首页关于我们协会动态HR资讯人物访谈学术沙龙会展与培训友好往来会员专区HR社区
 
 
   
您的位置:中国人力资源协会 >> HR资讯 >> HR新闻
 
 
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?
来源:  发布日期:2026-10-23

  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。

 
[1] [2] [3]
 
 
 
 
首页  |  关于我们  |  协会动态  |  HR资讯  |  人物访谈  |  学术沙龙 |  会展与培训  |  友好往来  |  会员专区  |  HR社区