来源：HRflag

　　当企业管理层还在讨论应该接入哪一种大模型、采购多少智能体账号、今年能节省多少工时时，最了解组织真实状态的一群人，却给出了明显更谨慎的判断。HR Dive援引Protiviti最新一期AI Pulse Survey指出，只有13%的CHRO强烈认同本企业的岗位设计已经为AI做好准备，低于整个高管群体28%的比例；在学习准备度上，只有14%的CHRO表示强烈认同，而全体高管的比例为36%。这不是一个关于“HR是否拥抱AI”的态度调查，而是一次对企业AI转型底盘的压力测试。

　　这项调查覆盖近800名全球高管，其中超过八成来自大型企业。未来三年，接近80%的受访高管预计AI将改善利润表现并推动收入增长，商业期待已经非常明确；但站在人员、岗位、薪酬、能力和职业发展的交叉口，CHRO看到的不是一个工具上线问题，而是一连串必须同时发生的组织改变。 技术部门看到的是AI能做什么，HR看到的则是企业要改变什么，才能让AI持续做成。

　　因此，CHRO的谨慎不应被理解为保守，更不能被简单归结为HR不懂技术。恰恰相反，这种谨慎可能是企业当前最有价值的一种清醒：模型能力提升得很快，组织吸收能力却没有按同样速度增长；工具可以按季度更新，岗位体系、绩效机制和管理习惯却往往需要跨年度调整。如果企业只把前者当作AI进度，就很容易把“已经购买”误判为“已经准备好”。

　　一场发生在高管层内部的“时间差”

　　同一家企业里，不同管理者对AI准备度的判断，往往来自不同的观察窗口。技术负责人关注接口是否打通、数据是否可用、模型是否稳定、安全边界是否可控；业务负责人关注项目能不能缩短周期、降低成本、提高转化；CHRO则必须继续追问，任务改变以后岗位还是否成立，绩效如何计算，薪酬如何调整，员工凭什么愿意改变，管理者是否知道怎样带领一支人机混合团队。前两个窗口更容易看到上线时刻，最后一个窗口看到的却是上线之后漫长而复杂的组织现实。

　　Protiviti的数据把这种差异呈现得非常直观。在学习准备度上，96%的IT持积极看法，而只有14%的CHRO“强烈认同”组织已经准备好；在岗位设计方面，IT的积极比例达到88%，CHRO强烈认同的比例仍只有13%。这并不意味着其中一方正确、另一方错误，而是说明企业对“准备好”的定义还没有统一：系统可以运行，只代表技术准备完成，并不等于大多数员工已经能够在真实工作中稳定使用，也不等于新的工作方式已经被组织制度承认。

　　很多AI项目在演示阶段令人振奋，进入日常经营之后却开始变慢，原因往往就藏在这个定义差异里。一个智能体可以在几分钟内生成市场分析，但谁负责核验事实、判断风险、补充业务语境并对最终结论签字，流程里没有写清；一套招聘工具可以迅速筛选候选人，但何时必须由招聘经理介入、如何向候选人解释、怎样处理异常结果，管理责任仍然模糊。 AI完成了任务，并不自动意味着组织完成了工作。

　　企业需要警惕的不是高管层出现不同看法，而是不同看法没有被摆到同一张桌面上。只要技术投资、业务目标和人才系统仍分别规划，AI项目就会天然产生时间差：预算先批、工具先上、试点先跑，岗位说明书和绩效制度随后再补，员工培训最后匆忙跟进。这样的顺序看似提高了速度，实际上把大量组织成本推迟到了上线之后，并最终以重复返工、使用率不足、影子AI、员工焦虑和管理摩擦的形式重新出现。

　　AI准备度，不是员工会不会写提示词

　　过去两年，不少企业把AI准备度等同于“有多少人完成了培训”“有多少账号被激活”“每周调用了多少次模型”。这些指标容易统计，也适合出现在项目周报里，却只能说明员工接触过工具，无法证明工作已经被重新设计。一个人参加三小时AI课程之后，仍然回到原来的审批链、原来的岗位边界和原来的绩效目标里，他很可能只是多了一件需要抽时间使用的工具，而不是获得了一套更高效的工作系统。

