来源：HRflag

　　2026年7月，一组关于AI与就业安全的数据重新进入管理者视野。Fox Business援引Gallup最新劳动力调查称，在被裁员工中，62%的人在原岗位上完全不使用AI，或一年最多使用一次；在当前仍然在职的员工中，这一比例为50%。更引人注意的是，在科技行业，工作中每月或更少使用AI的员工，被裁概率为18%，而至少每月使用AI的员工为6%，两者相差3倍。

　　这组数据很容易被压缩成一句带有警告意味的话：不会用AI的人，更容易失去工作。但Gallup原文并没有给出如此简单的因果结论，它使用的是“相关”“似乎更脆弱”一类谨慎表述。调查在控制年龄、教育、行业类型和失业时长等变量后，关联仍然存在，却仍不能排除岗位性质、组织投入、管理支持、个人绩效等未被完全观察到的因素。

　　因此，这条新闻真正值得企业高管和HR关注的地方，并不是把AI使用频率变成一条新的淘汰线。它更像一张提前显影的组织底片：当AI开始进入业务流程，员工能否接入新的工作方式，会逐渐影响岗位价值、绩效表现和内部流动机会。 AI素养正在从个人简历上的加分项，变成组织判断岗位适应性时越来越难以绕开的基础变量。

　　这也意味着，企业不能把责任简单推给员工，让每个人自行寻找工具、摸索方法，再根据结果区分“先进者”和“落后者”。Gallup同一时期的研究显示，AI是否融入现有流程、经理是否支持使用、企业是否允许试验，以及政策是否清晰，都会显著影响员工的采用频率。员工是否使用AI，表面上是个人行为，背后往往折射的是一整套组织条件。

　　GALLUP 调查中的三组关键信号

　　62% vs 50% 被裁员工与当前在职员工中的AI非使用者占比

　　18% vs 6% 科技行业低频使用者与至少每月使用者的被裁概率

　　1% vs 15% 直接提及AI与提及组织重组/缩编的被裁员工占比

　　62%不是一条简单的“淘汰线”

　　先回到调查本身。Gallup于2026年6月18日发布《美国员工持续报告企业缩编》，数据来自2月4日至19日对23，717名美国全职和兼职员工的调查，整体抽样误差为正负0.9个百分点。Fox Business在7月7日以“不使用AI的员工更可能被裁”为题进行报道，才让其中有关AI使用的部分在社交媒体和管理圈进一步发酵。

　　Gallup将员工分成三类：每天或每周使用数次AI的“高频使用者”，每月或每年使用数次的“低频使用者”，以及一年使用一次或更少的“非使用者”。被裁员工中，这三类人分别占22%、16%和62%；当前在职员工中，相应比例为28%、22%和50%。换句话说，被裁样本中不仅非使用者更多，高频使用者也相对更少。

　　这个差异在统计控制后依然存在，但它不等于“使用AI会直接降低裁员概率”。一种可能是，经常使用AI的人更容易进入增长较快、数字化程度较高或更受组织重视的项目；另一种可能是，绩效较好的员工更主动尝试新工具，同时也更容易被保留。还有一些岗位本身与AI的适配度较低，员工很少使用并非缺乏学习意愿，而是工作场景、系统权限或风险要求决定了使用空间有限。

　　Gallup的另一组数据恰好提醒管理者不要把新闻读得过满。只有1%的被裁员工把AI或自动化列为失去工作的首要原因，15%提到组织重组或规模缩减，11%提到预算或成本压力，另有3%提到岗位被取消。AI可能影响了重组方案和岗位配置，却往往没有以“AI替代”四个字出现在员工收到的解释中。

　　这种“直接原因很少、间接影响难以辨认”的状态，正是当前AI与就业关系最真实也最难管理的部分。许多组织并不是把一个岗位完整交给一套模型，而是先让部分任务自动化，再合并相邻职责，随后扩大管理跨度、调整团队规模。最终被取消的可能仍是传统岗位，真正改变决策的却是任务组合、成本结构和交付速度已经发生变化。

