稀缺的，到底是懂AI的人，還是懂業務的人？

一個反直覺的判斷——懂AI這件事正在快速貶值，而能在關鍵低頻決策中做出判斷的人，才是未來的稀缺品。高頻重復的工作最容易被AI替代，但在打造爆品、建立品牌等低頻高影響力的決策上，人的判斷依然不可替代，企業AI轉型的最大卡點也不是技術或數據，而是“想不到應用場景”， 當前AI的利潤大頭仍在基礎設施層，應用端的ROI尚未完全釋放，但拐點會比預想來得更快。

以下為圓桌對話內容，經36氪整理編輯：

鄭王宇丨36氪基金投資副總裁（主持）

龔毅丨尼爾森IQ 通信及科技業務總經理

羅飛丨華科智能AI研究院院長

林海卓丨卓源亞洲創始合伙人、董事長

鄭王宇：各位老師好，我們今天一起討論“當AI進入產業前線：未來最稀缺的AI人才會是誰”，誰會是行業的新貴。把行業翹楚聚集在這里很難得，請各位嘉賓用一句話亮個相，并帶著您的視角參與接下來的討論。

龔毅：大家好，我是尼爾森IQ的龔毅，我們所處的行業是數據洞察行業，今天我談論的點從這個行業出發。

羅飛：大家好，我是華科智能的羅飛，是一家港股上市公司，主要做投資。我所在的研究院主要是賦能傳統行業的AI轉型，做培訓、咨詢和陪跑。我們有很多傳統老板怎么升級的痛點，今天也跟大家分享一下。

林海卓：大家好，我是卓源亞洲的林海卓，我們主要是一家聚焦于人工智能、半導體、機器人的投資機構，聚焦于風險投資市場。主要投了輕舟智能、江行智能、沐曦集成電路、小馬智行這些代表性的硬科技項目。

鄭王宇：三位專家都是不同的視野。在過去一年里，AI從模型能力的競賽進入到產業場景落地的環節。我們現在看，無論是消費零售、企業管理、制造、金融、醫療各行各業，包括創業投資，AI的價值不僅取決于模型參數和技術指標，更取決于是否能夠進入真實的業務流程。說得大白話一點，現在的AI要進入整個產業的前線，影響決策執行甚至是商業落地的結果。這個過程中，新的問題就變得更加迫切了——當AI工具變得越來越普及，真正稀缺的人才是什么樣的？最后一個圓桌，希望從企業競爭和人才角度出發，討論AI抵達產業前線的戰壕后，人與機器、專家與工具、組織與個體之間整體的分工與變化。

先進入第一個問題。在這個過程中，不只是讓員工多一個工具，而是開始影響到消費者洞察、產品創新、供應鏈、渠道運營、客戶管理等決策環節。哪些工作在各位的視角看來是最容易被AI重構的？哪些環節適合AI，但實際落地又是最難的？先請林總。

林海卓：我們目前有一個觀點，在投資過程中，好的問題提出者依然是有壁壘的。目前來看，知識高度密集型的領域天然有一個特征，知識體系比較容易進行結構化描述，技術結構用代碼化去表述，相對會有一個清晰的邊界和對與錯的判定，在這樣一個邏輯下，比較符合現在人工智能解決問題的范式。像會計師、律師、程序員，在當前的情況下是比較容易被新技術替代的。但好的問題提出，還是需要人的引導。我們現在看到的是機器人、各種各樣的Agent，包括喂養龍蝦，還是需要從0到1推進的那一步，讓它更好地做某一個你給它限定范圍的事情。各個行業提出問題，或者結合這個人本身在行業中過往的經歷，提出交叉學科前沿的想法，引導一個模型朝著這個方向積累，是未來比較容易構建個體壁壘的事情。

大家更容易理解的是，圍繞著體驗的領域或者是情感領域、感性層面，心理學家、心理咨詢師是不是也被AI替代？旅游體驗師、旅游導游和具身智能場景相結合，具備豐富個性化、場景化體驗的這部分，AI替代還有相當長的距離。從從業角度，AI更好的是賦能，而不會馬上進行職業替換。大概這兩個維度。

鄭王宇：投資人的視角相對宏觀和全面，深入到每個行業的細節，羅院長，您在實際觀察產業落地過程中，哪些行業容易被AI替代，哪些環節比較困難？

羅飛：現在AI 2.0我們在應用AI大模型的能力。AI大模型本質上是推理引擎，我們認為以前人在推理的地方，都能挖掘到很多應用場景，看推理的過程是不是由AI來做。我們總結三個特征。重復，才有用AI的價值；標準，每次推理、思考、行動的過程有標準可言；熟練，是指這個企業里有熟練的人能把這個工作說清楚，我們需要把熟練的人的經驗萃取出來，給AI大模型配好工具，讓它來替代這個事情。這是一個維度。

