企业人工智能缺乏工作力能力地图

各个行业的公司都在购买人工智能工具，启动试点项目，并鼓励员工进行实验。这种势头是不可否认的。但是，问大多数领导团队一个简单的运营问题，答案就会变得模糊：哪些人在您的组织中可以使用人工智能来提高工作效率，同时保持风险在可控范围内?

2026年的自动化焦虑报告是一项针对1,500名全职美国工人的全国调查，发现69%的受访者认为他们当前工作的某些部分可能在24个月内被人工智能自动化。在预计会受到影响的受访者中，只有38%的人觉得自己能够有效地使用人工智能工具。另外40%的人表示需要培训，22%的人表示他们将难以或无法有效地使用人工智能工具。这就是企业领导者现在需要管理的工作力准备差距。

人工智能的采用已经非常普遍。然而，领导者是否对所需的人力能力有一个明确的认识却不那么明确。在变革工作中，模式是连贯的：准备就绪的可见信号会在运营纪律之前到来。

人工智能已经从工具访问转向工作重构

人工智能采用早期阶段集中在访问上。领导者专注于分发工具和检查培训模块。下一个阶段需要更艰难的东西：了解员工是否可以在真实工作流中，在真实约束下，带来真实的业务后果地应用人工智能。

微软2026年工作趋势指数支持这种领导者思考准备就绪的转变。微软发现，人工智能周围的组织环境，从文化到管理者支持到人才实践，占据了个人心态和行为报告的AI影响的两倍以上。这一发现重新定义了对话。工具访问只给领导者提供了一个部分的信号。

考虑一下这在实际操作中是什么样子。一个员工可能知道如何提示聊天机器人，但仍然难以在监管环境中验证输出。一个经理可能会鼓励团队使用人工智能，而不知道哪些工作流需要在任何东西发布之前进行人工审查。一个团队可能看起来已经准备好使用人工智能，因为每个人都有许可，但实际的运营模式仍然没有改变。

这种模式出现在每一次技术转型中。工具被快速引入。工具周围的管理系统则慢慢跟进。没有管理系统，采用只会产生活动，而不是价值。

人工智能技能现在影响谁看起来更有前途

人工智能能力已经成为一个筛选信号。它决定了谁在组织内部和整个劳动力市场中看起来更有前途。2026年由Stephany、Teutloff和Leone进行的一项研究发现，人工智能技能增加了大约8到15个百分点的面试邀请概率，跨越了测试职业。 当一个能力带有如此大的分量时，它开始塑造整个工作力的呈现方式。

调查数据为这个信号添加了一个具体的维度。 在工人中，71%列出了至少一个人工智能技能，而只有34%的工人说他们可以自信地以专业水平执行所有列出的技能。 这个差距应该被视为一个信号质量问题。 领导者需要比“人工智能熟练”这样的标签更好的证据。

第一步是定义。领导者需要停止将人工智能能力视为一种普遍的特征，开始将其定义为与工作本身相关。对于特定工作流程和特定角色，人工智能准备就绪是什么样的？这个问题让组织更清楚地了解能力在哪里存在，在哪里仍在发展。

企业风险是糟糕的工作力规划

在规模上，能力可见性的差异会在整个企业中累积。2025年麦肯锡全球人工智能状况报告发现，人工智能的使用范围扩大，但成长的烦恼仍然存在。大多数组织从试点到规模化影响的转变仍然是一个正在进行的工作。表现良好的公司更有可能重新设计工作流程，并定义何时需要人工验证模型输出。

工作力数据显示出类似的雇主端可见性差距：64%的工人表示他们的雇主没有测试他们的人工智能技能，只有39%的工人认为雇主可以有效地验证这些技能。没有这种可见性，工作力规划就会开始依赖于假设。

下游成本是具体的。错误的人被分配到人工智能启用的项目。团队被高估或低估。角色被重新设计以适应假设的技能，这些技能可能不存在，晋升取决于在实践中从未观察到的感知人工智能能力。

高管不需要另一个模糊的人工智能成熟度标签。他们需要对谁能做什么、风险在哪里以及什么证据支持决策有一个更清晰的运营视图。董事会应该问这个问题，紧随“我们在哪里使用人工智能？”之后：“我们在哪里依赖于尚未绘制的人力能力？”

公司需要人工智能能力地图

实际的做法是，在规划之前绘制能力。这个地图从两个基础问题开始：人工智能可以在哪里应用，谁具备应用它的能力？然后，它分层添加工作所需的判断、工作流程所带来的风险以及证明能力真实的证据。结果是一个比培训完成报告或经理印象更有用的运营图景。

地图分为五个层次。它首先是任务暴露：确定角色中哪些部分最受人工智能影响，因为那是工作首先发生变化的地方。第二，工具熟练度：人员是否可以在实际工作流程中使用批准的人工智能工具？使用一般用途的聊天机器人是一种技能，使用领域特定的人工智能工具在合规或临床系统中是一种不同的技能。

第三，判断质量：人员是否能够评估人工智能输出是否准确、是否适合业务环境、是否存在偏差风险？输出验证是决定人工智能辅助工作是否经得起审查的人类技能。第四，数据纪律：人员是否了解什么信息可以和不能进入人工智能系统？赌注从知识产权暴露到客户数据违规到监管违规等都有。

第五，结果证据：人工智能使用是否产生了工作的可衡量改进？改进可能表现为更快的周转时间、更高的输出准确率或更好的决策。培训完成和简历关键词为领导者提供了一个起点，但这种能力视图告诉他们这个起点是否与任何运营事项相关。

能力映射必须与风险相关

人工智能能力标准应根据工作流程中的风险而有所不同。总结内部会议记录是一个低风险的使用案例，需要基本的工具熟练度。草拟面向客户的沟通内容则更重要，需要输出审查。当工作支持招聘或财务决策时，或者当它涉及医疗保健或法律领域时，应在风险最高的检查点处内置记录的人类判断。

NIST人工智能风险管理框架提供了一个有用的治理锚点。NIST要求组织评估其人工智能系统是否安全可靠；是否过程透明且可解释输出；以及是否内置公平和隐私保护。该框架要求组织根据后果的严重程度来匹配严谨程度，而不是为每个工作流程规定单一标准。

后果越高，组织就需要更多证据证明应用人工智能的人员能够行使合理的判断并保护敏感数据。该人员还需要知道何时独立验证输出以及何时升级。任何在合规或治理领域工作过的人都认识到这一原则：高风险过程需要可审计的记录和明确的责任制在定义的检查点。

人工智能准备就绪的公司将更好地了解其工作力

工人期望人工智能会改变他们的工作。采用已经非常普遍，能力信号很嘈杂，雇主的可见性有限。成功采用人工智能的组织将是那些能够建立更清晰、更诚实的员工能力图景的组织。

培训记录和简历关键词是有用的输入。经理印象也是如此。这些信号加强了当工作力能力视图将它们连接到实际工作流程、相关风险和证明准备就绪的结果时。人工智能采用下一阶段将奖励那些能够清晰地看到其现有员工并就其现有人员做出更好决策的公司。