来源：HRflag

　　欧洲整体招聘需求持续降温，AI相关岗位却逆势增长。这不是一个只属于欧洲的地区性现象，而是一场正在全球人才市场展开的岗位价值重估。对中国企业而言，接下来的竞争不只是能否招到更多人，而是能否让每一个岗位拥有更高的能力密度。

　　欧洲劳动力市场正在发生一件看似矛盾的事：企业整体招聘需求持续降温，AI相关岗位却逆势增长。法国、德国和英国等主要市场的职位发布量走弱时，爱尔兰、西班牙和英国招聘信息中提及AI的岗位占比仍在上升。更值得关注的是，AI已经越过软件开发和数据科学岗位，进入市场、销售、运营、人力资源、客服和行政等传统非技术职能。

　　这不是一个只属于欧洲的地区性现象。在全球范围内，企业一边收紧普通岗位的新增编制，一边提高AI人才、复合型人才和业务转型人才的招聘优先级。招聘预算没有消失，只是从“增加多少人”转向“增加什么能力”。

　　这种变化也正在进入中国企业。许多企业并未停止招聘，而是对新增HC提出了更严格的解释要求：岗位能否直接支撑业务增长，能否借助AI提高人均产出，现有团队是否可以通过能力升级吸收新增任务。过去依靠业务规模增长自然扩张的岗位，开始与能够重构流程、提高效率和创造新增价值的岗位争夺同一笔预算。

　　人才市场正在经历的，不是简单的岗位增减，而是一场从人数配置转向能力配置的“换仓”。 欧洲数据只是率先把这种反差呈现出来，真正需要中国企业关注的是，未来新增岗位的价值标准正在发生什么变化。企业不只需要重新决定招聘谁，还需要重新定义岗位、绩效、能力和管理责任。

　　01

　　欧洲市场出现了一组反常数据

　　7月27日，Indeed Hiring Lab发布《2026年7月欧洲劳动力市场图鉴》。截至7月17日，欧元区Indeed职位发布指数JPI降至105，较2026年年初下降近10%。德国、爱尔兰、比利时、法国和英国已有超过一半的职业类别跌破2020年2月的基线，意味着企业新增岗位的意愿明显降温。

　　JPI并不等同于就业人数或者实际录用人数，而是以2020年2月1日为100，追踪Indeed平台上经季节调整后的职位发布数量。因此，指数下滑不能被简单理解为欧洲企业全面停止招聘，但它能够反映需求端的变化。企业正在减少广泛扩张，转向更加谨慎地审批岗位。

　　西班牙是这组数据中的明显例外。截至7月17日，西班牙JPI达到145，比疫情前基线高出45%，建筑业、治疗、护理、医生等领域继续支撑结构性需求。但职位发布量较高并不等于劳动力市场一定更紧，西班牙仍然存在相对充足的劳动力供给，企业面对的是需求增长与人才结构并存的复杂局面。

　　真正引人注意的，是整体岗位和AI岗位之间的分化。爱尔兰招聘信息中提及AI的岗位占比达到15%，西班牙达到13%，英国达到9%。在法国、德国和英国整体职位发布量下降时，AI相关职位仍然呈现上升趋势。

　　两条曲线从2023年末开始逐渐背向而行。整体招聘需求横盘或者下降，AI相关职位发布量却继续增长，说明AI招聘已经不再只是由经济扩张带动的新增需求。企业正在有限的招聘预算中改变岗位组合，把资源投向能够支撑技术应用和业务重构的人才。

　　如果AI岗位与整体岗位同步增长，它可能只是招聘繁荣期中的一个热门类别。当整体岗位减少而AI岗位继续增长，含义则完全不同。企业不是简单地增加一批新岗位，而是在重新判断哪些岗位值得保留、哪些能力值得增加、哪些工作可以通过AI重新组合。

　　02

　　AI招聘正在从技术部门进入业务腹地

　　Indeed另一项覆盖美国和欧洲五个主要市场的研究，进一步揭示了AI岗位的扩散路径。研究将同一标准化职位名称下、一个季度内至少有五条招聘信息在原始标题中出现AI、GenAI、AGI或人工智能相关词汇的岗位，定义为“AI-touched”，也就是被AI触达的职位。相比只在职位描述中偶尔提及AI，把AI直接写进标题通常意味着企业认为它已经成为岗位的重要任务或者能力要求。

　　2026年第一季度，德国共有288种AI-touched职位名称，占符合统计条件职位的4.2%；英国有160种，占2.7%；法国有138种，占3.3%；荷兰有84种，占2.2%；西班牙有81种，占2.3%。这些比例尚未覆盖大多数岗位，但职业类型的扩散速度已经明显加快。AI正在从少数高度专业化职位进入更多常见岗位。

