摩根大通把AI推向30万员工,职业体系正在发生什么变化?

最近，摩根大通因在LinkedIn最新职业发展榜单中位居第一，再次引发外界对大型企业人才培养模式的关注。

榜单本身并不是最值得讨论的部分。更具启发性的信息是，摩根大通正在把AI教育延伸至超过30万名员工，并尝试让AI进入员工日常工作，而不是将其局限在一条独立的培训赛道中。截至2026年初，约15万名员工每周使用其内部大语言模型；此前，摩根大通自主开发的LLM Suite在八个月内已经完成20万名员工的接入。

这组数字很容易被理解为一次大规模AI培训项目。

但从HR的角度看，真正需要观察的不是“培训了多少人”，而是AI进入普通岗位以后，员工职业发展的底层条件开始发生怎样的变化。

过去，企业谈职业发展，通常围绕晋升、轮岗、管理通道、专业通道、领导力项目和学历认证展开。员工的成长主要体现为职位上升、管理范围扩大或者专业资历加深。

今天，职位名称可能暂时没有改变，职位内部的任务却已经开始重新组合。

信息检索、材料整理、会议准备、基础分析、文档起草和部分代码编写可以由AI辅助完成；员工需要投入更多时间进行验证、判断、关系维护、异常处理和复杂沟通。一个人未来能够进入怎样的岗位，不仅取决于原有专业年限，也越来越取决于能否理解AI、使用AI、质疑AI，并在新的工作流程中承担更有价值的责任。

这使AI培训不再只是学习发展部门增加的一门课程，而是在逐渐成为职业发展体系的一部分。

大多数企业开始AI培训时，首先想到的是技能。

员工需要了解生成式AI的基本原理，掌握提示词方法，理解信息安全边界，知道企业允许使用哪些工具。这些内容是规模化采用AI的必要基础。

但如果培训只停留在“学会操作工具”，其对员工职业发展的影响通常较为有限。

员工可能完成了课程，也通过了考试，却没有机会在真实工作中使用AI；可能学会了生成文本，却不知道所在岗位的哪些任务适合由AI辅助；也可能通过AI节省了部分时间，但岗位职责、工作评价和职业路径仍然保持原样。

在这种情况下，培训增加了一项知识，却未必增加员工的职业资本。

所谓职业资本，并不只是员工知道多少概念，而是员工在组织内部和外部劳动力市场中能够持续发挥作用的知识、经验、能力与关系资源。它通常表现为员工做过什么项目、解决过什么问题、能够处理什么复杂度的任务，以及是否能够把一种能力迁移到其他场景。

这些数字说明，企业面临的并不是一场单纯的知识更新。

技能变化最终需要进入岗位转换、任务调整和人才重新配置。员工只有把新知识转化为真实工作经验，培训才可能沉淀为职业资本。

摩根大通的实践值得关注之处，也正在于AI培训与实际工作工具同步推进。

LLM Suite并不是一个只用于课堂演示的平台。员工可以在受控环境中使用大语言模型进行内容起草、信息整理和创意生成。随着应用深入，摩根大通还计划把更多内部数据和工作流接入平台，使其逐渐成为员工使用AI的统一入口。

在商业与投资银行业务中，超过90%的工程师已经使用AI代码助手，超过6.5万名员工活跃使用LLM Suite。AI还被用于交易筛查等业务环节：相关系统能够在人工检查数量减半的情况下，使审查规模增加一倍以上。

从HR视角看，这种变化的重要性在于，员工学习AI的过程开始与业务任务发生连接。

企业真正需要衡量的，不再只是员工“学过什么”，而是员工是否通过新工具承担了新的任务，并由此形成可迁移、可验证的能力。

传统职业发展体系通常呈现为一座阶梯。

员工从初级职位进入中级职位，再进入高级职位；优秀的专业人员转向管理岗位；管理者沿着团队负责人、部门负责人和业务负责人的路径逐级发展。

这种体系长期以来具有稳定价值，但它依赖一个基本前提：岗位边界和能力要求在相当长时间内保持相对稳定。

AI正在削弱这一前提。

同一个职位中的一部分任务可能被自动化，另一部分任务得到增强，还有一些过去由高级员工承担的工作，可能在AI辅助下提前交给经验较少的员工。

这并不意味着初级员工会自然获得更高价值的工作，也不意味着职位层级会迅速消失。它更可能带来一种渐进式变化：职位名称仍然存在，但形成职位价值的任务组合开始改变。

过去负责收集资料的员工，可能逐渐转向资料验证和问题分析；过去制作常规报表的员工，可能开始参与趋势解释和业务建议；过去主要回答标准化问题的员工，可能更多处理复杂咨询与异常情形。

员工的成长不再完全表现为“向上移动一级”，也可能表现为工作复杂度上升、任务范围扩大和专业判断增加。

这意味着HR不能再只依靠职位名称和任职年限来识别成长。一个员工可能两年没有晋升，却已经从执行标准任务转向管理复杂流程；另一个员工职位名称发生变化，承担的工作复杂度却没有明显增加。

