/1/

8月份的時(shí)候，前Google X(谷歌技術(shù)研發(fā)部門，2015年后改名為X)商務(wù)長Mo Gawdat警告，人工智能(AI)將在未來十年取代大多數(shù)知識工作者，包括軟件工程師、公司首席執(zhí)行官甚至播客主持人，許多人仍低估這場轉(zhuǎn)型的速度。

Gawdat以自己的新創(chuàng)公司Emma.love為例，該公司專門開發(fā)情感和關(guān)系導(dǎo)向的AI，僅由三人經(jīng)營，而在過去則需要350名開發(fā)者。

他預(yù)測，從2027年左右開始的“短期黑暗時(shí)代”，將由大規(guī)模失業(yè)、社會動蕩和無法適應(yīng)的經(jīng)濟(jì)結(jié)構(gòu)推動，“除非你是金字塔頂端的0.1%，否則你就是底層民眾，中產(chǎn)階級將不復(fù)存在”。

也是在8月份，哈佛大學(xué)的兩位經(jīng)濟(jì)學(xué)博士生Seyed M. Hosseini和Guy Lichtinger寫了一篇論文，用數(shù)據(jù)證明了生成式AI對于工作崗位的影響。

他們找到了一個(gè)包括285,000家招聘公司，覆蓋6200萬打工人簡歷，超過1.5億次的招聘記錄的數(shù)據(jù)集。而整個(gè)美國總?cè)丝谝簿?.4億人左右，這個(gè)數(shù)據(jù)集其實(shí)涵蓋了除掉老人和小孩，真正職場中很大比例的人群，其代表性很強(qiáng)。

論文里的關(guān)鍵發(fā)現(xiàn)是：

從2015年到2022年中，研究的目標(biāo)公司數(shù)據(jù)集中，初級崗位（Junior-level）和高級崗位（Senior-level）的就業(yè)增長曲線大致是相同的，即形勢好的時(shí)候，招聘增多的趨勢和形勢差的時(shí)候，招聘降低的趨勢類似。

注意，這個(gè)階段是還沒有生成式AI的階段。

但從2022年下半年開始，形勢發(fā)生了變化：高級崗位的就業(yè)人數(shù)還在昂首向上，而初級崗位的增長開始停滯，到了2023年中，甚至掉頭向下，直到2025年第一季度，趨勢都是類似的：對高層次人才的需求在變多，而對于初級崗位的需求則沒有增加甚至在減少。

為什么發(fā)生這種狀況？

核心是這波AI的龍頭企業(yè)OpenAI在2022年11月30日發(fā)布了可以對話的ChatGPT 3.5震驚了圈內(nèi)人，而到2023年3月14日，發(fā)布ChatGPT 4.0則一下子震驚了全世界（包括國內(nèi)大部分人也是從2023年開始關(guān)注GenAI的）。

在ChatGPT 4.0發(fā)布后，美國各類機(jī)構(gòu)就全速推進(jìn)2B的應(yīng)用，AI對于人工的替代作用逐漸顯現(xiàn)。這跟中國有較大的不同，在國內(nèi)加速是在2025年初的DeepSeek開源才掀起了熱潮，而且我們的優(yōu)勢也在于2C應(yīng)用過更強(qiáng)（類似于豆包、DeepSeek以及騰訊系面向個(gè)人的應(yīng)用），2B則是在2025年開始逐漸滲入到各類機(jī)構(gòu)中。

無論是Google高管的發(fā)言，還是哈佛大學(xué)的論文，都在指向一個(gè)人才需求的變化：

各類機(jī)構(gòu)更需要專家級人才，對于初級人才將來會擴(kuò)展到中級水平（勝任階段）的人才需求變少。

在AI時(shí)代，各類機(jī)構(gòu)對于專家的需求越來越強(qiáng)烈，而對于普通能力水平的人需求是降低的。更深入的分析就會發(fā)現(xiàn)，未來各類企業(yè)的競爭優(yōu)勢依賴于各業(yè)務(wù)和職能上的專家及其水平。

