网易智企《MCtalk·无限对话》：AI Native时代，什么样的人才与组织更有竞争力？

1999年，管理学大师彼得·德鲁克在《21 世纪的管理挑战》里写下一段被反复引用的判断：20 世纪管理学最重要的贡献，是把体力劳动者的生产率提高了 50 倍；21 世纪最重要的挑战，是把知识工作者的生产率同样提高上去——而这道题，二十多年过去，几乎没有人真正解出来。

现在，AI 又把这道悬了几十年的老题，重新摆到了每个 CEO 的桌面上。

变化正在发生。AI 的渗透率快得难以想象——一位近 70 岁的50后朋友，用的是 Codex 加 Claude Code；一线业务同学感慨"Token 一用光就没法开工"。但真正把 AI 装进企业，摆在一号位面前的是三堵墙———

第一堵墙是人。AI 让"能做的事"多了，但"能做的人"反而少了——每个岗位的能力要求叠加起来，市面上真正合格的人少了一大半。

第二堵墙是判断。AI 把执行的门槛拉到了历史最低，Skill、Agent 想造就造——但当供给爆炸之后，"这一件到底值不值得做"，反而变得比以往任何时候都稀缺。

第三堵墙是流程。AI 不是加速器，它是组织短板的放大器——而这个短板，往往不是人，是流程。上面画满 Agent，下面还是沼泽，那就是空中楼阁。

德鲁克没说过的下一句是：知识工作者的生产率，不能靠个人翻倍来解决。它必须靠组织流程的重构和人才画像的重塑来一起完成。

本期《MCtalk·无限对话》，网易副总裁、网易智企总经理阮良，与网易智企·云商总经理肖钰妍、网易智企·云商 HRBP 乔圣有，围绕"AI 时代的人才与组织"展开一场三人对话。

要点速览

AI 不是加速器，是组织短板的放大器——短板未必是人，其实是流程；

从"斜杠"到"T 更宽"：AI 让横杠画得很大，但那根竖线才是护城河，很多时候反而是 AI 取代不了的；

AI 提供的是专业技能，能不能用得好，反倒跟个人冰山下的自驱、审美、判断、洞察相关；

看一个业务 AI 用得好不好，不是看多少人在用，是看有些流程是否真的变了；

AI 不能建空中楼阁，下面是沼泽，画再多 Agent 都白搭，扎木桩得花时间、花人、花资源；

AI 时代人才价值=个人能力 × AI 能力，是乘法，也是缩小系数。

渗透率与焦虑：一号位真正担心的，不是"要不要用 AI"

乔圣有：先请两位聊聊今年最直观的一个体感——AI 落到组织里，最出乎意料的变化是什么？

肖钰妍：去年这时候，我们内部深度用 AI 的几乎全是产品和研发同学，业务一线没什么体感。但今年农历年后，最大的变化是一线业务同学开始深度用 AI——销售、CSM、售前，都到了"Token 一用光就没法开工"的状态。上周某个模型偶尔抖动，团队第一反应是"这怎么干活"，跟以前完全不一样。

阮良：这一波 AI 浪潮和以往技术浪潮最大的不同，是渗透速度。以前做信息化、数字化是十几年二十年的事；互联网、移动互联网这些年也讲不上"全民"。但 AI 是真的全民——从小朋友到长辈都在用豆包。

我最近碰到一个特别震撼的 case——一位年纪最大、深度使用 AI 的朋友，是 50 后，接近 70 岁，用的是 Codex 加 Claude Code。这是非常高级的用法。AI 的渗透率难以想象。

乔圣有：从一号位视角，感受又不一样了吧？

阮良：焦虑，普遍性的焦虑。

但这个焦虑很有意思——不是"AI 太贵、要不要投入"的焦虑，而是"我不知道该怎么用，别人已经用起来了，会不会被从没听过的公司颠覆掉"的焦虑。

我原本以为老板们普遍在考虑降本增效，后来发现——只有已经把 AI 用得很好的公司，才会去认真谈降本。大多数老板还没走到那一步，他们真正在想的是"先用上，再用好"。降本是再往后一步的事。

乔圣有：从 HR 视角我也感受到——过去技术浪潮下来，我们能给员工做很清晰的能力对标，但 AI 时代，每个月都有一个新的关键词——上个月是 Skill，这个月是 Loop，下个月不知道又是什么。能力标准本身都在漂移，想必这也是一号位另一半的焦虑来源。