　　真正的AI准备度至少包含几个彼此咬合的条件：企业知道哪些任务可以交给AI，哪些判断必须由人承担；岗位边界已经随任务变化而调整，员工使用AI创造的价值能够被绩效机制识别；学习不再停留在通用知识，而是进入真实业务场景；管理者能够分配、检查和纠正人机协作成果；组织还建立了清晰的责任、数据与风险边界。这些条件中，任何一个明显缺位，都可能让一项技术上成功的部署在组织里失速。

　　HR Dive此前援引的一项2026年AI准备度研究还显示，85%的员工表示无法把已经接受的AI培训应用到日常工作中，56%的员工被原有手工任务压得无暇学习新工具，78%的受访者认为学习发生在工作系统之外。数据揭示的问题并不是课程不够多，而是学习与工作之间断开了：员工在课堂上学习提示词，回到岗位后仍要面对碎片化数据、复杂权限、旧流程和不允许试错的绩效压力。培训越多但工作不变，越容易制造一种“企业已经尽责，员工却没有学会”的错误归因。

　　因此， AI准备度的最小单位不应该是“人”，而应该是“工作闭环” 。企业不必先要求所有员工都成为AI专家，而应先选出一个高频、可衡量、风险可控的任务闭环，明确输入从哪里来、AI负责哪一段、人在哪些节点判断、异常如何升级、结果由谁负责，再围绕这条闭环培训相关人员。只有当任务、流程、能力和责任同时改变，AI才会从个人技巧变成组织能力。

　　岗位重构：不要急着删职位，先把工作拆开

　　CHRO最谨慎的地方首先落在岗位设计上，因为AI改变的通常不是整个职位，而是职位内部不同任务的价值与耗时。一名销售经理的工作包含客户研究、关系建立、方案设计、价格判断、合同沟通和内部协调，AI可能显著压缩资料收集与初稿生成，却无法自动继承客户信任，也不能独立承担复杂商业承诺。如果企业只用“这个岗位能否被AI替代”来讨论，就会把一个需要精细拆解的问题，粗暴地变成保留或取消的二选一。

　　更可靠的做法，是把岗位从静态职位说明书改造成动态任务组合。每项任务都需要回答几个具体问题：它对业务结果的价值有多高，规则是否清晰，错误的后果有多大，是否需要同理心、谈判、伦理判断或跨部门协调，数据是否足以支持AI稳定完成。这个过程不是为了给所有任务贴上“人”或“机器”的标签，而是为了识别最合适的协作方式，包括AI独立执行、人类复核、AI提供建议、人类主导以及暂不使用AI。

　　当任务被拆开之后，岗位重构才有了事实基础。原来需要员工花大量时间搜集、整理和转录的信息，可以交给AI完成首轮处理；被释放出来的时间则应重新配置给客户沟通、复杂判断、创新设计、辅导新人和跨团队协作。 真正的岗位升级，不是让同一个人用AI把原来的工作做得更快，而是让他把更多时间投入到过去因为太忙而做不好的高价值工作。

　　这里有一个常被忽略的管理陷阱：企业宣布AI节省了30%的时间，却没有重新定义这30%的时间应该流向哪里。员工为了证明自己仍然忙碌，会用更多会议、更多报告和更精细的格式填满空白；管理者也可能把节省下来的时间直接转化为更高任务量，而没有提高工作价值。结果是工具利用率看起来上升了，员工负荷也上升了，但客户体验、创新速度和决策质量没有出现相应改善。

　　岗位重构还会触碰薪酬与职业路径。AI承担更多基础任务之后，岗位对判断力、问题定义、系统思维和责任承担的要求会上升，原有职级标准如果仍按工作量、流程熟练度和团队规模定价，就会与真实价值脱节。企业不能一边要求员工完成更复杂的人机协作，一边继续用旧岗位的薪酬带宽和晋升条件评价他们；否则所谓“岗位升级”只是增加要求，并没有形成新的职业回报。

