ARTICLE · 1197656
华尔街最新信号:近1/4金融机构把AI能力与奖金晋升挂钩,你的公司还只在做培训?
（图片由HRflag用Midjourney生成，编号e963de41-b75d-440d-9caa-bdd607b1220b_1）
当一些企业还在忙着教员工怎么使用AI时，华尔街部分金融机构已经开始研究一个更加现实的问题：员工用AI创造了多少价值，应该怎样体现在奖金和晋升上？
这可能是2026年最值得企业管理者和HR认真关注的一次变化。
想象一下，如果今年年底，你所在公司的绩效考核表里突然增加一项内容，要求你说明过去一年利用AI改善了哪些工作、解决了哪些问题、创造了哪些实际成果，你会怎么回答？
有人可能很有底气，因为他已经利用AI减少了大量重复劳动，还帮助部门建立了新的工作流程。
有人可能有些紧张，因为虽然自己每天都在使用AI，但主要还是写写邮件、整理资料、修改PPT，究竟创造了多少价值，连自己也说不清楚。
还有人可能觉得不公平，因为他的工作主要依赖客户沟通、现场管理和专业判断，本来就没有多少适合使用AI的机会。
对企业管理者来说，问题同样棘手。如果两名员工的工作经验相似，一个每天加班到晚上十点，另一个利用AI提高了效率，下午六点就能完成工作，而且交付质量更好，应该给谁更高的绩效？如果有人用AI生成了几百份报告，另一个人只用AI完成了一次关键分析，却帮助公司避免了重大决策失误，又应该奖励谁？这些问题看似是假设，却已经越来越接近企业需要面对的现实。
一、华尔街传来一个重要信号：AI不再只是培训课上的新技能
2026年10月14日，路透社发布了一则值得关注的华尔街新闻。金融服务招聘机构Selby Jennings对500名金融行业高管进行调查后发现，近四分之一的受访者表示，其所在金融机构已经将员工的AI能力与加薪、奖金或者晋升联系起来。
更值得注意的是，30%的受访者表示所在机构要求员工在正式绩效评估中披露AI工具的使用情况，42%的受访者表示所在机构已经建立正式的AI技能评价标准，还有30%的受访者表示，所在机构专门设立了岗位或团队，用来追踪AI投资到底有没有产生实际业务成果。
这些数字有一个共同特点，那就是它们已经不再停留在员工会不会使用AI的问题上，而是开始触及绩效、薪酬、晋升和经营回报。当然，这是一项针对金融行业高管的调查，并不代表所有华尔街公司都已经采用相同制度，更不意味着员工不会使用AI就会被扣奖金。目前，行业也没有形成成熟统一的AI薪酬计算公式。
但这份调查仍然释放出一个非常清楚的信号：一些企业正在把AI从技术推广项目，逐步带入正式的人才管理体系。这个变化看起来并不起眼，却可能比企业采购一套新的AI系统产生更深远的影响。
因为企业购买什么工具，决定的是员工能够使用什么技术；企业奖励什么样的工作成果，决定的却是员工愿意把时间和精力投入到什么地方。
过去，公司希望员工学习AI，通常会组织培训、安排课程、邀请专家讲解应用案例，最后再要求大家提交学习心得。员工参加完培训、通过考试或者获得证书，就算完成了阶段性任务。至于学到的知识是否真正改善了工作，往往没有人继续追踪。
现在，华尔街部分金融机构开始向前走了一步：如果公司已经投入大量资金采购AI工具、建设系统、培训员工，那么这些投入究竟带来了什么改变？哪些员工真正掌握了新的工作方法？哪些人的贡献值得更高的薪酬和更大的职业发展机会？
过去，公司问员工的是“你学会AI了吗”，现在，一些公司开始追问“你用AI做成了什么”。
这两句话之间的距离，可能就是企业AI转型能否真正成功的关键。
1. 为什么说，这件事比“员工会不会用AI”重要得多？
回头看看过去几年企业推动AI的过程，就很容易理解这次变化的意义。生成式AI刚开始受到广泛关注时，许多企业都有一种紧迫感，生怕自己落后于竞争对手。同行宣布接入大模型，公司就想尽快采购；其他企业举办AI培训，自己也要组织一场；看到别人建立AI应用案例库，就要求各部门尽快总结经验。
这样的尝试并没有错。任何一项新技术进入企业，都需要经过学习、试验和普及的过程。但随着时间推移，一个越来越现实的问题摆在了管理层面前：培训办了不少，工具买了不少，员工也开始使用了，为什么很多企业仍然说不清楚AI到底创造了多少价值？
某个部门报告称，员工每周使用AI数千次，但业务效率究竟提高了多少，却缺少可靠数据。某个团队展示了几十个AI应用案例，但其中有多少能够真正长期使用，还需要进一步验证。某些员工可以熟练地用AI生成文章、图表和报告，但这些材料是否比过去更有质量，是否帮助企业解决了重要问题，也没有清晰答案。
在管理层眼里，这就形成了一种尴尬局面：AI应用越来越热闹，经营价值却不一定同步增长。
对于CEO而言，真正关心的不是员工每天登录多少次AI平台，而是技术投资能不能带来更好的业务结果。
对于CFO而言，软件采购费、技术服务费和培训预算都是真实支出，如果无法说明这些投入创造了哪些收益，那么下一年的预算就很难有充分依据。
对于CHRO而言，问题则更直接。公司已经告诉员工AI很重要，却没有清楚说明什么样的AI能力值得培养、什么样的应用成果值得奖励、什么样的人应该获得更好的发展机会。
当这些问题长期没有答案时，员工对AI的态度就可能慢慢分化。
