重新定义生成式人工智能时代的人才：如何识别、吸引并培养面向未来的技能

[原标题：招聘冒名顶替的博学者：生成式人工智能时代的人才新边疆（2024年11月15日修改）]

在生成式人工智能时代，我们既不了解自己拥有的人才，也不了解自己需要的人才。

John Wannamaker 说过：「我花在广告上的钱有一半被浪费了；问题是我不知道是哪一半」（“Half the money I spend on advertising is wasted; the trouble is I don't know which half”）。

在生成式人工智能时代，也可以造出一句类似的话：「我拥有的人才有一半我并不需要。问题是我不知道该放弃哪一半」而且很可能你根本不需要放弃任何人才，只需要重新梳理并重新定义公司里衡量人才的基准。

1. 在生成式人工智能时代寻找人才

我先摆出一个基本事实，好让读到这篇文章的人都能理解问题的量级。就以任何一家公司的人才选拔流程为例。

研究表明，面试官在最初几分钟里就会做出决定，依据的是无意识的偏见，而不是客观的资历。人类身上有超过180种认知偏差，简直就是一锅无意识主观决策的大杂烩。我公司里的人才招聘，难道真的是一个基于数据、不掺杂认知偏差的流程吗？如果再算上填补一个空缺岗位平均需要40到50天，那么每一个空缺每年造成的生产力损失都会落在数千欧元的量级上。而以上这些，还没有把一次糟糕招聘的真实成本计算在内——那个成本有时被估算为该名员工年度成本的30%（美国劳工部 [1]）。

此外，企业依然沿用老派的招聘手法，为每一个新发布的职位拉一份候选人短名单。当然，如今会借助精心设计的关键词匹配方案，或者招聘门户网站的自动淘汰规则，好把某个岗位需要面试的候选人数量压下来。然后每一次新的选拔流程又从头开始，白白放弃了上一轮招聘中积累下来的学习规模经济。

这套玩法是低绩效状态的完美例子（under-performance process）。

如果再把大多数企业都有 DEI 政策（即多元、公平与包容，diversity, equity and inclusion）这一事实加进方程式，局面只会更加复杂。而这还没有算上代际或年龄多样性这个维度（这一点至今几乎没有企业解决）。

现在，请允许我把这盘棋的终局变得更复杂一点，引入生成式人工智能的冲击。如果我们承认生成式人工智能有能力替代人类的认知功能，那么有没有可能超过60%的员工队伍都可以被缩减？关于这个量级，我只引用麦肯锡的这篇文章作为参考（“Current generative AI and other technologies have the potential to automate work activities that absorb 60 to 70 percent of employees' time” [2]）。

「当前的生成式人工智能及其他技术，有潜力自动化那些占据员工60%到70%时间的工作活动」——McKinsey Digital

其结果，就是企业人力资源与人才招募领域一场完美风暴的温床。

接下来，我要列出一系列任何一位人力资源总监在此刻都不太可能答得上来的思考，也就是「关于生成式人工智能对人才招募影响的思考」：

如果人工智能确实存在替代认知功能的潜力，那么生成式人工智能对我公司每一个部门的影响究竟是什么？
如果我们在公司所有部门做一次「人工智能增强后的技能」调研，我此刻正在发布的这些招聘启事里，有多少其实可以不必发布？
在那些向我提出要到公司外部找人的业务单元里，如果我手上有一份按公司各单元、各部门情境化整理的「人工智能增强技能」清单，有多少其实可以在内部解决空缺？
考虑到对公司士气的影响，我该信任提出需求的业务单元去外部找人吗？还是说我本该有能力把内部人才用起来？
在剔除生成式人工智能的影响之后，当前技能与未来技能之间是什么关系？在我公司的每个部门／单元里，这些技能又是如何彼此关联的？
由于没有建立一套基于技能关联、面向不同岗位、部门和项目的个性化累积学习流程，我正在损失多少人才（和多少钱）？

我们分块来应对这个挑战。人们说，吃掉一头大象最好的办法就是一口一口地吃。

那就从头开始，做一次思考的练习。我们此刻身处人工智能的时代、可持续发展的时代、多样性的时代、……的时代，就来想想工作的未来会是什么样，又会带来什么影响。

2. 生成式冒充的时代

这篇文章想探讨的是工作的未来，以及在一个由增强人类主导的现实中，我们衡量竞争所需能力的方式会受到什么冲击。如果你想更深入了解在自己公司里落地生成式人工智能需要哪些步骤，我推荐你读另一篇文章（A Roadmap To Help Companies Lead Good AGI Practices）。