另外一個維度是工作環境。越是在電腦前工作，越容易被替代；越是跟人打交道的工作，越不容易被替代。在電腦前重復地查資料、想方案，不管是寫成Word還是PPT、Excel，重復的查、想、寫的工作，龍蝦發展的能力越來越強，又能夠控制電腦去做這個事情，電腦前的工作就會越來越容易被替代。越靠近人的、越靠近市場的，越不容易被替代。我們看見人的能力要往左移，左邊是市場、客戶，右邊是后臺流程，人的能力加上AI過后要不斷往左移。

鄭王宇：意味著溝通、協作、洞察變得更重要了。我提煉出您說的三個關鍵詞，重復、熟練、標準，有這些特征的環節更容易被替代。龔總。

龔毅：我的點和前面的嘉賓一致。我們服務的客戶是500強客戶，服務的領域基本上在品牌營銷、產品創新和零售以及客服方面。我們看到的點會把它化為矩陣：一個軸是頻率，兩位嘉賓都談到高頻和低頻。

另外一個軸是決策的戰略性、重要性。最容易被替代掉的，頻率越高會有大量回饋，數據很多，AI很容易學到經驗，每次往復會做強化學習，AI能學到。對于低頻，尤其是低頻重要性高的事，很難替代掉。為什么在品牌營銷領域會看到大量的廣告投放復制，自動化程度非常高？從最初的創意到創作，到KOL投放，評估閉環，很運營化了。直到今天，我們仍然是說，你要做具有溢價的高端化品牌，做年輕人的品牌，或者在跨國文化、西歐、印度出海的時候，跟當地消費者引起共鳴的品牌，頻率不高且影響巨大的事，我們還是看到AI很難解決，這是整個社會很稀缺的事。

鄭王宇：下一個問題，現在企業AI能力的落地阻力來源于哪里，是來源于技術、數據積累，還是組織慣性導致的？龔總可以從服務客戶的角度來講這個問題嗎？

龔毅：基礎肯定是數據。直到今天，我們的AI已經會上搜索，已經會執行很多工作流，從skill的角度已經達到七八十分的水平，但仍然有很多幻覺在里面。幻覺本身基于我們怎么把有效數據給AI，在對的工作流基礎上不會產生幻覺。在行業通常會發生的事，大家覺得以后不要做調研了，有一個想法不用做調研，只用問一萬次AI，那就代表一萬個消費者，我是不是可以基于這一萬個調研，就形成我這款手機、冰箱是不是可以在市場上有比較好的表現？我們做了大量驗證，會發現不是。

第一個，你問AI是不是足夠有代表性；第二個，每一次問AI，它是不是嵌入到我們具體的數據來回答問題。比如你是丁克或者四世同堂的家庭，你回答問題的時候，AI是不是代表了這些人的需求。最后加總起來，回到消費者說十分，九分是特別喜歡，九分到底是代表市場成功還是十分才能代表成功？一系列專業的點不合成起來，就會發現你問的東西都似是而非。不夠高頻的情況下，企業很難決定我是信還是不信。我舉這個例子，總結起來，企業本身的流程會有很多專業點，這些專業點需要被解決，或者被AI解決，或者被其他方面解決，但AI賦能整個流程有很多要求。

鄭王宇：羅院長，您覺得整個AI在公司里落地，阻力來自于哪里？技術、數據還是組織慣性？

羅飛：更多來自于組織。我們看到AI技術每年發展突飛猛進，做AI行業技術的人都會感覺馬上AGI都要來了，AI的能力一年比一年強。但企業落地，我的感知沒有那么快。企業落地還是有很多阻力，還是組織對于AI的認知。我們過去兩三年服務了十多個行業里的龍頭企業，這些龍頭企業偏傳統，比如地產、金融、大健康、餐飲。我們都會調研一個問題，我們認為AI在企業里落地有兩個卡點：粗階卡點和高階卡點。粗階卡點，企業想不到更多的應用場景。大家都說AI很厲害，回到企業，我問這些企業的員工或者老板，你們能想到多少應用場景？他們想不到更多的應用場景，我們稱為粗階卡點。高階卡點，企業可以落地應用場景，但落地以后不見成效，投入不見成效，內部員工不愿意用，外部客戶也不愿意用。

