企业人工智能转型正从应用挑战转变为机构准备挑战。
企业人工智能的第一阶段以工具的获取为标志。第二阶段以试点和实验为标志。下一阶段将取决于组织能否构建负责任地吸收人工智能所需的人才架构：包括角色、任务、技能、治理规则、领导模式、内部流动路径和信任机制，这些要素共同促成技术应用，最终实现可持续的组织转型。
情况十分紧迫。 《2025年未来就业报告》 报告发现，平均而言，在2025年至2030年期间，员工现有技能的39%将会发生转变或过时。同一份报告指出，技能差距是企业转型面临的最大障碍，63%的雇主认为这是主要障碍。
然而，劳动力挑战不仅仅是技能方面的挑战，也是组织设计和治理方面的挑战。
人工智能正在渗透到招聘、法律、销售、采购、员工服务、教育和运营等领域。但许多组织仍然缺乏必要的制度机制来重新设计工作流程、重新定义角色、管理人工智能辅助决策、支持管理者、提升员工技能以及在转型过程中维护信任。
下一个分水岭将不再是拥有人工智能工具的组织与没有人工智能工具的组织之间的分水岭，而是那些不重新设计工作流程就采用人工智能的组织与那些构建了能够高效、负责且大规模地使用人工智能所需的人力资源架构的组织之间的分水岭。
对于企业领导者而言，这意味着要超越零散的人工智能试点项目，转向有组织的劳动力转型。对于首席人力资源官而言，这意味着人力资源的职责范围从人才管理扩展到组织准备和转型架构。对于政策制定者而言，这意味着人工智能劳动力政策必须超越通用的技能提升框架，转向应用能力体系、工作场所人工智能治理、内部流动性以及可信赖的公私合作学习基础设施。
从人工智能工具到劳动力架构
对于许多企业而言，人工智能问题已经发生了变化。
现在的问题不再仅仅是：我们能否采用人工智能？而是：我们能否以足够快的速度和足够负责任的方式，围绕人工智能重新设计人类系统，从而使人工智能的应用产生真正的价值？
这种区别至关重要。一家公司可能拥有人工智能工具，却仍然缺乏人工智能转型；可能开展试点项目，却仍然无法改变工作方式；可能对员工进行人工智能培训，却仍然对工作流程、激励机制、角色和责任划分等问题置之不理。
缺失的环节是劳动力架构。
劳动力架构是使人与人工智能协同工作的操作系统。它涵盖了任务的重新设计、角色的演变、技能的培养、人工智能辅助决策的管理、管理者的领导方式、员工如何把握新的机遇以及如何在变革中维护信任。
这并非单一的人力资源项目，而是制度层面决定了人工智能的应用是转化为变革，还是仅仅停留在零散的实验阶段。
这一转变与更广泛的以人为主导的人工智能转型框架相一致：随着人工智能从辅助工具扩展到产品、运营、客户服务和核心业务功能，组织需要重新设计人类在方向设定、判断和问责方面的角色，而不是将人工智能部署视为纯粹的技术升级。
大多数组织并非从零开始，它们已经在进行试验。人工智能已被用于撰写文件、筛选候选人、总结知识、辅助法律审查、协助客户服务、加速研究、自动化报告以及改进销售准备工作。
但实验并不会自动带来变革。
了解当前企业发展历程的一个有效方法是将其分为五个阶段：
人工智能意识——领导者和员工都明白人工智能的重要性。
工具采用——团队开始使用人工智能工具或内部模型。
效率试点——将人工智能应用于特定任务或功能。
工作流程重新设计——围绕人工智能，工作流程开始发生变化。
劳动力转型——角色、技能、治理、领导力和内部流动性都进行了重新设计。
许多公司正处于工具应用和效率提升试点阶段之间。一些公司开始重新设计工作流程。而真正实现员工队伍转型的公司则少之又少。
因此，人工智能劳动力转型不应简化为“培训人们使用人工智能”。培训固然重要，但它只是系统的一部分。如果没有工作流程的重新设计，培训就无法转化为实际能力。如果没有有效的管理，能力就无法得到信任。如果没有内部流动性，生产力的提升可能会演变成失业焦虑。如果没有领导层的重新设计，中层管理者可能会成为阻碍者而非推动者。
因此，企业面临的核心问题是：人工智能需要怎样的劳动力架构才能创造可衡量的价值，同时保持问责制、信任和人类能力？
企业人力资源领导者在实际工作中看到了什么
对于人工智能劳动力转型而言，最有用的信号来自企业实践。跨行业来看，有五点观察结果尤为突出。