　　从宏观背景看，这也不是一轮由AI单独驱动的裁员潮。Gallup发现，2026年一季度约21%的美国员工表示所在组织正在缩减人员，略低于2025年三季度的23%；同期34%的人表示组织正在扩员，45%表示规模没有变化。Gallup同时援引美国劳工统计局数据指出，2026年3月美国有550万次招聘和190万次裁员及解雇，劳动力市场仍在同时发生进入、退出与重新配置。

　　把这些数据放在一起，管理者看到的就不应是一条“AI用户安全、非AI用户危险”的简单界线。更准确的理解是， AI使用频率正在成为员工是否处在新工作体系中的一个可观察信号，但它既不是全部能力，也不是单独决定去留的证据。 如果企业把这种相关性直接转化为人员决策规则，可能制造新的误判，也会掩盖组织没有提供工具、流程和训练的责任。

　　科技行业的3倍差距，为什么更值得警惕

　　Gallup最有冲击力的数据出现在科技行业。科技员工如果在原岗位中每月或更少使用AI，其被裁概率为18%；至少每月使用AI者为6%。Gallup没有把这个差距解释为AI对所有行业都会产生同样强度的影响，而是特别指出，科技行业本身已有更高的裁员暴露度，AI使用与被裁之间的关联因而表现得更加明显。

　　科技行业之所以成为“先行指标”，并不只是因为这里的员工更懂技术。这个行业的工作过程高度数字化，需求、代码、测试、文档、运维和客户反馈都能留下可比较的交付记录，AI也更容易嵌入这些环节。当工具可以减少基础编码、资料检索、测试生成和文档整理的时间，企业便能更快看见同一岗位内部不同任务的成本变化。

　　这种变化首先影响的往往不是岗位名称，而是岗位中的任务密度。过去，一名工程师可能需要把大量时间用于信息搜集、初步代码、格式整理和跨团队解释；现在，这些任务的一部分可以由AI辅助完成，人的时间被推向架构判断、异常处理、需求澄清和质量控制。岗位还叫原来的名字，组织对“合格交付”的理解却已经改变。

　　BCG在2026年《AI at Work》调查中发现，67%的受访员工表示AI已经接手较简单的任务，使他们面对的工作更复杂；60%的人认为“足够好”的工作标准正在提高，41%的人则表示花在决策上的时间增加。这说明AI并未简单地把工作变轻，它在压缩常规劳动后，把更高难度的判断留给员工。科技行业因为任务数字化程度更高，较早进入了这一步。

　　由此看来，科技行业18%与6%的差异，可能包含三层信号。经常使用AI的人往往更接近组织正在建设的新流程，也更容易获得前沿项目和管理者支持；他们通过持续使用积累了判断模型输出、重构任务和控制质量的经验；他们的岗位成果也更可能符合新的速度与质量标准。三层因素叠加，AI使用频率便不再只是工具偏好，而成为岗位适应性的一种代理指标。

　　但“先行指标”并不等于其他行业可以照搬科技行业的人员决策。制造现场、医疗服务、合规审核、门店运营和高接触客户服务，都有大量无法被纯数字工具完整覆盖的工作，AI使用频率受到设备、数据权限和安全边界的限制。对这些岗位而言，低使用率可能反映场景尚未成熟，而不是员工能力不足。

　　更可靠的做法，是把科技行业当成一面镜子，观察变化会沿着什么路径扩散。通常，AI先进入文档化程度高、反馈周期短、结果容易比较的任务，然后逐步进入跨部门协同和专业判断；绩效标准随后调整，岗位边界最后才被正式修改。HR如果等到编制变化已经发生才开始做技能盘点，往往只能处理结果，很难影响过程。

　　AI素养正在变成什么样的“基本盘”

