2026AI产业大会探讨未来最稀缺的AI人才类型

稀缺的，到底是懂AI的人，还是懂业务的人？

这里有一个反直觉的判断：懂AI这件事本身，正在快速贬值。而真正能在那些关键的低频决策中做出精准判断的人，才是未来真正的稀缺品。高频重复的工作最容易被AI替代，这已是共识。但在打造爆品、建立品牌这类低频却高影响力的决策上，人的判断依然无可替代。眼下，企业AI转型的最大卡点，往往不是技术或数据，而是“想不到应用场景”。当前，AI的利润大头仍在基础设施层，应用端的投资回报尚未完全释放，但拐点可能比我们预想的来得更快。

以下是一场关于此议题的圆桌对话，经整理编辑，以飨读者。

主持人： 郑王宇（基金投资副总裁）
嘉宾：
龚毅（尼尔森IQ 通信及科技业务总经理）
罗飞（华科智能AI研究院院长）
林海卓（卓源亚洲创始合伙人、董事长）

郑王宇： 各位老师好，今天我们讨论的主题是“当AI进入产业前线：未来最稀缺的AI人才会是谁”。难得聚集各位行业翘楚，先请各位用一句话亮个相，并带着您的视角参与接下来的讨论。

龚毅： 大家好，我是尼尔森IQ的龚毅。我们身处数据洞察行业，今天的讨论会从这个行业的视角出发。

罗飞： 大家好，我是华科智能的罗飞。我们是一家港股上市公司，主要做投资。我所在的研究院核心工作是赋能传统行业的AI转型，提供培训、咨询和陪跑服务。我们接触了大量传统企业老板的升级痛点，今天也和大家分享一下。

林海卓： 大家好，我是卓源亚洲的林海卓。我们是一家聚焦于人工智能、半导体、机器人领域的风险投资机构，投资了包括轻舟智能、江行智能、沐曦集成电路、小马智行在内的代表性硬科技项目。

一、AI重构工作：哪些易，哪些难？

郑王宇： 三位专家的视角各有侧重。过去一年，AI竞赛从模型能力转向产业场景落地。无论是消费零售、企业管理还是制造金融，AI的价值不再只看参数，更看能否切入真实的业务流程。说得直白点，AI现在要深入产业前线，直接影响决策和商业结果。这个过程催生了一个紧迫的新问题：当AI工具日益普及，什么样的人才真正稀缺？今天我们就从企业竞争和人才角度，聊聊AI抵达前线后，人机之间、专家与工具之间、组织与个体之间的分工与变化。

先进入第一个问题。AI的影响不止于给员工多一个工具，它已开始渗透消费者洞察、产品创新、供应链、客户管理等决策环节。在各位看来，哪些工作最容易被AI重构？哪些环节理论上适合AI，但落地最难？先请林总。

林海卓： 从投资角度看，我们有一个观察：好的问题提出者，依然拥有很高的壁垒。目前来看，知识高度密集型的领域有个天然特征——其知识体系容易结构化描述，技术逻辑能用代码清晰界定，对错判定相对明确。这种范式，非常契合当前人工智能解决问题的逻辑。因此，像会计师、律师、程序员这类职业，在当下是比较容易被新技术触及甚至替代的。

但“提出好问题”这一步，仍然需要人的引导。无论是机器人还是各类智能体，哪怕是“喂养龙虾”这种具体任务，从0到1的启动和方向设定，依然离不开人。结合个人在行业中的经验，提出跨学科的、前沿的想法，并引导模型朝此方向积累，这反而是未来个体构建壁垒的绝佳机会。

另一个维度是体验和情感领域。比如心理学家、旅游体验师，这些需要丰富个性化、场景化感知的工作，AI要完全替代还为时尚早。对于从业者而言，AI现阶段更多是赋能，而非直接的职业替换。