有人会主动探索新工作方法，因为他相信技术能够帮助自己成长；有人只在公司要求时使用工具，因为他看不出这种学习与自己的职业发展有什么关系；还有人可能担心，自己辛苦研究出来的高效流程，最后只是让公司安排更多任务，却没有得到相应认可。这正是AI转型进入深水区以后，企业必须处理的管理问题。
如果一家公司只愿意为AI工具付费，却不知道怎样认可真正利用AI创造价值的员工，那么再多的技术投入，也未必能够形成持续的组织能力。
2. 公司真正需要改变的，可能不是工具，而是评价员工的方式
假设一家企业有两名工作经验相似的市场分析人员，他们都负责收集行业资料、研究客户需求，并为管理层准备市场分析报告。
第一位员工工作非常认真，习惯按照传统方式搜集信息、整理数据、制作图表，每次完成报告都需要投入大量时间。因为经常加班，他在管理者眼中一直是一位勤奋可靠的员工。
第二位员工同样重视专业质量，但他主动研究AI在信息整理和初步分析中的应用方法，把一些重复性工作交给经过授权的AI工具辅助完成，然后将更多时间放在核验数据、研究客户行为和完善业务建议上。
一段时间以后，第一位员工仍然能够按时完成工作，第二位员工却因为改变了工作方法，不仅提高了交付效率，还能提出更多有依据的商业建议。
如果公司仍然主要根据工作时长和任务数量评价贡献，那么两人的差别未必能够充分体现。但如果管理者开始关注报告质量、商业洞察、决策支持和流程改善，就可能发现第二位员工正在创造不同于过去的价值。
当然，这并不意味着第一位员工没有价值，更不能因为第二位员工使用了AI，就直接认为他更优秀。真正重要的是，第二位员工能否证明新的工作方法确实改善了业务结果，而不是仅仅让报告生成得更快。这也正是未来人才评价需要面对的新问题。
过去，企业经常通过一个人能够独立完成多少工作，判断其专业能力。未来，管理者可能还需要观察一个人能否把专业经验、企业数据、团队协作和AI工具有效结合起来，完成更复杂、更有价值的任务。
当越来越多人都能使用类似的工具时，工具本身不一定能够成为长期竞争优势，而怎样使用工具解决问题，反而可能拉开人与人之间的差距。
3. 比员工会不会用AI更值得关注的，是企业能不能看见新贡献
很多企业都希望员工主动创新，但创新并不总能被传统绩效体系准确识别。
一名员工利用AI建立了高效的内部知识查询流程，帮助整个团队减少反复查找资料的时间，但如果绩效考核只统计个人完成了多少任务，那么这份工作未必能够得到充分认可。
一名招聘人员通过AI辅助优化岗位分析和面试准备，让招聘经理更快理解候选人的专业特点，但如果企业只考核筛选了多少份简历，他的实际贡献也可能被忽略。
一名财务人员通过AI辅助分析发现了某项经营数据中的异常，并通过人工核验及时提醒管理层，这种工作可能没有增加多少报表数量，却对企业具有重要价值。
这些例子说明，AI时代的一部分优秀贡献，已经不只是员工做了多少工作，而是员工有没有让整个工作流程变得更好。如果企业仍然用过去的老办法评价所有工作，就可能发生一种值得警惕的情况：真正推动流程改进的人没有获得相应认可，而最善于展示工作数量的人反而在绩效评审中占据优势。
从这个意义上看，华尔街调查真正值得企业管理者关注的，并不是近四分之一这个比例本身，而是越来越多机构开始认真研究，怎样把AI能力与员工真实贡献建立联系。因为这件事一旦进入正式的人才管理制度，就可能影响员工学习技术的积极性，也会逐渐影响企业怎样识别优秀人才、怎样分配奖金，以及怎样选拔未来的管理者。
未来企业之间的差距，未必只是有没有AI，更可能是谁先弄清楚了怎样让AI创造价值，以及应该奖励什么样的人。
而这场变化带来的下一个问题更加现实：当企业开始根据AI能力评价员工，究竟什么样的人会获得更高的薪酬和更好的晋升机会？
二、谁会成为AI时代的高价值员工？答案可能和很多人想的不一样
如果有一天，公司决定把AI能力作为绩效和晋升的参考，你觉得谁最有优势？
是每天研究各种AI工具的人，还是原本专业能力就很强的资深员工？是能够快速生成大量内容的年轻人，还是擅长客户沟通、业务判断和团队管理的老员工？
很多人可能会认为，谁掌握的AI工具多，谁就更容易成为未来的优秀人才。
但企业如果真的按照这种方式选拔和奖励员工，恐怕很快就会遇到问题。
因为AI的价值并不是让所有人变成技术专家，而是让不同岗位的人拥有更好的工作方法。工具操作熟练程度固然重要，但一名员工能否创造更高的价值，最终还是要回到他是否真正理解业务，以及能否利用技术把事情做好。
1. 有的人每天用AI几十次，却不一定比只用几次的人创造更多价值
不妨设想这样一场部门绩效会议。
经理打开两名员工的AI使用记录，发现员工小张一个月使用AI数百次，员工小李的使用次数却少得多。按照工具使用频率判断，小张显然更加积极，也更符合公司推动AI普及的要求。
可是，当经理进一步查看两人的工作成果时，却发现了完全不同的情况。
小张虽然经常使用AI，但主要是在反复修改邮件、润色文档和制作会议材料，最后交付的工作与过去相比没有明显改善。
小李使用AI的次数不多，却在一次重要的客户分析中，利用AI辅助整理分散的信息，再结合自己的业务经验发现了客户需求变化，帮助团队及时调整了销售方案。
如果两项工作都经过验证，那么小李虽然使用AI的次数更少，却可能创造了更高的业务价值。