沒有大量專家的機(jī)構(gòu)是沒有未來的，因?yàn)?/span>專家決定了機(jī)構(gòu)各種能力的上限，是競爭優(yōu)勢的來源。而AI是加速器，可以把專家能力放大，在組織內(nèi)部共享這種能力，就會出現(xiàn)能力強(qiáng)者恒強(qiáng)，而弱的追趕起來更難。

反過來講，如果沒有專家，或者內(nèi)部專家水平不夠，那企業(yè)相應(yīng)職能、業(yè)務(wù)上的上限不高，就會在競爭中被淘汰。

/2/

為什么AI時(shí)代更依賴專家，主要原因在于：

第一：從企業(yè)AI落地實(shí)施角度講。

生成式AI落地需要深厚的領(lǐng)域知識，而這種知識只有專家才具備

AI系統(tǒng)雖然強(qiáng)大，但其有效運(yùn)行依賴于高質(zhì)量、特定領(lǐng)域的數(shù)據(jù)和知識。專家在將組織流程、專有數(shù)據(jù)和隱性知識轉(zhuǎn)化為AI可理解和利用的格式方面至關(guān)重要。

沒有高質(zhì)量的專家，這個(gè)事情大概率是做不下去的。國內(nèi)大量企業(yè)內(nèi)部AI應(yīng)用的案例也證明這一點(diǎn)。

AI落地需要業(yè)務(wù)專家隱性知識的表達(dá)：許多關(guān)鍵業(yè)務(wù)職能依賴于員工基于經(jīng)驗(yàn)的直覺知識，這些知識往往未被記錄。例如，一位經(jīng)驗(yàn)豐富的供應(yīng)鏈經(jīng)理可能憑直覺知道如何應(yīng)對供應(yīng)鏈中斷，但這種知識很少被正式化。專家需要將這些洞察轉(zhuǎn)化為結(jié)構(gòu)化的框架，使AI能夠?qū)W習(xí)和復(fù)制這些流程。

AI落地需要業(yè)務(wù)專家提供AI數(shù)據(jù)的背景：AI模型需要背景信息來準(zhǔn)確解釋數(shù)據(jù)，只有業(yè)務(wù)專家能夠提供對行業(yè)特定挑戰(zhàn)、客戶行為或運(yùn)營細(xì)節(jié)的深入理解，而這些是通用AI無法推斷的。例如，在醫(yī)療領(lǐng)域，只有醫(yī)學(xué)專家能確保AI診斷工具基于相關(guān)臨床數(shù)據(jù)進(jìn)行訓(xùn)練，并考慮適當(dāng)?shù)膫惱硪蛩亍?/span>

AI落地需要業(yè)務(wù)專家支持定制AI開發(fā)：通用的AI解決方案往往無法滿足組織的獨(dú)特需求。專家在設(shè)計(jì)和優(yōu)化定制AI系統(tǒng)以適應(yīng)特定業(yè)務(wù)場景、確保與戰(zhàn)略目標(biāo)一致方面至關(guān)重要。

如果沒有專家來彌合人類專長與AI能力之間的差距，組織將面臨部署無效或不匹配的AI解決方案的風(fēng)險(xiǎn)，浪費(fèi)資源和機(jī)會。

第二：從專家解決更復(fù)雜困難問題角度看。

通過AI自動化常規(guī)任務(wù)的解決后，企業(yè)的核心需求轉(zhuǎn)變?yōu)楦訌?fù)雜困難問題，而這類問題只有專家級水平的員工能完成。

AI擅長自動化重復(fù)性、基于規(guī)則的任務(wù)，從根本上改變了工作的性質(zhì)。因此，剩余的任務(wù)往往是復(fù)雜、模糊且需要?jiǎng)?chuàng)新的——這些正是專家擅長的領(lǐng)域，也只有專家級的員工能完成。

