来源：HRflag

　　真正决定企业AI价值的，已经不只是模型能力，而是组织能否让员工愿意贡献经验、参与设计并分享收益。

　　2026年7月20日，《金融时报》专栏作者Sarah O’Connor提出了一个容易被企业忽略的问题：当越来越多公司需要员工参与训练AI时，职场中的权力关系是否也会随之改变？文章的核心判断是，真正能够让AI在专业场景中发挥作用的知识，很多并不存在于互联网、数据库或者流程手册里，而是储存在员工的头脑中，来自他们对客户、业务、风险和组织规则的长期理解。

　　这个判断改变了企业过去两年讨论AI的方式。此前，管理层关注的是模型参数、算力成本、工具采购和员工使用率，而随着AI从个人辅助工具进入核心流程，企业开始发现：通用模型可以写邮件、做摘要、生成代码，却很难独立完成那些依赖行业经验、组织语境和复杂判断的工作。模型能够读取公司的制度文件，却未必知道在什么情况下制度需要灵活执行；它能够分析客户数据，却未必理解一个长期客户没有写进合同里的真实顾虑。

　　这意味着，AI进入企业的下一阶段，瓶颈可能不再是技术本身，而是组织能否获得并正确使用员工的专业知识。员工不只是AI工具的使用者，也正在成为训练数据的生产者、专业判断的标注者、模型输出的审核者和工作流程的设计者。 企业不是简单地把AI交给员工，而是在邀请员工把多年形成的经验交给AI。

　　问题也由此变得敏感起来。如果员工相信AI能够减少重复劳动、改善工作体验、提高专业影响力，他们通常愿意参与；如果员工怀疑企业只是希望通过自己训练出的系统减少岗位，他们就会本能地保留那些最有价值的经验。这不是员工拒绝变化，而是一种可以理解的职业风险判断。

　　因此，这场AI转型真正考验的，不只是技术部门的开发能力，也不是HR能否组织几场培训。它考验的是企业能否建立一种新的交换关系：员工愿意贡献知识，企业则提供清晰的用途说明、合理的回报机制、持续的能力发展和可信的职业前景。 谁能建立这种交换关系，谁才可能把员工知识转化为真正的组织智能。

　　一百年前的秒表，与今天的AI模型

　　《金融时报》在报道中回顾了20世纪初弗雷德里克·泰勒的“科学管理”。当时，工厂里的很多操作知识并没有被写进手册，而是由熟练工人在长期实践中摸索形成，再通过师徒之间的观察和口述传递。泰勒认为，这些经验需要被系统观察、记录和标准化，于是管理人员拿着秒表和笔记本进入工厂，把每一个动作拆解成可以测量和复制的步骤。

　　这一体系确实提高了部分工业流程的效率，也帮助企业建立了更加标准化的生产管理方式。但它同时把很多原本由工人掌握的节奏、判断和操作空间转移到了管理体系中，工人逐渐从“知道怎样把工作做好的人”，变成“按照规定方式完成动作的人”。知识的提取，因此不仅是一次效率提升，也伴随着工作控制权的转移。

　　今天的企业不再拿着秒表走进办公室，却可能通过会议记录、操作日志、邮件往来、客户沟通、任务轨迹和专家标注，把员工的工作方式转化为AI可以学习的内容。表面上看，这是技术升级；从组织关系看，它与当年的知识标准化存在某种相似之处。区别在于，今天需要被提取的不只是一个装配动作，而可能是一名投资经理如何判断信息的重要性、一名销售如何识别客户态度的微妙变化，或者一名HRBP如何处理制度与业务现实之间的冲突。

　　这些知识远比标准动作复杂。员工自己有时也很难完整解释为什么在某个时点采取某种行动，因为判断来自大量案例积累、上下文信息和对异常信号的敏感度。科学家兼哲学家迈克尔·波兰尼曾用一句的话概括这类知识：“我们知道的，比我们能够说出来的更多。”

　　这正是企业AI目前遇到的深层障碍。很多公司已经整理了制度、流程、FAQ和历史文档，却发现AI仍然无法达到优秀员工的判断水平，因为真正产生差异的知识并没有完整写在文档里。 企业拥有大量“被记录的信息”，却未必拥有足够多“能够指导行动的判断”。

　　从50%到85%，差距不在模型参数里

　　《金融时报》援引的Bridgewater Associates与Thinking Machines Lab合作案例，清楚展示了企业AI为什么需要员工知识。Bridgewater希望让大语言模型帮助投资专业人员阅读新闻和金融文件，筛选可能影响投资判断的信息。这个任务看起来很适合AI，但实际测试中，多个通用前沿模型的初始准确率只有大约50%。