　　变化更大的并不是技术岗位。在德国，59%的AI-touched职位属于非技术职业，荷兰为58%，法国和英国均为54%。西班牙仍处于相对早期阶段，64%的AI-touched职位集中在技术领域，但其他欧洲市场已经出现非技术岗位占比超过技术岗位的情况。

　　这些新职位分布在销售、人力资源、客户服务、法律、行政、教学和技能型工作中。德国有HR经理岗位要求使用AI提高人力资源效率，法国出现负责AI产品与解决方案的销售岗位，荷兰则出现运用AI开展营销和广告工作的职位。企业并不是把所有人都变成工程师，而是把AI带入原有业务流程。

　　这种扩散大致沿着几类业务任务发生。有些岗位负责推动AI应用，包括业务发展、客户管理、运营管理和组织变革；有些岗位利用AI生成或审核内容、数据和知识材料；还有一些岗位负责培训员工、客户和合作伙伴使用AI。它们需要的通常不是深度编程能力，而是把AI嵌入真实工作的能力。

　　AI人才市场的主战场正在发生迁移：从“谁能够开发AI”，逐渐扩展到“谁能够用AI改变业务”。 技术专家仍然稀缺，但企业能够招聘的技术专家数量有限，真正决定AI能否产生规模效应的，是数以百计的非技术岗位能否改变工作方式。

　　03

　　这不是欧洲特例，而是全球人才市场的能力重估

　　欧洲的招聘分化只是全球趋势的一部分。世界经济论坛《未来就业报告2025》覆盖超过1000家大型雇主，这些企业合计代表超过1400万名员工。报告预计，到2030年，全球约22%的岗位将受到结构性变化影响，可能新增1.7亿个岗位，同时有9200万个岗位被替代，净增加约7800万个岗位。

　　这些数字最容易被解读为“AI最终会不会减少就业”，但对企业而言，更现实的问题是岗位在变化过程中需要什么能力。报告显示，雇主预计到2030年，员工39%的核心技能将发生改变。岗位数量可能净增长，员工过去依赖的技能却未必继续有效。

　　岗位新增和岗位替代会同时发生，正是“能力换仓”的典型特征。企业可能减少传统内容执行、基础数据整理和重复流程岗位，同时增加AI应用、数据治理、客户解决方案和复杂运营人才。总就业数字看似稳定，内部的职业结构却已经换了一套逻辑。

　　PwC《2026全球AI就业晴雨表》分析了六大洲27个和地区超过10亿条招聘信息，其中包括中国大陆和中国香港。报告发现，需要特定AI技能的职位增长速度约为整体就业市场的八倍，AI职位数量接近2024年的两倍。AI招聘的增长并未局限在软件行业，而是在专业服务、媒体、电信、制造、金融和其他业务领域扩散。

　　PwC还发现，AI暴露程度较高的企业并没有因为自动化而普遍停止扩张。AI应用程度领先的企业生产率增长比应用程度较低的企业高40%，其人员规模和工资增长也更快。这个结果说明，AI带来的并不只有成本削减，还可能形成新的业务容量和人才需求。

　　但这种增长不会平均分配给所有岗位。报告把劳动力市场概括为两条路径：一部分岗位因为AI降低专业门槛，使更多人能够完成过去较复杂的工作；另一部分岗位则借助AI进一步放大专业能力，对判断、领导力、创造力和复杂问题解决提出更高要求。后一类岗位增长更快，工资增幅也更加明显。

　　这意味着AI没有让人才标准变得简单。工具降低了一部分任务的操作难度，却提高了企业对结果质量、判断能力和业务责任的要求。员工能够更快生成答案后，企业会更关注他是否提出了正确的问题，能否识别错误，是否理解业务情境。

　　BCG在2026年对全球职场AI应用的调查中发现，72%的受访者表示AI已经明显改变其岗位技能要求，47%的受访者花费更多时间管理和指导AI，而不是亲自完成原来的全部工作。与此同时，67%的经常使用AI者表示工作满意度提高，41%却感受到更高的认知负荷。AI减少了部分操作性劳动，也带来了更多校验、选择和判断工作。

　　微软工作趋势研究呈现了另一个角度。53%的认为生产率必须提高，但大量员工同时表示缺少完成工作的时间和精力；82%的预计将在未来12至18个月使用“数字劳动力”扩大组织能力。企业对AI的期待，本质上是在解决业务需求与人力容量之间的缺口。

　　这些全球研究共同指向一个结论：企业并未简单地从“招人”转向“不招人”，而是从增加人力数量转向提高组织容量。新增员工、现有员工和AI工具开始被放在同一张资源配置表中。一个岗位能否获得预算，越来越取决于它能够形成多大的业务增量，而不只是团队是否忙碌。

