ARTICLE · 1193740
AI 时代的人才技能矩阵与动态盘点
过去二十年企业做人才盘点，盘点对象是人，盘点工具是九宫格，盘点结果是"高潜名单"和"继任地图"。这套逻辑在业务稳定、技能稳定的年代是管用的，但在 AI 时代正在被改变，原因：
技能半衰期缩短。 IBM 的测算，技能半衰期已从过去的十几年缩短到五年左右；在 AI、云、数据等前沿领域甚至更短。"一年盘一次"的时间分辨率，已经追不上技能变化的速度。
岗位描述滞后于实际工作。 新业务靠项目组拉起来的今天，跨岗位协作成为常态。组织需要回答的不是"张三是产品经理吗"，而是"张三现在能调用哪些技能、上哪个项目能立刻出活"。
盘点结果在业务侧是死的。 传统盘点数据进入 PPT 后就沉睡，HR 用了，业务没用——业务继续靠问人解决找人问题。
这三点共同指向一个结论：盘点的底层单元必须从"人"变成"技能"。把员工的技能像地图一样绘出来，持续更新，对业务可见、可搜索、可调用——这也就是微软 People Skills 想做的事，也是本文的核心命题。
组织如何希望构建技能矩阵之前，先要回答一个根本问题：AI 来了之后，哪些技能是人的"基本盘"必须强化，哪些是"协作项"需要借 AI 放大，哪些是"交接项"会被AI替代？把这三类在企业技能库里标注清楚，才能指导培养、招聘、流动三件大事。
这些技能的本质是人类独有的判断、创造与连接。AI 在这些领域无法替代人，反而把人推到了更高的价值位：
判断与决策类：复杂情境下的取舍、价值权衡、风险拍板——尤其是不确定性高、没有最优解的决策；
创造性表达类：原创性洞察、跨领域联想、定义新概念、把模糊问题结构化；
关系与意义类：跨文化沟通、客户深度信任建立、团队心智凝聚、对个体差异的理解与激励；
伦理与责任类：合规判断、价值锚定、对人和组织长期利益的取舍。
对管理者而言，管理本身正在被 AI 改写——但"对人的判断、激励与承担责任"的管理内核，反而是更稀缺的硬技能。优秀的管理者会比平庸的管理者更值钱。
这些技能的特点是：人机各做一段，配合比单干更好。AI 不是替代者，而是放大器。员工的核心动作变成了"提出好问题 + 校准好结果"：
AI 协作型：写好提示词、定义问题边界、验证输出、对 AI 失误负责；
流程编排型：把重复性脑力工作交给 AI，自己专注判断、创意、关系——本质是把"工作"重新分配；
数据—叙事翻译型：把数据洞察翻译成业务叙事、做出让非数据背景的决策者听得懂、信得过、用得上的结论；
跨工具整合型：把多个 AI 工具与人类工作流编排成闭环（提示词工程、Agent 编排、知识库维护）；
学习与迁移型：在技能更新周期内快速吸收新工具、新方法，并把旧技能迁移到新场景。
培养策略：让"会用 AI"像"会用 Excel"一样，成为岗位通用基线。员工的关键考核项从"会不会做"，转向"会不会和 AI 一起又快又好地做"。
这些技能普遍具备规则明确、模式可学、规模可复制的特征。在企业技能矩阵中需要被"标记为风险"，对内启动转岗或升级培训，对外收缩招聘规模：
重复性脑力工作：基础信息检索、模板化文档生成、简单代码编写、初级翻译；
标准化分析：常规数据报表、常规财务记账、常规法务检索、基础设计素材生成；
一线窗口型工作：标准化客服、标准化问诊、标准化质检中偏结构化判断的环节；
中等水平的知识型工作：例如中等复杂度的内容写作、初级设计、初级分析——其尾部会被 AI 重塑，头部则与 AI 协作放大。
替代不等于消亡。真正会发生的是"工作被重写"：原岗位的一部分职责被 AI 接走，剩余部分反而对人的判断、审美、伦理提出更高要求。组织需要做的不是"裁掉这些岗位"，而是"重新定义这些岗位"。
需要警惕的是"AI 看似替代但其实有滞后"的领域**：复杂客户谈判、跨文化现场决策、危机公关、医疗最终诊断——这些工作表面看是流程化的，实际落地时却高度依赖隐性知识与情境判断。标注"风险"前要避免一刀切，要按"工作片段"而非"岗位"颗粒度判断 AI 究竟能接走多少。
三条提示给做技能盘点的人👇
① 不要只贴"会被 AI 替代"的标签。同一岗位里的不同子能力，命运完全不同——把技能拆到可验证的细颗粒度（微软选了 16000 多条），才能让判断成立。
② 强化项与协作项之间没有绝对界线。AI 越普及，"判断"和"提问"就越值钱——这意味着协作型技能的顶部，会持续向强化型技能迁移。