如果我们想在人工智能、可持续发展、多样性等等的时代里找到完美的能力组合，那么既然人工智能已经可以承担大部分脏活累活，我们就该去寻找一个更宽广的人才光谱。让机器去做机器比人类做得更好的事，这难道不是更有人性吗？当计算机可以轻松而精确地解决问题时，我们还应该让一个人去做复杂的心算吗？如果这些能力如今不只是数学运算，还包括：分类、设计、写作、编程、翻译、概念化、调研、构思、分析与对标评估……又会怎样？任何言语—语言、逻辑—数学、视觉—空间乃至音乐层面的认知功能，都可能落入人工智能可以改进的范围。80岁的 Howard Gardner 应该修订他的多元智能理论了，如果他此刻还没有在生成式人工智能的帮助下动手的话。

我们人类现在有能力在没学过计算机或信息科学的情况下写出代码。我们享有巨大的乐趣，只需恰到好处的几个词就能创造出精彩的艺术作品。我们有幸在没有深入读过某个主题的情况下写出优美的散文。我们能够完成复杂的分析，哪怕从未达到相应的分析能力水平，也从未培养过必要的数学思维。所有使用生成式人工智能的人类，难道不都是生成式人工智能时代里货真价实的冒名顶替者吗？

那么，欢迎来到冒名顶替的时代。

其实，我并不认为这是冒名顶替者的时代。冒名顶替者在历史上一直都存在。然而，这是一个绝对创造增强人类的时代。每个人都有能力创造任何东西。

各个领域的产出都会呈指数级增长。我们将见证在毫不相干、难以想象的领域之间诞生的意外创造。新闻里会充斥着各种奇怪甚至怪诞的新发明，那是我们把多个知识领域无限组合的结果（注：我承诺会写完那篇关于以佛教原则为基础、负责任地使用生成式人工智能的文章），而这一切都要归功于我们被人工智能增强过的智能。

我更愿意把冒名顶替这个概念换成无尽的创造力。欢迎来到绝对创造的时代。

现在我们都会说数据的语言和计算机的语言，因为生成式人工智能让我们能够用自然语言与计算机对话，这本身就是一种丰盈。然而，我们的组织真的准备好用现有的人才存量去创造价值了吗？我们真的把所需能力的招聘与保留调整到了当下的现实吗？在一个（在某种程度上）没有人必须学会写代码才能和机器对话的时代，未来的胜任力究竟是什么？就从开发者说起：根据 GitHub 的调查，他们当中超过90%已经在借助生成式人工智能的支持来提升自己的开发能力。

3. 寻找新一代博学者

而在这个创造力无限且取之不竭的时代里，我们需要的是一种全新的专业人士画像：能够吸收任何外部领域的任何输入，并为一个尚未解决的问题创造出全新而精彩的解决方案。也许，仅仅是也许，这些人早就生活在地球上了，只是我们忘了他们一直就在身边，我们管他们叫博学者（RAE：1. m. y f. 在多个科学或人文学科领域拥有渊博知识的人。）。

我读过这篇文章 [3]，讲的是一位意大利渔民，他深爱自己所处的环境、投身海洋保护，为了对抗海底拖网捕捞，想出了一个点子：建一座巨型雕塑博物馆，好妨碍拖网作业。为此，他联系了世界各地愿意加入这场行动的艺术家和雕塑家。结果就是海底的一座巨石博物馆。艺术上很美，创意上极强，价值上又实实在在地有效。

我们也许需要不止一种新品类的专业人士，他们能够把不同知识领域以一种奇特的方式混合在一起，激活我们把好奇心转化为创造力的能力。这些人能够把数学思维、人文视角、创意想法结合起来，让那些尊重环境的方案得以浮现，为一个新的、好的世界写下新的一章。也许我们已经不需要一个更好的世界了，一个好的世界就够了。

在人工智能时代，我们或许可以重启那场古老的寻找——寻找文艺复兴式的智者与博学者。又或者，在智者和博学者稀缺的情况下，我们需要的是思想的多样性，好让创造性的方案涌现出来。说不定靠这一点，我们就解决了在人工智能时代、可持续发展时代和多样性时代寻找人才的难题。