这个假设场景揭示了一个重要区别：使用AI的次数，反映的是员工使用工具的行为；利用AI改善业务的结果，才更接近员工实际创造的价值。
这就像一名销售人员每天打很多电话，却不一定能够赢得更多客户；一名招聘人员筛选大量简历，也不一定能找到真正适合岗位的人才。
企业不能因为AI使用数据容易统计，就把它当成最重要的绩效依据。
如果公司规定谁使用AI的次数最多，谁就能获得更高奖金，员工自然可能想办法提高使用次数。到最后，简单邮件也要交给AI生成，原本几分钟就能完成的事情也要反复调用工具，甚至为了证明自己拥抱AI而制造大量不必要的操作。
表面上看，AI应用率提高了，实际上却可能增加了新的工作负担。
企业应该奖励用AI解决问题的人，而不是奖励为了考核不断使用AI的人。
对于管理者来说，这句话非常值得记住。因为一旦评价标准出现偏差，员工往往会认真执行错误的指标，而不是自动朝着企业真正希望的方向努力。
2. 未来越来越值钱的，可能是能把AI结果变成业务结果的人
2026年6月，普华永道发布的《全球AI就业晴雨表》提供了另一个值得关注的信号。这份报告分析了六大洲超过10亿条招聘广告，发现要求特定AI技能的岗位需求增长明显快于整体就业市场，相关岗位的平均薪酬溢价达到62%。这个数字很容易引起关注，但不能误读。
62%并不是说员工学会AI以后，工资就能上涨62%，而是指招聘市场中，要求特定AI技能的岗位相对于不要求相关技能的可比岗位，存在这样的平均薪酬差异。
这份研究真正值得关注的地方，是劳动力市场已经开始对某些AI相关能力给予更高定价，而这种定价背后，往往还涉及岗位职责、专业要求和市场供需的变化。
更值得管理者思考的是，当技术工具越来越普及，什么样的能力才可能长期保持价值？答案可能不是掌握某一种工具，而是能够把工具生成的信息转化成可靠的业务判断。
举个例子。现在，利用AI整理一份行业分析报告，可能比过去容易得多。只要输入适当的问题，就能迅速得到市场概况、竞争对手信息和初步分析框架。但如果所有人都能快速生成类似报告，那么仅仅会制作报告，还能形成多大的竞争优势？
真正能拉开差距的，是一个人能否判断报告中的数据是否可靠、竞争对手的变化是否值得关注、客户需求究竟发生了什么，以及企业下一步应该采取哪些行动。
同样面对一份AI生成的市场报告，有人只会说“内容已经整理好了”，有人却能告诉管理层“我们的客户正在发生变化，原来的产品方案可能不再适用，建议优先验证三个新的市场机会”。前者完成了任务，后者开始创造决策价值。
对企业来说，后者的能力显然值得更加深入地评价。
因为AI能够辅助员工处理大量信息，但信息本身并不等于正确的决策。企业依然需要有人判断问题是否重要、结论是否可信、行动是否可行，以及最终结果应该由谁负责。
当生成答案变得越来越容易，能够提出正确问题、判断答案质量并推动结果落地的人，反而可能更加重要。
3. 一名招聘经理的变化，可能比学习十款AI工具更有价值
这种变化放在人力资源部门，会更加容易理解。过去，一位招聘经理可能每天需要花费不少时间整理岗位要求、阅读候选人材料、准备面试问题和协调招聘进度。在工作任务繁忙时，大量事务性活动甚至可能占据了他的大部分精力。
现在，经过授权的AI工具可以辅助完成其中一部分资料整理和准备工作。
但如果招聘经理只是把过去亲自整理的材料交给AI生成，其他工作方式完全没有改变，那么企业获得的主要可能只是部分时间节省。
如果他进一步利用技术腾出的时间，与业务负责人深入讨论岗位真正需要的能力，改善面试问题的质量，分析人才市场变化，并持续跟踪新员工入职后的岗位适应情况，那么AI就开始帮助他提高招聘工作的实际价值。
两种做法都使用了AI，但带来的结果可能完全不同。第一种只是提高了个人处理事务的速度，第二种则可能帮助企业改善人才决策。
当然，这并不意味着第二种做法一定能立即取得成功。招聘质量受到岗位需求、候选人市场、面试流程和企业吸引力等多种因素影响，不能把所有变化都归功于AI。
但这个例子至少说明了一件事：未来企业评价招聘人员时，应该更加关注其是否利用新工具改善了岗位理解、人才匹配和业务支持，而不只是统计用了多少次AI。
类似的变化也会发生在财务、市场、采购和客户服务等部门。
财务人员可以用AI辅助处理数据，但真正有价值的是能否发现经营问题并作出可靠分析；市场人员可以利用AI生成内容，但真正重要的是能否理解客户并改善营销效果；采购人员可以利用AI比较供应商资料，但真正决定工作质量的仍然是成本判断、质量控制和风险管理。
对于不同专业岗位来说，AI可能会改变完成任务的方法，却不会自动取代岗位需要承担的全部责任。
AI能替员工完成一部分工作，却不能保证员工一定把工作做好。
企业只有真正理解这一点，才有可能建立公平、合理的AI能力评价标准。
4. 比自己用好AI更进一步的，是能让整个团队受益
如果说利用AI改善个人工作，是员工能力提升的第一步，那么利用AI帮助团队建立更好的工作方法，就可能体现出更广泛的组织价值。
假设一名财务人员在实际工作中发现，部门每个月都需要反复整理大量相似数据，于是他研究出一套经过充分验证的AI辅助处理流程。
最开始，这套方法只帮助他自己提高了工作效率。
后来，他将操作步骤、数据核验要求和常见问题整理成内部工作指南，经过管理者审核后分享给整个团队。其他同事开始使用这套方法，部门逐渐减少了重复整理资料的时间，并把更多精力投入财务分析和业务支持。