　　04

　　回到中国，企业开始进入“少增人、先增能”的阶段

　　中国企业所处的行业、发展阶段和组织基础各不相同，但在人才决策上已经出现相似倾向。业务部门提出新增编制后，管理层越来越关注岗位能否直接支撑收入、客户和关键交付，也会询问现有团队是否可以通过流程优化或者AI工具吸收工作。HC不再只是部门规模增长的自然结果，而成为需要单独证明回报的资源。

　　这种变化并不意味着中国企业不再需要人才。相反，AI产品、算法、数据、智能制造和行业解决方案等领域仍存在明显需求，只是企业不再满足于招聘单一技能人才。理解行业、能够连接技术与业务、能够推动真实场景落地的复合型人才，正在获得更高优先级。

　　中国人力资源市场网援引智联招聘数据指出，2025年第三季度，国内人工智能行业招聘职位数同比增长11%，求职人数同比增长23%；2025年前三季度，AI产品经理需求增长178%。供需两端同时增长，说明越来越多劳动者进入AI领域，企业对能够连接产品、技术和场景的人才需求增长更快。

　　AI产品经理需求快速增长具有代表性。这类岗位既不是纯算法岗位，也不是传统产品岗位，它要求员工理解客户问题、业务流程、模型能力和落地边界。企业真正缺少的，往往不是知道多少AI概念的人，而是能够把技术变成产品、流程和客户结果的人。

　　政策和公共服务领域也在向相同方向推进。2026年发布的相关文件提出，到2026年，人社领域人工智能应用体系、标准体系和保障体系初步形成，建设约20个基于行业大模型的应用场景；到2027年，探索约50个高价值场景赋能路径。它释放出的信号是，AI正在进入招聘、就业服务、社会保障和人才管理等具体场景，而不再停留在一般性数字化建设阶段。

　　对于中国企业而言，AI扩散并不会完全复制欧美市场路径。国内企业拥有不同的组织密度、业务节奏、数据基础和管理方式，许多团队长期依赖高强度执行与快速响应。AI更先改变的，恰恰可能是这些信息量大、重复度高、流程依赖强的工作。

　　市场、销售、运营、财务、客服、采购和HR都属于这一范围。过去，业务增长通常会自然转化为工作量增长，再由部门申请新增员工解决；AI进入后，管理层会先判断哪些任务可以被加速、哪些流程可以重新组合、哪些能力必须外部引进。招聘审批因此从“工作太多，需要增加几个人”，逐渐变成“为了实现新的业务结果，需要增加什么能力”。

　　中国企业面临的不是单纯的岗位收缩，而是旧编制逻辑开始失效。 当工作量不再能够自动证明增加人数的合理性，岗位必须用业务价值、能力缺口和流程变化重新解释自身存在的必要性。HR也需要从控制编制数量，转向帮助企业判断能力配置。

　　05

　　非技术岗位正在成为AI能力升级的主战场

　　谈到AI人才，很多企业首先想到算法工程师、数据科学家和模型专家。这些岗位对于技术能力建设十分关键，但数量终究有限。企业能否从AI中获得规模化回报，更取决于市场、销售、运营、财务、客服和HR等大量非技术岗位能否改变工作方式。

　　市场岗位是最直观的场景。AI能够协助完成行业资料搜集、受众分析、内容初稿、创意延展和传播复盘，但市场人员仍然需要判断品牌定位、内容事实、受众情绪和商业目标。工具提高了内容生产速度，也让“能够生成多少内容”逐渐失去绩效区分度。

　　未来更有价值的市场人才，不是单纯比别人多写几篇文章，而是能够用AI扩大研究范围、缩短试错周期，并保持品牌与业务判断。员工需要知道哪些内容可以交给AI起草，哪些观点必须来自真实洞察，哪些信息需要进一步核验。AI降低了执行成本，却提高了判断的重要性。

　　销售岗位的变化也不只是自动生成邮件。AI可以整理客户资料、分析销售对话、识别潜在需求和生成跟进建议，但是否采取建议，仍然取决于销售人员对客户关系和商业环境的判断。高水平销售会利用AI扩大覆盖范围，普通销售则可能只是制造更多缺乏针对性的沟通。

　　运营岗位更接近流程重构。信息录入、报表整理、例行核对和工单分类可以得到明显加速，运营人员则需要把精力转向异常处理、流程优化、跨部门协调和质量控制。岗位价值会从“稳定执行流程”转向“持续改善流程”。