　　如果把AI素养理解成会写提示词，Gallup的数据很容易催生一轮浅层培训。员工上完课、拿到证书、登录工具，组织就宣布采用率提高，却未必改变任何关键流程。这类“会使用”与岗位安全之间的关系很弱，因为真正被业务需要的是可重复、可解释、能对结果负责的工作能力。

　　面向企业岗位的AI素养，至少包含对任务的重新理解。员工需要知道哪些环节适合交给AI进行初步生成、检索或归纳，哪些环节必须由人保持判断，哪些信息不能进入未经批准的系统。能力不体现在每项工作都使用AI，而体现在能够有意识地决定何时使用、为何使用，以及何时停止使用。

　　微软2026年Work Trend Index对“前沿专业人士”的描述提供了一个有价值的参照。这类高阶使用者中，53%会在开始工作前判断任务应由AI还是人完成，普通使用者中为33%；43%会刻意在部分工作中不用AI，以保持自身技能，普通使用者中为30%。成熟的AI能力并不是把思考外包出去，而是更清楚地安排人机分工。

　　AI素养还包含对输出质量的控制。员工要能识别事实错误、来源缺失、逻辑跳跃和过度概括，理解模型给出的答案为何看似完整却可能无法用于决策。对于财务、人事、法律、医疗和客户承诺等高风险场景，复核不是流程末尾的形式动作，而是岗位专业性的一部分。

　　更高一层的能力，是把一次成功使用转化成团队可以复用的工作方法。个人用AI节省两小时，只能算局部效率；团队把提示、数据来源、审批节点、人工复核标准和异常处理方式沉淀下来，才形成组织能力。前者依赖个别员工的熟练度，后者能够经受人员变动、工具升级和监管要求变化。

　　这也是为什么AI素养正在从“学习意愿”延伸为“岗位责任”。当AI参与了方案、报告、代码或人员决策，员工不能只说明自己调用了哪个工具，还要能解释输入依据、判断过程和最终结论。 企业真正需要的不是更高的AI调用次数，而是更多能够借助AI扩大产出、同时不放弃专业判断的人。

　　因此，HR在能力模型中不宜设置一个笼统的“AI能力”维度，然后给全员相同定义。销售需要的是客户洞察与内容核验，工程岗位需要的是代码质量与系统判断，财务岗位需要的是数据边界和审计留痕，HR岗位则要特别关注员工数据、偏差和决策解释。能力标准只有进入具体任务，才可能影响招聘、培养、绩效和晋升。

　　岗位不会突然消失，任务组合会先发生变化

　　Gallup调查对HR最直接的提醒，是重新审视岗位而不是急着给员工贴标签。很多企业仍以岗位说明书和编制为基础规划人才，但AI改变工作的速度，已经快于岗位说明书更新的速度。德勤对未来劳动力规划的研究显示，71%的受访员工已经在做岗位说明之外的工作，只有24%的人表示，组织内与自己同职级同岗位名称的人承担完全相同的工作。

　　当岗位名称无法准确反映真实工作，单纯按照岗位削减或保留就会失去精度。两名职位相同的员工，可能分别负责高重复度交付和高不确定性问题；前者更容易被流程自动化，后者的价值可能因AI而上升。若HR只看到相同的职级、薪酬和岗位名称，就难以判断两人的任务结构已经出现多大差异。

　　岗位分析因此需要从“这个人做什么”进一步走向“这项工作由哪些任务构成”。企业可以把任务区分为稳定重复、规则判断、专业分析、关系协调和高风险决策，再观察AI能够辅助到什么程度。这样的拆解不是为了尽快找出可替代部分，而是为了确定自动化之后剩余工作能否形成一个合理、可持续的新岗位。

　　以招聘岗位为例，职位信息初稿、候选人沟通模板、面试记录整理和基础市场信息检索，都可能由AI明显提速。但人才画像校准、候选人动机判断、用人经理分歧处理和录用风险权衡，仍需要强烈的业务理解与人际判断。如果企业只计算前一类任务节省了多少时间，便可能低估后一类任务的密度、难度和价值。