　　团队随后尝试编写更加详细的提示词，让专业人员把自己的判断标准写出来。模型表现有所改善，但依然无法稳定复制投资专家的决策方式，因为专家能够清楚表达的规则，只是其全部专业判断的一部分。很多关键判断来自长期经验形成的模式识别，甚至需要专家看到具体材料后，才知道哪些细节值得关注。

　　BRIDGEWATER AI TRAINING

　　约50%

　　通用模型初始准确率

　　→

　　84.7%

　　专家训练后的平均准确率

　　单项任务运行成本约为通用前沿模型的十四分之一

　　解决方案不是继续无限延长提示词，而是让模型学习专家如何完成真实任务。团队从投资人员的日常工作中提取任务，让专业人员提供的不只是“正确答案”，还包括他们会怎样分析问题、筛选信号并形成判断。经过针对性训练，定制模型的平均准确率提高到约84.7%，超过测试中的通用模型，同时单项任务运行成本约为后者的十四分之一。

　　这个案例的价值不只在于准确率提高了多少。它说明，在企业级AI阶段，领先优势可能并不完全来自采购了哪个模型，而来自企业是否拥有高质量的专业任务、专家反馈和持续学习机制。通用模型提供基础能力，企业员工则决定这种能力能否适应具体业务。

　　这也解释了为什么购买同一种AI工具的企业，最终可能得到完全不同的结果。工具可以被竞争对手迅速复制，专业知识与组织学习方式却很难复制。 当模型能力逐渐普及，员工经验反而可能成为企业AI最稀缺、最难模仿的训练资源。

　　员工知识不是等待上传的文件

　　企业谈知识管理时，容易把员工知识理解成一批等待整理和上传的材料。于是，组织建立知识库、要求员工记录项目经验、整理优秀案例，再把这些内容连接到AI系统。这样的工作非常必要，却只能解决知识显性化的一部分问题。

　　员工知识至少包含几种不同形态。制度、标准、产品参数和流程节点属于显性知识，相对容易被整理；客户偏好、项目经验和常见异常属于情境知识，需要结合具体案例才能理解；风险判断、关系处理和优先级选择则更多属于隐性知识，往往只有在真实行动中才会显现。AI要进入核心业务，必须同时理解这几类知识之间的关系。

　　显性知识

　　制度、标准、产品参数与流程节点，相对容易被整理和调用。

　　情境知识

　　客户偏好、项目经验与常见异常，需要结合具体案例理解。

　　隐性知识

　　风险判断、关系处理与优先级选择，通常只在真实行动中显现。

　　以招聘为例，岗位说明书可以告诉AI候选人需要具备哪些经历，历史简历可以帮助模型识别常见背景，但一名成熟招聘负责人还会判断候选人的经验是否能够迁移、表达中的不确定性意味着什么、用人经理的真实需求是否与岗位说明一致。这些判断如果没有被纳入设计，AI可能提升筛选速度，却无法自动提高人才判断质量。

　　再以销售场景为例，CRM系统记录了客户信息、商机阶段和沟通结果，但优秀销售知道，客户在会议中没有追问价格，未必意味着不关心预算；某位关键决策者连续两次缺席，也可能意味着项目内部优先级发生变化。这种知识依赖关系、语境和经验，无法通过简单导入客户数据获得。

　　HR必须看到其中的区别。员工发送给AI的一段提示词、为模型修改的一次答案、对异常结果作出的一次纠正，都可能成为组织知识沉淀的一部分。 员工参与AI训练，不只是“使用工具”，而是在贡献一种能够被企业反复调用的专业资产。

　　AI没有消灭专业壁垒，而是重新暴露了它

　　生成式AI刚进入职场时，很多企业相信，只要给员工配置工具，生产率就会自然提高。到了2026年，这种简单逻辑正在失效。Orgvue对超过1000名企业高管和高级决策者的调查显示，92%的组织已经投资AI，但78%的受访组织表示项目仍然停留在试点阶段或未达到预期，其中一个关键原因正是企业没有充分理解工作、能力与组织结构需要怎样同步改变。

　　ORGVUE 2026

　　92% 投资AI

　　但78%的项目停留在试点或未达预期

　　这并不意味着AI价值被高估，而是企业低估了专业工作的复杂性。技术演示通常会选择边界清晰、答案明确的任务，但真实工作充满例外、冲突和信息不完整。员工的价值不仅体现在完成正常流程，更体现在知道什么时候不能照常处理。