　　广告

　　财务岗位也会出现类似迁移。基础凭证处理、数据整理、差异识别和报告初稿可以由AI提供辅助，但经营分析、风险判断、资源配置和业务沟通仍然需要专业人员承担。财务人员不会因为工具出现而失去价值，但仅靠完成标准化流程获得的岗位价值会逐步下降。

　　客服岗位能够使用AI处理知识检索、问题分类和标准回复，却需要员工承担复杂投诉、情绪沟通和例外决策。低复杂度问题被工具吸收后，留给人工客服的往往是更难处理的场景。员工处理的工单数量可能下降，单个工单需要的判断和责任却会提高。

　　HR岗位本身同样处于变化中心。招聘人员可以利用AI生成职位描述、整理候选人信息、形成面试纪要和开展人才市场研究，学习发展团队可以生成课程初稿和个性化建议，HRBP可以更快整合组织与业务信息。但如果HR仍然按照材料数量和流程完成度评价工作，效率提升不会自然转化为更好的人才决策。

　　AI进入非技术岗位，并不意味着所有员工都要学习编程。企业需要的是员工能够理解AI适合解决什么问题，能够提供足够的业务上下文，能够校验结果，并对最终输出承担责任。 非技术岗位的AI能力，本质上是一种新的业务执行能力，而不是弱化版的技术能力。

　　06

　　新增HC之前，企业需要先回答“缺人”还是“缺能力”

　　过去，团队工作量增加通常会触发一条熟悉的管理链路。业务负责人提出新增编制，HR核实预算与岗位，招聘团队进入市场寻找候选人。只要业务仍在增长，“工作太多”往往足以成为增加HC的重要理由。

　　AI改变了这条链路。管理层会进一步询问，增加的工作是重复任务还是复杂任务，是否能够通过工具和流程优化吸收，现有员工缺少的是时间还是能力。新增编制因此从工作量问题，变成工作设计问题。

　　有些团队的确缺人。客户数量增长、业务覆盖扩大、现场交付增加或者监管责任上升，都可能产生无法通过AI完全吸收的需求。企业不应为了追求人效而忽视真实的服务容量和员工负荷。

　　但另一些团队缺少的可能不是人数，而是重新设计流程的能力。员工使用AI处理局部任务，整体审批、协作和信息流转方式却没有改变，个人节省的时间最终消耗在等待和返工中。此时增加员工，只会把低效流程扩大。

　　还有一些团队缺少的是更高层次的专业能力。AI能够帮助员工快速形成初稿，却无法替代复杂判断，团队因此需要更强的行业专家、产品负责人或者业务分析人才。企业减少普通执行岗位，同时增加高级专业岗位，是能力结构变化的正常结果。

　　HR在审核HC时，需要把讨论从“要不要招人”推进到“需要补充什么能力”。岗位是否可以内部升级，是否能够通过工作重组解决，是否需要外部引进复合型人才，都应进入同一次决策。这样做不是阻止业务部门招人，而是提高每一个新增岗位的准确度。

　　未来HC配置的基本单位不应只是“一个人”，而应是“一个业务结果所需的人、AI与流程组合”。 同样一项工作，可以由新增员工完成，也可以由现有员工升级后完成，还可以通过工具、共享服务和流程重构共同完成。企业需要比较的，是不同组合的成本、质量、速度和风险。

　　07

　　岗位标准要从职责清单转向任务组合

　　传统岗位管理以职位名称和职责清单为中心。一个岗位只要没有发生明显的组织调整，职位说明书可能数年保持不变，招聘时再增加几条当年的热门要求。AI改变任务的速度远快于年度岗位审查周期，这种管理方式会使岗位标准迅速落后于实际工作。

　　更有效的做法，是把岗位拆解为具体任务。企业可以区分信息搜集、内容生成、数据分析、流程执行、客户沟通、风险判断和决策承担等任务，再判断AI对不同任务的影响。岗位价值由此不再被一个笼统的职位名称遮蔽。

　　以招聘岗位为例，简历搜索、候选人信息归纳、面试安排和纪要整理可以得到明显加速，需求澄清、人才判断、候选人关系和录用风险仍然需要专业能力。AI降低了前半段工作的时间成本，也让招聘人员有机会把更多精力投入后半段。若企业仍然以推荐简历数量考核招聘人员，新工具只会帮助团队更快堆积简历。

　　岗位拆解还能帮助企业判断培养与招聘之间的关系。若变化主要来自工具使用和流程调整，现有员工经过训练可能比重新招聘更有效；若岗位开始承担全新的数据治理、产品设计或者变革责任，外部引进可能更合理。能力差距的性质，应该决定人才策略。

　　企业还需要重新评估岗位中执行、判断和责任的比例。AI能够加速的通常是信息处理和初步生成，不能轻易转移的是决策责任。执行性任务减少之后，岗位不能只通过增加更多同类任务维持工作量，而应当承担更高价值的判断。