　　类似变化也会发生在共享服务中心。过去以处理数量衡量的员工，在AI接管标准问答和基础工单后，面对的会更多是跨系统异常、政策解释和员工情绪处理。工单总量可能下降，单个工单的复杂度却会上升；如果组织仍按原有数量指标配置人员，员工会在“看起来工作变少”的同时承担更高的认知和沟通压力。

　　BCG调查提供了一个值得HR警惕的细节：在规律使用AI的一线员工中，42%表示每周至少节省8小时，市场、IT和人力资源等职能的比例更高；但66%的人没有得到充分指导，不清楚如何使用节省下来的时间，超过一半的人没有把这些时间投入更具战略性的工作。效率已经出现，工作设计却没有跟上，组织便很容易把“省下的时间”直接等同于“多余的人”。

　　这正是岗位重构中最需要管理判断的地方。节省出来的时间可以被用于提高服务质量、处理积压问题、扩大客户覆盖，也可以转向新业务和更复杂决策；只有当这些价值路径被验证后，企业才能较为准确地判断岗位容量。 如果没有先定义时间被重新投入到哪里，裁减编制看似提高了效率，实际上可能只是把未来价值一并删除。

　　岗位重构还应处理好“过渡期工作”。旧流程不会在新系统上线当天完全消失，员工通常需要同时维护原有交付、训练新工具、检查错误并帮助团队形成标准。若企业只看到AI带来的目标效率，不计算学习、复核和流程迁移的成本，就会在过渡期过早压缩资源，造成质量波动和员工过载。

　　更成熟的组织会为岗位设计保留观察窗口。它们先在明确场景中试验，记录任务时间、错误类型、客户反馈和人工介入比例，再决定岗位如何合并、升级或转移。这样形成的人员决策，依据是工作已经如何变化，而不是管理层对AI可能带来多少效率的抽象估计。

　　广告

　　绩效管理不能把“AI使用率”变成新工时

　　Gallup数据传播之后，一些组织最容易采取的动作，是把AI使用次数纳入绩效仪表盘。这个指标简单、可追踪，也能向管理层展示转型进度，但它同样容易制造行为扭曲。员工为了证明自己拥抱AI，可能在不适合的任务中频繁调用工具，使用量上升，返工、风险和信息噪音也随之增加。

　　AI使用频率更适合被看作诊断信号，而不是绩效结论。某个团队使用率较低，HR与业务负责人需要判断是工具不适配、系统未打通、政策不清晰、经理不支持，还是员工确实缺乏能力和意愿。只有排除组织障碍后，个人层面的评价才具有相对公平的基础。

　　Gallup关于采用条件的数据说明了这种区别。在企业已经提供AI工具的前提下，强烈认同AI与现有系统和流程良好融合的员工中，88%是高频使用者；不强烈认同者中为55%。强烈感受到经理支持的员工中，78%高频使用，而其他员工中只有44%，这不是个人勤奋程度能够单独解释的差异。

　　政策清晰度同样影响使用。认为组织有明确安全使用规范的员工中，68%高频使用AI，其他员工中为47%。如果企业一方面要求员工提高AI采用率，另一方面没有说明哪些数据能输入、哪些结果要复核、出现错误由谁承担，谨慎的员工反而可能被统计为“落后者”。

　　绩效体系需要把注意力从工具动作转向业务结果。对多数知识岗位而言，可以同时观察交付周期、通过率、返工率、结果准确性、客户反馈和复杂问题解决能力，再结合员工对AI过程的解释。这样才能区分真正的能力提升、把原有工作做得更快，以及依赖AI制造大量未经验证的产出。

　　“质量”本身也要重新定义。BCG发现，60%的员工认为AI正在抬高合格工作的标准，因为当初稿、基础分析和通用表达变得更容易，组织自然会期待更深的洞察和更可靠的结论。过去以完成为目标的绩效标准，需要逐步转向判断、整合、创新和结果责任。