阮良：这个漂移意味着一件事——过去那种"把员工按标准填格子"的组织方式，在 AI 时代不成立了。你要开始考虑的，不是"我今天需要什么样的人"，而是"三年后我还需要今天这样的人吗"。

从"T 型"到"横杠更宽"：那根竖线才是真正的护城河

乔圣有：顺着这个话头，聊聊人才画像。市场上流行了很多年"斜杠青年""T 型人才"，AI 时代这些还成立吗？

阮良：从本质上说没有根本变化，但侧重不同。

我们以前评价一个年轻人是T 型人才——通常 T 上面的横杠是有限的，你有别的爱好、别的知识，但受限于人的脑力和时间，横杠不会伸得太长。但 AI 加持之下，这根横杠可以放得很大。

不过我一直想强调——那根竖线其实也非常重要。竖线决定了你的专业性。竖线够深，你的审美、判断力才会真正涌现出来。这种更专业，很多时候反而是 AI 取代不了的。

肖钰妍：我作为一线业务负责人，最直接的体感是——招人比以前更难了。

今年我最难招的岗位是 FDE（Forward Deployed Engineer，前沿部署工程师）。我们内部把它拆成三个岗位：需求分析师（理解客户业务）+ 实施交付 + AI Coding。

要求的人的能力会非常综合——需求理解 + AI Coding + 落地实操。这三个能力一叠加，市面上的人才就少一大半。

阮良：这让我想到一个特别形象的比喻——AI 时代招人有点像相亲。

我年薪 10 万，要求另一半 15 万，不过分；我 1 米 6，找 1 米 7 的，不过分；要求父母有退休工资，不过分；要求长相看得过眼，不过分——每个条件单看都不过分，但 4 个 5 个不过分的条件加在一起，就过分了。可筛选的人群就变得极少。

乔圣有：从 HR 视角我补一层。做人才评估最经典的是"冰山模型"——冰山上是能力和技能，冰山下是特质和动机。AI 来了之后，冰山下的部分变得更关键了。

网易今年重新定义了一个"六力模型"——如果把一个人才想成一辆车：

最底下是燃料——自驱力。特别在 AI 时代，你能不能持续学习、持续拓宽横杠，很多时候不是靠别人告诉你，而是靠自己往前走。

中间是引擎——洞察力、结构力、判断力。能不能发现动向、能不能把复杂事情结构化、能不能判断哪些该做哪些不该做。

最上面是方向盘——审美力、标准感。知不知道什么是好的、能不能把"好的样子"沉淀成可量化的标准。

阮良：六力其实很好地回答了一个问题——为什么两个同学，给他们同样的 AI 工具，产出效果会差好几个量级？AI 提供了很强的专业技能。但你能不能用得好，反倒跟你底层的自驱、审美、判断、洞察相关。这些恰恰是 AI 短期内没办法替代的。

乔圣有：我举一个反向的例子。去年我们招 SRE（站点可靠性工程师 / 网站可靠性工程师），来了一位做了 15 年、非常资深的候选人。他们公司也很焦虑，让他们做了很多运维 Skill。他跟我分享说他们团队已经做了 15、20 个 Skill。

我当时问了他一个问题，他完全就愣住了——"做了 15 个 Skill，从你的视角，哪一个 Skill 是最有价值的？"他完全没思考过这个话题。他还是在顺着"我是做运维的，我要盯报表、盯预警、于是我做一个 Skill"这个惯性——但从没问过自己"为什么做这一个Skill"、"这一个Skill到底有没有价值"。

这个"从没想过"的部分，恰恰就是冰山下最缺的洞察和判断。当 AI 让供给端变得非常充足的时候，想都不想直接去做，看似产出很多，但真正对业务有意义的部分可能是零。

AI 应用力 L1-L5：你的组织走到了第几层？

乔圣有：除了六力模型，网易内部还有一套模型专门定义"人与 AI 的协作深度"，我们叫它"AI 应用力"，分 L1 到 L5 五层：

L1 单点问答——把类似豆包的AI当成小助手，处理孤立的单一任务；

L2 结对协作——围绕自己的工作场景构建一个 Skill /Agent 并用起来；

L3 流程驾驭——把 AI 嵌入到一段完整的工作流里；

L4 系统架构——Agent 开始跨系统、跨部门协作；

L5 AI 生态构建——构建一整套系统，把绝大多数工作自动化，人只在关键节点做判断。

阮良：我觉得自己在L3 到 L4 中间——L5 基本还没人能达到。

举一个 L3 的场景。做管理者最痛苦的一件事，是被"小事"淹没。我在协同办公里随口跟同事交代过一个任务，可能这个任务对我来说很重要，但我自己会忘、对方也可能会忘。