③ 用 3-6 个月为周期滚动重审。技能半衰期在缩短，矩阵的"保质期"也跟着缩短——一年盘一次远远不够。
在我们动笔讲"怎么建"之前，需要先理解一个范式：今天和未来的技能盘点，不是把原来的年度盘点会做得更精细，而是用一套"常年在跑的系统"取代它。微软的 People Skills 是这条路上最清晰的样板。
它的关键设计有四点，值得每个组织在自家系统里复刻：
1. 证据从申报变成痕迹。 员工的技能信号从 Teams 聊天、会议、邮件、文档、项目协作记录中提取，反映的是"他最近真实在做什么"，而不是"他认为自己会什么"。这是整套系统可信度的起点。痕迹可能被误读，但很难被批量伪造——而一年一度的自评，这两点都做不到。
2. 语言颗粒度做到"明天能不能上项目"。 微软从 39000 多条技能里筛出 16000 多条，每一条带定义、相关技能、层级位置、典型应用场景。"技术能力强"是简历语言，"React、Angular、Power BI"才是系统语言。检验技能颗粒度的唯一标准：写出来的每一条，能不能直接支持找人、派人和培养人。
3. 持续刷新 + 主动遗忘。 首次画像 48 小时生成，之后 30 天刷新一轮，只看最近 90 天的活动——90 天没被用过的技能会自己淡出。这是与传统盘点最大的时间观差异：动态技能图反映的不是履历的累积，而是近期真实的使用状态。技能"会生长，也会脱落"。
4. 员工确认、画像共享。 AI 推断出的技能标灰，本人确认后变蓝带勾，也可删除、补充、排序。画像长在 Teams 和 Outlook 资料卡上，业务找人用自然语言问一句"全公司精通 Power BI 和用户调研、近 3 个月有空闲可参与零售数字化项目的员工有谁"——系统给答案。盘点数据从此进入业务流程，而不是躺在 HR 仓库里。
微软自己也承认这套系统的边界，正好是其他企业最容易踩的坑：必须解决文化、保密、法规对"扫描工作痕迹"的接受度；必须解决数字化基础——一线、外勤、车间等岗位在系统里活动少，推断效果就弱。这两条边界决定了它不适合所有企业直接复制，但所有企业都可以先朝着这个方向一步步走。
从范式回到落地。把微软的"动态技能图"拆成中国企业可以照做的步骤，全程分四步走，每一步给出可用的工具或模板。
我们建议不要从零发明。从岗位族出发做"裁剪和本地化"：
1、按业务价值排序，选出 Top 5-10 岗位族（如研发、产品、销售、供应链、职能）；
2、参考公开技能图谱（行业通用）+ 现有胜任力模型 + 高绩效岗位的 JD 分析，为每个岗位族拉出技能清单初稿；
3、为每条技能补齐五件套：名称 / 定义 / 熟练度分级（4 级：了解—会用—熟练—能教）/ 相关技能 / 典型应用场景；
4、邀请 HRBP + 业务专家做评审会定稿，首版控制在 500-2000 条（不是越大越好，覆盖不了再扩）。
企业技能条目模板（可直接套用）▼
最后一项"AI 时代属性"是给技能库装上的"智能标签"——人才盘点时一眼能看到这条技能未来的方向，HR 培养和招聘的资源分配都有了依据。
逐一盘点企业现有的数据源：协作文档、项目管理系统、代码库、IM 群消息、培训记录、绩效结果……按三个维度做评估：覆盖范围、留痕质量、合规状态。输出一张"数据可用性地图"。
高覆盖高留痕：协作文档、项目系统、代码库、IM 工作群（脱敏后）——优先用于 AI 推断；
中等覆盖：培训记录、绩效结果、会议纪要——作为辅助证据；
低覆盖/低留痕：一线、外勤、门店——不适用行为信号推断，保留"自评 + 主管校准 + 结构化测评"的传统盘点，但同样落到同一套技能语言上。
重要提示👇
数据可用性地图本质是人才盘点可行性的边界。
地图上能用的部分，能力可以做得"很动态"；用不了的部分，必须搭配传统机制。两条腿走路，不要硬套行为推断。
这一步不能后补，必须先于任何数据采集。四条底线：
1、知情同意：清晰告知采集什么、用于什么、不用于什么；提供"退出推断、仅手动维护画像"选项；敏感地区/人群可整体关闭行为信号采集（学微软"整区关闭"）。
2、数据最小化与脱敏：AI 推断只输出"技能标签"结论，不呈现原始聊天/邮件内容给任何管理者；敏感个人信息不进入推断管线。
3、人机边界：AI 输出一律是"建议"，画像确认权在员工，用人决策权在管理者；禁止用 AI 画像单独做出调岗、降级、辞退等负面决定。
