宝软数字 · 产品战略系列 · 2025-06-11
2025年底，一家年营收3亿的制造企业老板问了我们一个问题："AI到底替代人，还是增强人？我该裁掉一半员工，还是全员学AI？"
这个问题折射出当下企业最大的焦虑。ChatGPT上线两年，Midjourney重构设计流程，Cursor改写编程范式——每一个AI产品的爆发，都在挑战我们对"人的价值"的默认假设。但当我们仔细审视那些真正跑通AI落地的企业，一个反直觉的结论浮现出来：AI不是替代人的对手，而是迫使人类回归"人的本质"的推手。
那些认为AI只是"更快更便宜的劳动力替代品"的观点，把问题想窄了。本文将从认知科学和组织行为学视角，重新定义AI时代人的四种核心能力，并提供一套可落地的人才体系重构框架。
人类文明数千年来，知识储存在大脑里，是一个人价值的核心表征。医生背药理，律师记法条，程序员熟API——信息不对称本身就是生产力。但当大语言模型在律师资格考试中超越90%人类考生，当GPT-4在医学知识测试中达到专家水平，这种建立在信息储存之上的能力壁垒正在瓦解。
麦肯锡2025年研究报告显示，知识工作者60%以上的日常任务——信息检索、摘要撰写、初步分析——可由现有生成式AI大幅提效。这意味着，如果你今天80%的工作价值来自"我知道某件事"，那你的替代风险极高。
但这并非悲观的信号。恰恰相反，当记忆知识的溢价趋近于零，那些真正"人"的能力才会浮出水面。正如工业革命让体力不再是稀缺资源，从而释放了人类的知识生产力，AI革命正在让信息检索不再是稀缺资源，从而逼迫我们追问：什么是AI做不了的事？
关键洞察：记忆知识不再是壁垒，而是水电一样的基础设施。真正的差异化，来自于对知识的调用方式、组合方式和价值赋予。
爱因斯坦说过："如果给我一小时解决问题，我会用55分钟定义问题，5分钟解决问题。"在AI时代，这句话有了全新的含义。提问的质量决定AI输出的质量——同样的模型，不同水平的提问，产出天差地别。
AI擅长在既定框架内给出最优解，但它不擅长定义"什么才是真正需要解决的问题"。一个训练有素的管理者不会对AI说"帮我写个方案"，而是会说："我们的客户流失率上升12%，请先列出可能的5个根因假设，然后针对每个假设设计验证方案，最后给出一个按投入产出比排序的行动清单。"
前者是一个模糊指令，后者是一个层层递进的思考框架。两者的差距，就是提问能力的差距。我们发现，在AI工具普及的企业中，绩效差异的40%可以归因于员工提出好问题的能力差异，而非技术熟练度差异。
提问能力不是天赋，而是一套可训练的方法论。核心在于三层递进：澄清型提问（"这个问题的边界条件是什么？"）、假设型提问（"如果我们反过来想会怎样？"）、重构型提问（"我们是不是问错了问题？"）。这三层提问，分别对应认知深度上台阶的关键节点。
企业在人才选拔和培养中，应该把"提问质量"作为一个独立维度来考核。传统的面试关注候选人的"回答"，而未来更应关注候选人的"追问"——面对一个模糊商业情境，他能在多短时间内提出最关键的几个问题？
AI给你的建议，你敢直接用吗？这个问题背后，是一个更深层的能力缺口。AI可以给出看起来逻辑严密但实质错误的答案——行业术语叫"幻觉"，但更准确的描述是"统计上合理但因果上错误的推断"。
第一根支柱是领域经验。没有在自己领域摸爬滚打过的人，无法判断AI输出的合理性。一个做了十年供应链管理的人，一眼就能看出AI建议的库存策略忽略了季节性波动；而一个刚入行的人可能看不出任何问题，因为"逻辑上通顺"。
第二根支柱是批判性思维。这包括识别逻辑谬误、评估证据质量、区分相关性和因果性。一个经典的案例是：一家零售企业用AI分析销售数据，AI预测"下雨天雨伞销量上升，所以连锁反应是防晒霜销量也会上升"。逻辑上通顺吗？通顺。实质上对吗？错——因为雨伞销量上升的根因是下雨，下雨导致人们不出门，防晒霜需求反而下降。AI发现了相关性，但把因果链的方向搞反了，而只有人才会注意到"防晒霜是在户外用的"这个常识。
第三根支柱是价值观校准。AI没有价值观，它只优化目标函数。当AI建议"将争议性内容推给高互动用户以最大化流量"时，一个有判断力的人会反问：这符合我们的品牌价值观吗？这会不会伤害长期信任？技术可行不等于商业应该。