能不能做一个 Agent，帮我们跟进度、催进度？我叫它"数字 PM"。它可以定期扫描我跟所有人的对话，识别哪些是任务、进度到哪里，自动同步到看板。

我们经常说管理者最重要的素质是"抓大放小"，但残酷的现实是——所有管理者身边都充斥着"小"，让他没有时间去思考那个"大"。AI 的一个巨大价值，就是让"小"消于无形，让管理者能腾出脑力去抓真正的大方向。

肖钰妍：我分享一个自己比较“得意”的实践——我在 POPO 里做了一个"网易智企·云商总经理数字孪生"知识库。

我把过去两个月的每日日报都放进去，然后跟这个知识库说："请你阅读这些日报，反向总结一下'网易智企·云商总经理'的工作职责和工作内容。"它给出的定义还蛮准的。然后我进一步问它："基于这些定义，你告诉我哪些工作可以被 AI 化？"它给了我大量的可 AI 化的部分。

判断最终还是要在人身上，但当我某个具体决策上下文不够的时候，AI 会给我更多视角。

翻倍陷阱：个人快了几倍，团队只快 10% 的解法

乔圣有：说到 AI 落地，两位都提到过一个反直觉的现象——个人效率提升很明显，但组织整体产出远小于预期。这背后的原因是什么？

阮良：这个案例我印象非常深。我们有个产研团队一直做得比较精细。他们有个统计——一个中等颗粒度的需求，从开始到上线，平均是 20 天。

2025 年下半年 AI Coding 过了一个明显的拐点。我们的很多工程师个人 AI Coding 效率至少翻倍，厉害的翻 3 到 5 倍。

但统计下来——一个需求从开始到上线的平均时间，只从 20 天缩短到了 17 天，只提升了 10%。非常反直觉。

后来复盘发现——问题不在人，而在流程。团队还在用传统的瀑布式开发流程：定高、开需求会、排期、开发、QA 介入、部署上线……中间大量的"专业分工带来的对齐"，在 AI 时代其实是严重的浪费。

后来我们做了一件事——推行SDD（Spec-Driven Development，规范驱动开发）：把所有环节的产出物用 Spec 来对齐，中间的大量执行环节交给 AI。产品可以往后做一部分开发，开发可以往前做一部分产品，所有的中间产物都要"对 AI 友好"。

改造完之后，效果非常显著——20 天缩到了 10 天。

所以我看一个业务有没有真的在用好 AI，核心不是看有多少人在用，而是看有没有哪些流程真的因为 AI 变了。你只是每个人都在打开 Cursor 写代码，那对组织来说，AI 只是提升了个人的舒适度，没有提升组织的产出。

AI 时代完美印证了木桶理论——短板会制约整个容量。而这个短板，未必是人，其实是流程。

肖钰妍：顺着这个话题，我讲一个"翻车"的经验。

云商上半年在推 AI 落地时，我们号召大家全员做 Skill。结果很快发现——大量的重复建设。光是"客户成功经理如何做 QBR"这一个场景，就有 10 个不同的 CSM 各自搓了 10 个 Skill——每一个看起来都能生成一份 QBR，但没有一个是"公认最好用的那个"。