职业发展的讨论需要从“下一步升到什么职位”，扩展为“下一阶段需要积累哪些任务、经验和关系资源”。

AI培训覆盖率正在成为企业描述转型进度时常用的指标。

覆盖率能够反映企业是否已经开始普及基础知识，也能够帮助HR判断多少员工接触过相关内容。但培训覆盖与能力形成之间，仍然存在一段很长的距离。

摩根大通面向员工推出了“AI Made Easy”等基础项目，并根据岗位与专业程度设置不同内容。公司首席分析官Derek Waldron曾介绍，AI培训需要按员工群体细分，而不是采用一套适用于所有人的统一方法。

非技术岗位需要建立基础理解和使用信心，工程师需要学习如何构建可扩展的AI系统，数据科学家则需要从单独开发标准模型，转向评估、优化和组合已有模型。相同的“AI培训”背后，其实对应着完全不同的职业任务。

这一差距并不只是培训数量不足。

很多员工已经听过AI课程，却不知道如何把AI纳入实际流程；企业部署了工具，但工具与员工的工作方式、数据环境和责任边界并不匹配；管理层希望员工采用AI，却没有同步调整任务和质量标准。

真正的大规模能力建设，需要同时完成三件事：提供安全可用的工具、建立可实践的业务场景、让管理者提供必要的时间与授权。

传统培训通常有一个清晰边界。

员工暂时离开工作场景，进入课堂、线上学习平台或者工作坊，完成知识学习后再返回岗位。这种方式适合传递规则、概念和标准方法，却不一定适合形成复杂的人机协作能力。

AI使用中的许多关键能力，只能在真实任务中形成。员工需要判断输入信息是否完整，识别模型回答中的偏差，理解哪些内容需要二次核实，也需要在不断试错中形成对模型能力边界的认识。

美国银行的The Academy提供了另一个例子。该机构利用AI对话模拟器帮助员工练习不同类型的客户交流，并根据表现提供实时反馈。2024年，员工完成了超过100万次模拟训练。

摩根大通在私人银行顾问培训中的数据更能说明AI如何改变学习供给。

这些数据主要来自企业自身披露，更适合用来观察实践方向，而不能被直接理解为适用于所有行业的固定回报率。

它所展示的管理逻辑仍然具有参考价值：AI可以扩大练习和反馈的供给，使员工不必等待导师有时间，才能进行一次情景演练；资深专家也可以减少重复性的基础辅导，把时间投入到更加复杂的判断和个性化反馈中。

未来的学习产品不再只是课程和讲师，还会包括AI教练、情景模拟器、任务助手、知识检索工具和即时反馈机制。

企业通常认为，只要向所有员工开放AI课程，就已经提供了相对公平的发展机会。

但职业发展并不是单纯的信息获取问题。

员工能否形成新能力，与所在岗位是否获得工具、业务流程是否允许使用、管理者是否支持尝试，以及团队是否拥有真实项目密切相关。

这组数据呈现出一种典型的组织矛盾。

企业一方面要求员工学习和采用AI，另一方面，绩效目标、流程规范和管理习惯仍然奖励员工按照旧方式完成工作。员工拥有了工具，却缺少调整工作的授权；掌握了技能，却找不到应用技能的正式场景。

长期来看，真正参与过AI项目、流程重构和业务应用的员工，更容易进入新的岗位。只完成过基础课程、缺少实践经验的员工，则可能在内部竞争中处于相对不利的位置。

HR需要关注的不只是培训人数，还要观察应用机会如何分布。

当AI不断改变岗位内容，企业很难只通过外部招聘获得所需能力。

市场上成熟的AI技术人才仍然有限，但企业真正需要的通常也不只是懂技术的人，而是同时理解业务、流程、客户和组织环境的复合型人才。

这类人才很大一部分需要在内部形成。

一名资深信贷人员不需要转型为算法工程师，但需要理解AI如何辅助阅读材料、识别风险，以及模型输出在哪些情况下不能直接采用。一名HRBP不需要开发大语言模型，却需要理解AI对岗位结构、管理跨度和人才配置的影响。

原有专业经验与AI能力的组合，往往比单独掌握一种工具更有价值。

这里值得关注的并不是单一比例，而是培训与项目机会之间的连接。

企业没有把AI学习理解为一组独立课程，而是通过内部项目让员工获得可以被记录、验证和迁移的经验。

西门子的MyGrowth体系也呈现了类似思路。该体系将自我反思、学习、职业规划和持续发展对话连接起来，并通过My Skills进行技能评估、技能差距分析和个性化学习推荐。超过25.4万名西门子员工已经参与这一体系，员工可接触到约18万个学习资源。