　　在医疗、金融、法律、工程、咨询和人力资源等专业领域，这一点尤为明显。一个系统可以总结大量历史案例，但仍然需要专业人员判断当前案例是否真正相似；它可以生成多个方案，却未必知道某个建议在组织内部会引发怎样的连锁反应。经验的价值，常常就藏在这些“不应机械照做”的时刻。

　　因此，AI越深入企业流程，越会暴露组织真正依赖哪些知识。过去，一些员工的价值可能被职位、资历或者汇报关系掩盖；当企业尝试让AI完成其工作时，才发现那些看似普通的判断背后存在大量未被记录的经验。AI在某种意义上正在帮助企业重新识别关键人才，只不过这种识别往往发生在组织试图复制他们的时候。

　　这会带来一种新的职场分化。单纯掌握信息的人，优势可能随着AI的信息获取能力提升而减弱；能够解释复杂情境、处理异常问题、校准AI结果并把经验转化为组织能力的人，其价值反而会上升。 未来最稀缺的员工，不一定是知道最多答案的人，而是知道什么情况下答案会失效的人。

　　员工为什么愿意，或者不愿意训练AI

　　从企业视角看，让员工参与AI训练似乎是一项正常的工作安排。员工了解业务，由他们帮助优化系统，可以缩短开发周期，也能让工具更贴近实际需求。但从员工视角看，这件事远比“配合数字化项目”复杂，因为他们需要判断自己贡献知识之后，岗位、薪酬和职业安全会发生什么变化。

　　如果员工发现，自己每纠正一次模型，系统就更接近独立完成自己的工作，而企业又没有说明未来岗位安排，他们自然会产生防御。员工可能按要求提供材料，却只提供制度中已有的内容；可能参与访谈，却保留那些真正决定结果的细节；也可能完成模型测试，却不愿持续反馈异常情况。这种“形式上的参与”很难被项目数据识别，却足以让模型长期停留在可演示、不可托付的水平。

　　相反，如果企业明确说明AI主要用于消除低价值劳动，并为员工设计新的职责、学习机会和价值回报，员工更有可能主动贡献。因为他们能够看到，训练AI并不是把自己从流程中删除，而是把自己的能力扩展到更多客户、更多团队和更复杂的任务。此时，知识分享不再意味着失去筹码，而意味着扩大专业影响力。

　　BCG在《AI at Work 2026》中调查了11，749名员工，发现组织若能从单纯部署工具走向流程重塑和业务创新，员工感受到的结果明显更好。在这类组织中，68%的员工表示工作满意度提升，79%认为更容易证明自己的独特价值；相比之下，只关注工具部署的组织对应比例分别为48%和56%。

　　从“部署工具”走向“重塑流程”之后

　　68%

　　员工工作满意度提升

　　79%

　　更容易证明独特价值

　　更值得管理层注意的是信任差距。BCG数据显示，在进行流程重塑或业务创新的组织中，44%的员工完全信任管理层关于AI的沟通，而停留在工具部署阶段的组织只有26%。这说明员工并不是看到一个AI项目就会反对，他们更关心管理层能否解释清楚项目目的，以及企业是否真的愿意为人的转型投入资源。

　　员工是否愿意训练AI，最终取决于他们认为自己参与的是共同创造，还是单向提取。 前者能够形成持续反馈，后者只能得到更低限度的配合。企业AI项目之间真正的差距，往往就在这部分看不见的合作质量中形成。

　　一场被低估的职场权力重定价

　　传统组织中，管理层掌握资本配置、岗位设置和绩效评价权，员工则通过专业知识和劳动投入参与价值创造。AI加入之后，企业希望把员工知识转化为可以规模化调用的系统能力，这使知识持有者短期内获得了新的重要性。没有他们的参与，很多专业模型就缺少高质量的训练样本、评价标准和异常判断。

　　这并不意味着员工会自动获得更高的职场权力。知识只有在组织认识到其稀缺性，并且员工拥有表达与协商空间时，才会转化为实际影响力。如果企业把知识贡献视为岗位的默认附属义务，却没有相应调整时间、绩效和回报，员工的额外价值就可能被管理体系忽略。

　　《金融时报》所说的“power play”，更适合被理解为一次重新议价的机会。企业需要员工帮助AI理解业务，员工则希望确认自己的经验不会在没有安排的情况下被复制和替代。双方并非天然对立，但必须建立一套比“公司要求、员工执行”更成熟的合作机制。

