“人才培养正面临着一场极其严峻的危机。如果我们为了引入
AI Agent（人工智能智能体）而停止招聘和培养应届生及年轻人才，那么下一代的人才培养链条就会彻底断裂。”
发出这一严厉警告的，是业内知名的人工智能战略专家 Sol Rashidi。她曾亲身参与 IBM Watson项目的开发，并在 2024 年出版了探讨如何将 AI 落地并转化为实际业务成果的专著《AI 生存指南》（The AI Survival Guide）。
在今年 8 月由 Cloudera 于新加坡举办的年度峰会“Cloudera EVOLVE 26”上，Rashidi 作为特邀演讲嘉宾登台，深度剖析了 AI 时代下的企业组织架构变革与人才培养难题。
[图片 1： Sol Rashidi 演讲照片]
Rashidi 拥有着相当传奇的跨界职业生涯：她从职业橄榄球运动员转型为数据工程师，随后在 IBM 担任企业数据管理部门的合伙人。2011 年，借着 AI 系统 Watson 在智力问答节目《Jeopardy!》（危险边缘）中击败人类冠军的契机，她开始深度涉足 AI 领域，并于 2016 年被任命为 IBM 全球的战略 AI 负责人。从 AI 的黎明期起，她就一直在践行“发展 AI 离不开数据”的铁律。此后，她曾在 Amazon Web Services (AWS) 履职，并出版了相关著作，目前还在哈佛大学担任高级研究员。
在演讲伊始，Rashidi 概述了 AI 的当前局势。可以说，我们现在几乎每天都会听到“AI”这个词。她指出：“无论是在个人层面，还是在企业领导层，人们对 AI 的期望值都不是线性或阶梯式上升的，而是呈指数级爆发式增长。”
这种对 AI 的狂热期望转化为组织内部的巨大压力，进而引发了严重的“摩擦”。总体而言，这直接导致了全行业的“AI 疲劳”（AI Fatigue）。
她还指出了一个极具讽刺意味的悖论：尽管我们现在拥有了令人眼花缭乱的工具和技术，但从全球视野来看，整体生产力反而出现了下滑的趋势。企业的生产力指标和员工敬业度都在持续走低，而“缺人”依然是核心痛点。
“AI 正在威胁现有的就业岗位、技能需求乃至整个产业结构，它不仅将彻底颠覆传统的商业模式，还要求我们在史无前例的短时间内完成落地。可以说，AI 正在将许多组织推向危机的边缘，”Rashidi 警告道。
回顾 OpenAI 掀起的浪潮，Rashidi 将 2023 年定义为“AI 关注元年”，2024 年是“PoC 之年”，而 2025 年则是“多数财富 250 强企业大规模开启投资之年”。在此基础上，她预测 2026 年必将成为“自然而然拷问投资 ROI（投资回报率）的一年”。
然而现实情况如何？Rashidi 引用了多位分析师的数据指出：高达 74% 到 88% 的 AI 产品 PoC（概念验证）在测试阶段便宣告中止或彻底失败。她将这种现象戏称为“永无止境的 PoC 炼狱”，并生动地比喻道：“并不是所有的‘孩子’最终都能顺利考入大学，这就是现实。”
另一方面，即使 AI 顺利部署到了生产环境，在实际业务中被闲置的案例也屡见不鲜。为此，企业间开始流行采用另一种替代指标来衡量成果——即“在 AI 上烧了多少钱（消耗了多少 Token）”。
“现在的风气变成了‘谁在 Token 上花的钱最多，谁就是赢家’，”Rashidi 犀利地指出，但这是一种极具欺骗性的替代指标。“这是表象症状，而不是根本原因。”真正应该评估的绝不是支出金额的多少，而是技术是否在业务流中形成了长效的“用户粘性”。高昂的支出额，往往只是掩盖了 AI 未被有效利用这一令人尴尬的现实罢了。
根据 Rashidi 的观察，企业在引入 AI 时反复踩坑的失败模式主要有以下 5 点：
1、错配任务与解决方案的复杂度，陷入“为了 AI 而 AI”。企业往往忽视了实际业务痛点的真实复杂度，盲目追求最前沿的 AI 技术。
2、混淆了“Using AI”（使用 AI 工具）与“Doing AI”（实施 AI 业务变革）。
Rashidi 解释道，如果只是大量采购 Copilot 或 Gemini 等工具许可，并让员工用它们来总结邮件或会议纪要，这仅仅停留在“Using AI”的浅层阶段。而真正的“Doing AI”，则是以具体的业务或部门为单位，深度拆解工作流（Workflow），精准识别哪些环节可以自动化或交由 Agent 处理，哪些环节必须保留人类的专业判断，并在此基础上重构整个业务流程。“仅仅引入工具是填补不了生产力赤字的，”她强调，这本质上等同于一场深度的 BPR（业务流程重组）工程。
3、本末倒置的资源分配。许多项目将 60% 到 70% 的时间耗费在底层基础设施搭建和工具选型上，而将数据治理和人才培养抛诸脑后。“这两种资源分配的比例理应完全反过来才对。”
4、角色边界的融合与阵痛。
随着 AI 应用的深入，以往各自为政的 CIO（首席信息官）、CAIO（首席人工智能官）与 CISO（首席信息安全官）等角色正趋于协同与融合。回顾自己先后担任 CAIO、CTO 和 CDO 的经历，Rashidi 坦言，过去与 CISO 的关系“时常充满摩擦”。“我的使命是利用数据创造商业价值，而 CISO 的职责则是将其作为数字资产死死守护，所以我们永远在博弈。”