当然，大型平台和技能数据库并不会自动带来内部流动。企业还需要解决岗位开放度、管理者人才保留倾向、技能验证和员工时间等现实问题。

HR需要建立的不是一张静态技能标签表，而是一套能够把员工技能、项目经历、岗位需求和发展意愿连接起来的机制。

AI对职业发展的另一个影响，发生在职业生涯起点。

许多专业岗位的成长都建立在大量基础工作之上。初级员工通过整理材料、制作报表、检索信息、准备文件和参与简单项目，逐渐理解业务规则，并形成专业判断。

这些任务看起来重复，却是员工积累隐性知识的重要过程。

当AI能够承担越来越多基础工作，企业需要避免一种简单推论：既然低价值任务减少了，初级员工就会自然进入高价值工作。

没有必要的知识积累和练习，员工未必能够判断AI输出是否准确，也未必具备处理复杂任务所需的背景理解。

员工需要以新的方式获得过去从基础任务中积累的知识。例如，通过AI模拟器反复练习客户沟通，通过案例对比理解专业标准，通过模型错误分析学习风险判断，再在管理者监督下逐步进入真实复杂场景。

不过，这种模式仍然需要谨慎设计。

模拟器能够增加训练次数，却不能完全替代真实客户、组织关系和不确定情境。AI可以提供即时反馈，但反馈标准仍然需要业务专家定义。员工越早进入复杂工作，管理者越需要明确质量标准和责任边界。

如果企业只用AI压缩初级岗位的工作量，却没有建立新的经验形成机制，短期效率可能提高，长期人才管道却可能变薄。

企业可以提供工具、课程和内部岗位，但员工是否能够真正形成新能力，很大程度上仍然取决于直属管理者。

管理者决定员工承担哪些任务，是否有时间试用新方法，是否可以分享尚不成熟的经验，也决定AI释放出的时间将被如何使用。

AI的加入可能进一步加重这种压力。管理者不仅要理解员工的工作，还要理解AI参与后的流程、质量与责任，同时还要帮助员工判断哪些能力值得发展。

这些结果来自员工自我报告，不能简单理解为管理者采取某个动作就必然获得相同比例的改善。

但它清楚说明，AI采用不是单纯的个人技能问题。管理者的示范、质量标准和反馈方式，会影响员工是否愿意在正式工作中使用新工具。

管理者培训不能只介绍AI趋势，还要帮助其重新设计任务、识别新能力，并把这些能力连接到项目和发展机会。

当AI进入日常工作，企业还需要重新审视绩效评价。

传统绩效指标通常关注工作量、完成速度、准确率、收入、成本和客户结果。AI参与后，一些指标的含义会发生变化。

员工产出数量提高，可能来自工具能力，而不完全来自个人能力；完成速度加快，也不代表员工的专业判断同比例提升。不同岗位使用AI的频率并不相同，直接比较登录次数或提示词数量，很容易得出失真的结论。

与此同时，一些过去不容易被看见的贡献会变得更加重要。员工可能发现一个可复制的AI场景，主动建立团队提示词库，识别模型输出中的风险，帮助同事形成新的质量标准，或者参与跨部门流程重构。

企业因此需要区分三类指标：工具采用指标、工作结果指标和能力发展指标。

工具采用指标可以帮助企业了解平台是否真正被使用，但不宜直接代表员工绩效；工作结果指标关注效率、质量、客户体验和风险变化；能力发展指标则观察员工是否能够承担更复杂任务、迁移新方法，并对团队形成可持续贡献。

AI节省时间之后如何分配，同样是绩效管理需要处理的问题。

如果所有效率红利都被迅速转化为更多工作量，员工可能缺少学习和探索空间；如果企业能够保留一部分时间用于复杂问题、客户沟通与能力提升，AI才更可能产生长期价值。

摩根大通的案例最终指向的，并不是所有企业都要建设一个相同规模的内部大模型，也不是AI培训覆盖越广，职业发展就一定越成熟。

它提供的启发在于，当AI进入大量岗位，职业发展不能继续由学习项目、晋升通道和年度人才盘点分别承担。

员工能力形成需要工具，能力被看见需要技能数据，能力转化为职业价值需要项目和岗位，员工愿意尝试需要管理者支持，组织接受新工作方式则需要绩效与治理同步调整。

这些要素共同构成一种“成长基础设施”。

摩根大通每年投入约3亿美元用于员工培训，并拥有超过2000名AI与机器学习专家和数据科学家。这样的人才规模、技术预算和业务复杂度，并不是多数企业能够直接复制的。

但职业发展体系是否有效，并不完全取决于投入规模。

一家企业可能没有内部大语言模型，却可以明确哪些岗位任务正在改变；可能没有庞大的学习平台，却可以为员工提供真实项目；可能无法一次建立完整技能数据库，却可以先从关键岗位、关键能力和内部流动场景开始。

更关键的区别在于，企业是否把AI培训理解为一项独立活动，还是把它放进员工成长和人才供给的整体体系中。

如果员工只被要求掌握新工具，却没有获得新的任务和机会，AI培训可能成为额外的工作要求。

如果企业能够把工具、任务、反馈、管理支持和内部机会连接起来，员工学习AI的过程才更可能转化为职业发展。