　　国际劳工组织近年来持续强调，AI对工作的影响不能只通过技术部署来管理，还需要通过社会对话让雇主、员工及其代表参与技术选择、工作设计和影响评估。其研究表明，员工参与并不是AI治理中的附加环节，而是让系统适应真实工作环境、减少实施阻力的重要条件。

　　微软与美国劳工联合会—产业工会联合会在2023年建立AI与未来劳动力合作机制，也体现了同样思路。双方将员工AI教育、技术开发中的劳工声音和公共政策讨论纳入合作范围，试图把劳资对话放到技术落地之前，而不是等到岗位受到影响之后才处理争议。

　　对企业管理者而言，这不是要求所有AI项目都变成复杂谈判，而是提醒组织：当AI开始学习员工的工作方法时，项目已经不再只是IT系统建设。它涉及知识如何取得、用途如何变化、收益如何分配，以及岗位责任怎样调整。越早把这些问题摆到桌面上，企业越容易获得员工真正的参与。

　　岗位设计不能只计算“多少任务可以自动化”

　　很多企业评估AI对岗位的影响时，会先把岗位拆成任务，再估算其中多少任务可以被自动化。这种方法有助于识别效率机会，却容易忽略任务之间的逻辑关系。一个岗位的价值并不等于全部任务时间的简单加总，某些占用时间很少的判断，可能决定整个流程能否安全运行。

　　例如，一名HRBP的大量时间可能用于整理材料、协调会议和回答政策问题，这些工作可以被AI显著加速。但HRBP真正影响业务的部分，可能是识别管理问题背后的组织原因、判断某项人才政策会如何影响关键团队，以及在多方利益之间找到可执行方案。这些高价值工作占用的时间未必最多，却构成岗位存在的核心理由。

　　因此，企业不应只问“AI能够接管这个岗位的多少时间”，还需要判断“员工的哪些知识正在决定流程质量”。当简单任务被AI接管之后，剩余工作往往更加复杂、更具风险，也更依赖专业判断。岗位可能减少执行内容，却增加审核、决策和责任承担。

　　BCG的调查已经呈现出这种变化。72%的受访者表示AI正在改变岗位所需技能，67%表示简单任务减少后，工作更加集中于复杂和高风险事项；52%认为组织对“合格工作”的标准正在提高，47%则发现自己投入更多时间检查和修正AI输出。AI节省了部分时间，却同时提高了剩余工作的认知密度。

　　这要求HR重新设计岗位说明书。未来岗位不应只描述员工需要完成哪些任务，还要明确哪些判断必须由人承担、哪些AI结果需要复核、哪些异常情况需要升级，以及谁对最终结果负责。 岗位设计的重点将从任务清单，转向人机之间的判断权、解释权和责任边界。

　　这种变化也会影响人员编制。企业不能因为某项任务速度提高一倍，就简单推断团队规模可以按比例下降，因为被释放的时间可能需要投入客户沟通、风险检查、流程创新和模型训练。真正成熟的劳动力规划，应当同时计算被替代的工作量、被放大的业务需求和新增的治理责任。

　　绩效管理必须承认“训练AI也是工作”

　　在很多企业中，员工参与AI项目仍然被当作额外任务。业务人员需要在完成原有KPI之外，参加访谈、整理案例、标注数据、测试系统和反馈错误，却很少看到绩效目标或工作量得到相应调整。长此以往，最有经验的员工反而最容易对AI项目感到疲惫，因为他们既承担业务结果，又承担模型改进责任。

　　如果企业认为专业知识是AI价值的重要来源，就需要在绩效体系中承认知识贡献。员工提供高质量案例、识别模型风险、设计新流程、帮助同事掌握工具，都应当成为可识别的绩效行为。否则，组织会一边强调知识共享，一边用只奖励短期产出的指标鼓励员工保留知识。

　　评价方式也需要更加谨慎。简单统计员工提交了多少条知识、使用了多少次AI或者生成了多少份内容，很容易把AI转型变成新的。真正有价值的指标，应当关注知识是否提高了模型准确性、减少了流程返工、改善了客户结果，或者帮助团队处理了过去难以规模化的复杂问题。

　　广告

　　还要避免一种常见误区：员工越愿意分享知识，岗位看起来越容易被自动化；员工越保留经验，个人反而越难被替代。如果绩效与岗位机制形成这种激励，企业得到的将是大量低价值材料和少量真正有用的判断。管理体系必须让员工相信，贡献知识能够提升其职业价值，而不是削弱其职业安全。