我们一开始想中心化评审——找一个主管或专家打分。但很快就发现这条路走不通：专家的时间不够、上下文不够；一旦是"评委制"，大家还不服气——凭什么你说这个好？

后来我们换了一个思路——市场化涌现。

阮良：这个转变很关键。别再靠评委，靠数据来发现好的 Skill：

第一个信号：调用次数。一个 Skill 如果被调用的次数远超平均值，它大概率是有价值的；

第二个信号：跨岗位使用。一个 Skill 如果同时被销售、CSM、售前等多个岗位用起来，它大概率是"胜出"的；

第三个信号：不同人调用后的正反馈。

当 Skill 是被市场"投票投出来"的，你再去推广，别人也不会有阻力。

空中楼阁：AI 落地下面，必须先夯实木桩

乔圣有：云商上半年落 AI 时还遇到过什么"坑"？

肖钰妍：印象最深的是CSM 工作台——我们计划把过去分散在几个后台的功能整合起来，让 CSM 能一站式管理客户。

5 月，我搓了个 Demo，一周就搞定；跟研发对齐一个月能"握手"了。我原以为再一个月就能上线。结果一顿被暴击。

研发告诉我——要做客户 360：接客户订单数据、健康度数据、外部融资信息、CRM 跟进信息……这几个后台每一个都要装接口、打通数据、对齐口径。这一段的排期，一下就多了一个半月。

从5 月到今天，昨天我看进度才终于到一线能用得起来的状态。这就是从"个人 Demo"到"企业级落地"之间那道巨大的鸿沟。

阮良：这个体感太真实了。最近有一张图叫"AI First"——上面画满 Agent、各种 AI 产品，看起来很美好。但如果你水面下面是沼泽、或几根木桩、甚至没有木桩，那其实就是空中楼阁。

AI 不能建空中楼阁——下面必须夯实。要让上面运转得非常良好，你下面扎实的工作就是要花时间、花人、花资源。有大量的脏活累活，没有那么美妙。

这也是为什么我最近经常跟企业家朋友说——"我知道你很急，但你别急。"这件事不是一蹴而就的。你需要花大量脏活累活去梳理数据标签、口径、流程。

肖钰妍：这种"扎木桩"的活，对管理者本身的能力也是极大考验。一件事情不深入到一线，你根本看不到问题——只会觉得"AI 用了、效率也提升了"，但只有你扎得足够深，才能看出哪个流程该被变革、哪个人的角色要调整、哪些能力要增加。

当 FDE 走进客户现场：不仅是懂 AI，更要懂江湖

乔圣有：刚才我们主要聊了内部人才画像。但云商也在给客户直接提供 FDE 服务——让 FDE 走到客户现场去。这对人的能力要求是不是又不一样了？

肖钰妍：我会觉得对人的能力要求变得非常高。因为客户找 FDE 的前提是：他希望用 AI 改造原有流程——但他自己往往不清楚AI 现在的能力边界到底到什么水位，也不清楚自己业务里最核心的痛点到底在哪。

所以我们招 FDE，通常更偏向有技术后端理解的小伙伴——他知道 AI 的边界在哪里、幻觉在哪里、哪些环节必须走接口、哪些环节要用小模型或工程化的方式跟大模型配合。这些是"搞过 AI 落地"的经验层面。

但真到了客户现场，你会发现这类同学又不那么了解客户业务。不了解客户业务又分成两个问题——

一是干系人识别。"有人就有江湖"——同一个项目，IT 视角和业务视角的重点完全不一样。你必须识别出谁才是这个项目真正的 KP，来决定项目的成败。这是一种人际敏感度。

二是陌生业务的场景切入。即便是我们最熟悉的客服场景，现在的要求也不是"帮客服退换货"这么简单——而是要理解"某台机器坏了，维修流程怎么走"这种制造业细节。你几乎要理解制造业、理解它的每一个业务场景，然后找到关键问题去做落地。

人际敏感度 + 陌生场景问题识别 + AI 理解——三者结合，才能真的把事情落下去。人才要求瞬间就变高了。

阮良：这也回到我们今天的主题——正因为前面聊的这些不确定性、历史基建的这些木头桩子要给它拆清楚的问题，FDE 拿到的每一件工作都不是"我拿一个标准东西交付给客户就行了"。而且它拿的工具每天都在变化——每个月都有一个新的关键词，Skill、Loop、Harness……所以人的冰山下那个部分，反而变得更重要了。

杨三角：组织给要求，员工给自驱

乔圣有：我从 HR 视角把今天所有的讨论收一下束。我们专业里有一个经典模型，叫组织能力杨三角——组织能力由三个变量决定：组织要不要求 + 员工会不会 + 员工愿不愿意。

我们刚才聊的所有机制——榜样、许愿池、涌现筛选、扎木桩——本质上是组织在提供"要求"这一角。网易同学还挺幸运的，公司每天都给最好的 Token、最好的 AI 工具可以用。