　　这会进一步影响职位等级和晋升标准。过去，晋升往往与经验年限、管理人数或者任务复杂度相关，未来还需要考虑员工能否设计人机协同流程、管理AI输出质量、沉淀团队知识和扩大他人的能力。否则，员工已经采用新的工作方式，岗位体系却仍然奖励旧的贡献。

　　岗位重构不是在职位说明书中增加一句“熟练使用AI”，而是重新划分哪些工作由人完成、哪些工作由AI辅助，以及谁对最终结果负责。 这三个问题没有解决，AI能力就只能停留在招聘广告里。

　　08

　　招聘标准不能停留在“会不会使用AI”

　　越来越多企业开始在职位描述中加入“熟练使用生成式AI工具”。这句话看起来与趋势同步，却很难真正筛选候选人。几乎所有人都可以声称使用过AI，使用频率也不能说明应用质量。

　　企业真正需要评估的是，候选人能否把AI嵌入实际工作。候选人是否知道选择什么任务，能否提供准确上下文，是否建立结果校验方法，能否保护敏感信息，以及是否能够说明AI带来了什么业务改善。相比工具名称，这些能力更稳定，也更具有迁移价值。

　　市场岗位可以设置真实的受众分析和内容设计任务。企业不应只评价最终文案是否流畅，而应观察候选人如何使用AI开展研究、如何发现信息缺口、如何调整输出，以及如何处理事实与品牌风险。结果背后的过程，比单次生成质量更能反映能力。

　　销售岗位可以围绕客户研究和跟进策略进行评估。候选人需要说明哪些信息来自可靠来源，哪些内容只是模型推测，以及如何结合客户关系决定行动。能够生成一封完整邮件，不等于能够推动一笔复杂交易。

　　运营岗位则可以考察流程识别和异常管理。候选人需要判断哪些环节适合自动化，哪些节点必须保留人工审核，以及发生错误后如何追踪责任。AI应用成熟度体现在边界设计，而不只体现在速度。

　　HR岗位更需要谨慎。如果招聘人员只会让AI生成面试问题，却无法判断问题与岗位胜任力之间的关系，工具使用可能扩大招聘误差；如果HRBP能够快速生成数据摘要，却不能理解因果关系和业务条件，也不会因此成为更好的组织顾问。AI能力必须与专业能力共同评估。

　　企业还应避免把某个工具品牌变成长期岗位门槛。产品和模型迭代速度很快，今天熟悉的工具可能在一年后被替换。理解问题、组织信息、设计流程、验证结果和承担责任，才是更持久的能力。

　　因此，AI招聘标准可以分为基本操作、工作流应用和专业判断三个层次。基本操作正在快速普及，工作流应用决定员工能否真正提高产出，专业判断则决定结果是否可靠。 未来更稀缺的不是会向AI提问的人，而是知道如何修正AI并对结果负责的人。

　　09

　　绩效不能只考核AI使用率

　　企业为了推动AI应用，很容易设置使用次数、活跃天数和覆盖率指标。在工具导入初期，这些数据可以帮助管理者判断员工是否真正开始尝试，也能识别培训和权限障碍。但它们适合作为采用过程指标，不适合作为长期绩效结果。

　　如果调用次数成为考核重点，员工会为了证明使用而使用。大量原本不需要AI的简单任务也会被包装成应用场景，组织获得许多使用记录，却不一定获得更好的业务结果。工具活跃度上升，可能只是数字更加热闹。

　　AI还会改变旧产出指标的含义。过去，一名员工完成十份报告可能代表较大工作量；现在，AI可以快速生成结构完整的初稿，报告数量已经无法准确代表难度和价值。如果绩效体系继续奖励材料数量，企业只会得到更多需要筛选的材料。

　　绩效评价需要回到业务结果。市场岗位可以关注有效触达、线索质量和品牌一致性，销售岗位关注客户转化、收入质量和预测准确度，运营岗位关注周期、差错率和异常解决能力，HR岗位则关注招聘质量、关键岗位满足率和人才决策效果。AI只是实现这些结果的手段。

　　企业还需要关注效率释放后的时间去了哪里。员工可能把一项任务从五小时缩短到一小时，但如果节省的四小时被用于制造更多相似材料，组织并没有创造新的价值。管理者需要明确员工应把释放出的容量投入客户、创新、分析还是流程改善。

　　质量与风险也必须进入绩效标准。AI生成速度越快，错误信息、数据泄露、知识产权和品牌偏差越可能被批量放大。员工能够及时发现并纠正问题，不是效率不足，而是人机协作中的关键贡献。