　　对初级岗位而言，这个问题尤其关键。过去，新人通过资料整理、基础分析、会议纪要和简单报告逐步理解业务，这些任务恰好也是AI最容易接手的部分；如果企业只看到效率，就可能抽走新人进入专业领域的学习台阶。更成熟的设计不是保留所有低价值劳动，而是主动重建学徒路径，让新人通过观察决策、参与客户沟通、复核AI输出、处理异常案例和接受导师反馈获得经验，从而避免人才梯队在几年后出现断层。

　　绩效升级：效率不是答案，质量也不能只靠感觉

　　岗位一旦改变，绩效就必须跟着改变，否则员工会被旧指标拉回旧工作方式。假设AI帮助客服团队更快生成回复，如果绩效仍只看处理数量，员工自然会追求更高发送速度，而不会花时间核验事实、识别客户情绪或处理复杂例外；如果研发团队能够更快生成代码，但绩效只奖励交付速度，潜在的安全、维护和技术债务就可能被推到未来。AI把产出速度放大以后，旧指标里的偏差也会被同步放大。

　　AI时代的绩效不能停止衡量效率，但需要把效率放回完整结果中。更合适的指标组合应同时关注周期缩短、一次通过率、返工率、异常处理质量、客户或内部用户体验、知识沉淀以及风险事件，并清楚区分AI生成、员工判断和团队协作各自贡献了什么。对于高风险岗位，还需要记录关键决策由谁复核、依据是什么、是否保留可追溯信息，让责任不因系统参与而变得模糊。

　　这也意味着，企业不能只根据使用频率奖励AI adoption。员工每天打开工具二十次，并不一定比每周用三次但解决了高价值问题的人贡献更大；同样，刻意追求调用量还可能诱导员工把不适合的任务交给AI。绩效机制真正需要鼓励的是“正确使用”：知道何时使用、如何验证、何时停止以及何时升级给更有经验的人。

　　管理层还应重新审视AI节省时间的归属。如果全部收益都被立即兑换成更高负荷，员工会把AI理解为加速器，却不会把它视为成长工具；如果所有节省都只归个人自由支配，企业又难以形成规模化收益。更可持续的分配方式，是在业务产能、客户价值、学习创新和员工缓冲之间建立透明规则，让一部分时间进入更高价值任务，一部分用于复盘、学习和流程改进，并根据岗位性质动态调整。

　　绩效升级最终会改变管理对“好员工”的想象。过去最受认可的人，可能是熟悉流程、响应迅速、能够亲自处理大量事务的人；未来更有价值的人，则可能是善于定义问题、组织资源、校验AI、处理例外并帮助团队共同提高的人。 企业如果仍奖励亲力亲为的忙碌，就很难得到真正的人机协作。

　　能力建设：从“学会一个工具”转向“解决一类问题”

　　当岗位和绩效明确以后，能力建设才有清晰方向。企业不需要把所有员工培养成模型工程师，也不应把通用提示词课程当作AI学习的终点；真正需要的是一套分层能力结构，让不同岗位知道自己应掌握到什么程度。全员需要理解基本原理、数据边界、事实核验与责任规则，专业岗位需要掌握场景设计和流程协作，管理者还需要具备任务重构、质量控制、资源配置和变化沟通能力。

　　这种分层必须与实际工作紧密结合。以财务分析为例，培训不应只教员工如何让AI“写一份分析”，而应围绕月度经营复盘的完整场景，训练数据准备、异常识别、假设验证、口径统一、结论表达和风险提示；在招聘场景中，也不应只教简历摘要，而要覆盖职位需求澄清、候选人信息核验、评估偏差、面试问题设计和最终人工判断。员工学到的不是一串指令，而是一种可迁移的问题解决方法。