4、偏见与申诉机制：季度做画像分布的群体偏差检测（性别、年龄、学历等维度系统性偏斜），开放员工申诉与人工复核通道。
试点范围：选 1-2 个数字痕迹好、业务用人需求强的部门（如研发或产品）；
推断频率：首次生成后按 30-90 天周期刷新，只看最近 90 天活动（学微软滚动窗口）；技术上做不到自动刷新的，先做"季度半自动刷新"；
画像呈现：每条技能标注证据来源（AI 推断 / 本人确认 / 系统导入 / 主管评审）和状态（灰=候选，蓝=已确认）；
关键动作：员工确认战役。用两周时间组织全员确认，目标确认率 ≥ 70%。
给员工的话术参考：
给管理者的话术参考：
技能地图建起来后，传统的年度人才盘点会不是取消，而是升级。升级的方向是"议程换"：会前看仪表盘，会中谈业务问题，会后落到具体的人和场景。
会前：系统自动输出团队/部门技能分布热力图、关键岗位技能覆盖率、近 90 天技能新增与淡出清单、继任者技能差距报告；
会中：管理者讨论的不是"这个人是不是高潜"，而是——"这个关键岗位需要的 6 项技能，我们内部有几人覆盖、缺口怎么补（招/借/培养）"；
会后：行动项落到具体的人和场景——外招的进招聘画像、内部补的进学习计划、临时的进内部活水市场。
传统九宫格横轴是绩效、纵轴是潜力。新九宫格建议把横轴扩展为"绩效 + 技能成长速度（近 12 个月新增确认技能数与稀缺度）"，纵轴扩展为"潜力 + 技能迁移性（相邻技能覆盖广度）"。
技能成长速度：反映员工"学新东西"的速度——AI 时代比过去任何时候都重要；
技能迁移性：反映员工"换场景"的能力——内部活水市场、跨部门组队、新业务试点都靠它；
AI 时代属性权重：右上九宫格外，可以附加一个"AI 协作能力"标签——具备强 AI 协作能力的员工，组织应当优先给机会。
潜力依然由人判断，但判断材料从一次性评议，变成了持续证据流。
关键提醒：盘点系统一旦月活低于 15%，几乎一定是"画像没接到真实机会"——员工不会维护一个"HR 看了就完事"的东西。每季度问一次"过去 90 天，有多少个真实决策用了技能地图"——答不上来，就是场景闭环没建好。
把这篇文章浓缩成可立即开始的五个动作，每个 90 天交付一个成果：
每个 90 天结束做一次复盘：如果交付物质量不达标，先回到上一个 90 天补短板，不要急着往前走。
把全球企业的实践与中国本地化可能踩的坑摆在一起看，有五条必须前置警觉：
1、把"建技能库"做成"建 PPT 模型"。 一上来就追求 5000 条以上、覆盖全员——这是最常见的失败模式。正确做法是从 Top 5-10 岗位族、500-2000 条起步，跑通"建—用—验"闭环再扩。
2、把"AI 推断"做成"监控员工"。 AI 推断的结果只输出技能标签结论，原始工作内容永远不出推断层。一旦让管理者能直接看到原始聊天，画像系统就等于"合规定时炸弹"。
3、把"画像确认"做成"刷 KPI 的形式主义"。 员工如果发现"确认了也没机会找我"，两周内就会把确认动作变成"全部一键同意"，画像立刻失去意义。只有先建好场景闭环（项目组队、活水市场、学习推荐），再让员工确认，画像才能活起来。
4、把"动态九宫格"做成"高潜名单换皮"。 横纵轴扩展了但评估流程没变，等于老酒装新瓶。真正的动态是：会议讨论的不再是"他是不是高潜"，而是"这个关键岗位的 6 项技能我们缺几项、怎么补"——议程彻底换掉才算数。
5、把"AI 时代属性"做成"一次性判断"。AI 替代的边界在快速变化，今天的"协作型"三年后可能变"风险型"，反之亦然。季度复审 AI 时代属性标签，让矩阵真正"动"起来。
AI 时代的人才盘点，改的从来不是"盘点"这个动作，而是它背后的底层单元——从"评人"到"识技能"，从"看潜力"到"看可用性"，从"HR 的活动"到"业务的操作系统"。微软用 People Skills 验证了这条路的可行形态：技能图要会生长、也要会脱落；语言要细到能直接回答"他明天能不能上这个项目"；盘点数据要进业务流程；治理要前置到第一天。
对大多数中国企业，顺序不能颠倒。与其争论"能不能马上做一个动态技能画像平台"，不如先用五个月时间从"建企业技能库"开始做——技能库是所有后续动作的根，没有它，后面一切 AI 推断、动态盘点、活水市场都无从谈起。
先长技能地图，再谈人才盘点——这是 AI 时代 HR 最该做、也最容易做起来的那件事。