　　然而，提高标准不能只增加压力。AI接管简单任务后，员工需要处理更多例外、模糊信息和高风险决策，BCG调查中41%的人已经表示决策时间增加。如果绩效目标仍按“节省了多少时间”单向上调，员工会在更复杂的工作中被要求保持原有速度，最终可能牺牲核验和思考。

　　更合适的绩效改造，是建立一组互相制衡的指标。效率指标说明AI是否缩短周期，质量指标判断错误与返工是否下降，价值指标观察员工是否把时间转向更重要的问题，责任指标则检验关键结论能否被解释和追溯。几类指标共同使用，才能避免AI被异化成新的数字工时。

　　绩效对话的内容也需要变化。经理不应只问员工是否使用AI，而应讨论哪些任务值得重新设计、输出在哪些地方不可靠、节省的时间如何重新投入。这样的对话既能暴露系统问题，也能让优秀实践从个人经验变成团队方法。

　　能力建设的难点，不是课程不够多

　　当AI素养变成岗位基本盘，培训通常会迅速增加，但培训数量并不能自动弥合能力缺口。BCG在2026年对近1.2万名员工、经理和的调查发现，72%的人认为岗位所需技能预期已经变化，只有36%的人认为自己获得了充分的技能提升支持。需求与供给之间的差距，并不是多安排几场通识课就能解决。

　　通识培训的价值在于建立共同语言，让员工理解基本功能、风险和使用边界。真正影响工作表现的学习，却必须进入具体流程，由员工带着真实任务练习。没有业务数据、审批节点和质量标准的培训，往往只能教会演示，不能形成稳定交付。

　　能力建设可以围绕“任务—实践—反馈”形成短周期。团队选择一个高频且风险可控的场景，员工用AI完成真实工作，经理和专业负责人共同复核结果，再把有效做法和失败原因记录下来。这个过程比统一考试更能识别员工是否具备任务拆解、验证和改进能力。

　　员工之间的起点差异也需要被承认。有些人缺乏基本操作，需要安全的入门支持；有些人已经能熟练生成内容，却缺少核验意识；还有一些人能够设计完整工作流，应承担内部教练或流程负责人的角色。相同课程、相同作业和相同认证，可能同时让初学者跟不上、熟练者觉得浪费时间。

　　对于明确担忧AI的员工，培训更不能只强调效率。Gallup发现，在已提供工具的组织中，43%的非使用者提到数据隐私、安全或合规顾虑，43%表示存在伦理反对，39%认为AI不能帮助自己的工作。这里既有需要澄清的误解，也有完全合理的专业顾虑，管理者必须逐项回应，而不是把迟疑统一解释为抗拒变化。

　　尤其需要避免把员工的安全意识当成采用障碍。在处理薪酬、绩效、健康、客户资料和商业机密时，拒绝把信息输入未经批准的工具，本应是负责任的行为。企业如果没有提供合规工具和清晰边界，却要求员工自行完成AI转型，实际上把组织风险转移给了个人。

　　能力培养还要保护员工的基础专业技能。微软调查显示，高阶AI使用者更常主动保留不用AI完成部分工作的时间，这不是回到低效率，而是防止判断能力退化。对写作、分析、编程和客户沟通等岗位，企业可以设计定期的无AI练习、抽样复核和原理解释，确保员工不是只会接受机器给出的答案。

　　学习成果最终应进入人才流动。掌握新工作方式的员工，可以转向流程设计、质量治理、知识运营和复杂客户问题等岗位；原岗位受自动化影响较大的人，也需要获得相邻技能和内部机会。若培训之后没有岗位通道，员工很快会把“提升AI能力”理解为企业要求自己加快完成现有工作，而不是一种真实的职业发展投资。