　　广告

　　学习方式也需要从一次性课程转为工作中的短循环。员工先在低风险任务中试用，管理者和业务专家共同评审输出，团队沉淀优秀案例与失败案例，再把经验更新到流程、模板和知识库中；新的方法经过验证后扩大到相邻场景，同时保留异常升级通道。这样的学习虽然不像全员大课那样整齐，却更容易转化为真实生产力，因为每次学习都直接对应一个正在发生的业务问题。

　　业务专家在这一过程中不能只被当作免费的内容提供者。他们需要花时间解释隐性规则、判断边界和例外情形，还要承担模型输出复核与场景迭代，这些工作本身就是AI转型的重要劳动。企业应把专家投入纳入项目资源、绩效目标与认可机制，适当减少原有工作量，并让他们参与方案决策，而不是在本职工作之外无限追加“帮忙训练AI”的任务。

　　能力建设还需要承认一个现实：AI技能的保质期很短，而判断力的积累很慢。模型界面和操作方式会不断变化，过度围绕某个产品设计课程，很容易在几个月后失效；围绕问题定义、证据核验、场景判断、系统思维、沟通协商和伦理责任建立的能力，则能跨越工具版本。 培训预算应从“教会今天的按钮”转向“培养明天仍然有用的判断”。

　　管理责任：人机混合团队不能沿用旧的带队方式

　　Protiviti调查显示，91%的高管预计到2030年组织结构将同时包含人类员工与数字劳动力。这个判断意味着，管理者未来分配的不只是人的时间，也包括模型、智能体、数据权限和自动化流程；他们既要知道AI适合做什么，也要知道输出出错时应该由谁接手。若管理职责没有变化，人机混合团队就会出现一个危险的空白：系统承担了越来越多任务，却没有任何人对完整结果拥有足够清晰的责任。

　　传统管理者习惯通过观察过程判断员工状态，看得到谁加班、谁回复快、谁参加了更多会议。AI介入之后，大量工作发生在界面和后台，管理者很难仅凭可见的忙碌判断质量，也不能把系统生成的结果简单算作个人产出。新的带队方式需要更重视目标定义、交付标准、复核节点和异常管理，管理者必须能说明什么叫“可以交付”，而不是只要求团队“多用AI”。

　　责任边界尤其需要在高影响决策中提前写清。招聘、绩效、晋升、薪酬、员工关系和人员配置都可能受到AI建议影响，但建议由系统生成，并不意味着责任可以转移给供应商或算法。企业需要规定哪些决策只能获得AI辅助、哪些环节必须人工复核、哪些数据不得输入、员工如何提出异议，以及最终决策者必须保留怎样的证据。

　　管理者还承担一项经常被低估的沟通责任。员工真正担心的通常不是模型参数，而是自己的岗位会怎样变化、过去的经验是否仍有价值、学习新工具后是否只会换来更多任务，以及出错时会不会独自承担后果。泛泛地强调“AI不会取代人”难以消除这种不确定性，管理者需要结合具体岗位说明哪些任务会改变、哪些能力更重要、企业提供什么支持、转岗与成长路径如何安排。

　　一线经理因此不能被放在转型末端。他们最了解流程里的例外、员工真实负荷和客户反馈，也最容易发现AI方案与实际工作之间的断点；但如果他们只在上线前收到一封通知，就很难承担变化管理。企业应让一线经理从场景选择阶段就参与设计，并为其提供足够的试用时间、数据解释权和问题反馈渠道，使他们成为工作重构者，而不只是工具推广员。

　　HR自己的AI进度，为什么尤其值得重视

　　调查中另一个值得关注的数据是，只有5%的CHRO预计未来三年内至少一半HR工作能够由AI赋能，约60%的CHRO预计这一比例仍低于25%，而研究认为超过80%的HR活动适合某种形式的自动化。表面上看，这是HR对本职领域的保守估计；更深一层看，它反映了HR流程高度依赖隐性判断、敏感数据、跨系统协作与员工信任，简单叠加工具并不足以形成规模化改变。