我調研發現，雖然AI技術發展很快，入企發現大量還是在粗階卡點。AI的能力已經這么強了，從業者都覺得能力這么強了，大部分企業還是說找不到應用場景，這是最大的卡點。找不到應用場景很大的原因是企業沒有把對AI的認知拉起來，也沒有深入業務分析，或者有慣性思維。現在AI處于AI 2.0，大部分企業有1.0的思維，認為用AI必須要有數據。

我們提出一個核心的觀點，企業AI轉型實際上是人才轉型。企業要從數字化思維跳出來，形成AI思維。數字化思維阻礙了現在很多企業去落地，認為落地AI有很多前提條件，要數字化，要好，要有數據，要有技術。這些前提條件都阻礙了企業把它的應用場景認知給打開。這是我真實體驗到的巨大卡點。

鄭王宇：越大的公司，阻力來自于組織機構的越多。不知道創新公司怎么樣，您觀察到的呢？

林海卓：我們從整個行業來看，投資回報率還沒有那么高。很重要的原因，在歷史上是可以找到對應階段的。在2000年互聯網泡沫之前，曾經有一度全世界市值最高的公司是思科。在互聯網早期，谷歌等很多企業誕生之前那段時間，造互聯網高速公路，核心交換機曾經做到過市值最高的企業。英偉達、博通都在這個市值占據主要位置，恰恰說明了人工智能大的利潤來源，我們感覺到還是用于構建基礎設施。很多時候投入人工智能，無論是企業還是超級個體，在投入人工智能做投資的時候，ROI相當一部分成本變相還是給到了基礎設施。至少當前是基礎設施拿到了相當大的利潤，也跟目前全球范圍內德意志銀行今年年初說的一句話相符：短期缺算力，中期缺能源，永遠缺存儲。這反映出在人工智能發展的現階段，基礎設施還是切走了大部分投資端、利潤端，應用還是在不斷追趕的過程中。

大家接觸到的大模型，如果泛化到絕大多數的網民，大家接觸到的大模型或者人工智能，更多還是搜索引擎的平替。現在打開腦海當中意識流想到的問題，不一定用傳統的搜索引擎，直接問DeepSeek或者元寶、千問、豆包，會產生這樣的效果。大家還是把AI當成一種檢索、搜索引擎替代的入口。真正接入到業務流端，煉鋼、煉鐵、重型工業、半導體、先進設計，借助一款人工智能的工具來幫助我在非常垂類的領域，無論是業務流側還是深度構建高精尖知識know-how，并且反向反哺我做這項工作，確實還早，至少兩三年的時間周期。因為大模型，這個領域的從業人員需要投喂大模型我感興趣的問題。在這個過程中，大家開玩笑說我還要PUA我的大模型，你怎么這個技術知識都不知道，我的意思這個問題應該怎么看。智能體接觸到以后，會不斷積累在這個垂類特有的知識庫結構或者行業常識的結構，投喂需要相當長的時間，但出現拐點也會比大家預想的時間節點要快。

整體來說兩部分：一部分是高精尖價值知識圖譜和垂直行業當中對應的信息，智能體還在投喂和培養；基礎設施是未來幾年大家主要關注的點，大基建并沒有做到冗余，變相的很多成本要由早期吃第一個螃蟹的人分擔，綜合影響了ROI。

鄭王宇：林總給了我們一個非常重要的提醒，任何一個行業的發展都要看到階段性，我們要分現階段和未來的潛力。現在AI會讓行業集中度更高，也有人說AI降低創新門檻。AI會讓頭部企業變得更強嗎，還是給新進入者更多的機會？

林海卓：您剛剛提的話題，我稍微有一點擔憂。最近有一本書很火，《科技共和國》，描述了我們能夠想象到的場景，超級科技巨頭，無論是數據能力各個方面，會出現我們現在想象不到的壟斷境地。絕大多數從業人還是處于——現在來看去找他工作的，我這個工作絕大部分的能力可以被AI替換以后，我會做什么？這是哲學、社會學層面需要探索的新方向。過往樂觀的人會說，失業的人總能找到新的工作，紡織機時代可以維修紡織機，不需要在一線做很多紡織工作，可以解放出來從事更多周邊創意行業，或者將機器應用在其他領域，有各種創新方式來解決這個問題。

但人工智能替代無論是白領還是藍領的工作，數量可能是指數級的。短期之內，投入到市場，未來相當多的原來崗位對應的人口，比如客服，這在中國有著六七百萬的從業人數；網約車司機、出租車司機，都是當前已經明顯看到替代趨勢的。這一部分的勞動者怎么解決？從國家層面能看到幾個跡象：依然大力提高高等教育的普及人群，解決這個問題不能讓打螺絲的人去打另外一種螺絲，而是讓這個人納入先進服務體系，進入服務行業，就需要這個人有更高的教育水平，還是普及大學的從業人數。