这时，这名员工的贡献已经不只是个人完成了多少报表，而是帮助部门形成了一种新的工作能力。
再假设另一名资深员工虽然不擅长使用最新的AI工具，却拥有丰富的行业知识和客户经验。在技术同事的帮助下，他把多年积累的专业判断标准整理出来，参与建立企业内部知识库，使年轻员工能够更快理解业务。
这位资深员工是否也创造了AI相关价值？当然值得认真考虑。因为真正让AI发挥作用的，不只是工具操作，还包括高质量的专业知识、业务经验和结果验证。
这也提醒管理者，不要轻易把AI能力等同于年轻、熟悉软件或者掌握提示词技巧。在很多复杂业务中，经验丰富的员工与技术熟练的员工相互配合，可能比任何一方单独工作都更有价值。企业应该鼓励这样的协作，而不是让不同年龄、不同岗位的员工陷入简单的技术竞争。
5. 晋升规则也可能变化：会带团队用AI，比自己会用AI更重要
这种变化对于管理岗位尤其明显。
过去，一位基层管理者可能因为业务熟练、执行力强、能够独立解决大量问题而获得晋升。进入管理岗位以后，他又需要承担任务分配、工作检查、会议汇报和人员协调等职责。
随着AI开始辅助处理部分信息整理、任务追踪和常规分析工作，管理者的工作重点可能逐渐发生变化。
一名管理者即使自己能够熟练使用很多AI工具，如果不知道怎样组织团队、培养员工、制定质量标准和处理复杂问题，也未必能带领部门取得更好的结果。
相反，另一名管理者可能不是部门里最懂技术的人，但他知道哪些任务适合AI辅助，哪些环节需要专业人员负责，哪些结果必须人工审核，还能够通过合理的工作安排让团队成员发挥各自优势。
从管理价值来看，后者同样值得重视。微软在2025年《工作趋势指数》中提出过“Agent Boss”的概念，讨论员工和管理者在未来可能承担更多组织、指导和监督AI智能体工作的职责。
这并不是说未来每位管理者都必须成为AI工程师，而是说明随着智能工具进入团队协作，管理者可能需要掌握新的资源配置和工作组织能力。
过去，管理者主要安排人与人之间的分工；未来，在部分适合的场景中，还需要考虑哪些任务由人负责，哪些任务交给AI辅助，以及怎样保证最终工作质量。这种能力一旦能够真正改善团队成果，就有可能成为管理岗位评价的重要内容。
因此，未来晋升标准值得关注的，并不只是一个人自己会不会使用AI，而是他能否利用新的工作方法承担更复杂的责任、提高团队整体能力，并对业务结果负责。
6. 但有一个问题不能忽视：AI能力越重要，传统经验就越不值钱吗？
答案并不是这样。人工智能的进步确实可能降低部分基础任务的执行门槛，但专业经验、客户信任、组织沟通和复杂判断等能力，仍然具有不可忽视的价值。
一名优秀的销售负责人，可能需要多年时间才能真正理解客户行业、建立信任关系并识别复杂的采购需求；一位资深财务专家，需要通过大量实际工作才能形成对经营风险的判断；一名成熟的HR负责人，也往往需要经历复杂的人才和组织问题，才能理解制度如何影响员工行为。
这些能力不会因为某款AI工具能够快速生成报告，就自动失去意义。真正可能发生的变化，是企业不再只看一个人拥有多少经验，还会进一步关注这些经验能否与新的技术能力结合，创造更好的工作成果。
对年轻员工来说，这意味着学习AI很重要，但不能只学工具而忽略专业基础。
对资深员工来说，这意味着已有经验仍然有价值，但也需要保持学习能力，研究技术是否能够帮助自己扩大专业影响。
对管理者来说，则意味着不能简单根据员工年龄、资历或者工具熟练程度判断未来潜力，而应该通过真实的工作表现识别人才。
AI时代真正值得培养的人，不一定是最懂AI的人，而是既懂自己的业务，又知道怎样把AI用在关键问题上的人。
而当企业开始认同这一点，新的难题也随之出现：如果一些员工确实通过AI创造了更多价值，公司应该怎样给他们发奖金，才能既鼓励创新，又不让其他员工觉得不公平？
三、AI能力真的影响奖金以后，企业最怕的不是员工不会用，而是考核方法错了
一谈到AI与奖金挂钩，很多员工的第一反应可能是，这是不是意味着以后不会用AI的人就要吃亏了？而管理者的第一反应可能是，如果真的要把AI能力纳入绩效考核，究竟应该怎么打分，才能让员工信服？
这恰恰是企业最需要谨慎处理的地方。因为一个好的激励制度，可以让员工主动学习、积极改善工作；一个设计不合理的考核制度，却可能把原本有价值的技术创新，变成另一种形式的职场内卷。
员工为了获得更高分数而不断使用AI，部门为了完成指标而反复汇报技术成果，管理者为了证明项目成功而夸大节省的时间，最终企业看到的是一份份漂亮的报表，却没有得到相应的经营改善。
最值得警惕的，不是企业没有AI绩效指标，而是企业把错误的指标当成了员工价值。
1. 如果明年AI使用率影响奖金，员工会做什么？
假设一家企业规定，从下一年度开始，各部门员工都要达到一定的AI使用频率，并将完成情况纳入绩效考核。
管理层制定这项要求的初衷，可能是希望员工尽快熟悉新技术，让已经购买的工具真正发挥作用。
但制度正式实施以后，会发生什么？有些员工可能确实因此开始探索新的应用场景，并找到了提高工作质量的方法。
但也可能有员工为了完成使用次数，开始把不需要AI的任务交给AI；有员工为了证明自己积极应用技术，反复生成内容却不认真核验；还有员工本来可以直接解决客户的问题，却为了留下系统记录而增加不必要的操作。