　　这也是AI时代人才盘点需要改变的地方。过去的人才盘点更多看绩效、潜力和关键岗位经验，现在还要观察员工学习速度、跨任务迁移能力、质量判断和协同改造能力。AI素养由此不再是一张单独证书，而成为潜力判断中的一部分。

　　管理者不能把转型责任留给员工个人

　　Gallup关于AI采用的研究反复指向经理。工具与流程融合良好、经理积极支持、组织允许试验和政策清晰，都会显著提高员工的使用频率。一个团队很少使用AI，未必意味着成员保守，也可能意味着经理没有给出场景、标准和试错空间。

　　微软2026年Work Trend Index给出了更直接的管理证据。当经理公开示范AI使用时，员工报告的AI价值提高17个百分点，对AI使用的批判性思考提高22个百分点，对智能体AI的信任提高30个百分点。经理创造试验的心理安全后，员工报告的AI准备度和价值最多提高20个百分点，并更可能成为高频使用者。

　　经理的示范并不是在会议上展示几个提示词，而是公开呈现完整判断过程。他需要说明为什么把某一步交给AI、如何检查结果、在哪个节点由人接管，以及失败时怎样复盘。员工看到的不只是工具技巧，而是组织认可的工作规范。

　　更重要的是，经理要重新分配节省出来的时间。如果AI让报告初稿提前完成，团队需要明确这是用于更深分析、客户沟通、方案试验，还是降低长期加班。没有这样的分配，效率收益就会被临时任务吞掉，员工既感受不到工作改善，企业也看不到稳定价值。

　　管理者还承担着更新质量门槛的责任。AI输出更加流畅后，表面完成度不再足以判断工作质量，经理需要把事实依据、推理透明度、风险控制和业务可用性写进标准。标准不清晰时，员工要么过度依赖AI，要么因为害怕出错而完全不用。

　　微软的全球调查显示，组织因素对员工自报AI价值的解释力达到67%，个人心态和行为因素为32%。这个结果不宜被机械地理解成因果比例，却清楚说明组织环境的影响远高于“员工自己努不努力”。 当企业把AI采用率纳入员工要求时，也必须把工具可用性、经理支持、流程改造和政策清晰度纳入管理责任。

　　这会改变对管理者的绩效要求。经理不仅要完成业务指标，还应识别适合重构的任务、建立团队质量标准、推动经验复用，并对人机协作中的错误与例外负责。否则，企业会拥有大量个人层面的AI使用，却没有稳定、可审计的组织能力。

　　当AI参与重组，沟通比“是否提到AI”更重要

　　Gallup调查中只有1%的被裁员工把AI或自动化列为首要原因，不能简单理解为AI与人员调整无关。员工通常只知道企业正式告知的原因，而管理层的决策可能同时考虑成本、组织层级、任务自动化和未来能力配置。AI更常作为重组的背景变量，而不是一封通知中的单独理由。

　　对HR而言，最危险的做法不是没有在通知里写“AI”，而是组织内部也没有形成一致、可验证的决策逻辑。业务部门认为岗位已被技术重构，财务看到的是成本空间，经理依据个人印象区分人员，HR最后再统一表述，员工自然会感到解释与实际变化不匹配。沟通问题往往源于决策过程不透明，而不是措辞不够巧妙。

　　如果AI确实参与了岗位重构，企业需要先说明工作发生了什么变化。哪些任务已经减少，哪些职责被合并，新的岗位需要哪些能力，现有员工获得过哪些学习和转岗机会，这些事实应在内部决策材料中保持一致。只有把岗位变化讲清楚，人员选择才可能建立在相对可解释的基础上。

　　人员决策也不宜把AI使用记录当成单一证据。登录次数、调用量和生成内容数量只能说明行为发生过，不能证明员工创造了更高价值，更不能排除岗位权限和经理支持差异。更稳妥的依据是岗位需求、业务结果、质量表现、能力匹配和已提供的发展机会，并保留必要的审核与记录。

