职场中人工智能工具的普及速度未见放缓，目前已有88%的企业在不同程度上应用了AI技术。随着投入增加，企业对衡量技术投资回报率（ROI）的关注度显著提升。部署AI工具栈的核心目标在于通过自动化常规任务、合成数据及提升效率来增强生产力，从而降低对耗时劳动力的依赖。
然而，实施过程中仍存在明显摩擦。数据显示，半数伦敦企业表示其员工目前缺乏满足组织AI需求所需的技能。这使企业面临一个高昂的挑战：如何确保AI投资产生实际回报。解决这一问题需要采取积极策略，平衡技术知识、创造力与商业理解能力。所需技能不仅限于后端操作的技术IT能力，还包括数字素养、对AI输出的批判性评估以及工作流程集成能力，这些要求贯穿从初级员工到高级管理人员的各个层级。
工作描述亟需更新以反映混合角色现实
随着数字技能差距扩大，英国四分之一的工人担忧AI会取代其职位。实际上，劳动力市场已分化为两个层面：一是以混合角色为中心的专业层，依赖人类判断力，承认AI工具的有效性取决于使用者的引导；二是将重复性任务完全交给AI工具的民主化层。大多数职位属于专业层，提升AI效率的关键在于批判性思维和判断力。若这些期望未明确写入职责描述，雇主往往会高估员工的实际能力。
当前许多职位已与技术深度融合，但除纯技术岗位外，必要的人工智能能力常被笼统概括为单一的技术标题。这种模糊导致雇主重视的重塑方向出现偏差，进而推动了“创意技术专家”这一角色的兴起。创意技术专家兼具技术理解、创造力与战略思维，赋能此类角色的组织更有可能成功完成数字化转型。尽管许多团队中已存在具备此类特质的人才，但他们往往未意识到自身角色的转变。这一趋势由创造性AI成为日常工具、内容需求增长及跨学科合作加强所驱动。
雇主需确保职位描述符合这一现实。混合角色的职位描述应具体列出员工实际使用的AI工具，并阐述使用这些工具所需的特定技能，将批判性思维等通用能力转化为针对具体工具的操作期望。若能实现这一点，企业将雇佣到能真正抓住生产力增长而非仅操作工具的人才。AI的成功依赖于结合技术专长、行业知识和创造力的复合型人才。缺乏明确的混合角色定义，企业将难以实现投资回报，也无法确保用正确的工具执行正确的工作。
鼓励试验与测试，克服暗数据障碍
有效的学习发生在鼓舞人心的环境中。降低AI工具的使用门槛有助于消除表面障碍，实验过程至关重要，即使某些方法未被进一步采用，也能提供有价值的教训。试验的主要障碍之一是“暗数据”。大多数组织拥有海量信息，但其中相当一部分存在于文档、电子邮件、PDF等非结构化格式中，AI系统难以直接解析。即使是精心设计的模型，也常因不完整或不一致的业务视角而运行受限。
突破这一瓶颈需要将暗数据转化为可用资源，建立结构、上下文和治理基础，使AI系统对数据充满信心。一旦基础夯实，AI系统将变得更加可靠，更容易从孤立的试点项目转向真正的生产环境。
保留人类优势：判断力与领导力不可替代
虽然AI可以简化规划流程，但执行过程仍由人类驱动。随着工具承担越来越多的常规工作流、组织和文档任务，最具价值的技能依然是AI无法复制的人类特质，如判断力、讲故事的能力、创造性思维以及带领团队进行变革的领导力。
对AI流利专家的需求催生了一种新型授权的通用专家角色。AI能够自动化工作流和文档处理，但无法领导团队。AI使得高效工作方式成为可能，让员工能够获得以往需要数年时间和多次角色转换才能习得的技能。AI并非单纯消除职位，而是在创建以管理人机关系为核心的新角色，包括AI评估者和循环中的人类审查者。从这个意义上说，AI正在重塑工作，并通过民主化技能获取途径减少劳动力不平等。员工和雇主均需尝试适应这一变化。