2033年會是中國高考這一波的巔峰。2033到2038年五年期間，會在極短時間內高考人數下跌40%左右。未來相當長的一段時間，怎么做學科配比調整，包括可能有一些大學天然的從業人數會消亡，這是引導未來從業者從業方向很重要的方式。我們現在的策略從國家層面來看，依然在大幅提高理工科的比重，我一定要在全球所有的高端技術領域都有最充沛的新一代20后、30后，這是國家宏大的戰略。會有更多的創意工作者，包括交叉學科方向的產生，來解決人工智能巨頭帶來的壟斷對更廣泛就業人群的影響，這是我們的考慮。

鄭王宇：林總已經提到了下一個環節需要討論的問題——AI時代該怎么培養和評估人才。羅老師，林總介紹了國家的政策等視角，您怎么看待我們這個時代應該如何培養和識別AI人才？

羅飛：怎么培養和識別AI人才，從教育開始。AI最應該影響教育。我有一個切身體會分享給大家。在教育方面我們在做公益，把AI帶給鄉村小學，這個事情我們覺得很有意義。山村小學的校長會有疑問，校長想到這個事情，但會質疑，身邊的人都跟他說，大城市學校投入很多錢落地AI都不成功，你一個山村小學為什么可以？學校老師質疑，他身邊的其他校長也質疑。這個校長還有一個點沒明白，他也去過大城市看過其他學校落地AI，做了很多智能體，做了很多展示，有什么用，他看不明白。很多時候市面上的智能體是套概念的智能體，真正的智能體可以干活，但這個智能體說不清楚能干什么活，就是套概念的智能體。我們不是做數字化的落地，不是幫企業建系統，我們是從人才出發。

第一個應該改變的就是學校老師。我們做公益，先讓鄉村小學的老師全員有AI技能、AI思維、AI能力，老師再想著怎么把AI帶到課堂，讓老師帶著AI，在有指導的情況下帶著孩子探索AI新世界。探索的方式、學習的方法，都跟原來完全不一樣。這個事情我本身不是教育從業者，我的初心是把AI帶給老師，讓這么多教育從業者、這么多老師，他們學會了AI過后，在我們的推動和共創下，這些老師會想出新的教育方式。從孩子開始，他們變成AI的原住民，真正掌握AI的能力，而不是以前死記硬背的能力。AI時代下，死記硬背的能力已經沒有效了。

未來對于一個人才的判斷，不是判斷這一個人的能力，而是判斷這個人背后的AI班底。他能指揮多少AI跟他一起干活，AI班底的能力，同時納入對人才的判斷。以后面試也是一樣，如果未來面試光說自己的能力，很難入職；如果能說出背后AI班底的能力，在AI時代就是能力很強的人。

鄭王宇：您剛才也提醒我們，我們現在也應該重視人才未來應該具備什么樣的能力。針對這一點，龔總，未來最稀缺的人才，您覺得是懂AI的行業專家還是懂行業的AI專家？在您的觀察中，什么樣的人容易把AI用出實際的價值？

龔毅：前面的話題，稀缺的AI人才，是懂業務的AI還是懂AI的業務？核心點是這個行業稀缺什么。十年以前大家說稀缺，你要學程序員，那時候在硅谷大廠會有很好的前途。今天發現代碼這個事可以被AI解決，這個能力不但自己和自己卷，還卷不過AI，這個能力顯然不稀缺了。林總講到，目前產業的紅利都在基礎設施，基礎設施這個事，不管我們怎么剖析英偉達的成功因素，最后導致目前芯片的供應、HBM的供應，都是被市場少數公司壟斷的。只要不在壟斷鏈的上下游，最后都會很難受。比如手機行業大家都很難受，HBM的產能導致手機內存很貴，導致整個手機產業鏈的人今年都會很難受，本質是相對不稀缺。

以這個為邏輯，我們認為懂AI這個事會逐步不稀缺，也許在今天稀缺，但這個能力相對來說比較可工程化，教育上也能夠可復制化。如果把注押在懂AI這件事上，幾年后會比較危險，就像寫代碼的人現在怎么寫也寫不過AI。懂業務的人，要看具體懂什么業務，高頻的業務也容易被AI解決。

基于這個邏輯我來推演一下：能夠在關鍵低頻但是在重要性影響很大的點上，具備綜合能力的人，這樣的人才是最稀缺的。比如在產品中能夠打造爆品的人，誰能說打造爆品的人能夠被AI替代？這個大家看不到可行的地方，需要溝通、協調、跨界。我剛才也提到，打造成功品牌的人，同樣也是很稀缺的人才。

