随着首席信息官（CIO）将各种形式的传统人工智能、生成式人工智能（gen AI）和代理型人工智能（agentic AI）引入企业中，人们的注意力往往集中在技术本身以及与技术相关的技能上。不过，真正的挑战在于如何留住和培养那些具备批判性思维能力的人才，从而能够持续做出正确的决策。
[图片：Rob Schultz / Shutterstock / Pixabay / Unsplash]
据最新报道，在未来三年内，全球 2000 大企业中，有多达 2700 万个职位面临被人工智能取代、重组或彻底重新设计的巨大风险。然而，该报告同时指出，大多数面临这种潜在危机的公司都缺乏明确的 AI 应对计划，更不用说如何妥善安排那些身处变革漩涡中的员工了。
虽然几乎没人会反对将人工智能引入企业这一大趋势，但盲目跟风、仅仅为了取悦华尔街而削减工作岗位，可能会带来灾难性的后果。更好的做法是采取大胆、迅速且负责任的行动方式。KPMG（毕马威）等企业正是本着这种理念来指导自身的人工智能转型工作的。
为了抵制盲从心理，并为您的组织奠定长期成功的基础，以下是针对首席信息官（CIO）在应对不断变化的 AI 技术和人力资源格局时的 4 条建议。
在过去十年或更长时间里，企业常常以“正处于多年的数字化转型过程中”为借口，来解释为何未达盈利预期或收入下降。如今，人工智能转型也被用来产生类似的效果：在向美国证券交易委员会（SEC）提交的文件中，关于人工智能代理（AI agents）的提及次数同比激增了 6,550%。这就是为什么在没有计划的情况下裁员可能会适得其反的原因。
据我计算，在面临风险的 2700 万个岗位中，大约 14% 的岗位可能会永久性消失，相当于 378 万个岗位。另外 74% 的岗位需要员工重新接受培训或提升技能，还有 12% 的岗位需要重新招聘员工来填补，因为各企业将被迫对现有岗位进行调整，以修复受损的工作流程。这意味着，在接下来的三年里，大约 86% 的工作重点将集中在员工的再培训、技能提升以及重新招聘上。
与其说这是人工智能带来的工作替代，不如说这似乎与我们之前在 RPA（机器人流程自动化）和其他技术中看到的任何其他自动化和增强过程更为相似。AI、网络安全及管理咨询公司 OakTruss Group 的管理合伙人 Steve Hill 认为，应用过程中的问题并非出在技术层面。“RPA 让我们认识到，人类的作用在某些方面是超乎预期的，”他说。“代理型人工智能（Agentic AI）是目前的热门趋势，但许多失败案例并非源于模型本身，而是因为缺乏对文化、变革管理、劳动力信任以及目标清晰度的关注。”
因此，首席信息官们应该预料到，人工智能转型会像数字化转型一样，是一个漫长的过程。购买技术将是容易的部分，但从根本上重新思考和设计业务的所有方面——包括运营、流程以及产品和服务——将是一项艰巨的任务，需要更多人进行更深入的批判性思考。
鉴于当前人们普遍关注人工智能治理，很容易将注意力集中在下游环节，如 AI 风险、合规性、信任、伦理、安全、主权和可持续性。当然，所有这些都需要提前做好充分的考虑和规划，而且在创新生命周期中越早开始越好。
随着注意力转向规模化，首席信息官们需要确保他们拥有必要的工具和流程，来专业地管理创新生命周期的前端。虽然在当前环境下，过多的人工智能试点和原型受到批评，但事实是，它们对于保持从想法到价值的健康且持续的创新管道仍然至关重要。
首席信息官应确保他们拥有强大的手段来识别和确定人工智能相关想法的优先级，清点整个企业的人工智能用例，并跟踪所有相关的元数据，涵盖财务、IT 和治理，以及风险和合规性。
为了开始识别和优先考虑与人工智能相关的想法，并将其作为一项核心能力，可以采用创新研讨会等技术以及软件方面的工具。研讨会通过高度协作的互动会议，引入跨职能的主题专家和利益相关者，将人工智能转型中的人为因素纳入其中，这是仅仅依靠软件无法复制的。
正如首席信息官在人工智能周围应用治理和相关护栏一样，他们也需要审视自己的团队——您需要在哪里进行再培训、提升技能和招聘？ 通常，与人工智能合作，并决定何时使用或不使用它，比最初执行工作本身需要更高的技能。
将劳动力结构从金字塔形向菱形转变的类比可能会产生误导。虽然入门级工作可以被人工智能取代，但并非所有入门级工作都是平等的。例如，最近毕业的 MBA 学生可能会进入入门级岗位，但他们拥有组织更需要的商业敏锐度和批判性思维技能。
仅仅因为人工智能可以给人一种“团队可以少思考”的错觉，他们就不应该这样做。事实上，寻找那些有自我动力去从不同角度思考、并在每一步都更多地审查人工智能输出的团队成员是很重要的。例如，人工智能在提供战略建议方面是出了名的糟糕，往往会产生趋势垃圾（trendslop）。那么，团队是否有智慧来分析和解释每一个人工智能的输出，并从噪音中分辨出信号，还是他们只是从表面上接受并采取行动？
寻找那些不只是坐视不理、在工作流程、决策和电子邮件中传播人工智能垃圾信息的个人，而是知道何时何地使用它，并运用自己的判断力的人。定期评估团队的技能与定期评估人工智能系统同样重要。
除了拥有知道在何时何地依赖人工智能的团队之外，对整个企业中的每个人工智能用例和应用采取类似的方法也很重要。确定何时需要概率性代码与确定性代码，何时两者都需要，以及何时需要或不需要人在回路中（human-in-the-loop）。
在高风险的 AI 场景中，您可能会决定禁止在核心财务或面向客户的工作流程中部署自主系统，除非底层模型及其编排层已成功通过具有文档化安全指标的试点测试。正如毕马威在 2026 年第一季度的“AI 脉搏调查（AI Pulse Survey）”中报道的那样，这些类型的限制正在稳步推进，43% 的组织确定了不允许自主代理（autonomous agent）做决定的高风险用例。
总体而言，人工智能转型的成功不在于消除工作岗位，而在于仔细重新思考和重新设计工作的完成方式，包括何时何地使用人类技能和人工智能，更常见的是，何时何地仔细协调两者。您引入这种新人工智能转型的人类需要比以往任何时候都更加聪明。
Gen AI（生成式人工智能）：指能够利用现有数据学习模式，并生成新文本、图像、音频等原创内容的人工智能技术。
Agentic AI（代理型人工智能）：一种高级 AI 形态。与只能被动回答问题的大模型不同，代理型 AI 能够理解目标，自主规划任务路径，甚至调用外部工具去执行一系列复杂操作。
RPA（机器人流程自动化）：一种软件技术，通过模拟人类在计算机上的操作行为（如点击、复制粘贴），自动执行那些规律性强、重复度高的日常办公任务。
Human-in-the-loop（人在回路/人工干预）：在人工智能系统的运作流程中，引入人类的监督、审核或决策。这是确保高风险 AI 应用安全可控的关键机制。
