人工智能的出现和快速发展正在从根本上改变这个世界以及人类在其中的角色。人工智能正在承担越来越多直到最近还被认为是人类专属智力工作的任务：分析信息、寻找规律、撰写文本、处理数据和生成创意。然而，技术转型的悖论在于，随着机器能力的提升，人类特质的重要性并未减弱——发生改变的是其价值的本质。实际上，人工智能正将我们带回如同文艺复兴时期的全才理想：要求人们突破狭隘的专业限制，不断重构已掌握的能力组合，包括彻底摒弃那些“已失效”的技能，持续发展技能体系，并强化分析思维。所有这些正成为全球劳动力市场最核心的要求。
银行家、金融家兼VTB管理委员会副主席德米特里·布雷滕比赫尔探讨了未来几年哪些能力将决定职业价值，为何人工智能不会取代人类的专业知识而是改变了对其的要求，以及当今亟需培养哪些技能。
人工智能辅助翻译
摄影：维亚切斯拉夫·诺维科夫
不久前，职业生涯的发展轨迹看起来还相当线性：接受教育、第一份工作、积累经验、承担更多责任。职业可能会改变，但其内在逻辑始终如一：一个人掌握特定领域的知识，然后在接下来的几十年里将这种专业知识转化为职业价值。如今，这种模式正开始迅速发生转变。根据 World Economic Forum 的估计，到 2030 年，劳动力市场所需的关键技能中约有 39% 将发生变化。约有 9200 万个工作岗位可能会消失，但同时将出现约 1.7 亿个新岗位。也就是说，这与其说是就业岗位的减少，不如说是就业结构的重大重组。与此同时，大约 59% 的员工将需要重新接受培训。
在讨论人工智能时代的劳动力市场时，核心问题不在于这项技术会消灭多少个职业。更重要的是：在大部分常规脑力劳动已被自动化的经济环境中，人类应该具备怎样的特质才能继续受到市场的青睐？答案正逐渐浮出水面。人类的价值正从“掌握了多少知识”向“如何思考”、“如何与技术协同工作”以及“能多快重塑自身的职业模式”转变。
在新经济中，仅仅做一个优秀的专家已经不够了。这并不意味着专业知识正在失去其重要性。相反，对专业领域的深入了解依然是基础。然而，现在仅有基础是远远不够的。我们可以将新的能力大致分为3组：
第一类——技术类：分析思维、数据处理、人工智能、系统思维。它们的特点在于，这里的工具更新换代非常快。
第二是人类技能：领导力、沟通能力以及应对变化的能力。它们之所以变得更有价值，正是因为将其自动化的难度要大得多。
第3——元技能：学习能力、创造力和跨学科能力。它们决定了一个人掌握其他所有事物的速度。
由此得出一个相当简单的结构：技术技能需要不断更新，人类技能需要深化，而元技能则是整个系统的乘数。正是这种组合，成为了人工智能时代最核心的人力资本。
在雇主所看重的技能中，分析思维位居榜首。原因显而易见：信息量越来越大，而人类理解信息的能力依然有限。人工智能已经能够搜索信息、撰写文本、生成图像和编写代码。但拥有答案并不意味着找到了正确的解决方案。我们仍然需要能够界定问题、提出假设、评估证据、区分相关性与因果关系的人，最重要的是，这个人要能提出质疑：得到的答案真的正确吗？我们交给机器的决策越多，人类判断的价值就越高。分析思维首先是对第一个显而易见的答案提出质疑的能力。
如果说过去经验是效率的主要来源，那么现在，部分积累的经验已经可以融入技术之中。那些能够正确为AI设定任务、批判性地检验结果，并将其整合到工作流程中的人，开始占据优势。因此，最核心的问题不再是“AI是否会取代人类？”，而是“AI会让哪种人变得更强大？”
Capital One 的发展历程很好地印证了这一逻辑。该银行将信用卡业务转化为一场持续的实验，不断测试不同的利率、额度以及与客户沟通的方式。过去管理层常说“我们认为”，如今则形成了一种“我们已经验证过”的企业文化。数据分析不再仅仅是辅助工具，而是深度融入了商业模式本身。在人工智能时代，这一原则变得尤为重要。机器固然能大幅提升分析速度，但仍需要有人来准确地提出问题，并真正理解分析结果背后的实际意义。