但另两个角就更依赖员工自身了——

"愿不愿意"取决于自驱力：你有没有主动的意愿，或者在半被强迫的背景下，能不能把这个事情扛下来、做得到。

"会不会"取决于主动学习。特别在 AI 时代，你没办法拿一本"AI 标准教材"去给员工赋能——因为每周、每天都在变。这两条只能靠员工自己。

收官建议：躬身入局、用最好的AI、干中学

乔圣有：假设三年后，AI 工具就像今天的 Excel 一样，是每个职场人都会用的"基础技能"——面试时不会再说"我的 Excel 能力很强，所以我值得高薪"。到那时候，你希望团队里加入什么样的人？

阮良：我觉得跟今天的六力不会有本质变化，只是标准会往上抬。

我很小的时候听过一个段子——上海有一位出租车司机，收入远远超过所有同行。大家开的都是同一款车、走的都是同一条路，为什么？因为他洞察出了别人看不到的规律：他会去某些国际酒店"蹲手"，那里的老外通常要去机场；机场路程长，单车 ROI 高，还可能有小费。

AI 也是一样。当所有人都在用同一套 AI 工具时，最终拼的还是使用工具的人——他有没有更好的判断力、更强的洞察力、更深的好奇心。

阮良：我还想补一层——AI 时代还会带来一个"表现力平权"的时代。

以前评价一个员工，一定包含"表现力"——你能不能在公开场合表达清楚、能不能镇得住客户、能不能在会议上争到资源。这一项对 e 人非常友好，对 i 人就非常不友好。

但在 AI 时代，"表现"不等于"表达"。你可以用一份精心结构化的文档、一个精美的 Demo、一段清晰的 HTML，让对方——无论老板还是客户——瞬间理解你的价值。AI 平权了"表现力"，让"没被看见的 i 人"被看见。

乔圣有：最后，请两位每人给正处在 AI 焦虑里的个体、老板、管理者一句话建议。

肖钰妍：我的建议是——干中学。找一件很小的事、一个眼前能看得到的痛点，用 AI 做一次落地。永远只在岸上看游泳教学视频，是学不会游泳的。

阮良：我的建议是——躬身入局，大胆使用。可能几年前，很多人对 AI 或先进技术会有距离感，甚至这种距离感会产生某种恐惧感——但 AI 不是这样的。AI 时代能让所有人得到非常快速的正反馈，哪怕你只是打开豆包搜个东西。只有你自己上手用过，才知道 AI 到底能干什么、不能干什么。有了这种强体感，你才可能真正让 AI 落到你的公司、团队和组织里。

乔圣有：基于我们今天聊的所有内容，我留下一个 slogan：

AI 时代人才价值=个人能力 × AI 能力。这是乘法，不是加法。

如果你的个人能力是 1.1，AI 能力也是 1.1，你就是 1.21 倍的复合增长。但如果个人能力只有 0.8，AI 能力也只有 0.8——那你在组织里的价值就只有 0.64。

为什么是乘？这是一个放大系数——它也可以是个缩小的系数。两个变量，都是每个人自己的功课。

肖钰妍：顺着这个 slogan 我再补一条——可以尝试对自己去做建模。把你的日常工作告诉 AI，让 AI 告诉你还有哪里可以提升；同时反过来问 AI："AI 不能替代我的部分是什么？我的核心竞争力在哪里？"建一个孪生过的自己，让它成为你的一面镜子。

阮良：最后我给所有一号位、CEO、主管一个具体建议——一定要用几次最好的 AI。可以是 Claude、可以是 GPT。你不亲手用过最好的 AI，就不知道 AI 的能力边界在哪里，也就没办法判断 AI 能不能真的落到你的公司里。

第二个建议——尽可能建立自己的知识库。把你的日报、思考、方法论都放进去，让 AI 学你。跟第一个建议结合在一起，你会发现意想不到的一些惊喜。

回到开头德鲁克那道悬了几十年的老题——如何提高知识工作者的生产率。AI 给了这道题一把钥匙，但也让它更复杂了：个人层面翻倍不难，难的是让整个组织跟上。

一号位撞上的三堵墙——人、判断、流程——本质上是同一堵墙：冰山下的能力。个体靠的是不断把横杠拓得更宽、竖杠扎得更深；公司靠的是拆掉过时的流程，把经验蒸馏成不随人走的资产。

AI 每天都在变化。但那些不变的东西——审美力、洞察力、标准感、结构力、判断力、自驱力——才是真正的护城河。