以下内容根据清华大学经济管理学院领导力与组织管理系Flextronics讲席教授、系主任李宁于2025HR数智嘉年华暨中国人力资源Venus颁奖盛典的演讲内容整理而成。
当前 AI 领域呈现出鲜明的两极分化态势，一边是AI原生企业的爆发式增长，一边是传统企业的落地困局，形成了技术潜力与实际价值的巨大鸿沟。
从潜力端看，AI 正催生出 “小团队、大价值” 的新物种企业，展现出非线性增长的强大动能。
以 Perplexity为例，这家专注于 AI 搜索的企业今年5月估值达 140 亿美元时，员工数仅200余人；另一家企业 Cursor 更是刷新了行业纪录，新一轮融资后估值达 300 亿美元，接近京东、百度的估值体量，起家时仅 12-30 人，目前员工也仅约 300 人。这类企业以小微企业的人员规模，创造了极大价值，成为 AI 时代的 “新物种”。
但从落地端看，多数企业 AI 落地效果不佳。麻省理工学院（MIT）近期调研数据显示：当前大量企业拥抱 AI，但 95% 的企业未看到任何财务层面的成效，仅 5% 实现正向收益。这一现象背后，存在 “个体体效与组织体效脱节” 的问题 —— 企业中员工个体使用 AI 提升的绩效，未转化为组织整体绩效。某企业测算发现，AI 每年节省的工作量相当于 5000 多人的人力投入，但核心财务指标、员工数量却与 AI 落地前无明显变化。
A
I 落地成效不佳的核心原因，并非技术不够成熟，而是人的问题，
具体来说是未能建立 “人在回路”（Human in the Loop）的有效协同模式。
首先要认清 AI 的真实面貌：它是 “聪明的失忆症患者”。大模型厂商完成训练部署后，用户的所有交互都不会改变其模型权重 —— 无论使用 3 年还是 3 天，AI 的核心能力始终一致。它就像一位智商极高、知识面广、具备通用技能，但永远处于 “第一天入职” 状态的新员工：懂通用知识，却不懂企业的业务流程、数据逻辑、行业诀窍；会高效推理，却无法自主积累经验、内化场景化知识。这一本质决定了 AI 无法独立创造价值，必须依赖人的引导与支撑。
“人在回路” 的核心逻辑，是让 “人” 成为 AI 价值实现的关键枢纽。清华大学杨斌老师提出的 “X 指数” 公式深刻揭示了这一关系：AI 能为组织带来指数级增长，但增长的 “底数” 是人。与传统技术不同，AI 的价值弹性极大 —— 在会用的人手中，能释放 10 倍、100 倍潜力；在不会用的人手中，与普通工具无异。因此，人机协同的关键不是 “人 + AI” 的简单叠加，而是 “人引导 AI、AI 强化人” 的深度融合。
具体而言，“人在回路” 有两种核心实践路径：一是 “人作为 AI 助手” 的模式。要求员工既是业务专家，又具备 “AI 协作能力”—— 能将专业知识转化为 AI 可理解的语言，为 AI 提供任务目标、方法论、情境信息。二是 “给 AI 配备操作手册” 的模式。由企业内部专家将特定任务的操作流程、专业知识、经验诀窍萃取出来，形成 “任务操作手册”，并嵌入 AI 系统，让 AI 在执行任务时可直接遵循标准化方法论。
这两种路径最终指向同一种工作形态变革：随着 AI 技术发展，人类的核心价值将从 “执行” 转向 “决策与设计”。在没有 AI 的时代，人用 20% 时间构思创意、80% 时间落地执行；AI 出现后，承接了 80% 的执行工作，人聚焦 20% 的核心创意；未来，人的参与时间可能压缩至 1%，但这 1% 是 “最关键的 1%”—— 提供方向创意（火种）、方法论（蓝图）、执行引导（导航），成为 AI 无法替代的核心竞争力。
在 AI 发展的趋势背景下，人的培养和发展发生显著变化。传统人才培养中，企业多从初级岗招人，员工逐步晋升为专家，而 AI 时代初级工作多由 AI 完成，传统职业阶梯消失，人力资源培训体系需开辟新赛道 —— 过去是 “从做中学”，靠简单工作积累成长，未来企业会为招聘人员专门设置培训赛道，即便员工一年内难有价值产出，仍会针对性培养以助其快速上手。同时，传统培养专家的周期差异大，部分行业需 5 到 10 年，AI 加持下周期大幅缩短，有人 3 个月就能从 0 到 1 成专家，部分领域也仅需 1 年。