企業(yè)需要提供高價(jià)值工作的人員：數(shù)據(jù)錄入、基礎(chǔ)客戶支持或庫存跟蹤等常規(guī)任務(wù)現(xiàn)可由AI處理，釋放了人力。然而，戰(zhàn)略決策、創(chuàng)造性問題解決和創(chuàng)新——如設(shè)計(jì)新產(chǎn)品或應(yīng)對監(jiān)管挑戰(zhàn)——需要人類專長。例如，AI可以分析市場趨勢，但只有經(jīng)驗(yàn)豐富的營銷專家才能打造一個(gè)在文化和情感上與目標(biāo)受眾共鳴的營銷活動。

企業(yè)需要能夠推動創(chuàng)新的人員：隨著AI處理運(yùn)營效率，組織越來越依賴創(chuàng)新來競爭。而創(chuàng)新需要依賴專家級員工，只有專家憑借其綜合知識、預(yù)測趨勢和突破界限的能力，才能在開發(fā)突破性解決方案（如產(chǎn)品開發(fā)、流程優(yōu)化或客戶體驗(yàn)）中發(fā)揮關(guān)鍵作用。

這一轉(zhuǎn)變凸顯了各類機(jī)構(gòu)對專家的日益依賴，只有他們能夠應(yīng)對AI無法獨(dú)自處理的、高風(fēng)險(xiǎn)的非常規(guī)挑戰(zhàn)，而普通水平的人會發(fā)現(xiàn)空間越來越小。

第三：從未來發(fā)展角度來看。

一方面是AI深度應(yīng)用，需要專家確保AI應(yīng)用的可解釋性、合規(guī)性并對AI進(jìn)行監(jiān)督，這些需求只有高水平的專家才能勝任。

例如金融、醫(yī)療和法律等行業(yè)面臨嚴(yán)格的監(jiān)管要求。具有深厚領(lǐng)域知識的專家確保AI系統(tǒng)符合法律和倫理標(biāo)準(zhǔn)，避免昂貴的違規(guī)或聲譽(yù)損害。

AI決策往往需要人類驗(yàn)證，尤其是在醫(yī)療診斷或自動駕駛等高風(fēng)險(xiǎn)場景中。專家提供AI缺乏的判斷力和問責(zé)制，確保AI驅(qū)動結(jié)果的可信度。

另一方面是對于創(chuàng)新性的工作，仍然需要依賴于專家，因?yàn)橹挥腥丝梢宰龅交谏倭康慕?jīng)驗(yàn)歸納出知識和規(guī)則。

例如在法律場景中，AI可以處理合同但只有資深律師能在前所未有的情況下解讀復(fù)雜的條款。AI可以分析市場趨勢，但只有經(jīng)驗(yàn)豐富的營銷專家才能打造一個(gè)在文化和情感上與目標(biāo)受眾共鳴的營銷活動，去掉AI味兒。

/3/

雖然AI時(shí)代極端需要專家，但現(xiàn)狀是大部分機(jī)構(gòu)里真正的專家數(shù)量卻很少，真正既能夠解決復(fù)雜困難問題，又能做到知其然又知其所以然的人卻極端短缺。

那該如何培養(yǎng)大批的專家呢？

傳統(tǒng)的培訓(xùn)、師帶徒、干中學(xué)有一定的效果，但效率和結(jié)果都不樂觀，都不能滿足當(dāng)前對于專家的急迫需求。

KMCenter有比較成熟的方法論和實(shí)踐，感興趣的可以跟我們聯(lián)系（微信號：511956894）交流專家培養(yǎng)的問題。

我們認(rèn)為對于企業(yè)有內(nèi)驅(qū)力的知識型員工而言，大部分還是希望自己能夠提升，從而達(dá)到專家級水平的，這個(gè)意愿是存在的。但為什么大部分人很難成為專家？

關(guān)鍵是他們不能清晰、明確的分析出，自己當(dāng)前的水平到成為崗位專家之間還缺哪些信息、知識和技能，不知道自己的知識缺口。通俗點(diǎn)講，專家的高水平和深刻的洞察是結(jié)果，核心原因在于他們掌握了更多的信息、知識和技能。

但普通水平的人，卻不知道這些信息、知識和技能具體是什么，那這些人即便努力，也是盲目的，大概率會無效。

例如很多銷售人員，大都希望自己成為專家型銷售從而收入更多得到更多的尊重。但成為專家型銷售，具體需要了解哪些信息、掌握哪些知識、訓(xùn)練哪些技能就能達(dá)到專家級水平，則是模糊的、不明確的，類似于一個(gè)黑箱。