如果管理者只看使用数据，这些行为甚至可能被误认为积极创新。
于是，企业花钱采购AI，本来希望减少重复劳动，最后却可能让员工为了证明自己使用了AI而增加新的重复劳动。这就违背了技术转型的初衷。
当然，使用频率并非完全没有意义。对于刚刚引入AI的企业，它可以帮助管理层了解员工是否开始接触工具，哪些部门需要更多培训支持，以及技术推广是否遇到障碍。
但使用频率适合用来观察推广过程，不适合直接代替最终绩效评价。因为员工使用工具的次数和工作成果之间，从来不存在简单的等号。对于企业而言，真正应该追问的是：员工是否通过AI提高了工作质量，是否改善了重要流程，是否减少了没有必要的劳动，是否让客户或者内部业务部门获得了更好的服务？
这些问题虽然不像登录次数那样容易统计，却更加接近企业愿意支付奖金的真实原因。
2. 同样是用AI节省时间，为什么不一定应该获得同样的奖励？
设想两个部门都向管理层汇报，使用AI以后，每周可以减少若干小时的人工资料整理工作。
表面上看，两项成果似乎可以直接比较。但如果深入了解，就可能发现它们之间存在明显差别。
第一个部门使用AI整理内部会议材料，虽然减少了部分准备时间，但生成内容仍然需要大量人工修改，最终并没有显著改善决策或者业务交付。
第二个部门则将AI用于辅助整理复杂的经营数据，在人工核验和流程调整的共同作用下，提高了报告的及时性和准确性，使业务负责人能够更早发现问题并作出调整。
两种应用都可能节省时间，但业务价值未必相同。
这说明企业不能简单把节省工时换算为奖金，更不能认为谁报告的时间节省最多，谁就应该获得最高评价。
技术成本、工作质量、后续返工、业务风险和实际应用效果，都需要纳入判断。
更重要的是，节省出来的时间是否真正转化为其他有价值的工作，也值得企业关注。
如果员工原本需要花费大量时间整理材料，使用AI以后能够把精力投入客户研究、经营分析和复杂问题解决，那么企业可能获得的不只是任务时间缩短，而是员工能够承担更高价值的工作。
如果技术只是让员工更快完成一份质量普通的报告，之后又不断增加不必要的材料制作任务，那么所谓效率提升就未必能形成持续收益。
因此，与其简单奖励节省时间的数量，不如研究员工是否真正把新的工作能力转化为经过验证的业务成果。
AI让工作变快，只是第一步；让工作变得更好，才是企业应该追求的结果。
3. 奖金应该奖励什么？答案不是“会用AI”，而是“创造了新价值”
企业可以按照不同类型的实际贡献，选择不同的激励方式。
如果某项AI能力已经成为岗位的基本要求，那么它可以进入正常的岗位能力评价和培训体系，没有必要为每一次工具使用单独发放奖金。
例如，某些知识型岗位可能逐渐要求员工熟悉经过授权的智能办公工具，并能够在日常任务中正确使用。这就像过去企业要求员工具备电子表格和办公软件操作能力一样，属于岗位能力发展的组成部分。
但如果一名员工通过持续研究和实践，设计了一套能够稳定改善业务流程的AI辅助工作方法，而且相关效果经过验证，那么这种额外贡献就值得在项目奖励或者绩效评价中得到认可。
如果一名员工不仅改善了自己的工作，还帮助整个部门建立知识库、优化协作方式，并培养其他同事掌握新的工作方法，那么企业还可以进一步考虑这种团队贡献是否体现出更高层级的专业能力或者管理潜力。
这几种情况的区别非常重要。熟悉工具，是一种能力；改善工作，是一种贡献；能够让更多人持续创造更好的成果，则可能体现更广泛的组织价值。
企业应当鼓励员工沿着这个方向不断成长，但不需要把它们机械地设置成所有岗位统一适用的奖金等级。
因为不同岗位的工作内容、业务责任和技术应用空间并不相同，评价标准必须回到岗位本身。
对于销售人员，可以重点关注客户需求理解、商机质量和实际销售成果；对于财务人员，可以重点关注分析准确性、异常识别和决策支持；对于招聘人员，可以重点关注岗位匹配质量、招聘交付和人才服务体验；对于管理人员，则可以更加关注团队能力建设、流程改善和业务目标实现。
只有当AI能力能够与这些具体目标建立可靠联系时，激励制度才有足够的说服力。
4. AI考核还有一个很大的风险：对不同员工可能不公平
这一点，尤其需要HR负责人重视。想象一下，一家公司要求全体员工参加AI能力考核，但不同部门的工作条件却完全不同。市场部门已经获得完善的AI工具权限，员工每天都有大量适合AI辅助的资料研究和内容准备任务。某些财务或者法务岗位因为信息安全和合规要求，只能在经过授权的有限场景中使用AI。还有一些现场运营、客户服务和生产管理岗位，主要依赖实际操作、客户沟通和现场判断，能够直接使用AI的机会本来就相对有限。
如果公司不考虑这些差别，只看AI使用次数和应用项目数量，会不会出现新的不公平？答案显而易见。
有些员工可能因为岗位天然适合AI应用，轻松获得较高的技术使用指标；另一些员工即使工作表现非常出色，也可能因为职责特点而难以展示相同数量的成果。
更复杂的是，不同员工获得培训和工具资源的机会可能也不相同。
如果公司一边要求员工通过AI提升工作能力，一边又没有提供必要的软件权限、学习资源和实践条件，那么把相关能力直接与奖金挂钩，就可能让员工难以接受。
因此，AI能力进入薪酬和晋升制度之前，企业必须先确定员工是否具备合理的学习机会，岗位是否确实需要相应能力，以及评价标准能否反映真实贡献。