　　更合理的做法，是把知识贡献与角色升级联系起来。能够训练模型、校准结果和设计人机流程的员工，可以进入领域专家、AI教练、知识负责人、模型评估者或流程产品经理等角色。这样，员工不是把自己的经验无偿交给一个系统，而是在将个人经验转化为更高层级的组织影响力。

　　收益分享也不一定只表现为直接奖金。企业可以通过技能津贴、项目激励、岗位晋升、创新奖励、学习资源和更大的决策权限，让员工看到参与AI转型带来的现实回报。关键不在于采用哪一种形式，而在于组织是否承认： AI产生的价值不只来自技术投资，也来自员工贡献的知识、时间和判断。

　　能力建设不再只是“教员工使用AI”

　　过去两年的AI培训，主要围绕提示词、工具功能、信息安全和典型场景展开。这些内容仍然重要，但当企业开始训练内部模型和智能体时，能力建设必须进入更深层次。员工不仅要会向AI提问，还要会描述任务、拆解判断、识别错误并设计反馈。

　　这是一种新的专业能力。优秀员工过去可能凭经验自然完成工作，现在需要进一步理解自己的判断过程，把隐性经验转化为模型能够学习的案例和评价标准。这个过程本身，也会帮助企业重新认识业务中长期没有被讨论清楚的规则。

　　训练AI因此也可以成为一种组织学习机制。当不同地区、不同团队的员工共同评估模型时，他们会发现彼此对“优秀结果”的定义并不完全一致；当模型频繁在某个环节出错时，企业可能意识到原有流程本身就缺少统一标准。AI项目不仅复制知识，也会暴露知识冲突和管理模糊地带。

　　这对L&D部门提出了新的要求。学习项目不能只按工具品牌设置课程，而要围绕真实工作设计练习，让员工学习如何提供高质量示例、如何判断模型输出、如何记录异常，以及怎样把专业经验转化为可复用的方法。培训的最终成果，也不应只是完成率和考试分数，而应包括流程改善与业务结果。

　　世界经济论坛《未来就业报告2025》显示，到2030年，全球劳动者现有技能中约39%可能发生变化或失去原有重要性；如果把全球劳动力缩小为100人，其中59人需要接受培训。调查同时显示，85%的雇主计划把员工技能提升作为优先事项，但技能缺口仍被63%的雇主视为业务转型的主要障碍。

　　面向2030年的技能变化

　　39% 的现有技能可能发生变化

　　每100名劳动者中， 59人 需要培训

　　85% 的雇主优先考虑技能提升

　　对于HR来说，真正的机会是把“员工训练AI”与“AI帮助员工成长”设计成同一个循环。员工贡献案例，模型扩大知识覆盖；模型暴露能力差距，学习体系再提供针对性训练；员工在更复杂的任务中形成新经验，这些经验继续改善系统。企业如果能够建立这一循环，AI就不只是生产率工具，也会成为组织能力持续更新的基础设施。

　　中层管理者将成为最关键的接口

　　员工是否愿意分享知识，往往不取决于董事会发布了什么愿景，而取决于直接经理怎样安排工作。如果经理一边要求团队积极使用AI，一边继续按照原有工作量考核，员工会把AI理解为额外负担；如果经理只关注使用次数，却不讨论输出质量，团队也会倾向于完成表面指标。AI战略最终都会经过中层管理者的日常行为被重新解释。

　　中层经理还负责判断哪些知识值得被沉淀。技术团队可能看到大量文档和数据，却不了解哪些异常案例最有训练价值；员工掌握具体经验，却未必知道这些经验怎样影响整个流程。经理需要在业务、员工和技术团队之间完成翻译。

　　更重要的是，AI正在改变经理自身的角色。过去，经理可能依靠信息优势和审批权维持管理影响力；当AI能够汇总信息、生成分析并自动协调部分流程，经理的价值将更多来自目标设定、资源协调、判断质量和团队发展。管理者也需要回答一个问题：自己愿不愿意把部分经验交给系统，并把管理重心转向更复杂的工作。

　　BCG调查发现，50%的员工认为企业尚未建立清晰的人机团队管理规则，前线员工和管理者对这一问题的感受尤其明显。与此同时，47%的受访者把AI环境下的责任归属列为未来两三年的主要担忧之一。工具已经进入流程，管理机制却没有同步完成更新。