AI 时代专家的定义也被重构，过去专家核心价值是个人产出能力，比如资深咨询师靠个人时间撰写客户认可的咨询报告，存在时间局限；如今专家的核心价值转向 “知识与方法论的转化能力”，能否将自身方法论提炼并融入 AI 系统，对企业更有价值，因为这相当于 “极致复刻” 个人能力，让知识经验在企业内无限复用。像市值近 5000 亿美元、AI 时代增长最快的 “传统型企业” Palantir，宣布直接从高中生中选拔人才，DeepSeek 团队绝大多数核心成员都是毕业3年之内，其中包括在Nature发表论文的17岁高中生。
AI 时代的人才画像也发生变革，要求 “人人都是 AI 人才”，能将自身业务能力与 AI 有效结合，打破过去的专业壁垒与职能分工。过去的 I 型人才、T 型人才在 AI 时代逐步被 π 型人才（全栈能力 + 多领域发展）取代。如今众多小型公司甚至一人公司能创造巨大价值，正是因为这类公司的人才具备 π 型能力，可覆盖开发、市场、服务等多领域任务 ——AI 极大降低了学习成本，实现知识与技术平权，让人能在核心能力基础上，借助 AI 延伸出更多技能分支。
正如 Sam Altman 所言，过去 “学会了再做”，现在有 AI 加持可 “边学边做”，即便无相关技能也能开展工作，开发智能体、编程等工作已打破传统职业壁垒，不再受过往技能门槛限制。
传统组织结构基于 “劳动分工” 设计，将工作拆解为不同岗位，由人承担对应职责。但这种模式与 AI 的适配性极差 —— 任何一个岗位的任务中，既有 AI 擅长的环节，也有 AI 不擅长的环节，难以通过 “AI 替代某一岗位” 实现效率提升。
因此组织变革的底层逻辑需重构：从 “雇佣人力完成任务” 转向 “按任务属性分配执行主体”，将任务划分为三类 ——AI 可直接替代的自动化任务、人机协作的强化型任务、当前人力最优的专属任务。通过整合不同类型任务，打破传统岗位边界与部门壁垒，解决跨部门协同低效、信息不对称等问题，形成 “任务 - AI - 人” 三者优化配置的新型组织模式。
AI 服务企业的工具形态可分为三个关键阶段。第一阶段是聊天机器人，这类工具仍以个人为中心，难以适配组织需求；必须推进到第二阶段，即构建智能体，直接作用于具体任务。初期可先搭建大量单智能体，后期将这些智能体串联，就能形成 AI 自主协作体系，即第三个阶段。而智能体的本质并非复杂技术，而是 “大模型 + 任务诀窍说明”：AI 基于通用数据训练，不了解特定行业、特定岗位的任务规则，需将人在该任务中的经验诀窍整理成操作手册，与 AI 结合后，AI 会依据手册掌握任务所需信息、流程与方法论，以专家级别水准完成任务。
AI 还打破了传统数字化过程中的思维惯性与劳动分工局限。过去业务部门有需求时，习惯依赖 IT 部门实现，本质是受劳动分工思维影响；而 AI 时代，业务部门可自主构建专属智能体——比如人力资源部门熟悉自身各环节方法论，技术部门难以掌握，因此人力资源智能体需由人力资源部门主导构建。
不过，企业落地 AI 仍面临两大核心挑战，且均与人相关。一是技能短板，ChatGPT 问世仅三年左右，高校尚未开设相关专业，人才 AI 能力基本依赖自学，导致人与人之间 AI 能力差异极大，同时 AI 对人才提出了更高要求，包括提问能力、学习能力、基础判断能力及业务能力，这些方面的不足构成了技能短板。
二是动机问题，AI 对个体的极致赋能，让一人或两三个人就能创造高价值 AI 产品，这颠覆了员工与组织的传统关系。过去优秀人才倾向选择大厂等大平台，如今大厂中不少优秀员工处于 “骑驴找马” 状态，利用业余时间开发个人 AI 项目，一旦项目成功获得投资，便会从企业离职。如何在培养出具备 AI 能力的人才后，有效激励并留住他们，成为企业面临的关键难题 —— 毕竟 AI 时代，个体无需依托大平台，凭借 AI 加持就能成为 “超级个体”，打破了传统 “依托平台发展” 的逻辑。
最后借用王坚院士的话，人工智能正推动变革的本质发生深刻转变：它不再局限于 “作为工具的革命”，而是进阶为 “引领革命的工具”。这一转变将对我们所见的诸多领域产生颠覆性影响 —— 无论是价值创造的底层逻辑、企业内部的运营模式，还是人才培养的全周期体系，均将在人工智能的驱动下迎来系统性重构。由此可见，我们已正式步入一个由人工智能引领的颠覆性时代。
扫码添加易小友
领取演讲资料⬇️