公平并不是让所有员工使用完全相同的考核表，而是让每个人都能在符合岗位实际的条件下，凭借有价值的工作获得合理认可。
这也意味着，企业不能因为某位员工没有使用AI，就轻易认定其缺乏创新精神。
有时候，员工保持人工判断，恰恰是出于对业务质量和客户责任的考虑。
5. 企业还要防止另一种情况：AI越普及，员工反而越焦虑
技术转型并不只是系统和流程的变化，也会影响员工对职业未来的判断。
当企业不断强调AI的重要性时，有些员工可能会担心，自己过去积累的专业知识是否正在迅速贬值；有些人可能担心，年轻同事掌握新工具的速度更快，自己会不会失去竞争优势；还有一些员工可能担心，一旦公司发现AI能够提高效率，就会不断增加工作任务，甚至重新考虑岗位编制。
如果企业在这些问题没有得到充分沟通的情况下，直接宣布AI能力开始影响奖金，员工的焦虑可能进一步增加。
对于HR而言，这意味着制度设计不仅要考虑业务效果，也需要考虑员工对公平和职业发展的合理预期。
管理层应该说明，企业希望通过AI提高哪些方面的工作质量，哪些岗位需要发展新的能力，员工可以获得什么样的培训与实践支持，以及相关成果如何进入绩效和晋升评价。
更重要的是，企业需要明确，AI能力并不等于单一工具操作能力，员工原有的专业知识、行业经验、客户沟通和团队协作能力仍然有价值。
只有让员工理解技术转型的方向，新的制度才更容易得到支持。
真正有效的AI激励，不应该让员工每天担心自己落后了多少，而应该让员工看见自己可以怎样成长。
6. AI可以辅助做绩效分析，但不能替管理者决定一个人的价值
还有一个必须明确的边界，就是人工智能可以参与管理工作，却不能因此让企业放弃对重要人事决定的责任。
随着技术能力提高，部分企业可能使用AI辅助整理员工工作记录、分析培训需求或者准备绩效讨论材料。这些应用可以提高管理效率，但如果直接把系统生成的评分当作奖金和晋升的最终依据，就可能带来新的风险。
因为系统记录不一定能够完整反映员工的实际工作，部分岗位的贡献也很难通过标准化数据充分表达。
例如，一名员工花费大量时间帮助团队解决了复杂的客户问题，但相关贡献可能没有出现在AI系统记录中；另一名员工能够使用AI生成漂亮的项目总结，却未必真正承担了关键工作。
如果管理者只依赖系统评分，就可能看不到这些差异。
更重要的是，AI生成的分析本身也可能存在错误、遗漏或者不合理推断，涉及员工个人信息和重大职业利益时，还需要特别重视数据保护、适用法律法规和员工合理的反馈申诉渠道。
因此，企业可以利用AI辅助了解工作情况，但最终仍然需要由具有相应职责的管理者按照明确标准作出判断，并对结果负责。
管理者必须清楚为什么给某位员工优秀绩效，为什么认为另一位员工具备晋升潜力，以及相关决定是否有充分证据。
技术可以帮助整理信息，却不能代替管理者承担公平评价和人才培养的责任。
7. 对HR来说，真正该升级的不是表格，而是识别人才贡献的能力
过去，HR在推动新技术应用时，往往主要承担培训组织、员工沟通和政策落实等工作。但当AI开始与绩效、薪酬和晋升联系起来，HR就需要进一步参与业务价值判断。
为什么某个部门的AI应用值得推广？员工改善了哪些工作？这些成果是否可持续？应该通过奖金、岗位发展还是团队认可来体现贡献？
这些问题不可能只靠一张考核表回答，需要HR与业务负责人、财务团队和技术部门共同讨论。
业务负责人最了解工作问题和实际成果，财务部门可以帮助验证相关投入与收益，技术部门能够确认工具能力和风险边界，而HR则需要把这些信息转化为员工能够理解、管理者能够执行的人才制度。
这种合作越深入，企业就越有机会避免AI考核走向形式主义。
对于CHRO而言，尤其需要认识到，AI转型可能正在改变HR部门与企业经营之间的关系。过去，HR经常在企业决定采购技术以后，才参与员工培训和组织调整；未来，如果技术应用会改变岗位职责、绩效标准和人才能力要求，HR就有必要更早参与AI战略讨论。
因为很多技术项目能不能落地，并不只是软件好不好用的问题，也与员工愿不愿意尝试、管理者能不能识别成果、相关贡献是否得到合理认可有直接关系。
从这个角度看，AI能力影响奖金与晋升，既是对员工职业发展的新提醒，也是对HR管理能力的一次考验。
企业真正需要的，不是让每位HR都成为AI技术专家，而是让HR能够更加准确地理解业务，把技术变化转化为合理、透明、可执行的人才管理规则。
而对于那些仍然停留在集中培训和工具推广阶段的企业，真正值得思考的问题已经越来越清楚：如果还没有找到评价AI贡献的方法，下一步究竟该从哪里开始？
广告四、你的公司还只在做培训？未来90天，HR最应该推动的不是再上一堂AI课
如果今天走进一家正在推动AI转型的企业，询问他们过去一年都做了什么，很可能听到这样的回答：公司组织了多场AI培训，给员工开通了工具账号，各部门也都提交了应用案例，一些团队还建立了自己的提示词库和知识库。
这些工作并没有错，而且对于刚刚开始使用AI的企业来说，确实具有必要性。
但如果进一步追问，哪些应用真正提高了业务质量，哪些员工因为掌握新工作方法而创造了更多价值，企业又准备如何把这些成果纳入绩效和人才发展制度，答案可能就没有那么明确了。
这正是华尔街调查给企业管理者带来的现实提醒。
