AI时代，组织人才出现断层怎么办？

宾夕法尼亚大学沃顿商学院的Cornelia Walther指出，随着越来越多公司依赖AI处理入门级任务，初级员工正逐渐失去提升技能的机会。

仔细想想，我们的工作技能是怎么获得的？要知道，我们并不会一毕业就马上懂得如何在危机中做判断、在选择中做决定。我们是在不断重复、犯错、被指导的过程中成长的——从最简单的任务做起，逐渐承担更复杂的责任。

正是通过诸多看似枯燥的任务，我们学会了识别数据异常、理解市场规律、锻炼创新思维，进而培养出职业直觉——而是否拥有这种直觉，决定了你能否成为“真正懂行”的专业人士。每一次与客户沟通、每一次被上级纠正错误、每一个成功完成的项目，都是职业成长的台阶。

但是，AI的出现，却打破了这种自然的成长过程。当AI算法接手了常规的分析工作，许多初入职场的毕业生失去了培养模式识别和情境理解能力的机会——而这两种能力恰恰是形成职业判断力的基础。最终结果就是，从职场新人到专业人才的成长路径被切断了。

对企业来说，这简直就是一场“风暴”：最有经验的人即将退休，而新生力量却没被培养出来。

此外，随着企业越来越依赖AI处理常规工作，必须有人来监督、校准和指导这些系统——而这就要求负责人既要能深入了解业务领域，又要熟悉AI工具本身。但是，最有能力承担这项监督工作的资深员工正开始陆续退休。这就形成了一种危险局面：功能强大的AI系统在缺乏足够人类监管的情况下运行，长此以往可能会导致系统性错误不断累积。

以航空业为例，随着自动化系统日益精密，一些飞行员的基础飞行技能水平逐步下降；设想一下，假如自动化系统突然不好用了，航空安全事故发生的风险不就会大幅增加吗？而在知识型工作中，专业能力的退化可能要等到企业面临需要人类判断力和经验的全新挑战时，才会暴露出来。

这一问题的影响远不止于个人职业发展的范畴。“职业发展阶梯消失”也不仅是人力资源问题，更是一种战略隐患——它可能会削弱企业的长期抗风险能力。那些未能维护好人才培养体系的企业，最终将面临严重的知识缺口——而这些缺口绝非短时间内就能轻易填补。

所以，企业需要主动采取行动，设计新的模式，将AI的效率优势与人才培养结合起来。

具体做法包括：设立“混合岗位”，让新员工与AI系统协作，学习解读AI输出的结果，并处理AI无法应对的特殊情况；也可以扩大导师计划，让资深员工与新人配对，开展知识传帮带项目；部分企业或许还需要投资培训项目，通过模拟实践和指导性练习，加速员工的职业成长……

在行动时，管理者可以借助下面这个框架：

G——（Gap Analysis，缺口分析）：系统性地识别组织将面临风险的关键技能领域。梳理当前掌握核心知识的员工、他们的退休时间，以及他们所具备的、难以替代的能力。

R——（Redesign Development Pathways，重构培养路径）：设立新的入门级岗位和发展型岗位，将AI辅助与人才培养结合。设计能让初级员工接触解决复杂问题的岗位，同时利用AI处理和提升常规任务的效率。

O——（Optimize Knowledge Transfer，优化知识传递）：建立结构化导师机制，让资深员工与新人配对。同时打造经验文档体系，确保经验得以沉淀与传递。

O——（Organize Cross-Functional Exposure，组织跨部门历练）：确保成长中的员工获得全面的企业运营经验，而非局限于单一领域。设立岗位轮换计划和跨部门项目，帮助他们建立广阔的业务视野和整体认知。

M——（Monitor and Measure，监测与评估）：设立可量化指标，追踪职业成长与知识传承的成效。

总之，AI时代的人才培养，是企业可持续发展的关键课题之一。唯有那些主动拥抱变化、将AI与人才发展深度融合的组织，才能在这个复杂的商业环境中保持韧性与活力，构建起面向未来的人才竞争力。

在这个AI深度融入职场的新时代，“混合智能”（hybrid intelligence）将成为个人和企业的战略优势。其放大个人才能的能力，彻底改变了许多公司的运作模式。

与此同时，对于员工来说，AI也改变了员工“做出贡献”的含义。对于诸多基础工作而言，只要拥有合适的工具和明确的任务指令，即便没有受过正式训练的人，也能很快完成工作——一个没有正规学位的人，如今已经可以用AI来完成过去只有专家才能做的事，例如数据分析、技术文档撰写，甚至编写代码。

这并不是说经验变得无关紧要，而是从“纸面上合格”到“真正能交付”之间的差距正在缩小，但大多数组织的招聘系统却没有跟上这一变化。

对于HR部门来说，正在经历的这场变革，远不止是用算法替代人工筛选简历、用自动化工具提升招聘效率那么简单——它本质上是要求我们重新定义人才评估的逻辑。

在AI时代下，既然贡献已不再取决于出身，那么以学历、名企光环或线性履历为核心的筛选机制就显得力不从心。所以，公司应该从简历筛选转向实际问题解决测试，从“群面”转向真实场景的试作项目。

另一方面，从AI在人才招聘中的应用来看，理想情况下AI可以辅助HR发现隐藏的人才，但如今AI的发展还没有这么完善——它带有基于历史数据训练算法的偏见，所以无法全面评估候选人。更隐蔽的问题在于AI工具的“可及性鸿沟”。部分求职者可能没有条件接触到主流的AI招聘辅助工具（如简历优化AI、面试模拟系统），也缺乏系统学习AI工具的资源。当企业要求求职者“熟练使用AI完成基础工作”，却没有考虑到不同人群在AI工具使用上的不平等时，又会与我们追求的“能力筛选”背道而驰。

所以，若想识别真正优秀的人才，我们的招聘流程就该反映所需的核心技能：适应力、沟通力以及快速学习的能力。

这意味着，企业要让招聘流程贴近真实的工作场景，而非停留在“面试问答”的层面。相比学历，面试官要更看重思路清晰、响应及时，以及结合具体场景解决问题的能力。比如，可以让求职者不需要参加集中的群面，而是完成某个与岗位实际工作相关的“试作任务”（如为某个客户需求撰写方案框架、用AI工具分析一份业务数据并输出结论等等）。

同时，要把AI素养从“加分项”变成基础技能，并将其纳入所有新员工的入职培训体系。无论求职者之前是否接触过AI工具，入职后都应接受系统的AI应用培训。这一做法的目的，是消除不同求职者在AI工具使用上的差距，让所有人都能在同一起跑线上，用能力证明自己的价值，而不是用“是否会用某款AI工具”来决定准入资格。

当然，我们还需要定期审查招聘算法。检查AI系统的筛选指标：哪些指标是真正与岗位能力相关的，哪些指标是带有偏见的；系统是否存在“过度过滤”非传统背景求职者的情况，是否有被错误标记为“低匹配度”但实际能力合格的候选人等等。

建立“非传统人才”数据库也很重要。主动收集那些有潜力但履历不符合传统标准的候选人信息，并为他们提供“能力证明通道”。这些候选人可能是AI筛选系统会忽略的“遗珠”，但往往能为团队带来意想不到的价值。

总之，AI正在让“谁能获得工作”的逻辑发生改变。在这个技术快速迭代的时代，最优秀的候选人，可能没有“名校光环”，没有“名企履历”，甚至没有“标准职业路径”——但他们可能已经用AI工具完成了多个实战项目，可能在某个垂直领域积累了远超同龄人的经验，可能比任何人都清楚如何在AI辅助下创造价值。