引言：一边岗位暴涨，一边落地打折

科锐国际联合得到AI学习圈发布的《AI时代，工作机会正流向哪里？——2026 AI人才市场报告》显示，从2024年上半年到2026年上半年，AI相关招聘职位增长约119%，在全部招聘职位中的占比从0.72%升至2.01%；核心算法岗在AI岗位中的占比从68%降到45%，应用岗与关联岗合计升至55%。

这组数字被广泛转载，结论也常被一句话带过："AI人才从'做AI'走向'用AI'。"但对准备增加AI投入的老板来说，更该追问的是另一组数字——

 S&P Global Market Intelligence 2025 年对 1006 家企业的调研显示，放弃大部分 AI 项目的企业比例，从 2024 年的 17% 升到 2025 年的 42%；

RAND Corporation 2025 年的研究指出，80.3% 的企业 AI 项目未能交付预期业务价值；MIT 项目 NANDA（2025）发现，95% 的生成式 AI 试点没有产生可衡量的利润表影响；

McKinsey 2025 年 State of AI 调研则显示，88% 的企业已常态化使用 AI，但仅 39% 在经营层面拿到了正向 EBIT 影响。 

一边是岗位暴涨，一边是落地打折。这中间的差，不是模型能力的差，而是几种"不确定性"：企业究竟要解决什么业务问题？该用什么方式解决？怎么证明投入值不值？

本文不重复解读人才报告，而是从老板视角来看这个落地闭环——如何从经营问题出发，落到具体工作，再用小范围试验验证。

01 岗位增长背后：能力需求在变，但变化本身不是答案

招聘本身代表着市场的变化，AI能力该落到哪些业务环节以保证结果可能是更深的需求。

三个变化值得企业关注：

第一，企业需要的不只是技术能力，还有把技术转成业务用途的能力。一个 AI 工具能生成分析报告，不代表经营分析就改善了——它还要知道分析什么问题、用什么数据、结果是否可信、怎么进决策。技术解决"能不能做"，业务理解和流程设计解决"做出来以后用不用得起来"。

第二，AI 能力正在进入原有岗位，而不只是新增 AI 岗位。一家公司未必新设 AI 部门，也可能从财务分析、市场运营、招聘、客服等已有岗位里的某些任务开始。这种变化常常不体现为新增岗位，而体现在原有岗位的招聘要求和工作标准里。

第三，企业得重新判断哪些工作该人做、哪些可以交给 AI 或自动化。当信息收集、材料整理、初步分析、标准化内容生成可以部分交给 AI，人的重点转向问题定义、专业判断、异常处理、跨部门协调和对结果负责。

但这里要踩一脚刹车：这并不意味着所有企业都该立刻调组织，也不意味着所有重复工作都适合自动化。哪些工作真有问题、AI 能否改善、改善后是否值得——这些要落到具体业务里看，不能从一份报告直接推出采购清单。

02 看不同规模、产业的AI需求配置逻辑 

报告里的规模数据呈现一个值得注意的现象：小规模企业贡献了相当大的 AI 招聘需求（500人以下占样本 AI 招聘需求的 49.3%），而随着企业规模扩大，AI 岗位占自身招聘的比例也在提高（10,000人以上达 2.96%）。

来看不同企业的区别：

• 小规模企业：未必有条件建完整技术团队，更现实的方向是先从成熟工具、外部专业支持和单一业务场景入手。
• 扩张期的中型企业：一般是业务、人员、管理环节变多和复杂后，原有流程还是否有效、不同部门工具和数据能否衔接？一个部门提效会不会给另一个部门加活？
• 大型企业：除具体效果外，还要考虑系统集成、数据权限、质量标准、风险治理与跨部门协作。

行业方向也出现了这些分化：广告/传媒/教育/文化三年增长 +353.6%，医疗 +147.9%，金融 +116.3%，汽车机械制造 +86.2%，互联网游戏软件 +85.6%。

基于我们对制造、金融、专业服务等行业的观察，AI 正在进入的环节大致是：制造的销服跟进、质量异常处理、工程知识复用；金融的信息处理、分析支持、风险识别与客服（同时受数据安全与合规约束）；内容行业的生产、素材整理、版本调整与效果分析。