当一些金融机构已经开始探索AI能力与奖金、绩效、晋升之间的联系时，企业不能永远把AI转型理解为一场培训活动。
培训只是让员工知道新工具可以做什么，而真正的转型，是让员工知道应该怎样利用技术把工作做好，也让管理者知道哪些新的工作成果值得认可。
对于中国企业而言，这并不意味着应该马上照搬华尔街部分机构的做法。相反，越是涉及员工薪酬和晋升，越需要先建立可靠的评价基础。
一个值得考虑的办法，是用大约90天开展一次小范围试点，从真实业务出发，逐步找到适合自身的人才管理方式。
1. 第一个30天，先别急着考核员工，找到真正值得AI解决的问题
如果一家企业打算开始研究AI绩效，最容易出现的做法，就是要求所有部门上报应用场景，再为每个部门设定使用率目标。
但这样做往往会让管理工作从一开始就偏离重点。
因为企业真正需要解决的，不是哪个部门使用AI最多，而是哪个部门存在值得改进的业务问题。
例如，一家企业发现市场部门每个月都需要花费大量时间整理竞争对手资料，但这些分析报告并没有真正帮助销售团队理解客户变化。
如果只是引入AI加快报告生成，可能会让原来需要几天完成的资料更快交付，却未必改变报告对经营决策帮助有限的问题。
真正需要重新思考的，是报告应该回答哪些业务问题、哪些信息值得重点研究，以及如何让市场分析更好地支持销售和产品决策。
同样，一家公司的招聘周期很长，也不一定是因为招聘人员筛选简历的速度太慢。
真正的瓶颈可能出现在业务部门长期无法确定岗位要求、面试流程反复调整，或者不同管理者对候选人的评价标准不一致。
如果问题没有找准，只是通过AI提高简历处理速度，就可能让招聘人员更快地完成大量工作，却无法真正缩短关键岗位的招聘时间。
所以，第一个30天里，HR最值得做的事情，不是把所有员工送进培训课堂，而是与业务部门坐下来，认真研究哪些工作最需要改善。企业可以优先选择几个具有代表性的岗位，分析员工日常工作中最耗费时间、最容易出现质量问题、最需要专业判断的环节，再研究AI是否适合参与其中。
这个过程还应该考虑数据安全和岗位责任，不能因为某项任务看起来适合自动化，就忽略其中可能存在的合规要求。对于选定的应用场景，企业还需要建立相对可靠的原有工作基准，例如任务处理周期、交付质量、返工情况和业务部门反馈，以便后续判断技术是否真正带来改善。
只有知道过去工作是怎样完成的，企业才有可能解释新的工作方式到底产生了什么价值。
企业应该先找到需要解决的业务问题，再决定需要什么AI能力，而不是先买了AI工具，再让员工想办法证明它有用。
2. 第二个30天，让员工在真实工作中学习，而不是只看培训完成率
当企业明确了需要改善的业务问题以后，接下来就应该让员工在真实任务中尝试新的工作方法。
这个阶段最重要的变化，是把学习目标从掌握工具操作，转向解决具体业务问题。例如：
财务团队可以围绕经营分析报告开展试点，让员工研究怎样利用AI辅助整理数据、发现异常，同时要求其对关键数字和结论进行核验。
招聘团队可以围绕某类岗位的招聘交付开展试点，探索AI是否能够帮助招聘人员更准确地理解岗位需求、准备面试材料和整理业务反馈。
市场团队可以选择一项客户研究任务，观察AI辅助信息分析是否真正帮助员工发现值得关注的客户变化，而不只是提高内容生成速度。
在这些实践中，管理者需要特别关注员工的思考过程。
员工为什么选择使用AI？工具适合处理哪一部分任务？哪些信息必须人工确认？结果与原有工作相比究竟有什么不同？通过这些问题，企业能够逐步识别哪些员工只是掌握了工具操作，哪些员工已经能够把技术与业务知识有效结合起来。
对于确实有效的应用，团队可以尝试整理操作方法和质量要求，形成内部可以复用的经验。
对于效果不理想的应用，也应该认真总结原因，明确是工具能力不足、数据条件不成熟，还是场景本身并不适合AI处理。
管理者尤其不应该要求所有试点都必须取得成功。
因为企业开展AI探索的目的，不是制造一批漂亮案例，而是找到可靠、有价值、能够持续使用的工作方法。
如果员工为了证明项目有效而刻意忽略问题，企业就很难真正了解技术的能力边界。
这一阶段，HR可以把重点放在员工学习能力、问题解决方法和实际工作成果的观察上，而不是急着给所有人打分。
当员工愿意在真实工作中尝试新的方法，并能够通过事实讨论效果时，AI学习才有机会从一次培训活动变成长期的工作习惯。
3. 第三个30天，开始研究怎样认可贡献，而不是立即改变所有人的奖金
经过前两个阶段的实践，企业通常已经能够积累一些较为具体的成果。
有些员工可能通过AI改善了个人工作效率，有些团队可能找到了新的流程优化方法，也有一些探索可能并没有产生预期效果。
这个时候，管理层才适合进一步讨论哪些贡献值得认可，以及相关能力未来能否进入正式的人才评价体系。
例如，一名员工在原有岗位上正确使用AI，提高了日常工作效率，并且保持了稳定的交付质量，这可以成为其正常绩效讨论中的一项积极表现。
另一名员工主动发现长期存在的业务问题，组织同事研究新的工作流程，并通过实际验证取得改善，那么这种额外贡献就可能值得获得项目认可。
还有一名员工把自己的专业经验与AI结合起来，形成一套可供多个同事使用的工作方法，并帮助团队持续提高工作质量，那么管理者就可以进一步考虑，其表现是否体现出更强的专业影响力或者管理潜力。