在AI時代，這些人有一個前提條件，至少懂一點AI或者知道AI帶來的價值，他利用AI。這是我的理解。

鄭王宇：謝謝龔總，說到我們現在非常關心的問題。在各位嘉賓聊的過程中，發現AI已經從對話走向執行，參與到各個執行環節。羅院長也講到，AI不能干活是偽命題，無法深入到企業當中。

最后一個問題，在現在這個階段，我們看到AI能夠參與執行階段，人的核心價值體現在剛才各位說的方方面面。作為企業主，如何判斷哪些決策可以交給AI，哪些必須由人保留？在高風險、高復雜的場景中，人機分工是不是有一個邊界，以及他們如何劃定？

林海卓：我現在直接想到的，相對不太需要擔責任的領域，用AI的方式。比較嚴肅的場景，比如重大城市安全的方面，完全將核心決策能力交給AI，有一天可能會有這個時候，但中短期都難以實現。從社會的角度來看，提建議還是AI當前從權責利劃分來看最好的角色。

還有一個純粹的效率工具。上一波人工智能的主要應用當中，美團、滴滴，我單純想匹配一個離我最近的空車，整個過程也不需要涉及誰來擔責任，可以抽象為數學問題。抽象為數學問題以后，降本增效，更好地提升整個運轉效率，這些是我們認為AI跟人的劃分中，AI可以更多承接全部職責的。人類還是會做符合當前人性化或者是人為框定規則的輔助工作，或者對AI提供的若干建議做綜合判斷，補全信息漏洞，這是更好的方式。

從無人駕駛的角度，很多關鍵性技術現在已經較為成熟了，很多人詬病商業化速度沒有那么快，或者依然處于高度克制的推廣過程中。對于如何劃分權責這個事情，還是有很多法律層面、人性層面、科技效率層面的博弈。

鄭王宇：還是要繼續探究。羅院長，您在實操過程中，哪些可以交給AI，哪些必須由人來承擔？

羅飛：AI和人協作的過程中，我的思考和想法是，人腦在思考想到的工作，全都可以讓AI先干一遍。類似于拿體力勞動的工具，有鏟子、挖掘機，AI現在屬于鏟子還是挖掘機？這兩種工具的用法是不一樣的，用鏟子還要自己的體力，用挖掘機已經不需要自己的體力。AI現在的能力，大家對于AI的能力到底是鏟子還是挖掘機？如果洞察到AI能力，一定會認為它是挖掘機。它是挖掘機，我們現在很多工作就不要第一反應想著用人腦想一遍，感覺事情想清楚以后才能用AI，不是這樣的。反而是事情沒想清楚的時候，更適合用AI。AI用得不深，會覺得AI是輔助人干活；用得深的企業，會覺得人在輔助AI干活。AI知道自己怎么干，在干的過程中有卡點，人來解決這些卡點。

我覺得以后的工作方式會變，變的方式是，未來大部分人需不需要工作都會變，短期內有一定陣痛期，不知道人跟AI怎么相處，或者政策不明朗的時期。我們要看見，現在可能進入一個新的時代，新的時代類似于三百多年前人類從神學走向科學的時代。中國有上下五千年，有科學這個事情，全世界信仰科學只有三百多年而已，中國可能還不到三百年。以前人類全在神學，大家都信仰神學。AI發展到一定時候，有可能科學都變得不重要了，科學研究很多工作人輔助AI去做。人類會不會從科學走向新的世界？現在沒有定義，但是未來人的工作生活方式，就是新時代的開啟，完全不一樣。

鄭王宇：會有新的變化。龔總。

龔毅：我對AI的理解，目前還是概念模型。為什么可以把數學題本質解好，讓它100%達到這個目的，人不是很清楚。

回到我所熟悉的通常要解決的問題，怎么理解因果效應。比如你做了十件事，這十件事哪幾件能夠影響你最后的銷售，影響機制是什么樣的？AI基于這個非常不擅長，到底底層的模型是什么樣的，我們還看不到AI很好地解決這個事。我同意羅院長的說法，我們可以借助AI幫助人理解，但本質理解底層邏輯，人干起來還是最擅長的。

鄭王宇：AI進入產業前線，并不是簡單的工具迭代，需要人才培養、組織效率的迭代都能夠重構上。站在當下社會前進的腳步中，觀察企業如何變革，看未來整個AI行業如何發展，我相信各位嘉賓今天給了我們非常多的靈感，也啟發了我們的思考。謝謝各位嘉賓。

今天圓桌環節就到這里結束了，謝謝各位。