　　因此，企业需要为经理提供的不只是AI使用培训，而是工作重构能力。经理要学会识别团队中的关键判断、安排知识贡献时间、处理员工顾虑、设定人机协作标准，并对模型结果建立审核机制。 AI时代的优秀经理，不只是推动员工使用工具的人，也是保护专业判断、组织知识流动和建立团队信任的人。

　　知识治理必须进入企业AI治理框架

　　企业AI治理通常关注数据安全、模型合规、偏差控制和技术风险，但员工知识的取得与使用同样需要治理。知识来自哪里、谁参与了训练、哪些内容可以被模型调用、系统是否会被用于新的场景，都需要被持续记录。否则，一个最初用于辅助工作的模型，可能在用途扩展后带来员工没有预期的影响。

　　企业首先需要区分业务知识、个人信息与个人专业贡献。员工在工作中形成的流程经验通常与企业经营密切相关，但会议记录、沟通内容和操作轨迹中，也可能包含个人评价、健康信息、客户隐私或者未公开的商业信息。不能因为内容存在于企业系统中，就默认所有材料都适合进入模型训练。

　　中国《个人信息保护法》明确要求个人信息处理遵循公开、透明、目的明确和最小必要等原则。虽然依法制定的劳动规章制度和依法签订的集体合同可以为必要的人力资源管理提供合法基础，但这并不等于企业可以无限扩大员工信息处理范围；利用自动化决策处理个人信息，还应保证决策透明以及结果公平、公正。

　　企业还需要建立知识用途说明。员工应当知道自己提供的案例将用于辅助决策、自动执行还是模型评估，是否会影响绩效、岗位和人员配置，以及模型未来能否被其他业务单元调用。用途越清楚，员工越容易提供真正有价值的内容；用途长期模糊，则会放大不安全感。

　　欧洲《人工智能法案》已经把员工知情纳入部分高风险AI系统的部署义务。根据第26条，在工作场所投入使用高风险AI系统之前，作为部署方的雇主需要告知员工代表和受影响员工；招聘筛选、晋升与终止、任务分配、绩效监测等就业场景，也被列入重点监管范围。

　　企业不必等到监管提出所有细则后才行动。只要AI项目开始采集员工操作、评估员工表现或者学习员工决策，HR、法务、数据安全和业务部门就应该共同参与。技术团队能够判断模型怎样训练，却未必能够独立判断这种训练会怎样改变劳动关系。

　　知识治理需要回答的关键问题

　　? 哪些员工知识属于模型训练范围？

　　? 员工以什么方式参与，投入时间如何计入工作？

　　? 知识如何脱敏、分级并限制调用范围？

　　? 模型输出由谁审核，责任如何归属？

　　? 训练用途变化时，如何重新沟通并处理历史数据？

　　一套成熟的知识治理机制，应当至少回答几个问题：哪些员工知识属于模型训练范围，员工以什么方式参与，贡献时间如何计入工作，知识如何脱敏和分级，模型输出由谁审核，训练用途变化时怎样重新沟通，以及岗位调整后如何处理历史数据。这些问题看起来增加了项目工作量，却能够减少后期返工和信任损耗。

　　中国企业尤其需要重视隐性知识

　　中国企业的许多业务场景具有较强的关系性、地域差异和快速变化特征。制度流程可能保持统一，但真正执行时，需要员工综合判断客户习惯、区域市场、供应链变化和组织协作方式。大量关键经验因此存在于业务骨干、技术人员、一线主管和客户经理的头脑中。

　　过去，企业主要通过师徒制、轮岗、项目复盘和内部培训传递这些经验，但这种方式受到人员流动、管理跨度和时间成本限制。生成式AI提供了一个新的机会：企业可以把分散的案例和专家判断连接起来，让更多员工在需要时获得高质量支持。对于正在扩大规模、拓展海外市场或者面对代际交接的企业，这种能力尤其重要。

　　但中国企业也容易出现一种误区，即把知识沉淀变成行政任务。总部发布模板，各部门集中整理材料，员工提交大量文档，最终形成内容庞大却很少使用的知识库。AI并不会自动解决这个问题，如果输入的只是缺少情境的文件，它生成的也可能只是更加流畅的标准答案。

　　真正有价值的训练应当围绕具体业务问题展开。不是让员工泛泛介绍“怎样做好客户服务”，而是选择真实案例，让他们判断哪些信号最重要、哪些常规规则在此时不适用、不同方案会造成什么后果。只有让AI接触员工实际作出判断的过程，模型才可能逐步接近专业工作的真实结构。