但在 AI 时代，当智能体（Agent）开始跨系统自主执行任务时，交互的提示词和 AI 推导出的结论本身都成为了亟需管控的新型机密信息。一旦泄露，整个 AI 项目都将面临停摆。“在 AI 的世界里，保护数字资产已经成为了我们的共同目标，我们正以前所未有的紧密程度融为一体。”她还提到了业界对 Sovereign Data（主权数据）日益增长的关注，强调数据治理与安全的一体化运营已成为 AI 落地成败的关键。这无疑向那些仍将 AI 推进团队与信息安全团队割裂的组织，抛出了一个亟待解决的实务拷问。
5.极低的 Agent 存活率。平均而言，每开发 3 个 Agent 仅有 1 个能真正存活。Rashidi 透露，连她自己也“解雇”了此前为自己运行的 17 个 Agent 中的 70%。“管理这些 Agent 所花费的时间，比我自己亲手做还要长。AI 绝不是万能的灵丹妙药。”
本次演讲的最核心议题，聚焦于人才——尤其是 AI 对人类认知能力以及年轻人才培养机会所产生的深远影响。
Rashidi 亮明了她的个人铁律：“在工作的第一步，绝不使用 AI。”她对自己的孩子和手下的数据科学家都严格立下了这条规矩。因为如果在一开始的构思阶段就依赖 AI，最终产生的创意往往会趋于同质化和“平均值”。
结合在哈佛大学的研究，她进一步解释道：“人类的大脑就像是一块美丽且庞大的肌肉。如果骨折后打上石膏，肌肉会萎缩；大脑如果不用，也会退化。”她主张，从打草稿的阶段就使用 AI，等于亲手放弃了“思考、内省、创造和表达”的完整心智过程。“AI 应该被放在第二步或第三步使用。完整地经历那些略显笨拙的‘学习、书写、思考’的过程，至关重要。”
这种过程对于培养“辨别事实与虚构的能力”同样不可或缺。当前互联网上已有 58% 的内容是由 AI 生成的，信息增长速度达到了惊人的地步，她大声疾呼：“我们必须拼死捍卫我们的批判性思维能力。”
Rashidi 最为担忧的，是因为过度使用 AI 替代人工，导致年轻人才丧失成长机会这一结构性问题。
“过去，我们会招聘应届生，把数据处理、资料排版等‘打杂’的工作交给他们。但这绝不是为了让他们做低级劳动，而是为了让他们在琐碎的实务中逐渐理解商业上下文，从而培养出扎实的专业素养和商业直觉，”Rashidi 说道。
如果这些基础工作全部被 Agent 自动化取代，“那么今天的年轻员工将彻底失去实地‘练手’的机会。5 到 7 年后，当我们需要有人来精准监督日益复杂化的 AI 生态系统，并在系统出现异常时一眼识破时，我们将面临一个无将可用、专家绝迹的境地。”
面对这种“人才培养链条的断裂”，她向在场的高管们发问：“如果未来没有人类来担当智能的基石，如果未来再也诞生不了专家——我们真的觉得这样没问题吗？”
同时，她预测未来的职场将要求每个人精通多个专业领域，成为所谓的“M 型人才”。未来的岗位将主要演化为三大类：构建生态系统的 Orchestrator（编排者）、负责日常运营管理的 Operator（运营者），以及始终坚守专业底蕴进行核心设计的 Artisan（工匠）。
在演讲尾声，Rashidi 提出了一个发人深省的观点：我们需要彻底重新审视 AI 的评估指标。
她曾被某家全球顶级巨头的董事会质问：“为什么 AI 没有带来明显的 ROI？为什么生产力没有提升？”她反问道：“假设我们的生产力确实提升了，但这仅仅意味着我们能以更快的速度做出‘错误’的决策，这真的是你们想要考核的指标吗？”
取而代之，Rashidi 提倡引入 “有效性”（Effectiveness）这一核心指标。“将产品的上市周期从 60 天极限压缩到 60 分钟，这就是‘有效性’的体现，”她主张，企业应当将“在与客户和合作伙伴的关系中建立了多少信任”作为评价 AI 价值的重要坐标系。
关于个人工作方式，她重申了“人类主导，AI 只是放大器”的理念：“你可以放心地把‘执行’交给 AI，但必须将‘批判性思维’牢牢掌握在自己手中。你可以外包繁杂的任务，但绝不能放弃真正需要深度思考的核心价值。”
“技术能够无限扩展效率的规模，但真正能够扩展‘机会’规模的，永远是人与人之间的关系。”Rashidi 总结道，我们必须将 AI 视为“与我们并肩作战（Work with us）”的伙伴，而不是将人类取而代之的敌人。
AI Agent (人工智能智能体):超越了普通的大语言模型对话功能，Agent 能够根据设定的目标，自主规划任务步骤、调用外部工具（如搜索引擎、数据库或企业软件）并执行具体行动，是当前企业 AI 落地的核心抓手。
PoC(Proof of Concept/ 概念验证):在大规模部署一项新技术或产品前，先在一个小范围、低成本的环境中进行初步测试，以验证该技术在实际业务中是否具备可行性和预期价值。
Token (代币/词元):在大语言模型中，Token 是处理文本的基本单位（如一个单词或一个汉字的部分）。由于调用商业 AI 模型通常按处理的 Token 数量计费，因此它也常被作为衡量企业 AI 算力消耗成本的指标。
BPR(Business Process Reengineering/ 业务流程重组):对企业的现有业务流程进行根本性的再思考和彻底的重新设计，旨在成本、质量、服务和速度等方面实现显著的改善。引入 AI 往往需要配合 BPR 才能发挥真正的效力。
Sovereign Data (主权数据):指企业或国家对其产生的数据拥有完全的控制权和管辖权，确保数据在符合当地法律法规和企业安全策略的前提下进行存储、处理和 AI 训练，防止机密数据外泄至不受控的第三方大模型。