　　透明并不意味着向员工披露所有商业敏感信息，也不意味着对未来做无法保证的承诺。它意味着企业所说的理由与实际决策逻辑基本一致，员工能够理解岗位为何变化、评价依据是什么，以及有哪些申诉、转岗或支持渠道。跨地区企业还需要结合所在地劳动、数据保护和反歧视规则，由专业人员审查具体方案。

　　沟通还要避免把被调整员工描述成“没有跟上AI的人”。Gallup研究展示的是群体层面的关联，不能替代对个体贡献和情境的判断；组织提供工具和训练的差异，也会直接影响个人使用。把结构变化归结为个人落后，既不准确，也会削弱留任员工对转型公平性的信任。

　　留任员工同样在观察企业如何解释变化。如果他们得出的结论是“必须不断证明自己使用AI，否则随时可能被淘汰”，最可能增加的未必是高质量创新，而是可见的工具使用、风险回避和内部竞争。真正有利于转型的信号，应当是组织重视学习、结果与责任，同时愿意为岗位变化提供清晰规则。

　　HR需要把AI风险从“个人落后”改写为“组织准备度”

　　Gallup的数据看似在讨论个人使用习惯，最终却把问题推回组织设计。员工是否使用AI，与工作流是否适配、经理是否支持、政策是否清晰密切相关；员工是否在重组中更具韧性，也与岗位能否转向更高价值任务有关。HR如果只做工具培训，就触及了最容易处理的部分，却留下了真正决定结果的系统问题。

　　组织准备度可以从岗位开始观察。企业需要知道哪些岗位已经出现任务迁移，哪些岗位只是工具可用但流程未变，哪些岗位受数据和风险限制不宜追求高使用率。没有这张地图，全员采用目标很容易把不同场景压成同一套指标。

　　随后是绩效标准的准备度。AI提高交付速度后，质量门槛、复杂度和责任边界是否同步调整，决定了员工会把工具用于真实价值还是表面产量。若绩效仍奖励数量和速度，员工就会优先生产更多内容，而不是更可靠的判断。

　　能力体系的准备度则决定员工能否从旧任务迁移到新任务。培训应与真实场景、经理反馈和内部岗位机会连接，让员工看到学习之后可以承担什么工作。没有流动通道的培训，难以缓解员工对替代的担忧，也无法形成企业需要的新能力供给。

　　管理体系的准备度更容易被忽略。经理是否会示范、复核、分配节省时间并处理失败，决定了个人经验能否沉淀为团队方法。很多AI项目停留在个人试用阶段，并不是工具能力不足，而是管理系统仍按旧流程运转。

　　最后是决策治理的准备度。企业需要明确AI在人员规划、绩效分析和人员调整中可以发挥多大作用，哪些环节必须由人做最终判断，哪些数据不能被使用，以及如何检查对不同群体的影响。规则越晚建立，组织越容易在效率压力下形成难以解释的惯例。

　　这五个层面不是一份新的HR项目清单，而是一条连续的因果链。岗位任务变化后，绩效标准必须更新；标准更新后，能力建设才有明确方向；能力建设要落地，需要经理承担责任；当这些变化进入人员决策，治理和沟通必须同时跟上。这样展开，AI才真正进入人力资源管理的主干，而不是成为培训部门旁边的一项新活动。

　　不要把“会用AI”变成新的职场偏见

　　每一次技术转型都会产生一个诱人的管理捷径：把复杂的适应性压缩成一个容易识别的标签。在AI时代，这个标签可能是是否使用、使用多少、有没有认证，甚至是否属于所谓“AI原住民”。这些标签便于汇报，却很难完整代表员工能否为组织创造价值。

　　一名高频使用者可能擅长快速生成，却不具备事实核验和责任意识；一名低频使用者可能承担高风险工作，因此更谨慎地控制使用场景。还有员工因系统权限、客户要求或经理态度无法规律使用，他们的低频行为来自组织安排，而非个人选择。将使用频率直接等同于能力，会把管理问题包装成个人差距。

