却无法替代管理者创造真实的成长空间。

　　四个环节需要同时移动

　　岗位不变，能力无处使用；绩效不变，员工缺少动力；发展方式不变，能力难以形成；管理者行为不变，机制容易停留在纸面。

　　“X型”也不应成为新的统一模板

　　每当一种人才概念受到关注，企业都容易迅速把它升级为普遍标准。曾经人人都要成为T型人才，后来又出现π型、梳子型和斜杠型人才；如果X型再次成为一张统一答卷，组织可能只是用新术语重复旧的人才管理方式。

　　并不是所有员工都需要形成多个同等深度的专业尖峰。有些岗位的价值来自专注，有些员工的优势在于稳定交付，还有些工作需要长期守住规则和风险边界。企业真正需要的不是让所有人长成同一个形状，而是明确不同工作需要什么能力结构。

　　X型人才也不应被浪漫化为永远快速学习、永远拥抱变化的人。跨域学习需要时间，持续变化会消耗心理资源，员工也会经历能力不匹配和暂时性的低绩效。组织如果只欣赏已经展现出来的适应力，却不愿意承担探索期的成本，就很难真正培养这类人才。

　　此外，AI熟练度与高潜之间不能画上等号。员工可能擅长使用工具，却缺乏业务判断、责任意识和合作能力；也可能暂时不熟悉最新工具，却拥有深厚经验和极强的学习潜力。高潜识别需要观察能力增长曲线，而不是截取某个时间点的技术熟练程度。

　　真正成熟的人才体系，会允许专业深度、跨域连接、客户洞察和组织协同以不同方式存在。X型人才是其中重要的一类，却不应成为评价所有人的标尺。组织能力来自差异的组合，而不是人才标签的整齐。

　　高潜人才画像，最终回到“能否放大组织价值”

　　AI让个人看起来更强，也让判断人才价值变得更复杂。一个人可以在很短时间内生成过去需要几天才能完成的方案，也可以快速表现出对多个领域的熟悉，但输出数量与组织价值之间仍然存在一段距离。企业需要穿过工具带来的表面繁荣，判断哪些能力能够持续产生结果。

　　X型人才最值得关注的地方，不是他拥有多少技能，而是他能否把能力转化为杠杆。他可以让一个问题更快被定义，让专家意见更容易进入业务，让团队少走一次流程，也可以把个人经验变成多人可用的系统。这些影响不一定对应更高的职位，却可能改变整个组织的工作方式。

　　因此，AI时代高潜人才的核心画像可以被概括为几个彼此关联的特征：拥有经得起检验的专业根基，能够迅速进入相邻领域，善于利用AI扩大行动半径，在复杂情境中保留判断，并能把个人成果转化为团队资产。这些特征并不要求一个人无所不能，而是要求他知道如何连接能力、工具与他人。

　　对企业而言，争夺X型人才只是故事的前半部分。外部招聘可以获得少量成熟人才，真正决定竞争力的，是组织能否让更多员工在真实业务中长出新的能力支点，并让这些支点彼此连接。人才画像一旦变化，岗位设计、评价标准、培养方式和管理行为都要随之移动。

　　过去，企业寻找的是能够填入岗位的人；现在，越来越多企业开始寻找能够重新塑造岗位的人。过去，高潜意味着沿着既定阶梯快速向上；今天，它还意味着在阶梯不断变化时，仍能找到新的价值路径。

　　AI没有让专业主义过时

　　它只是让单一专业越来越难以独立完成商业闭环。X型人才受到关注，真正反映的不是企业突然偏爱“全能型员工”，而是价值创造正在从岗位内部，转向专业、技术、客户与组织之间的连接地带。

　　当这些连接成为新的生产力来源，高潜人才的样子自然也就不同了。

　　参考资料

　　1. Business Insider， Shopify’s COO says her ideal employee is an “X-shaped” person

　　2. PwC， 2026 Global AI Jobs Barometer

　　3. World Economic Forum， The Future of Jobs Report 2025

　　4. Cognizant & Pearson， The AI Workforce Pulse: The Adaptability Imperative

　　5. ManpowerGroup， 2026 Global Talent Barometer

　　原文链接：https://mp.weixin.qq.com/s/qkSddJgci4-u4JgfbB2rvg