　　中国企业还需要关注员工的角色转换。很多组织希望尽快把老员工经验沉淀下来，却没有为他们设计新的职业身份，导致知识传承被理解为退休或离岗前的交接。更好的方式，是把他们转向专家教练、模型导师、质量评估者和复杂问题处理者，使经验沉淀成为职业价值的延伸。

　　这也为企业破解“经验依赖”提供了更温和的路径。过去，组织要么依赖少数关键人员，要么试图用流程完全替代个人；AI时代可以出现第三种选择，即让关键人员参与建立系统，再由系统扩大其专业影响力，同时保留人在高风险判断中的责任。 组织不必在“依赖专家”和“替代专家”之间二选一，而可以把专家变成组织智能的设计者。

　　HR需要建立一份新的知识资产地图

　　多数企业已经有人才盘点、岗位地图和技能词典，却很少拥有完整的知识资产地图。人才盘点告诉管理层谁的绩效和潜力较高，技能词典描述岗位需要哪些能力，但它们未必能回答：哪些知识如果离开某位员工，业务会立即受到影响；哪些经验可以被AI规模化；哪些判断必须继续由人掌握。

　　知识资产地图应当从关键业务流程出发。企业需要识别哪些环节高度依赖经验，哪些异常只能由少数员工处理，哪些客户关系或风险判断缺少备份，以及哪些岗位已经在非正式地训练和纠正AI。这样才能看见真正的知识集中度。

　　这张地图还应与AI自动化潜力结合。高自动化潜力、低知识稀缺度的任务，适合优先标准化；高自动化潜力、高知识稀缺度的任务，需要专家深度参与设计；低自动化潜力、高知识稀缺度的工作，则应重点保护人才、建立传承机制并增强AI辅助。不同类型不能使用同一套人员调整逻辑。

　　知识稀缺度 × AI自动化潜力

　　高自动化、低稀缺： 优先标准化与规模化。

　　高自动化、高稀缺： 由专家深度参与设计和训练。

　　低自动化、高稀缺： 重点保护人才、传承经验并增强AI辅助。

　　HR也要重新理解“关键人才”。未来的关键人才不一定只集中在高层岗位或高绩效名单中，一些长期处理异常、协调跨部门关系、维护重要设备或理解特殊客户的员工，也可能掌握模型无法从公开资料中获得的知识。AI项目会让这些过去不容易量化的价值变得更加可见。

　　知识地图最终要连接岗位与继任计划。企业不仅要问某个管理职位由谁接任，还要问某类判断能力由谁接续，某个模型失去关键专家反馈后能否继续保持质量。人才继任与模型维护，正在变成同一个组织韧性问题的两面。

　　从试点走向规模化，可以先做90天

　　企业不需要一开始就建立庞大的知识工程平台。更可行的做法，是选择一个业务价值明确、专家判断重要、错误成本可控的流程，建立由业务负责人、领域专家、HR、技术和合规人员组成的小型团队。目标不是快速展示模型能够生成什么，而是理解哪些知识真正决定结果。

　　0—30天｜任务拆解与影响沟通

　　明确AI处理的任务、保留给人的判断、所需数据、参与员工及投入时间，同时说明项目用途、预期收益和岗位影响边界。

　　31—60天｜真实案例与评价标准

　　由领域专家解释关键信号、不可接受的错误与人工升级条件，同时观察知识贡献是否纳入工作安排。

　　61—90天｜小范围运行与双重验证

　　同时评价速度、准确性、返工率和业务结果，以及员工角色、参与意愿与责任边界是否得到改善。

　　最初30天可以完成任务拆解和影响沟通。团队需要列出AI将处理的任务、保留给人的判断、需要使用的数据、参与训练的员工及其投入时间，同时向员工说明项目用途、预期收益和岗位影响边界。这个阶段的成果应当是一份共同理解的工作设计，而不只是技术需求文档。

　　接下来的30天重点收集真实案例并建立评价标准。领域专家不只给出正确答案，还要解释哪些信息最关键、哪些错误不可接受、哪些情况必须升级给人。HR则需要观察专家贡献是否被纳入工作安排，员工是否存在明显顾虑，以及项目是否无意中增加了隐性劳动。

　　后续30天可以通过小范围运行验证结果。评价模型时，不只比较速度，还要观察准确性、返工率、客户结果、员工体验和风险事件；评价员工变化时，不只统计使用率，还要看他们是否获得更复杂的任务、是否愿意继续反馈，以及能否说明AI在流程中的责任边界。只有技术指标和组织指标同时改善，项目才适合扩大。