总结：判断AI建议的能力 = 领域经验 x 批判性思维 x 价值观校准。三者缺一，AI就是危险的武器；三者俱全，AI才是可靠的伙伴。
AI在单一领域内表现出色——它可以写出专业级别的代码，生成商业级的营销文案，甚至做出超越多数人类的分析报告。但当问题跨越两个以上领域时，AI的表现就急剧下降。因为它的推理建立在训练数据的统计模式上，而非对世界运作方式的深层理解。
人类大脑的独特之处在于类比推理——从生物学中领悟组织管理，从物理学的熵增原理理解企业老化的必然性，从生态系统的共生关系中提取商业合作的精髓。这些跨领域的"灵光一现"，是AI最难复制的。
一个真实的例子：一家精密制造企业引进了AI质检系统后，良品率从97%提升到99.5%。但当团队试图继续优化到99.9%时，遇到了瓶颈。最终突破来自一位有生物学背景的工程师——他把质检流程类比为生物免疫系统，提出用"多层过滤+自适应阈值"替代"单层高精度判定"的架构，良品率跳到了99.92%。
AI可以优化既定路径，但无法从进化论中"借"一个想法来解决制造业问题。这种跨领域迁移洞察的能力，是人才体系中最被低估但未来溢价最高的能力。
如果说前面三种能力解决的是"怎么做"，那价值判断解决的是"为什么做"。AI可以计算效率，但无法定义意义。它可以在无数选项中找出帕累托最优解，但无法回答"追求最优本身是不是对的"。
在AI时代，价值判断包含三个层面：商业伦理（什么钱不该赚）、战略取舍（什么方向不该追）、组织文化（什么氛围不该有）。这三个层面，AI都无法替代人的抉择。
我们正在为一个客户做AI客服系统。技术团队提出可以用"拟人化语气+情感识别"大幅提升用户满意度，但产品决策层否决了部分方案——因为用户可能会误以为自己在跟真人对话。这是透明度伦理的考量。技术上完全可以做到，AI也没有这个顾虑，但人的价值判断说不。
这就是价值判断的本质：在效率和伦理之间，在短期收益和长期信任之间，在AI的"最优解"和人类的"应该解"之间，做出选择。而这个选择，定义了企业的品牌，也定义了时代的方向。
说完了"什么是核心能力"，更关键的问题来了：企业怎么用？以下是四个可操作的抓手。
传统面试的经典问题是"你做过什么"和"你会用什么工具"。未来的面试应该围绕情景模拟展开：给候选人一个AI提供的分析报告，其中有刻意设置的逻辑漏洞，看他能否识别；给他一个跨行业的类比任务，看他能否建立连接；给他一个伦理困境，看他如何取舍。工具熟练度可以3个月培训出来，思维模式需要3年也未必能改变。
大部分企业的AI培训聚焦在"如何使用ChatGPT"这个层面。这是必要的，但远远不够。真正的培训应该聚焦在思维模式的升级——教授"Socratic提问法"提升提问能力，训练"红队蓝队辩论"提升判断力，设计"跨部门轮岗+问题解决"提升连接能力，组织"价值观案例研讨"提升价值判断。这些才是AI无法替代的能力增量。
传统KPI考核效率、执行、结果。未来的人才考核需要增加四个维度：问题发现率（是否主动识别了值得解决的问题）、AI输出采纳率（AI建议被判断为"A类可采纳"的比例，并非越高越好）、跨领域协作指数（主动连接了多少不同领域的知识）、价值观一致度（决策是否与组织价值观对齐）。
围绕这四种能力，组织的形态也需要变化。传统的金字塔结构——上面做判断，下面做执行——在AI时代不再适用。因为AI让执行层的效率急剧提升，如果判断仍然集中在顶层，瓶颈在决策端，而不是执行端。未来的组织应该是能力网络：围绕问题组建临时团队（问题提出者+判断者+连接者+价值把关者），问题解决即解散。这是一种更适应AI时代的组织基因。
在AI时代，关于人的讨论很容易滑向两个极端——要么恐慌替代，要么盲目乐观。而真正理性的立场是：承认AI在信息检索和模式复制上远超人类，同时确信人类在问题定义、跨域连接、价值判断上的不可替代性。
企业的护城河不在AI技术的领先程度上——大模型能力正在快速商品化。真正的护城河在于：你的人才体系是否让这四种核心能力成为了组织的肌肉记忆。
今天的企业经营者面临一个选择：是把AI当作削减人力成本的武器，还是把它当作放大人类独特价值的工具？选前者，你将陷入永无止境的成本竞争；选后者，你将在AI时代建立一个不可替代的组织。