对老板来说，岗位名称可能没变，但招聘要求已经变了——运营岗明确提出 AI 能力要求的比例从 2.9% 升到 9.7%，市场岗从 1.9% 升到 6.1%。

比起员工在用AI，建议应关注的是工作方式有没有变：重复是否减少、信息是否更准、协作是否更顺、结果是否改善。

03 应对目标不确定｜从岗位到业务问题，需要一次"转译"

岗位是组织安排工作的方式，任务和流程才是 AI 实际介入的地方。

先来看案例：锅圈食汇｜前置预测降食材损耗：多层级 AI 智能补货

• 岗位变化：在招什么人，或对原有岗位加了什么能力要求？
• 工作变化：这些岗位具体承担哪些任务？哪些任务的工作方式可能变？
• 经营问题：这些任务目前有什么问题？改善后能对业务产生什么价值？

以几个典型场景看这次"转译"：

制造业销售——问题可能不在缺客户名单，而在销售没形成闭环。增客户涉及市场研究、筛选、跟进、需求确认、报价。如果只加名单或用 AI 生成更多客户资料，不一定带来订单。更该问：找到的客户是否符合产品能力和目标市场？销售是否知道优先联系谁、为什么？沟通得到的信息有没有进下一步跟进？是否能持续跟进而不是停在初步接触？能否判断哪些客户值得继续投入？——如果真问题是产品竞争力、价格、交付或销售执行，用 AI 工具未必解决。建议正确起点是先弄清：当前销售流程哪个环节最影响开发和转化。

制造业质量——问题可能不在生成报告，而在异常能否真正闭环。质量管理里有大量信息处理工作，如异常记录、原因、责任、整改、复核、沉淀。AI 能辅助归集、检索相似问题、初稿、跟踪，但根因判断、工程决策、质量放行仍要按风险和专业要求设人工审核与责任机制，而如果生成的只是报告则不等于完成一次质量闭环。

专业服务——场景在交付流程里的重复劳动和质量波动。咨询、研究、财税、HR 等通常经历资料收集、核实、分析、撰写、审核、沟通、交付。AI 能帮忙整理、初研、文档、生成，但企业仍要观察判断：哪些可标准化、哪些靠专家？同一类项目为何有的快有的返工？资料和分析占了多少专业人员时间？输出质量稳不稳、关键事实能否核验？项目经验能否复用？

财务、HR、行政——先找高频任务，再判断值不值得自动化。当出现反复的数据整理、报表、核对；简历整理、候选人归纳；会议纪要、材料汇总时，要判断是否适合 AI，要结合数据质量、规则稳定性、错误后果和审核成本。一个任务即使每天重复，若错误风险高、规则说不清、自动化后还要大量人工复核，也未必该优先启动。