观察1：高管的紧迫感往往缺乏方法。
许多高管团队现在都意识到人工智能的重要性。但紧迫性并不会自动带来解决方案。一些领导者高估了人工智能目前的实力，而另一些则低估了它的发展速度。这两种情况都会带来风险。过度自信可能将人工智能转型变成鲁莽的效率压力，而信心不足则会延误必要的调整。
常见的失败模式是将人工智能的雄心壮志转化为生硬的生产力目标。组织想要转型，但实际操作指导却变成了普遍要求提高效率。
效率本身不是问题，问题在于缺乏架构的效率。在要求每个团队都提高速度之前，领导者需要提出更尖锐的问题：
哪些工作流程应该首先改变？
哪些客户价值或运营价值需要提升？
哪些岗位需要重新设计？
哪些任务需要人为判断？
哪些员工可以进行技能再培训或重新部署？
哪些人工智能辅助决策需要治理？
如果忽略这些问题，人工智能就会沦为上层的口号和下层的焦虑。
对于首席人力资源官而言，大规模的员工队伍转型必须先于高管层的共识。领导团队需要对人工智能的用途达成共识：降低成本、促进增长、提升质量、降低风险、增强员工队伍、重塑商业模式，或是这些目标的某种组合。
对政策制定者而言，其影响更为深远。仅靠激励措施是不够的。如果鼓励组织采用人工智能，却不提供关于员工转型、问责制和治理方面的指导，那么采用人工智能可能会加剧压力，而无法提高组织的准备程度。
观察2：除非组织建立信任，否则员工会将“人工智能”视为替代品。
人工智能转型在组织的各个层面都引发了焦虑。高管们担心人工智能何时才能产生可见的影响；中层管理者担心如何落实领导层的期望；员工则担心自己是否会被取代。
这不仅仅是沟通问题，更是信任问题。许多员工都是通过裁员新闻才了解到人工智能的。如果公司内部传达的信息是“人工智能将赋能所有人”，但实际体验却是面临裁员压力，那么这种信息就难以被员工相信。
一种更合理的叙事正在逐渐形成：人工智能不应仅仅被视为取代工作的手段，而应被视为消除重复性劳动、提升人类能力并将人类工作转向更高价值任务的一种方式。这种叙事方式固然有用，但它本身并不能解决问题。员工会提出一些实际问题：
哪些重复性工作将被取消？
我将学到哪些新技能？
我可以担任什么职位？
我会接受人工智能的评估吗？
我可以对人工智能辅助做出的决定提出上诉吗？
我的经理会支持这次人事变动吗？
信任必须精心设计，而非想当然。对于首席人力资源官而言，这意味着人工智能沟通必须与真正的技能提升、内部流动、管理者支持和治理相结合。对于政策制定者而言，负责任的人工智能应用必须包含员工意见反馈、过渡支持以及围绕高风险工作场所决策的保障措施。
观察3：角色重新设计必须在任务层面进行。
人工智能会先改变任务，然后才会改变整个工作岗位。这是劳动力规划中最重要的转变之一。问题不应该从“人工智能会取代哪些工作？”开始。
更恰当的问题是：人工智能可以自动化哪些任务，可以增强哪些任务，哪些任务应该继续由人主导，哪些任务必须围绕人机协作进行重新设计？
企业实践已经证明了这一点的重要性。在人工智能赋能的教育中，教师的角色不再局限于传统意义上的知识传授，而是转向学习监督、数据解读、情感支持和个性化指导。人的作用并没有消失，而是发生了变化。
在工业环境中，人工智能可以加速或自动化部分高价值知识工作，包括 R&D 分析或市场营销准备，但一些熟练的体力劳动仍然难以替代，因为它依赖于灵巧性、不规则的环境和隐性技艺知识。
这些例子挑战了简单地将白领与蓝领区分开来的做法。接触人工智能的机会更多地取决于任务结构，而非工作类别。
如果一项任务是数字化的、重复性的、基于模式的且易于评估，那么它就很容易受到攻击。如果一项任务依赖于信任、判断力、身体适应能力、情商或复杂的背景，那么它就更具韧性。
对于首席人力资源官而言，这需要进行角色与任务的映射。对于政策制定者而言，这意味着劳动力市场数据和技能再培训计划需要更加细致。针对宽泛的岗位类别对员工进行培训，可能不如识别任务转换和能力邻近性来得有效。
观察结果4：当培训未融入实际工作流程时，培训效果会大打折扣。