增长最快的技能是运用人工智能和数据。在这里很容易陷入一个误区，将AI素养仅仅等同于在聊天机器人中写出好提示词的能力。实际上，情况要复杂得多。AI素养要求理解模型的功能与局限性：它擅长做什么、在哪里容易出错、如何验证结果、可以向其输入哪些数据，以及在使用过程中会产生哪些风险。
埃里克·布林约尔松及其同事的实验极具代表性：在客服部门使用AI助手使生产力提高了约14%，其中经验较少的员工受益最大。这项技术不仅加快了工作速度，还缩小了新手与经验丰富的专家之间的差距。这改变了职业优势的内在逻辑。如果说过去经验是效率的主要来源，那么现在部分积累的经验已经可以被嵌入到技术中。现在的优势属于那些能够正确向AI下达任务、批判性地检验结果并将其整合到工作流程中的人。因此，今天的问题已经不再是“AI是否会取代人类”。更有趣的问题是：AI会让哪种人变得更强大？
经济越是复杂，孤立看待问题的解决方案效果就越差。供应链、气候风险、数字化转型、人工智能——这些都是具有多重反馈机制的系统。改变其中一个元素可能会引发远远超出最初问题范围的后果。因此，系统性思维的重要性日益凸显——这是一种不局限于孤立事件，而是洞察事物间联系的能力，能够理解副作用，并找到只需微小干预就能改变整个系统的关键点。
Kodak 的历史成为了这种错误的教科书式案例。该公司自己开发了最早的数码相机原型之一，但数字技术被视为对其现有胶卷业务的威胁。在单一决策层面上，维持成功的商业模式看似合理。但在系统层面上，这却成了一个战略陷阱。
矛盾之处在于，公司其实拥有所需的技术。但他们缺乏的却是另一环——预见一个元素的改变将如何重塑整个市场的能力。系统性思维恰恰能让人从追问“正在发生什么？”转向思考“这个决定接下来会引发什么？”。
数据常被称为新石油。对于现代经济而言，或许称其为燃料更为准确：只有当数据转化为决策时，其价值才会显现。你可能拥有TB级的信息，却不知道该如何利用。反之亦然——一张被正确解读的表格足以改变公司的战略。因此，除了技术技能外，数据工作还需要批判性思维。必须了解：数据从何而来？它们没有包含什么？它们存在哪些固有的局限性？所发现的相关性是因果关系，还是仅仅是巧合？
美国零售商Target的案例则展示了问题的另一面。通过分析购物模式，该公司能够以极高的准确率推断出女性顾客是否怀孕，甚至比她们的亲友察觉还要早。从数据分析的角度来看，这是一个令人惊叹的成果。但从商业和社会的角度来看，这引发了另一个问题：利用数据的能力与个人隐私权之间的界限究竟在哪里？分析工具越强大，犯错的代价就越高，其应用背后的伦理道德也就越发重要。
如果近40%的核心技能在短短几年内发生变化，那么转型就不再是一个独立的项目，而是企业和公司的常态。新的CRM系统、数字平台、算法或组织架构可能在技术上完美无缺，但依然可能无法发挥作用。原因很简单：只有当人们明白为什么需要这样做，并准备好接受这些改变时，他们才会改变自己的行为。也就是说，技术的引入始终是一项兼具技术性和人性化的任务。
转型成功与否的区别，往往根本不在于软件产品的质量。在一种情况下，企业会提前让员工参与进来，向他们解释变革的意义，并提供掌握新工具的机会。而在另一种情况下，仅仅是宣布新的工作流程。表面上系统已经上线，但人们依然按照老一套的方式工作。如果不改变人的行为，技术转型本质上就只是安装了一套新软件而已。
在信息过剩的时代，沟通已成为所有其他技能的核心助推器之一。你可以做出精彩的分析，但如果无法向决策者解释清楚，你的分析工作就不会产生任何价值。你可以制定出强大的战略，但如果团队不理解其意义，它就只能是一纸空文。沟通不是长篇大论或辞藻华丽的说话技巧。它是一种在不破坏原意的前提下化繁为简的能力。