建议可以先自查三个问题：

是否高频且占可观人力？当前耗时/错误/返工/等待能否被观察衡量？引入 AI 能否在可接受风险成本下改善这些指标？

我们来小结下这部分中的观点和执行建议：

• 招 AI 应用人才--请追问：要把 AI 应用到哪个业务环节？--需要确认：具体工作场景

• 市场岗增 AI 要求--请追问：哪些工作耗时/转化/协作有问题？--需要确认：要改善的业务指标

• 财务岗要求自动化--请追问：哪些任务重复发生、错误成本多高？--需要确认：适合试验的任务及风险边界

• 制造企业增 AI 岗--请追问：技术进工程/质量/销售还是别的？--需要确认：真实问题、责任人、验证条件

即真实的AI落地需求分析，要体现在具体任务、业务流程和经营结果里。

04 应对路径不确定｜先定问题，再定能力从哪来

当企业发现某个环节值得改善，才进入"用什么方式解决"。这不是技术选择，是资源配置。基于实际场景如何判断，通常有五条路径：

1. 用现成工具：任务边界清晰、风险可控、成熟工具能覆盖主要需求。先试资料整理、会议纪要、文档初稿，再评质量和省时。关键不是工具有没有名，而是适不适合你的数据、流程和要求。
2. 买成熟软件/方案：需求明确、市场有验证过的产品，采购常比自研有效率。但买前确认：能否覆盖真实流程？是否要接现有系统？数据权限和安全能否满足？供应商能否持续支持？人要是否会用、异常处理、效果等要持续评估。
3. 招聘人才：某项能力需长期留存且和业务持续发展密切相关时，招聘合理。但先明确职责：要的是模型研发、应用开发、业务流程负责人，还是能协调业务—技术—组织变革的人？连解决什么问题、谁负责、怎么验收都没理清就急着招，容易人到了没场景、做了没效果。
4. 自主开发：业务流程有差异化要求、现成产品满足不了关键需求、或者能力本身就是竞争优势时，自研值得考虑。但原型之后还要承担系统维护、数据管理、权限、质量评估、安全治理、人员配置和持续迭代。"能否持续运行、谁负责、长期投入是否合理"都要关注。
5. 与外部专业团队合作：已有明确业务问题但内部缺技术/流程设计/实施能力时，可从一个具体场景开始，共同做问题分析、方案设计、实施试验和效果验证，再决定扩不扩大。外部团队的价值，在于能否帮企业识别真实问题、选合理路径、在实际工作中验证是否有效。

一家企业完全可能先用现成工具、再买专业软件、再针对差异化环节开发。关键是不把"招人、买工具、自研、找外部"当必须提前选定的单一答案。推荐更合理的顺序是：

先定业务目标 → 再识别工作问题 → 先判断需要什么能力 → 再决定通过什么方式获得能力。

当问题不清楚，先澄清问题；当问题清楚但不知哪种方案合适时，可以小范围比较验证；当知道要什么方案却缺少内部实施能力后，再决定招聘、采购、开发或合作。这样能避免把大量资源投进一个还没被证明值得解决的问题。

05 应对AI投入结果不确定｜老板版的验证止损闭环

企业引入 AI 后常见的情况是：工具上线了、员工在用了、甚至开发出了不错的功能，但管理者仍答不出——这项投入到底给经营带来了什么改变？原因在于，工具能运行、员工愿意用、效率改善、经营结果变化，是不同层次的事。只检查前两项，可能判断不了值不值。

可靠的方式是实施前就明确"希望改善什么"以及"怎么判断改善真发生了"。这一步，就是老板版的闭环：从经营问题定义，到工作问题定位，再到验证与止损。

1. 先定义业务结果，不是先定义 AI 功能。从经营目标出发：如果是需要增新客户，要先明确改善的是目标客户识别、有效触达、销售跟进还是最终转化；要提质量，要明确异常处置时间、整改完成率、重复问题发生；要提专业服务效率，要判断减的是资料整理时间、交付周期、返工还是审核量。"引入 AI""建知识库""开发智能体"是方案和过程，它离经营目标的实现还是有距离的。

2. 记录原有工作方式，找到真问题。建议实施前尽量弄清工作现在是怎么做的。例如销售跟进：客户从进名单到有效商机经历哪些步骤、谁负责、信息怎么记、哪些环节常断。如质量问题：异常怎么记录、怎么判因、怎么分整改、怎么复核、哪些环节易延误或重复。只有弄清原方式，才能判断问题来自信息不足、流程设计、职责分工、专业判断还是工具能力——也能避免把所有效率问题都归结为上一个AI 工具即是解决方案。

3. 为试验设可衡量的验收标准。小试验不必先承诺巨大收益，但要有明确验证标准：

试验前记录原有水平，明确数据来源、验收方式和负责人；也要考虑工作量变化、业务季节性等干扰。尤其注意：局部任务提效，不一定直接转成整体经营收益——报告生成更快但若审核时间大增，整体未必提效；客户研究更快但若目标不准，未必多订单。所以要验证 AI 任务本身有效，也要观察它进整个流程后的结果。