人工智能能力无法仅通过通用培训来构建。员工可以参加研讨会、学习工具，甚至尝试各种提示。但是，除非将这些学习成果应用到实际工作流程中，并进行回顾、改进、复制和奖励，否则它就无法转化为组织能力。
最有效的企业学习模式是闭环式、情景式的。这意味着从实际工作入手：采购文件审核、销售方案撰写、员工服务、招聘筛选、法律文书起草、文献综述、工厂运营或管理报告。
采购用例可能无法直接应用于 R&D。销售用例可能需要不同的工作流程、数据源和审核方法。人工智能能力建设的单元不应该是“每个人都学习同一个工具”，而应该是“团队通过实际工作学习人工智能”。
闭环模型包括七个步骤：
选择一个真实的商业场景。
对员工进行与该场景相关的培训。
在日常工作中应用人工智能。
评估质量、生产力和风险。
改进工作流程。
在其他类似团队中复制此方法。
奖励有用的内部用例。
对于首席人力资源官而言，这改变了学习议程。目标不再是了解人工智能，而是掌握应用能力。
对于政策制定者而言，这表明人工智能技能政策不应局限于通用的数字素养。针对特定行业、融入工作实践的学习将更为重要。
观察五：治理如今已成为劳动力问题。
人工智能治理不再仅仅是法律、技术或合规性问题，它现在关乎人力资源。这个问题很快就会变得非常实际：当人工智能参与决策时，如果出现问题，谁来承担责任？
人工智能可以辅助招聘筛选、首轮面试、法律审查、运营检查和决策支持。但企业往往缺乏相应的管理系统、风险控制、决策规则和问责机制。技术日新月异，而企业的准备往往滞后。
这一点对人力资源部门尤为重要。人工智能辅助决策可能会影响招聘、晋升、绩效评估、培训建议、人力规划和员工服务。这些领域至关重要，它们关系到员工的职业生涯、生计和信任。
因此，首席人力资源官需要与法律、合规、IT、数据治理和业务部门合作，共同制定以下事项：
人工智能可以发挥作用的地方；
需要人工批准的情况；
谁仍需承担责任；
可以使用哪些员工数据；
决策如何记录；
员工如何对决定提出质疑或申诉；
哪些风险必须上报？
如何审核人工智能的输出结果。
对于政策制定者而言，工作场所人工智能治理应成为优先事项。关键问题不仅在于人工智能系统在技术上是否安全，还在于组织在使用人工智能的方式上是否能够维护问责制、公平性和员工尊严。
新任首席人力资源官的职责
首席人力资源官的角色正在扩展。
在人工智能时代，人力资源部门不能再仅仅扮演招聘、薪酬、培训和绩效流程管理者的角色。首席人力资源官（CHRO）很可能成为人工智能转型中的核心机构职能，将技术部署与员工准备、角色重塑、治理和员工信任联系起来。
这并不意味着人力资源部门要取代IT部门、法务部门、业务部门或高管团队。而是说，人力资源部门掌握着其他任何职能部门都无法完全掌控的关键层面：技术、工作、人员、角色、技能、领导力和信任之间的关系。
新任首席人力资源官的职责包括六项职责。
1. 劳动力准备情况
首席人力资源官必须评估组织是否已做好在人机层面采用人工智能的准备。这包括技能、工作流程、领导力、员工信任、治理和内部流动性。员工准备情况评估应包含以下内容：
人工智能目前已应用于哪些领域？
哪些工作流程最容易受到攻击？
哪些角色最有可能发生变化？
员工最焦虑的是什么？
哪些管理者准备好领导人工智能团队？
哪些人工智能应用案例存在较高的治理风险？
2. 角色与任务的重新设计
首席人力资源官必须帮助组织从以职位头衔为中心的思维模式转向以任务为中心的重新设计。每个优先角色都应分解为若干任务。然后，每个任务可以进行分类：
自动化——人工智能可以在有限的人工干预下完成任务。
增强——人工智能可以提高人类的工作效率，但人类仍然是核心。
保护——人的信任、判断力、创造力或身体技能仍然至关重要。
重新设计——任务应该围绕人机协作进行重新构建。
过渡期——任务可能会减少，需要重新培训技能或重新部署。
这种方法比询问一份工作是否会“存续”更准确。
3. 基于场景的能力建设
首席人力资源官必须确保人工智能学习成为日常工作能力的一部分。这需要从一次性培训转向基于场景的循环学习。员工应该通过实际工作流程来学习人工智能。管理者应该关注应用情况，而不是出勤率。成功的应用案例应该在类似团队中推广。
4. 负责任的劳动力管理