　　HR不能只要求业务部门进行AI转型，自己却继续依靠大量表格、邮件、人工转录和重复审批运行。招聘、员工服务、学习、人才盘点与数据分析都可以找到高价值场景，但每个场景都应先厘清数据质量、流程所有权、员工体验和人工介入点。HR自身的实践会成为全公司的样板：如果HR能证明效率提升没有牺牲公平、透明与温度，它推动其他部门改变时就会拥有更强的可信度。

　　这也会推动HR运营模式发生变化。共享服务可以从回答重复政策问题，逐步转向处理复杂例外和优化员工旅程；HRBP可以减少信息搬运与报表整理，把更多精力投入组织诊断、管理辅导和人才决策；专家中心则需要强化技能架构、工作设计、算法治理和人力数据能力。AI不是简单减少HR事务，而是迫使HR重新回答自己究竟为业务创造什么价值。

　　需要避免的另一个误区，是把HR数字化与员工自助完全画上等号。自助服务能够提升速度，但如果员工只能面对一个无法解释、无法申诉、无法转人工的界面，效率就可能以信任为代价；真正成熟的设计应让简单问题快速解决，让复杂问题更快到达合适的人。 更好的HR AI不是把人从服务中移走，而是把人的时间留给最需要判断与关怀的时刻。

　　HR还必须建立自己的AI效果账本。除了节省工时与处理量，还应追踪候选人体验、员工问题一次解决率、决策一致性、异常升级、偏差风险、经理满意度和内部流动效率，并定期审查不同群体是否受到不均衡影响。只有当效率、质量、体验与风险被放在同一张表上，HR才能向管理层解释为什么某些场景适合加速，某些场景必须谨慎。

　　从“技术项目”转向“经营项目”

　　目前许多企业的AI项目仍由技术采购逻辑主导：选择产品、确定预算、部署账号、开展培训，然后等待使用率与ROI出现。Protiviti的调查却显示，当前企业使用AI的主要驱动力仍是流程优化与生产率，真正把商业价值创造作为首要目的的组织只有10%。如果AI始终被定义为工具升级，组织自然会优先统计节省了多少分钟，而不是客户价值、创新速度和收入模式发生了什么变化。

　　经营项目的起点不同，它先明确要改善哪一项业务结果，再倒推工作、角色、数据和管理机制。比如企业希望缩短从客户需求到方案交付的周期，就需要同时检查需求收集是否标准化、知识是否可调用、AI能否生成可靠初稿、专家如何复核、销售怎样与客户确认，以及绩效是否鼓励团队共享高质量知识。技术只是其中一个组件，真正决定结果的是整条价值链能否协同。

　　这要求CEO、业务负责人、CIO和CHRO形成共同的AI准备度语言。CEO负责把AI与经营优先级连接，业务负责人定义价值场景与结果，CIO确保数据、平台和安全能力，CHRO推动岗位、绩效、能力与管理责任同步改变；法务、风险与审计则帮助组织建立必要边界。任何一方单独领先都不够，企业需要的是一套共同节奏，而不是几个互不相连的成功试点。

　　预算结构也应随之变化。购买工具只是显性成本，流程梳理、业务专家投入、数据治理、管理者训练、岗位调整、员工沟通和效果评估同样需要资源；如果所有预算都花在许可证上，组织只能依靠员工额外劳动弥补转型缺口。看似便宜的项目，最后往往因为返工、低使用率和重复采购变得更贵。

　　企业可以立即启动的90天行动框架

　　接下来的90天，企业不需要再启动一个覆盖所有部门的宏大AI工程，而应选择三到五个与经营目标直接相关的工作闭环。每个闭环由业务、技术、HR和风险人员共同参与，先记录当前任务、耗时、质量和异常，再明确AI介入后的新流程与责任。试点数量越克制，组织越有可能把岗位、绩效、能力和管理机制一起做深，而不是再次停留在工具展示。