4. 验证之后，再决定继续、调整、扩大还是停止

好的验证机制，既要确认哪些方案有效，也要帮企业及时停掉不值得继续的——这是 AI 投入里最该建立、也最常被忽视的能力。

06 老板可以从这六个问题开始

我把前面的内容总结成这六个问题，作为审视 AI 投入的起点。这六问正好对应"经营问题 → 工作问题 → 验证止损"的完整闭环：

1. 我们希望改善的经营结果是什么？（经营问题）增客户和订单、提毛利、缩短交付、降返工，还是减重复工作？尽量明确结果，而不只说"提高效率"。
2. 具体是哪项工作影响了这个结果？（工作问题）把目标拆到实际任务和流程，不停留在"销售效率低"这种判断，找到问题发生的具体环节。
3. 有证据证明问题真实存在吗？ 查业务数据、工作记录、客户反馈、返工和员工实际操作，避免只凭印象决定投入。
4. 问题的根因是什么？ 是信息获取不足、重复过多、流程衔接不畅、专业判断不足，还是职责和管理机制不清？不同原因要不同解法。
5. 应该采用什么路径？ 现成工具、成熟产品、招聘、自研，还是外部团队？比较时同时看成本、周期、风险、持续维护和内部能力要求。
6. 如何判断方案值得继续？（验证止损）试验前明确验收标准、数据来源、责任人和评估时间；实施后按真实结果决定继续、调整、扩大还是停止。

六问不是要企业在开始前就答全。它的价值在于，把一个模糊的"该不该投 AI"想法，逐步转成可以研究、实施和验证的具体问题。问题清楚、路径也明的任务，可以直接试验；问题和路径都不清的，先完成必要的澄清和判断。

结尾

《2026 AI人才市场报告》说明了AI 招聘需求在增长，应用和业务相关岗比重在提高，传统岗的能力要求在变。但如何进一步回答这几个关键问题——优先改善哪项业务？哪个环节最值得引入 AI？该招聘、采购、自研还是合作？实施后怎么证明产生了价值？

本篇对这些问题的分析是个参考答案，最终要结合企业自己的经营目标、工作流程、数据和资源。无论自建还是采购，本质是要形成一套能反复使用的工作方式：从经营问题出发，识别值得改善的任务和流程；按实际需要组合人、流程、数据、软件和 AI；通过小范围试验验证，再决定是否继续。

AI 应用可以从一个销售环节、一项质量异常处理，或一段重复的专业服务流程开始。但无论从哪开始，都要明确问题、工作责任和验证标准。OpenMind 关注的正是这个过程——从企业实际的经营与工作问题出发，帮企业澄清问题、分析流程，判断哪些环节值得试，再设计人与 AI、流程、数据、工具的分工，并通过实际运行验证价值。我们不以引入某一种工具为目标，也不预设所有问题都该由 AI 解决。企业真正需要的，不是为用 AI 而用 AI，而是知道什么问题值得解决、什么方案值得试、如何判断投入产生了价值。

当企业能回答这些问题时，无论是招聘、采购、自研、合作才有了更清晰的决策依据。AI 岗位的增长是人才市场的一个信号；对每家企业而言，重要的下一步，是找到这个信号与自身经营之间的联系和解决方案。

参考资料 ：

• 科锐国际《AI时代，工作机会正流向哪里？——2026 AI人才市场报告》（联合得到AI学习圈，2026-09-17）careerintlinc.com/whitepaper/3178.html  
• 人民网《AI人才市场发生哪些变化？报告：从"做AI"走向"用AI"》（2026-09-28）finance-app.people.cn/n1/2026/0928/c1004-40806808.html  
• 经济网《科锐国际AI岗位三年增长119%》（2026-09-18）ceweekly.cn/economic/industry/2026/0918/500447.html  
• S&P Global Market Intelligence, Voice of the Enterprise
• RAND Corporation, "Why AI Projects Fail" 
• MIT Project NANDA, "The GenAI Divide: State of AI in Business 2025"（95% 试点零可衡量ROI） 
• McKinsey, State of AI 2025（88% 常态化使用 / 39% 经营层面EBIT影响 
• 安永《财务的未来：技术为器，人才为本》（2026-09-29，中证网 cs.com.cn）50% CFO 认为回报难界定 
• 今日头条《为什么AI落地反而更依赖人》（2026，m.toutiao.com/article/7661639929623429638）【C级·观点，竞品参照】