郑王宇： 投资人的视角相对宏观。那么深入到产业细节，罗院长在实际观察中，哪些行业或环节容易被替代，哪些又比较困难？

罗飞： 我们谈AI 2.0，核心是应用大模型的推理能力。大模型本质是推理引擎，所以以前需要人脑推理的地方，都能挖掘应用场景。我们总结了三个特征：重复、标准、熟练。工作具有重复性，才有用AI的价值；过程有标准可循；并且企业里有熟练的专家能把工作逻辑说清楚，这样才能把经验萃取出来，配好工具让大模型去替代。

另一个维度是工作环境。越是在电脑前完成的工作，越容易被替代；越是需要与人打交道的工作，越难被替代。在电脑前重复地查资料、想方案、写成文档或表格，这类工作正随着智能体能力的进化而变得岌岌可危。相反，越靠近市场、靠近客户的工作，越不容易被替代。这意味着，人的能力加上AI后，应该不断向价值链左侧——即市场和客户端——迁移。

郑王宇： 所以沟通、协作、洞察变得更重要了。我提炼一下您的关键词：重复、熟练、标准。龚总，从您的视角看呢？

龚毅： 我的观点和前面两位一致。我们服务大量500强客户，领域集中在品牌营销、产品创新和零售客服。我们可以用一个矩阵来看：一个轴是频率（高频/低频），另一个轴是决策的战略重要性。

最容易替代的，是那些频率高、有大量数据反馈的工作。AI很容易从中学习并强化。而低频、尤其是低频但重要性极高的事，则很难替代。为什么品牌营销领域的程序化广告投放自动化程度那么高？因为它已经高度运营化了。但直到今天，要打造一个具有溢价的高端品牌，或是做出能跨越文化引起共鸣的出海品牌，这些低频却影响巨大的事，AI仍然难以解决，而这正是社会稀缺的能力。

二、落地阻力：技术、数据，还是组织？

郑王宇： 下一个问题，当前企业落地AI能力的最大阻力来自哪里？是技术、数据积累，还是组织惯性？龚总可以从服务客户的角度谈谈。

龚毅： 基础肯定是数据。今天AI的技能水平可能已达七八十分，但“幻觉”问题依然存在。幻觉的产生，往往源于我们是否给了AI有效的数据，以及是否设定了正确的工作流。行业里常有一种想法：以后不用做市场调研了，有一个想法就问AI一万次，代表一万个消费者，是不是就能判断一款产品能否成功？我们做了大量验证，发现并非如此。

首先，你问的AI是否足够有代表性？其次，每次提问，AI是否嵌入了具体场景的数据来回答？比如，面对丁克家庭或四世同堂的家庭，AI能否代表这些特定人群的真实需求？最后，如何解读结果？消费者打了9分（满分10分），这代表市场成功吗？一系列专业点如果没有被系统性地合成，得到的答案往往是似是而非的。在决策频率不够高的情况下，企业很难决定该信还是不信。这个例子说明，企业流程中有许多专业节点需要被解决，AI要赋能整个流程，门槛其实不低。

郑王宇： 罗院长，您认为AI在公司落地的阻力主要来自哪里？

罗飞： 更多来自组织。AI技术每年突飞猛进，从业者感觉AGI都快来了。但企业端的落地，感知上并没有那么快。我们过去两三年服务了十多个行业的龙头企业，发现企业落地AI有两个卡点：粗阶卡点和高阶卡点。

粗阶卡点是：企业根本想不到更多的应用场景。大家都说AI厉害，但回到企业一问，员工或老板能想到多少场景？往往寥寥无几。高阶卡点是：企业落地了场景，但不见成效，投入没有回报，内部员工不爱用，外部客户也不买账。

我们的调研发现，尽管AI技术发展迅猛，但大量企业仍卡在粗阶。最大的问题就是“想不到”。这背后，是企业对AI的认知没有拉齐，缺乏深入的业务分析，或者被惯性思维束缚。很多企业还带着AI 1.0的思维，认为用AI必须先有数据、必须先完成数字化。

我们提出一个核心观点：企业AI转型，本质是人才转型。企业需要从数字化思维跳出来，形成AI思维。那些“必须数字化、必须有数据、必须有技术”的前提假设，反而阻碍了企业打开应用场景的认知。这是我们感受到的真实且巨大的卡点。