首席人力资源官必须帮助明确人工智能辅助工作中的人的责任。
这包括决策权、人工审核节点、数据使用规则、文档记录、升级机制和员工保护。治理机制不应在部署后添加，而应从一开始就融入人工智能劳动力转型的设计之中。
5. 内部流动和技能再培训
首席人力资源官必须找到除裁员之外的其他人工智能转型方案。内部技能标签和人工智能人才发现正逐渐成为重要的实践方法。企业可以识别出对人工智能感兴趣、学习能力强、具备业务知识或相关技能的员工，并将他们安排到新的岗位：人工智能培训师、人工智能工作流程设计师、人工智能运营协调员、人工智能治理联络员、数据驱动型人力资源合作伙伴或人机协作团队负责人。
内部流动性不仅是人力资源方面的福利，更是一种负责任的转型机制。
6. 信任与叙事
首席人力资源官必须塑造公司内部关于人工智能的叙事。一个可信的叙事并非承诺一切照旧，而是阐明哪些方面会发生变化、为何这些变化至关重要、如何为员工提供支持、哪些方面仍需人工判断以及过渡路径。
错误的说法是：“人工智能将取代人类，所以要提高效率。”
更恰当的说法是：“人工智能将消除重复性工作，重新设计角色，并需要新的能力。组织将支持员工转向更高价值的工作，同时负责任地管理人工智能。”
Stay informed on AI education policy
Policy briefs, event invitations, and analysis — delivered weekly.
政策制定者应该从企业证据中学到什么
企业证据具有直接的政策意义。
公众辩论通常聚焦于两个问题：人工智能将取代多少工作岗位，以及工人需要哪些技能。这两个问题都很重要。但企业界的经验表明，人工智能的影响远不止于此。
1. 技能政策必须从通用读写能力转向应用能力
具备人工智能素养固然必要，但还不够。员工需要学习如何在实际工作流程中使用人工智能，评估输出结果，提出更有价值的问题，保持判断力，并与人工智能系统协作。
因此，政策支持应优先考虑针对特定行业、基于场景、与工作相结合的学习。通用的AI课程无法以相同的方式帮助招聘人员、工厂经理、教师、法律助理、销售总监或R&D科学家做好准备。
2. 劳动力转型政策必须支持内部流动性
如果仅仅将人工智能的应用视为提高生产力的策略，那么裁员的风险将会增加。政策制定者应该鼓励企业建立内部流动机制，避免裁员成为默认应对措施。
这可能包括技能再培训激励措施、内部重新部署、技能标签基础设施、职业中期转型途径以及雇主对劳动力转型实践的报告。
世界经济论坛发布的《2025年未来就业报告》也指出，50%的受访雇主希望将员工从竞争日益激烈的岗位过渡到竞争日益激烈的岗位，而40%的雇主则计划随着技能的过时而裁员。这种对比凸显了过渡基础设施的重要性：重新部署途径既可以降低技术变革带来的人力成本，又能帮助企业应对技能短缺问题。
3. 人工智能治理必须包含工作场所决策系统
人工智能治理方面的讨论通常集中在模型安全、数据隐私或公共部门风险等方面。但工作场所的人工智能值得特别关注。
招聘、晋升、绩效管理、排班、培训建议、劳动力分析和员工监控都是影响重大的领域。当人工智能影响到重大决策时，员工需要透明度、人工审核和申诉机制。
4. 中小企业和传统行业需要实施支持
大型企业可能会构建内部人工智能平台、人工智能代理团队和特殊试点项目。而小型企业可能缺乏资源来重新设计工作流程或负责任地管理人工智能。
政策支持应包括共享操作手册、行业沙盒、可信赖的咨询网络、公私合作培训基础设施以及负责任的实施案例。
5. 公私合作学习网络至关重要
可信赖的同行学习是一种基础设施。首席人力资源官需要比较哪些做法有效、哪些做法无效以及哪些做法可以跨行业借鉴。
政策制定者可以通过帮助创建中立空间，促进跨部门证据共享、实施研究和实际案例开发，来支持这一目标。
新兴的实施模式
企业实践表明，一些组织正在开始尝试几种模式。
模式 1：特勤组
一些组织正在创建规模较小、自主性强的团队，这些团队拥有明确的使命，并且较少受到传统束缚。这些团队可以自由探索新的人机协作工作流程，而无需受制于旧的汇报层级或评估体系。
这一点很重要，因为未来的角色并非总能预先设计好，而必须在实践中不断探索和发现。