　　在前30天，重点是建立事实底稿。团队应把相关岗位拆解到任务层，识别重复劳动、关键判断、数据来源、协作节点和高风险环节，同时收集员工真正遇到的障碍；不要急于承诺节省多少编制，而要先确认哪些时间能够被释放、释放后将投入什么更高价值的工作。这个阶段的产物不是漂亮路线图，而是一张足够真实的工作地图。

　　接下来的30天，应在受控场景中重建工作闭环。团队为AI设定输入标准、输出标准、复核机制和异常升级路径，选择一小批员工与经理共同试用，并记录每一次返工与判断分歧；HR同步调整临时绩效目标，确保参与者不会因为花时间测试和复盘而受到旧指标惩罚。培训就在具体场景中完成，问题出现在哪里，学习就发生在哪里。

　　最后30天，企业要决定试点是否值得扩展，而不是只展示一个成功案例。评估至少应覆盖业务价值、处理周期、质量、风险、员工体验、客户体验和管理成本，并识别哪些收益来自模型、哪些来自流程重构、哪些来自员工经验。若结果成立，再更新岗位要求、绩效指标、能力标准与经理职责，并把经过验证的知识沉淀成可复制方法。

　　董事会和经营层在这90天里需要关注的，也不只是使用率。更重要的问题包括：哪些核心流程已经完成重构，哪些关键岗位的任务组合正在变化，哪些能力缺口可能影响战略执行，管理者是否能够承担人机协作责任，员工是否理解变化，以及预期收益是否已经进入经营指标。只有这些问题开始得到稳定回答，企业才可以说自己正在建立AI准备度。

　　CHRO的谨慎，可能正是企业需要的加速器

　　AI转型最容易制造一种错觉：技术进步越快，组织改变也应该越快。但组织并不是可以一键升级的软件，它由角色、利益、经验、信任、责任和职业期待构成，每一次效率提升都会改变其中的关系；如果这些变化没有被设计，企业表面跑得很快，内部却会积累越来越多摩擦。CHRO看到的正是这部分不容易出现在产品演示中的成本。

　　因此，13%并不是一个令人悲观的数字，而是一份现实提醒。它说明多数CHRO还没有把工具上线等同于组织就绪，也说明企业真正的AI竞赛正在从模型选择进入组织设计：谁能更快重构岗位、升级绩效、建立可迁移能力并让管理者承担新的责任，谁才更可能把技术优势转化为持续经营优势。 AI准备度不是“大家都在用”，而是企业知道为什么用、怎样用、出了问题由谁负责，并且能够让人和技术一起创造更高价值。

　　未来三年，企业之间的差距未必首先体现在采用了哪一种模型，而会体现在谁完成了这场看不见的组织工程。有些企业会拥有很多账号，却仍被旧流程、旧指标和旧管理方式牵制；另一些企业则会从少数关键场景出发，把每一次AI部署都变成岗位、绩效、能力与责任的同步升级。对CEO和CHRO而言，真正值得立即讨论的问题已经不是“员工有没有准备好使用AI”，而是“企业有没有准备好改变自己”。

　　参考资料

　　1. HR Dive， “CHROs say they are skeptical about AI readiness”， 2026年8月4日：https://www.hrdive.com/news/chros-skeptical-regarding-ai-readiness/826929/

　　2. Protiviti， “AI Pulse Survey 2026: Workforce & AI Readiness”：https://www.protiviti.com/us-en/survey/ai-pulse

　　3. Protiviti， “People Leaders Are the Most Skeptical of C-Suite Leaders on AI Workforce Readiness”， 2026年7月29日：https://www.protiviti.com/gl-en/press-release-people-leaders-skeptical-ai-workforce-readiness-survey

　　4. HR Dive， “Why AI readiness training fails”， 2026年4月15日：https://www.hrdive.com/news/why-ai-readiness-training-fails/817529/

　　原文链接：https://mp.weixin.qq.com/s/f6HycaQJV3rnK0EqAgcSTA