郑王宇： 越大的公司，组织惯性带来的阻力可能越大。那创新公司情况如何？林总您观察到什么？

林海卓： 从整个行业看，AI应用端的投资回报率（ROI）目前还不够高。这其实有历史参照。2000年互联网泡沫前，市值最高的公司之一是思科，它造的是“信息高速公路”。在谷歌等应用巨头崛起前，利润大头在基础设施层。今天英伟达、博通的市值地位也说明了同样的问题：人工智能当前的大部分利润，仍来自构建基础设施。

无论是企业还是个人，投入AI的成本，相当一部分变相支付给了基础设施。这与今年初德意志银&行报告的观点相符：短期缺算力，中期缺能源，永远缺存储。这反映出，在AI发展的现阶段，基础设施切走了大部分利润，应用端仍在追赶。

对于绝大多数用户而言，接触到的大模型更多是搜索引擎的“平替”。大家用它来回答脑海中的即时问题。但真正将其接入业务流——比如炼钢、半导体设计等垂直领域，借助AI工具构建高精尖知识体系并反哺工作——确实还为时尚早，可能还需要两三年周期。因为要让智能体在垂类领域变得有用，需要持续“投喂”行业特有的知识，这个过程不短。但话说回来，拐点的到来可能会比大家预想的更快。

三、未来格局：垄断加剧还是门槛降低？

郑王宇： 林总提醒我们要看到行业发展的阶段性。那么，AI会让行业集中度更高、头部企业更强，还是会给新进入者更多机会？

林海卓： 这个话题我有些担忧。最近有本畅销书《科技共和国》，描绘了超级科技巨头在数据等方面可能形成我们难以想象的垄断局面。对于大多数从业者，面临的问题是：当我的大部分工作可被AI替代后，我该做什么？

历史上乐观的看法是，失业的人总能找到新工作，比如从纺织工变成维修工。但AI替代白领和蓝领工作的速度与规模，可能是指数级的。短期内，像客服（中国有六七百万从业者）、网约车司机等岗位已看到明显的替代趋势。这部分劳动者如何转型？

从国家层面能看到一些迹象：依然在大力提高高等教育普及率。解决问题的思路不是让“打螺丝的人换一种螺丝打”，而是让其纳入更先进的服务体系，这需要更高的教育水平。值得注意的是，中国高考人数将在2033年达到峰值，随后五年可能骤降40%。未来学科配比如何调整？一些大学的专业设置可能面临消亡。国家当前的战略是大幅提高理工科比重，确保在高端技术领域有充沛的后备人才。同时，也会有更多创意工作者和交叉学科人才涌现，以应对技术巨头可能带来的垄断效应和就业冲击。

四、培养与评估：AI时代需要什么样的人才？

郑王宇： 这自然引出了下一个问题：AI时代该如何培养和评估人才？罗老师，您怎么看？

罗飞： 培养和识别AI人才，必须从教育开始。AI最应该影响的就是教育。我们正在做一项公益，把AI带给乡村小学。山村校长有疑问：大城市学校投了很多钱做AI都不成功，我们山村小学凭什么可以？他也看过一些城市的AI展示，做了很多智能体，但有什么用？他看不明白。

市面上很多智能体是“套概念的智能体”，说不清能具体干什么活。我们的做法不是从数字化系统出发，而是从人才出发。第一个要改变的就是老师。我们先让乡村老师全员具备AI技能和思维，再由老师带着AI、在有指导的情况下，带领孩子探索AI新世界。探索方式和学习方法将与过去完全不同。当孩子成为AI原住民，他们掌握的不再是死记硬背的能力，而是运用AI的能力。

未来对人才的判断，可能不再是评估他个人的能力，而是评估他背后的“AI班底”——他能指挥多少AI、多强的AI一起干活。未来的面试，如果只谈个人能力，可能很难入职；如果能清晰阐述背后AI团队的能力，那才是AI时代的强者。