模式二：基于情境的学习循环
领先企业正从通用人工智能训练转向基于场景的能力循环：训练、应用、评估、复制和奖励。
这一点至关重要，因为人工智能能力并非仅仅在课堂上培养出来的，而是在工作中逐步建立起来的。
模式三：人机角色重新设计
在教育领域，人工智能可以将教师的工作重心从知识传授转移到学习监督、数据解读和情感支持。在工业领域，人工智能可以革新专家的工作流程，同时相对保留一些体力劳动环节。
这一点很重要，因为人工智能并不会取代人类的作用，它只是改变了人类价值的定位。
模式四：内部人工智能人才发现
一些企业正在内部寻找对人工智能充满热情、具备执行能力和商业理解力的员工。这可能比完全依赖昂贵的外部人工智能人才招聘更为实际。
这一点至关重要，因为稀缺人才不仅包括人工智能工程师，还包括具备人工智能能力的商业运营人员。
模式 5：治理检查点
组织需要明确人工智能可以在哪些方面提供帮助，哪些方面必须由人类来决定，谁负责以及可以使用哪些数据。
这一点至关重要，因为缺乏治理的人工智能应用无法安全扩展。
六层劳动力架构模型
企业领导者应优先考虑的六项实施事项
组织无需一次性解决所有问题，但必须从正确的方向入手。
优先事项 1：地图人工智能应用和劳动力接触
确定人工智能在人力资源和业务部门的现有应用情况。梳理受影响最大的角色、工作流程和员工群体。找出焦虑情绪最高和治理风险最严重的领域。
优先事项2：围绕目标和责任统一领导层
召集首席执行官、首席人力资源官、首席信息官或首席技术官、法务、合规和业务负责人。明确人工智能的应用目的是为了降低成本、促进增长、提升质量、降低风险、赋能员工还是重塑业务模式。就以人为本的原则和责任界限达成共识。
优先级 3：优先考虑重新设计的工作流程
选择两到三个高价值场景。可能的切入点包括招聘筛选、员工服务、销售方案准备、采购审核、法律文件起草、管理报告、R&D 支持或运营检查。
优先级 4：从工作层面分析转向任务层面分析
将每个优先级工作流程分解为若干任务。将每个任务分类为自动化、增强、保护、重新设计或过渡。确定新技能、人工审核点和可能的角色变更。
优先事项5：构建治理和能力循环
明确决策权限、数据边界、审查节点和升级规则。围绕选定的工作流程构建基于场景的学习模型。创建审查和复现机制。
优先事项 6：通过受控试点项目测试新模型
组建一支小型试点团队，赋予其明确的使命、自主权、跨部门支持和可衡量的产出。跟踪生产力、质量、风险和员工体验。利用试点经验建立一套可复制的方案。
下一个人工智能鸿沟
下一个人工智能领域的鸿沟将不再是拥有人工智能工具的公司和没有人工智能工具的公司之间。
最终的胜负将在两类公司之间产生：一类是采用人工智能却不重新设计工作流程的公司，另一类是构建负责任、高效地使用人工智能所需的人力资源架构的公司。
国家的情况也是如此。最具韧性的经济体不会仅仅将人工智能劳动力转型视为一个培训问题，而是会构建能力、流动性、治理和信任体系。
对于首席人力资源官 (CHRO) 而言，这是一个难得的战略机遇。人工智能正迫使每家企业重新审视工作的本质、员工存在的意义、管理者的职责以及组织如何创造价值。能够解答这些问题的人力资源领导者将从支持职能部门转型为变革型领导者。
对于政策制定者而言，任务同样明确。人工智能在工作中的未来发展并非仅由技术决定，还将受到围绕其构建的制度、规则、激励机制和劳动力体系的影响。
人工智能工作的未来不仅仅关乎机器。
这是一个架构问题——决定人工智能是成为造成社会分裂、人员流失和不信任的力量，还是成为更高效、更具适应性和以人为本的工作的基础的人类、组织和制度架构的问题。
行动号召
Global AI Governance and Workforce Transformation Policy Observatory 将继续开展基于实地调研的研究，研究内容包括人工智能劳动力转型、首席人力资源官准备情况、工作场所人工智能治理以及各行业的实施实践。 我们欢迎与人力资源领导者、政策制定者、企业高管、研究人员和从业人员就从人工智能试点项目向受监管的劳动力转型过渡进行对话。