AI落地刚起步，先招人还是先培养人？

企业准备把AI用于日常工作时，讨论往往很快落到人员上：招聘一个懂AI的人，还是培养现有员工？

这个问题问早了。

所谓AI落地，是把AI用于一项明确的工作，并在效率、质量或产量上取得可以记录的结果。刚起步时，企业通常还不知道哪些工作适合使用AI、实际效果如何、后续有多少工作量。事情没有验证，岗位职责和考核标准也就无从确定。

此时急着招聘，很可能先增加一项固定成本，随后再寻找这个岗位应该解决的问题。

更合理的做法是：先由现有团队完成一个范围明确的小型试点，记录实际结果，再决定内部培养、引入外部陪跑，还是招聘专职人员。

会用AI工具，不等于能负责AI落地

不少企业决定使用AI后，会马上发布招聘信息，要求应聘者熟悉大模型、提示词工程或AI项目。

大模型，是经过大量数据训练、能够理解和生成文字等内容的人工智能模型。提示词工程，则是通过编写和调整指令，让AI按照要求完成具体任务。

会使用这些工具当然有价值，但企业需要的并不只是工具操作人员。真正负责AI落地的人，还要理解具体业务，判断哪些任务适合交给AI，整理所需资料和操作步骤，把工具接入现有流程，并审核最终结果。

这项工作同时涉及业务判断、流程设计、工具使用和质量管理。一个不了解企业业务的新员工，很难在入职后立即独立承担。

如果目标不明确、资料没有准备好、流程尚未理清，业务部门也没有人配合，那么即使招到了熟悉AI的人，项目仍可能停留在尝试阶段。

2025年，美国麻省理工学院（MIT）的Project NANDA研究团队发布《The GenAI Divide》，中文可理解为《生成式AI鸿沟》。生成式AI，是能够根据指令生成文字、图片等内容的人工智能。

研究显示，超过80%的受访企业已经尝试过至少一种AI工具，但只有约5%的定制试点进入生产并产生可以衡量的业务价值。“进入生产”指的是工具已经用于正式业务流程，而不只是完成演示或短期测试。

这组数据说明，尝试过AI与形成稳定的AI工作能力并不是一回事。安排专人负责，也不能代替目标确认、流程整理和资料准备。

该研究还在访谈样本中观察到：企业采购成熟方案并与外部团队合作时，约67%的项目实现了部署；完全依靠内部团队从零建设时，约33%的项目实现了部署。这里比较的是研究样本中的部署结果，不是适用于所有企业的普遍成功率。不同企业对“成功”的判断标准也可能不同，两组数据不能证明合作方式本身决定了项目成败。

它提供的参考是：起步阶段先控制试错成本、验证投入方向，通常比先设置岗位、再确定岗位做什么更稳妥。

用一次试点，把人员需求做清楚

这里所说的“场景”，是企业准备使用AI完成的一项具体工作；“试点”，是在较小范围内先做一次，再根据实际数据判断是否值得继续投入。

适合作为起步试点的工作，通常具备四个条件：已有资料可以直接使用，操作流程相对稳定，能够在较短时间内看到结果，而且效果可以用数据判断。

营销内容生产经常适合作为起步试点。原因很具体：内容数量、制作时间和修改次数容易记录；试点通常不需要先改造企业的核心系统；方法得到验证后，也便于复制到其他岗位。

企业可以按以下步骤推进：

1. 盘点现有团队，确认谁熟悉业务、谁有AI工具使用基础，以及哪些工作包含较多重复操作。
2. 从中选择一项目标明确的工作，暂时不要同时启动多个方向。
3. 提前确定记录指标，例如单位时间的内容产量、单条内容的制作时间和返工次数。
4. 完成试点后进行复盘，也就是把实际数据与原定目标逐项对照，找出有效做法和存在的问题。