郑王宇： 龚总，未来最稀缺的，到底是懂AI的行业专家，还是懂行业的AI专家？什么样的人容易把AI用出实际价值？

龚毅： 核心是看行业稀缺什么。十年前，学编程进大厂是金光大道。今天，写代码这件事AI也能干，这个能力不但内卷，还卷不过AI，自然就不稀缺了。正如林总所说，当前产业红利在基础设施，而基础设施（如高端芯片）往往被少数公司垄断。只要不在垄断链上下游，都会很被动。

以此逻辑推演，“懂AI”这件事会逐步变得不稀缺。这个能力相对可工程化、可复制化。如果把宝全押在“懂AI”上，几年后可能会面临困境，就像今天程序员写不过AI一样。懂业务的人呢？也要看懂什么业务，高频的业务同样容易被AI解决。

所以我们的推演是：那些能在关键低频、但影响力巨大的决策点上，具备综合能力的人，才是最稀缺的。比如能持续打造爆品的人，能成功建立品牌的人。这些需要沟通、协调、跨界洞察的能力，目前还看不到被AI替代的路径。当然，在AI时代，这些人需要一个前提：至少懂一点AI，知道如何利用AI放大自身价值。

五、人机协同：决策权如何划分？

郑王宇： 谢谢龚总。最后一个问题，随着AI从对话走向执行，参与各个环节，作为企业主，如何判断哪些决策可以交给AI，哪些必须由人保留？在高风险复杂场景中，人机分工的边界在哪里？

林海卓： 我直观想到的是，那些不太需要承担责任的领域，可以更多交给AI。而非常严肃的场景，比如重大城市安全，将核心决策完全交给AI，中长期内都难以实现。从社会权责利划分来看，当前AI最好的角色依然是“提建议”。

另一个是纯粹的效率工具。比如上一波AI应用中的美团、滴滴匹配系统，我只想找到最近的车，这可以抽象为数学问题，不涉及责任归属，AI可以全权负责，实现降本增效。人类更适合做那些符合人性化设定、补充信息漏洞、并对AI提供的多个建议做最终综合判断的工作。

以无人驾驶为例，很多关键技术已较成熟，但商业化推广依然高度克制。如何划分权责，涉及法律、伦理、效率等多层面的博弈。

郑王宇： 罗院长，您在实操中如何看待这个分工？

罗飞： 在AI与人协作中，我的想法是：凡是人脑能想到要干的工作，都可以先让AI干一遍。这好比体力劳动中的铲子和挖掘机。AI现在是铲子还是挖掘机？如果你真正洞察了AI的能力，你会认为它已经是挖掘机了。既然是挖掘机，我们就不该先用脑想清楚再让AI干，反而是在事情没想清楚的时候，更适合用AI。

AI用得浅，会觉得它是辅助人的工具；用得深的企业，会感觉是人在辅助AI干活——AI知道怎么干，人在过程中解决它遇到的卡点。未来的工作方式会彻底改变，甚至大部分人是否需要工作都会改变。短期内会有阵痛和政策不明朗的时期。但我们可能正进入一个新时代，就像三百多年前人类从神学走向科学。AI发展到一定程度，可能科学本身都会发生变化，很多科学研究变乘人辅助AI去做。人类会不会从“科学时代”走向一个尚未被定义的新时代？未来人的工作和生活方式，将完全不同。

龚毅： 我对AI的理解是，它目前还是一个“概念模型”。为什么它能解好数学题，达到100%的目标，其内在机理人并不完全清楚。回到我熟悉的领域，比如理解因果效应——你做了十件事，哪几件真正影响了最终销售？影响机制是什么？AI基于现有模式并不擅长解决这类问题。我同意罗院长的说法，我们可以借助AI帮助人理解，但理解底层逻辑，目前还是人最擅长。

郑王宇： 看来，AI进入产业前线，绝非简单的工具迭代，它要求人才培养、组织效率乃至思维模式进行系统性重构。站在社会前进的潮头，观察企业如何变革，展望AI行业的未来，相信今天各位嘉宾的分享，给了我们诸多灵感和思考。谢谢各位。

今天的圆桌环节到此结束，感谢各位嘉宾。