史蒂夫·乔布斯发布第一代iPhone的演讲很好地展示了这一逻辑。观众得到的不是一长串技术规格，而是一个简单的概念：三款不同的设备，实际上合而为一。首先确立的是意义，其次是情感共鸣，最后技术规格才作为支撑的证据。在一个AI能够生成几乎无限内容流的世界里，占据优势的并不是说得最多的人。优势属于那些能够精准阐述核心要点的人。
还有一个值得重新审视的迷思：创造力是与生俱来的天赋。事实上，创意思维是可以训练的。它不仅源于灵感，也源于提出大量方案、整合零散想法以及快速验证假设的能力。在这里，AI恰恰成为了合作伙伴，而非竞争对手。当机器接管了常规性的工作，人类就能腾出更多空间去探索新问题和尝试新组合。
Netflix的故事在这个问题上非常有代表性。这家公司并没有无休止地去捍卫那个曾为其带来利润的模式。它开始投资流媒体，随后又投入到原创内容的制作中，实际上多次改变了自己的商业模式。在这种理念下，创造力并不在于一劳永逸地想出一个天才的主意，而在于愿意不断质疑自己已经取得成功的模式。
任务越复杂，就越难以在单一学科内得到解决。只懂财务的财务专家、只懂营销的营销人员，或者不了解用户行为的技术人员，都会受到自身专业视角的局限。在这种情况下，T型人才变得最有价值——他们在某一领域拥有深厚的专业知识，同时在其他领域拥有广泛的知识体系。新的解决方案往往在学科的交叉点上产生：财务与心理学相遇，医学与数据结合，工程与设计交融。
斯科特·佩奇关于思维模式多样性的研究在这里提供了一个重要的认知框架：在面对复杂任务时，思维方式的多样性能够让团队相比于具有相同专业逻辑的群体更具优势，即使后者中的每个人单独来看都极其强大。换言之，复杂的世界需要的不是一种完美的思维方式，而是多种不同的透镜与视角。
所有列出的技能都有一个共同的基础——学习能力。如果近一半的技能在几年内发生变化，那么仅仅依靠已经积累的知识资本来建立职业生涯将是不可能的。我们不仅需要不断获取新知识，还要放弃那些直到最近还在起作用的东西。在这里，我们需要领会一个重要的观点：学习能力不仅是学习新知的能力，也是忘却旧知的能力。经验可能是一种优势，但也可能变成一个陷阱。一个人按照特定模式工作的时间越长，将习惯视为正确的风险就越大。因此，现代职业的稳定性不是由积累的经验量决定的，而是由其更新的速度决定的。
学习研究表明，仅仅反复阅读材料往往会产生一种掌握知识的错觉，而不是真正牢固地吸收。主动回忆、间隔重复以及带有反馈的练习则要有效得多。这一逻辑的适用范围远不止于教育领域。如果专业人士想要保持竞争力，就需要定期将自己置于尚未掌握某些技能的境地中。
人们很容易陷入一种诱惑：为未来的各项能力进行排名，然后开始逐一掌握它们。但这其实是一条死胡同。在实际工作中，技能并非孤立地创造价值，而是通过相互组合来发挥作用。分析思维加上数据，能转化为得出因果推论的能力。学习能力加上AI，使我们能够在几天而非几个月内掌握新工具。领导力加上沟通能力，能够建立起推动变革所必需的信任。创造力加上跨学科思维，使我们能够突破常规的专业模式去寻找解决方案。
因此，发展能力的意义不在于收集一堆证书，而在于构建一个相互促进的能力系统。由此得出一个实用原则：在实际任务中同时学习2项技能，远比抽象地、按顺序学习10项技能更有效。
如果将上述内容归结为一个公式，那就是：未来不属于狭隘的专业化，而是思维方式、人工智能素养和人类技能的结合。这并不意味着专家会消失。相反，深厚的专业知识仍然是必不可少的。但它的作用将会发生改变。对未来专业人士的要求，不再仅仅是比别人懂得多，而是要能够将深厚的专业知识与数据分析、技术、沟通能力以及持续学习结合起来。
从这个意义上说，人工智能并没有消除人类的价值。它迫使我们重新界定其边界。同时也剥夺了职业作为教育终点的地位。职业变成了一种暂时的技能组合。因此，未来几十年最具前景的策略，并不是去猜测2050年哪些职业会有需求。这几乎是不可能的。更明智的做法是培养一种能力，确保自己在任何职业变迁中都能保持竞争力。