　　绩效对话因此要从“有没有使用”转向“改变了什么”。管理者需要了解员工在哪些环节使用AI，减少了什么成本，改善了什么结果，引入了哪些风险，下一轮如何优化工作流。这样的对话才能推动应用从个人尝试进入团队能力。

　　企业真正应该奖励的，不是员工与AI发生了多少次互动，而是员工是否利用AI提高了结果质量。 当这一原则进入绩效体系，员工才会从追求工具使用量，转向寻找真正有价值的业务场景。

　　10

　　AI培训要从通识课程进入真实工作

　　很多企业已经组织过AI通识培训。员工了解了模型原理、提示词方法和常见工具，也完成了课程签到与测试，但回到岗位后，原有流程、数据权限和绩效标准没有变化。培训带来了认知，却没有改变工作。

　　通识培训仍然必要，它能够解决基本概念、信息安全和负责任使用问题。但全员使用同一套课程，很难覆盖不同岗位的真实需求。市场人员、财务人员、客服人员和HR人员需要的应用场景明显不同。

　　能力建设需要按照岗位族展开。市场团队可以围绕受众研究、内容设计和效果复盘训练，销售团队围绕客户洞察、通话分析和跟进策略训练，运营团队围绕流程识别、异常管理和质量控制训练。HR团队则应当把AI应用到人才研究、招聘、学习和组织诊断中。

　　学习方式也需要从“听懂”转向“做成”。员工可以带着真实任务参加训练，在安全环境中完成一次工作流重构，比较使用AI前后的时间、质量和风险，再由业务专家与管理者共同评审。真实任务能够快速暴露数据、权限、流程和判断方面的障碍。

　　企业还需要区分不同深度的AI能力。所有员工都应具备基本使用、信息保护和事实核查能力，一部分专业人员需要掌握复杂工作流、知识库和跨工具协同，少数角色则承担场景开发、治理和规模化推广。不同层次不能用同一张结业证书衡量。

　　优秀实践需要被沉淀为组织资产。一个员工找到高效的客户研究方法，如果只保存在个人电脑里，企业获得的只是局部效率；当方法经过验证、形成规范并进入团队流程，才会成为可复制能力。HR和业务部门需要共同建设案例库、操作模板、质量标准与复盘机制。

　　学习结果还要与人才机会连接。能够重构工作流程的员工，应有机会参与重点项目、内部流动和晋升；尚未达到基本要求的员工，需要得到明确的提升路径。只有能力变化影响实际工作机会，培训才会从活动变成组织机制。

　　AI能力建设的目标不是让所有员工熟练使用同一个工具，而是让不同岗位找到更好的工作方式。 工具会持续变化，围绕真实任务形成的学习能力和判断能力，才是企业能够长期保留的资产。

　　11

　　初级岗位减少后，企业必须重建人才成长路径

　　AI最容易接管的，往往是新人承担的基础任务。资料搜集、信息整理、内容初稿、报表制作和流程跟进具有较高重复度，也是新人了解业务、观察标准和积累经验的入口。企业如果只从效率出发删除这些任务，可能同时删除未来专业人才的训练场。

　　过去，新人通过大量基础工作逐渐理解什么是好结果。AI可以直接生成一份形式完整的答案，但新人未必知道它为什么正确、哪里可能出错，也不一定理解背后的业务条件。获得答案的速度提高，不等于形成判断的速度同步提高。

　　企业不能简单地把“AI可以完成”理解成“新人无需学习”。更合理的方式是改变学习任务，让新人比较不同输出、核验事实、解释差异并提出改进。基础劳动可以减少，基础认知不能被跳过。

　　招聘初级人才时，也不宜把具体工具经验设置成过高门槛。新人对工具的熟练度通常可以快速提升，学习敏捷性、问题意识、专业基础和反馈接受能力更具有长期价值。过度追求现成工具经验，可能得到会操作但缺乏判断的人。

　　管理者需要重新设计责任递进。新人可以先承担信息校验和方案比较，再逐步参与流程设计和业务建议，不能一开始就让AI完成全部工作，也不能长期停留在机械审核。AI应当缩短反馈周期，而不是切断成长路径。

　　今天被删除的初级任务，可能正是三年后中层人才需要具备的经验来源。如果企业没有设计新的学徒机制、导师机制和轮岗实践，未来会发现能够承担复杂判断的人越来越少。短期人效提高，可能转化为长期人才断层。

　　因此，AI时代的人才培养需要重新回答一个问题：员工不再依靠大量重复工作积累经验之后，组织用什么方式帮助其形成专业判断。 AI可以减少低价值劳动，但企业不能因此减少高价值经验的形成。