　　年龄也不应成为替代判断。Gallup在控制年龄后仍观察到AI使用与被裁之间的关联，这恰恰说明管理者不能用“年长员工不适应技术”解释结果。员工能否学习新的工作方式，更取决于任务机会、训练质量、经理支持和过往专业经验能否被重新组合。

　　对年轻员工同样如此。熟悉消费级AI并不意味着理解企业数据边界、专业质量和客户责任，快速生成也不等于能够处理复杂业务。企业需要用岗位证据评估能力，而不是依据代际想象分配机会。

　　HR在制定AI能力标准时，应保留合理的场景差异和替代证明。员工可以通过真实项目、流程改造、质量提升和知识沉淀证明能力，而不是必须达到统一调用次数。对于不适合直接使用AI的岗位，也可以评价员工是否理解AI对上下游流程的影响、能否与技术团队协作，以及是否具备必要的风险判断。

　　AI素养成为基本盘，不应意味着企业获得了一个更方便的淘汰标签，而应意味着组织终于需要更地理解工作、能力与责任。 越是在人员压力较大的时期，这种越重要，因为粗糙标准带来的短期速度，往往会转化为人才错配、信任下降和未来能力缺口。

　　从一组裁员数据，看见下一轮组织竞争

　　Gallup的调查没有证明AI正在大规模直接替代员工，原文甚至明确提醒，只有1%的被裁员工把AI列为首要原因。它揭示的是更细微的变化：经常使用AI的人，尤其在科技行业，似乎更靠近组织正在形成的新工作体系。这个位置差异正在与就业韧性发生联系。

　　对员工而言，值得投入的不是无止境地追逐新工具，而是形成稳定的人机协作能力。能够拆解任务、核验输出、保护数据、解释判断并把方法沉淀下来，远比展示使用次数更有价值。工具会变化，这些能力更可能跨越产品周期。

　　对企业高管而言，Gallup数据不应成为加速人员压缩的理由，而应成为检验组织准备度的提示。如果经常使用AI的员工更有韧性，企业就需要追问这种韧性究竟来自个人、岗位还是管理环境，并设法把有利条件扩大到更多团队。只保留已经适应的人，比帮助组织整体完成适应更容易，却未必更有长期价值。

　　对HR而言，AI正在迫使岗位、绩效、能力和管理责任重新连成一条线。岗位不再由一组静态职责定义，绩效不能只看数量与速度，能力建设不能停在通识课程，经理也不能把转型责任留给员工。人员调整如果发生，则必须建立在可解释的工作变化和一致的决策逻辑之上。

　　2026年的就业分水岭，也许不是“AI会不会取代人”这场争论最终得出了答案。更现实的分水岭是，一些组织已经开始重新设计工作，另一些组织仍把AI当作个人效率工具；一些员工进入了新的任务与价值链，另一些员工仍被旧岗位和旧标准固定。 决定企业下一阶段人才竞争力的，不是有多少人登录过AI，而是组织能否让更多人从使用工具走向重构工作。

　　参考资料

　　Gallup， U.S. Workers Continue to Report Downsizing ， 2026-06-18. - Gallup， AI in the Workplace: What Separates Adopters and Holdouts ， 2026-04-13. - Fox Business， Workers who don’t use AI more likely to be laid off， survey finds ， 2026-07-07. - Microsoft， 2026 Work Trend Index: Agents， Human Agency， and the Opportunity for Every Organization ， 2026-05-05. - Boston Consulting Group， AI at Work: Why Strategy Matters More Than Tools ， 2026-06-03. - Deloitte， 2026 Global Human Capital Trends ; From Jobs to Skills to Outcomes: Rethinking How Work Gets Done .

　　原文链接：https://mp.weixin.qq.com/s/L08iP4sLd9R3tSc9-LQPPg