他們只是模糊的覺得自己需要提升判斷力和思維能力、需要勤奮多拜訪客戶、需要更準(zhǔn)確的獲取銷售線索、要多學(xué)習(xí)多讀書等，這些可能都對，但因?yàn)椴幻鞔_，就無法操作?；蛘呒幢悴僮髁?，因?yàn)楦繕?biāo)（成為專家型銷售）匹配度不好，所以提升很慢，形不成正反饋，最后不得不放棄。

僅僅憑個(gè)人努力成為專家，里面的確存在很難克服的問題。但如果這個(gè)時(shí)候企業(yè)可以提供相應(yīng)的支持和機(jī)會，是可以極大提升成為專家級員工的數(shù)量的。

所以在企業(yè)培養(yǎng)專家的過程中，建議分三步走：

第一步組織構(gòu)建專家級員工的知識清單，列出候選人的知識需求清單

分析成為崗位專家需要的知識體系，然后與自己當(dāng)前的知識體系進(jìn)行比對，找到知識缺口，列出知識需求清單；

要完成這一步，先需要進(jìn)行相關(guān)的培訓(xùn)使員工掌握分析崗位知識體系的方法、找到知識缺口的方法。

然后再通過分組的形式，以關(guān)鍵工作和場景分析為抓手進(jìn)行實(shí)際的操作。

譬如設(shè)計(jì)部資深員工合作分析出一個(gè)項(xiàng)目設(shè)計(jì)最佳的知識體系框架，然后每個(gè)員工基于工作職責(zé)去分析自己欠缺的知識缺口，匹配上具體的內(nèi)容，這些內(nèi)容是未來他們在實(shí)踐、學(xué)習(xí)中需要掌握的目標(biāo)。

第二步是掌握研究性學(xué)習(xí)的方法，進(jìn)行基于目標(biāo)專題的研究性學(xué)習(xí)

基于知識清單內(nèi)容，進(jìn)行專題的研究性學(xué)習(xí)，從外部獲取成熟內(nèi)容并結(jié)合工作場景進(jìn)行轉(zhuǎn)化，在實(shí)踐中總結(jié)個(gè)人經(jīng)驗(yàn)并請教他人，然后快速提升。

在這一步中，要熟練掌握通過AI、互聯(lián)網(wǎng)工具獲取信息和知識的技巧，要掌握成年人專題性學(xué)習(xí)的方法（培訓(xùn)方式），并在工作中邊干邊學(xué)。因?yàn)樵诖竽X中有知識清單(缺口)，他們學(xué)習(xí)的敏感性極大增強(qiáng)，遇到問題時(shí)能分析出自己的欠缺，工作更有針對性。

在這個(gè)階段，需要他們不斷對學(xué)習(xí)和實(shí)踐中的經(jīng)驗(yàn)進(jìn)行片段化的產(chǎn)出，積累系統(tǒng)化知識的素材。

第三步是用輸出倒逼輸入，進(jìn)行經(jīng)驗(yàn)知識化的輸出

基于學(xué)習(xí)和實(shí)踐經(jīng)驗(yàn)進(jìn)行經(jīng)驗(yàn)知識化的工作，通過輸出帶動輸入倒逼更深入學(xué)習(xí)和思考。

在這個(gè)階段，通過輸出需求帶動更深入學(xué)習(xí)、思考和分析，將零散的經(jīng)驗(yàn)和外部的知識結(jié)合起來進(jìn)行模板、框架、方法化的嘗試，并在實(shí)踐中進(jìn)行多次的應(yīng)用與驗(yàn)證，最后輸出，逐步補(bǔ)全目標(biāo)知識體系里面的內(nèi)容。

通過這個(gè)過程，掌握有目標(biāo)的提升方法論，持續(xù)從知識缺口入手高效的學(xué)習(xí)、實(shí)踐和思考，形成個(gè)人成長的正向反饋，從而增強(qiáng)提升的主動性。