　　12

　　业务负责人必须承担工作重构责任

　　AI转型经常被视为技术部门的项目。技术团队负责选择平台、部署工具和建立安全体系，HR负责组织培训，业务员工自行寻找应用场景。这样的分工能够推动工具上线，却很难真正改变组织产出。

　　市场负责人最了解哪些内容影响客户，销售负责人最了解哪些环节影响成交，运营负责人最了解流程中的异常和瓶颈。哪些任务应该被重构，哪些判断必须保留，效率释放后应该创造什么价值，只能由业务负责人作出决定。技术和HR可以提供支持，无法代替业务判断。

　　很多AI应用停留在个人效率层面，原因不是员工不愿使用，而是团队工作系统没有变化。员工利用AI更快完成材料，会议、审批和协作流程却保持不变。个人速度提高后，节省的时间又消耗在等待、修改和重复沟通中。

　　业务负责人需要重新安排人、AI与责任之间的关系。AI可以生成建议，但谁负责确认信息；AI可以预测需求，但谁决定资源投入；AI可以整理候选人资料，但谁承担录用后果。边界越清晰，员工越能够放心使用，也越难把责任推给工具。

　　管理者本身的能力标准也需要改变。未来的管理者不只是分配任务和检查进度，还要能够设计工作流、设定人机边界、培养员工判断力并管理AI风险。个人会使用AI，并不等于能够带领团队完成转型。

　　AI还可能改变管理跨度。员工能够借助AI处理更多信息，一名管理者理论上可以支持更大的团队，但信息增加并不意味着管理复杂度下降。管理者需要判断更多方案、解决更多例外，并确保团队没有因追求速度牺牲质量。

　　AI转型不能只要求员工改变，管理者必须先改变工作的设计方式。 如果业务负责人仍然按照过去的方法分配任务、审批结果和评价贡献，再先进的工具也只能成为旧流程中的加速器。

　　13

　　HR要从编制管理员走向能力配置者

　　当招聘需求放缓，HR很容易被要求严格控制HC。控制编制当然重要，但如果HR只负责判断预算是否存在、岗位是否超编，就无法应对能力换仓带来的复杂问题。企业需要的不只是少招人，而是更准确地配置能力。

　　在岗位层面，HR要推动业务部门拆解任务，识别哪些工作正在被AI加速，哪些岗位需要扩大职责，哪些初级任务承担人才培养价值。不能等业务部门交来一份已经写好的职位说明书，再机械启动招聘。岗位设计本身就是人才战略。

　　在招聘层面，HR要把AI要求从模糊标签变成可验证标准。凡是写入“具备AI能力”的岗位，都应明确对应的业务任务、应用深度和结果责任。没有场景支撑的AI要求，只会增加候选人的包装成本。

　　在绩效层面，HR需要帮助管理者识别哪些旧指标已经失去意义。报告数量、材料完整度和响应速度可以被AI快速提高，绩效体系必须增加判断质量、客户影响、流程改善、知识贡献和风险控制。否则，组织会使用新工具追逐旧结果。

　　在能力层面，HR要建立与岗位族和职级相连接的AI能力模型。市场、销售、财务和HR需要不同场景，初级员工与高级员工也承担不同责任。能力模型越贴近真实工作，招聘、培训、绩效和晋升越容易形成一致性。

　　在人才流动层面，HR需要识别哪些员工能够通过学习进入新岗位。并非所有能力缺口都需要外部招聘，内部员工往往拥有更深的业务知识和组织经验。只要提供合适训练和实践机会，他们可能比外部候选人更快创造价值。

　　在组织层面，HR还要明确AI项目对岗位数量和人才梯队的影响。任何重要AI项目立项时，都应同步讨论任务、岗位、能力、绩效和管理跨度。技术项目与人才项目分开推进，往往会在上线后产生新的组织问题。

　　HR的价值不再只是帮助企业获得人才，而是帮助企业判断何时需要人、需要什么人，以及人和AI应该如何共同工作。 从编制管理走向能力配置，正是AI时代HR职能需要完成的升级。

　　14

　　中国企业需要重新计算每一个岗位的能力密度

　　面对AI岗位逆势增长，企业很容易启动一轮AI人才盘点，列出需要引进的专家和需要培训的员工。这一步可以帮助组织了解现状，却不能成为全部。企业真正需要的是一套能够持续识别任务变化、岗位变化和能力差距的机制。

　　岗位端可以优先选择受AI影响较深的职能，拆解核心任务，比较当前流程与未来流程。重点不是追求理论上更高的自动化比例，而是识别最值得改善、能够落地且风险可控的环节。流程清楚后，再决定调整职责、培养人才还是启动招聘。