　　试点结束后，管理层还需要明确收益如何回流。如果AI节省的时间全部被转化为更高工作负荷，员工很快就会失去参与动力；如果部分时间被投入客户服务、创新、学习和工作质量，员工才会把AI视为能力扩展。BCG的调查显示，66%的前线员工表示组织没有清楚说明怎样使用AI节省出的时间，这正是很多生产率收益最终没有转化为战略价值的原因。

　　在规模化之前，企业更好完成一次“知识交易”复盘。员工贡献了什么，企业获得了什么，员工的岗位和能力发生了什么变化，双方是否认为安排公平，都应当被放进复盘。只复盘模型效果，不复盘员工体验，企业可能得到一个短期可用的系统，却失去长期改善它的人。

　　董事会和CHRO真正需要讨论的问题

　　管理层讨论AI时，不能只听取采购进度、模型表现和成本节约。更重要的问题是，当前AI项目依赖哪些员工知识，这些员工是否真正参与设计，以及企业对他们做出了怎样的职业安排。模型能否部署是技术问题，员工是否持续贡献高质量判断则是组织问题。

　　董事会还需要区分“知识被记录”与“能力被建立”。录制专家访谈、整理历史项目和接入内部文档，只能形成静态知识；企业只有建立持续反馈、模型评估和责任更新机制，才能把知识变成可演进的组织能力。否则，模型会逐渐过时，员工也会认为知识贡献只是一次性提取。

　　CHRO需要推动绩效、学习、岗位和人才规划同步变化。训练AI所需的专家时间应该进入资源预算，模型评估能力应该进入技能体系，新的人机协作责任应该进入岗位说明，知识贡献应该进入认可机制。任何一个环节缺失，都会让员工承担转型成本，却看不到转型收益。

　　CEO则需要给出最关键的承诺：企业希望通过AI建立怎样的组织，而不只是减少多少工作量。如果管理层只能说明AI会提高效率，却无法说明员工将在新流程中承担什么更有价值的角色，员工很难相信所谓“人机协作”。战略越模糊，员工越容易把每一次知识采集理解为潜在的岗位替代。

　　这也意味着，AI时代的人才战略不能只围绕招聘AI专家展开。真正的竞争力来自技术人才、业务专家和管理者能否共同工作，让模型学习企业独特的判断方式。 企业缺少的往往不是更多会调用模型的人，而是能够把专业经验、业务流程与模型能力连接起来的人。

　　训练AI，最终是在训练组织

　　AI不会自动夺走员工的权力，也不会自动提高员工的价值。它更像一面放大镜，把企业原有的管理关系、知识结构和信任水平放大出来。愿意倾听员工、尊重专业判断、重视长期能力建设的组织，更容易获得高质量反馈；依赖单向命令和短期指标的组织，则可能发现最关键的知识始终无法进入系统。

　　《金融时报》提出的职场“权力游戏”，因此不必被理解为企业与员工之间必然发生的对抗。它更像一场新的制度设计：企业希望把知识变成规模化能力，员工希望自己的经验得到承认、保护和回报。只要双方能够建立清晰规则，这场重新议价完全可能成为共同增值的开始。

　　未来几年，很多企业都会拥有相似的基础模型、智能体平台和自动化工具。真正拉开差距的，将是哪些组织能够让员工愿意把经验贡献出来，让AI在真实业务中不断学习，同时让员工在这一过程中获得更高层次的能力和角色。技术采购可以在几个月内完成，这种合作关系却需要多年积累。

　　对于HR而言，这可能是AI转型中最重要、也最容易被低估的职责。HR不仅要帮助员工学习AI，还要确保企业以合理方式学习员工；不仅要推动知识沉淀，还要设计知识贡献后的岗位、绩效和回报；不仅要提高工具采用率，还要维护员工参与转型的意愿。

　　当员工训练AI时，企业真正得到的不是一个更聪明的系统，而是一次重新理解自身能力的机会。

　　这场转型最终决定的，也不只是哪些任务由机器完成，而是企业如何看待人的经验、怎样分配技术带来的收益，以及员工是否愿意继续把最有价值的知识留在组织之中。

　　参考资料：《金融时报》、Thinking Machines Lab、BCG、Orgvue、国际劳工组织、世界经济论坛、欧盟AI法案服务平台及中国互联网信息办公室公开资料。

　　原文链接：https://mp.weixin.qq.com/s/xFUL-vpX0b4ChwxQJkTJUw