我们毫无疑问需要的，是别再朝外看，重新开始朝内看。我们需要更多愿意由内而外生长的人，而不是由外而内。我们需要更多的内在探索者，他们会为与他人共存这件事本身而欢欣。我们需要更少彼此对立、被民粹主义领袖驱使的人类。那种东西我们已经够多了。

在人工智能时代，我们所有人都能通过易用的界面和大语言模型获取难以估量的知识，此时演化之美将不再存在于答案里，而在于问题里。如果我们聚集起恰当的多样性，就能造出一座提问的工厂。让人类去做他们最擅长的事：提问与创造力。让机器去做它们更擅长的事：计算的深度，以及对知识的专业化、重复性调取。

「计算机毫无用处。它们只能给出答案。」——（据传出自）Pablo Picasso

我们的组织寻找、衡量和保留人才的方式，已经被生成式人工智能的颠覆彻底改变了。这篇文章开头讲的是关于「一半人才是否必要」的悖论。也许这根本不是数量的问题，一切取决于在做这个决定时，战略把哪一类利益相关方当成了焦点。如果我们只为股东工作，那我已经知道人工智能的影响会是什么了。而那既不会可持续，更谈不上多元。

这是一次范式级的转变，我们要花上好几年才能把公司调整到这个新现实里。可以确定的是，技能和流程必须被默认为需要修订的对象，并且要定期复审。有些作者提出了一种参考框架，让机器与人类之间的对话 [4] 动态地重新定义任何一家公司的流程。看看所有自然语言模型的学习速度，这或许是说得通的：十二个月前做的任何技能分析，在同一个模型今天的能力面前都已经过时了。

在我看来，无论是什么流程或什么参考框架，所有公司都应该从这几件事开始：

培训全体员工如何与生成式人工智能对话／互动／提问（人用自己的语言进行生成式表达的价值）
建立一个最佳实践观察站（把集体创造力规模化并加以利用的价值）
评估风险，并建立一套负责任使用的模式（界定如何使用、以及何时不该使用生成式人工智能）
成立工作组，并与各领域的专家小组一起验证结果，（各领域的专家会加速我们模型的学习）
发展人才分析能力，为技能建立清单与分类体系，并用数据图谱把技能分类、部门和项目连接起来（skills datagraphs + skills ontology）。

现在试着把它用到你的企业上，并且「扮演一位经验丰富的人力资源与人才负责人，在招募和保留人才方面积累了大量经验，然后提问……」：你的招聘战略建立在什么基础之上？到目前为止，你是怎么吸引到合适的胜任力、并培育出完美的人才资源组合来为你的企业创造价值的？未来你又打算怎么做？

把过去12个月里每一份招聘启事都重新看一遍，然后承认：你一直在寻找的，或全部或部分，是错误的胜任力组合。或者容我换个说法——你是不是一直在用过去的胜任力和技能，去构建一个不一样且不确定的未来？

也许，如果我们不再叫它人工智能，而改叫增强智能，一切都会稍微容易一些。

欢迎来到增强创造的时代。而要做的事还有很多。

[本文100%由人类构思并撰写]

延伸阅读来源：

Superstaff. “Counting The cost of hiring a new employee” Dec 2024 https://www.superstaff.com/blog/counting-the-cost-of-hiring-an-employee/ 最后访问日期：2024年3月18日
McKinsey Digital, Jun 2023. https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier#introduction 最后访问日期：2024年3月18日。
National Geographic “Un museo de esculturas del fondo marino” Feb 2022. https://www.nationalgeographic.co.uk/environment-and-conservation/2022/02/off-the-coast-of-italy-a-radical-approach-to-battling-illegal-fishing-a-seafloor-sculpture-museum 最后访问日期：2024年3月18日。
HBR. Paul Baier, David DeLallo, and John J. Sviokla: “Your Organization Isn’t Designed to Work with GenAI” Feb 2022 | https://hbr.org/2024/02/your-organization-isnt-designed-to-work-with-genai 最后访问日期：2024年3月18日。

纯人工撰写的文章： Newsletter "Digital Sustainability"

由人工智能增强的文章： Newsletter "My AI-ter Digial Ego"