有了这些结果，企业才能准确回答三个与招聘有关的问题：

• 这项工作是否值得持续投入？
• 后续工作量能否支撑一个专职岗位？
• 企业需要的是技术开发、流程运营，还是同时理解业务和AI应用的人？

这些问题没有答案，招聘要求就很难写准确。

三种配人方式，适合不同阶段

试点有了结果，企业通常有三种选择：培养现有员工、引入外部陪跑，或者招聘专职人员。

外部陪跑，是由有相关经验的外部团队参与实际项目，协助企业选择具体工作、设计流程、配置工具并检查结果。企业内部人员也要参与，以便掌握后续操作方法。

配人方式	更适合的情况	需要注意的问题
内部培养	团队中已有熟悉业务、愿意持续学习的员工，试点也已得到初步验证	培养需要时间；如果缺少后续实践、结果检查和工具支持，培训中学到的方法很难持续使用
外部陪跑	企业有执行人员，但缺少方法、流程设计和实操经验，希望尽快判断一项工作是否适合使用AI	双方需要提前约定试点目标、实际成果和企业内部人员的参与方式
专职招聘	试点已经完成，工作规模足以支持长期岗位，职责和考核指标也已明确	同时熟悉AI和业务的人才较少；如果招聘人员长期脱离业务，岗位很难取得预期结果

企业可以分阶段组合使用这三种方式。例如，先让现有员工与外部团队共同完成试点，保留方法、流程和资料；等工作范围扩大、任务量稳定后，再设置长期岗位。

这个岗位可以是企业内部的AI运营负责人。他的职责不是单纯研究工具，而是持续确定适合使用AI的工作，整理操作流程，维护业务资料，协调相关人员，并对AI产出的质量和效率负责。

培训有没有用，要看最后留下了什么

不少企业组织过AI培训，但几个月后，员工又回到原来的工作方式。问题往往不在课程本身，而在于培训结束后，没有继续配置工具、安排实际任务、检查使用结果，也没有明确长期负责人。

一次课程可以帮助员工了解工具，却不能自动改变日常工作流程。判断企业是否真正具备AI应用能力，要看项目结束后有没有留下三类成果：

• 一套可以执行的标准操作流程，明确每一步由谁完成、使用什么资料、如何操作以及怎样验收；
• 可以重复使用的知识库和文风库。知识库是整理后供员工和AI查询的业务资料，文风库是用于统一写作表达的范例和规则；
• 能够独立操作工具、判断结果并继续改进流程的内部负责人。

如果项目结束后只剩下几份课件，没有明确流程、可复用资料和实际负责人，就不能认为能力已经留在企业内部。

企业选择外部服务时，也要分清对方是在代替团队完成一次任务，还是在完成任务的同时教会团队。前者解决短期产出，后者还要让内部人员掌握继续运行的方法。上述三类成果，可以直接作为合作的验收内容。

三个容易影响人员决策的误区

误区一：AI项目没有进展，是因为没招到合适的人

人员可能是原因之一，但招聘无法替企业确定目标、准备资料、整理流程，也不能代替业务部门参与。试点所需的基本条件没有准备好，继续招聘未必能解决问题。

误区二：全员参加培训，组织就具备了AI能力

参加人数和课程数量不能证明AI已经进入日常工作。判断培训是否有效，应当检查有没有形成实际流程、可复用资料和能够独立负责的内部人员。

误区三：招聘AI人才，就是用AI减少人员

更合理的分工，是由AI承担部分重复执行工作，由人负责设定目标、判断结果、审核质量和处理复杂决策。一个熟练使用AI工具的岗位，可能承担过去需要多人完成的工作量，但具体能提升多少，取决于团队基础、任务类型和工作复杂度，不能套用固定倍数。

做决定前，先回答四个问题

1. 企业是否已经完成一个结果可以衡量的AI试点？
2. 现有团队中，是否有人熟悉业务，并愿意持续承担学习和实践责任？
3. 试点结束后，工作规模是否足以支持一个长期专职岗位？
4. 无论采用哪种方式，项目能否留下操作流程、业务资料和具备实操能力的内部人员？

第一个问题还没有答案，就先验证一项具体工作；试点有效，团队中也有合适的业务人员，可以继续内部培养；企业有执行人员但缺少方法，可以引入外部陪跑；工作量稳定、职责和考核指标明确以后，再考虑专职招聘。

先把一项工作做成并算清效果，企业才知道应该培养谁、借助谁，或者招聘谁。人员方案应当由已经得到验证的业务需求决定。