　　招聘端需要清理职位说明书中的空泛要求。岗位如果需要AI能力，就应说明员工用它完成什么任务、改善什么结果、承担什么责任。表达越具体，企业越容易吸引真正适合的人。

　　绩效端需要审查旧指标。凡是可以通过AI轻易增加数量的产出，都需要重新判断其是否仍然代表价值。企业要奖励更好的结果，而不是更多的生成。

　　能力端需要把通识教育、岗位训练和专业进阶分开。通识教育解决基本认知与安全问题，岗位训练解决真实工作应用，专业进阶培养流程设计、治理和变革能力。三者各有目标，不能被一场全员课程代替。

　　管理端要明确业务负责人、HR和技术部门的责任。业务负责人选择场景并承担结果，技术部门提供平台、数据与安全支持，HR负责岗位、能力与人才机制。只有三者同时进入同一套工作流程，AI才可能形成规模效应。

　　企业还需要建立持续复盘机制。哪些场景真正提高了收入、质量和效率，哪些应用只是增加了活动量，哪些岗位出现新的能力缺口，都应定期回到人才决策中。AI工具迭代很快，岗位标准也不能保持静止。

　　这套机制的价值，在于让企业不必追逐每一个新工具。模型会升级，产品会更替，职位名称也会不断出现新标签，但任务、判断和责任始终是组织设计的基本单位。抓住这三个单位，企业才能在技术变化中保持人才决策的稳定性。

　　15

　　招聘降温之后，企业比拼的是岗位质量

　　欧洲职位发布指数较年初下降近10%，AI相关岗位却继续增长，呈现的是一幅结构性变化图景。企业不是不再需要人才，而是不愿意再为沿用旧工作方式的岗位持续增加编制。能够推动AI应用、改善业务流程和放大专业价值的人才，仍然获得预算。

　　全球研究也在印证这种分化。未来岗位总量可能继续增长，但大量岗位的技能结构会改变；AI能够降低部分任务的操作门槛，也会让判断、领导力、创造力和责任承担更重要。人们不会简单地被AI划分为“被替代”和“不会被替代”，而会被不同的工作方式重新分层。

　　对中国企业而言，这意味着人才战略不能继续停留在年度编制数字上。企业需要关注岗位中有多少低效重复工作，有多少员工能够借助AI扩大产出，有多少管理者可以重新设计团队流程。人员规模是结果，岗位能力密度才是决定组织竞争力的变量。

　　对HR负责人而言，招聘效率也不能只意味着更快填补空缺。HR需要帮助企业识别什么岗位值得招聘、什么能力适合内部培养、什么工作可以重新组合，以及什么绩效标准能够引导员工创造新价值。招聘越谨慎，每一个人才决策反而越重要。

　　未来的岗位不会简单分成“AI岗位”和“非AI岗位”。更准确的区别，是能够利用AI扩大业务价值的岗位，与仍然按照旧流程消耗人力的岗位。它们可能拥有相同的职位名称，却会形成完全不同的产出和成长空间。

　　当岗位总量下降、AI岗位逆势增长，企业真正需要重写的不是一份招聘计划，而是对人才价值的定义。 岗位要围绕任务重新设计，绩效要回到业务结果，能力建设要进入真实场景，业务负责人要承担工作重构责任。只有完成这场变化，AI才不会只是招聘广告里的新词，而会真正成为中国企业提升组织能力的一部分。

　　参考来源

　　1. Indeed Hiring Lab：《July 2026 European Labour Market Chartbook》 https://www.hiringlab.org/uk/blog/2026/07/27/july-2026-european-labour-market-chartbook/

　　2. Indeed Hiring Lab：《AI Is No Longer Just a Tech Occupation Story》 https://www.hiringlab.org/uk/blog/2026/07/08/ai-is-spreading-across-job-titles-in-us-europe/

　　3. PwC：《2026 Global AI Jobs Barometer》 https://www.pwc.com/gx/en/services/ai/ai-jobs-barometer.html

　　4. 世界经济论坛：《Future of Jobs Report 2025》 https://www.weforum.org/publications/the-future-of-jobs-report-2025/digest/

　　5. BCG：《AI Is Reshaping Jobs Faster Than Companies Are Reshaping Work》 https://www.bcg.com/press/3june2026-ai-reshaping-jobs-faster-than-companies-reshaping-work

　　6. Microsoft：《2025 Work Trend Index》 https://www.microsoft.com/en-us/worklab/work-trend-index/2025-the-year-the-frontier-firm-is-born

　　7. 中国人力资源市场网：《人力资源服务业创新升级，助力人才岗位精准适配》 https://chrm.mohrss.gov.cn/

　　原文链接：https://mp.weixin.qq.com/s/54M4z4HJJLKT6YrlBFqtBg