这些情况虽然都与AI有关，但其价值层次并不相同。企业应该根据真实成果选择适当的认可方式，而不是急着给每一次AI使用都规定奖金金额。对于业务成果还不够明确的项目，也不需要立即给出经济回报结论。企业可以继续观察，等有了更充分的数据以后，再研究是否需要调整岗位标准或者激励制度。
这种方式看起来没有直接宣布“AI能力影响年终奖金”那么有冲击力，但从管理角度说，反而更稳妥。
因为薪酬制度一旦实施，就会影响员工对公平和职业发展的预期，不能仅靠短期热情推动。如果企业能够先把真实贡献识别清楚，员工也更容易理解新的制度为什么合理。90天试点最终应该形成的，不是一张漂亮的AI使用率排行榜，而是一套管理层和员工都能够理解的判断方法：哪些工作确实得到改善，哪些能力值得继续培养，哪些成果能够被验证，以及什么样的贡献应该得到认可。
4. 对CHRO来说，这可能是一场重新进入经营核心的机会
很多企业过去把AI转型主要交给技术部门负责，HR则承担培训和员工沟通任务。
但当AI开始影响员工怎样工作、岗位需要什么能力，以及企业应该奖励什么样的人才时，HR就不能只做技术项目的配合者。
因为企业最终需要解决的，不只是工具能不能使用，还包括员工愿不愿意使用、管理者会不会评价，以及组织有没有能力把有效经验推广到更多岗位。
这意味着CHRO需要与CEO、CFO和技术负责人形成更加紧密的合作。
CEO最关心的是企业希望通过AI改善什么经营问题，CFO需要判断相关投入是否产生实际回报，技术团队需要保证工具可靠并符合必要的安全要求，而HR则需要考虑完成这些目标需要什么样的人才，以及如何通过岗位设计、培训、绩效和激励机制支持员工。
如果这些部门各自为战，AI项目就可能出现一种常见情况：技术部门认为工具部署已经成功，HR认为培训任务已经完成，业务部门却依然觉得没有得到明显帮助。
这种脱节不会因为采购更先进的软件就自动消失。
只有当企业围绕实际业务目标，把技术能力和人才管理连接起来，AI转型才更有机会持续产生价值。
因此，未来CHRO的一项重要能力，是能够理解AI如何影响企业的工作流程，并把这种变化转化为清晰、合理的人才制度。
这并不要求HR负责人掌握所有技术细节，但需要能够与业务管理者讨论价值，与财务部门讨论成果，与技术部门讨论风险，并帮助企业判断什么样的员工能力值得培养。
从这个意义上说，AI不仅改变了部分岗位的工作方法，也可能进一步提升人力资源管理在企业经营中的战略作用。
5. 对普通员工来说，现在最值得做的，是让自己的AI能力变得看得见
华尔街的调查不仅值得管理层关注，对每一位职场人也有现实意义。
如果未来越来越多企业开始重视AI能力，那么普通员工究竟应该怎样准备？
最重要的建议，不是马上学习所有热门工具，也不是花大量时间追逐最新的AI课程，而是从自己的工作开始，找到能够真正创造价值的应用场景。
假设你是一名销售人员，可以研究AI是否能够帮助你更好地理解客户行业、整理客户反馈和准备沟通方案，但不要只满足于快速生成销售话术，而应该继续观察这些方法能否改善客户沟通质量。
如果你是一名财务人员，可以探索AI辅助数据整理和初步分析，但必须重视数字准确性和专业责任，并研究技术是否能够让你把更多时间用于经营分析。
如果你是一名HR，可以利用AI辅助岗位研究、培训材料准备和招聘流程分析，但更应该关注这些方法是否真正帮助业务部门解决人才问题。
如果你是一名管理者，则可以研究怎样让团队合理利用AI，把重复性工作与专业判断分开，让员工有更多机会承担真正重要的任务。
这些努力不一定立即带来加薪，却可能帮助你逐渐形成更有价值的职业能力。
与此同时，还应该学会记录自己的实际成果。
当你通过AI改善了一项工作，可以在遵守公司保密规定的前提下，记录原来存在什么问题、采用了怎样的新方法、经过哪些必要验证，以及最终取得了什么结果。
这样的记录不仅能够帮助你总结经验，也能够在未来的绩效沟通和职业发展讨论中，让管理者更清楚地理解你的贡献。
相比简单地说“我熟练使用多种AI工具”，能够讲清楚自己如何利用技术解决实际问题，通常更有说服力。
更重要的是，不要因为AI能够快速生成内容，就忽略自己的专业判断。
技术工具会不断变化，今天流行的软件未来可能被新的产品替代，但理解业务、判断信息、解决问题和承担责任的能力，仍然是值得长期积累的职业资产。
不要只让自己成为一个会用AI的人，而要努力成为一个能用AI把事情做得更好的人。
当我们重新回到华尔街这项调查时，会发现真正值得关注的，已经不只是近四分之一的受访金融机构开始将AI能力与加薪、奖金或者晋升联系起来。
更重要的是，部分企业开始意识到，人工智能正在改变员工创造价值的方式，而原有的人才管理制度需要研究怎样适应这种变化。
过去，企业评价员工时，往往会重点关注经验、任务完成情况、工作效率和团队协作。这些标准今天依然重要，但随着AI逐渐承担部分信息处理和基础执行任务，企业可能还需要进一步了解员工能否利用技术提高工作质量，能否将专业经验与新的工作方法结合起来，以及能否帮助团队创造更加持续的成果。
这不是要否定传统经验，更不是要让AI取代人的判断。
恰恰相反，当越来越多人都能使用相似的AI工具时，专业知识、客户理解、沟通协调和责任意识的重要性反而更加值得重视。同样使用一款AI工具，有人只能生成一份普通报告，有人却能够发现业务问题并提出有价值的建议；有人只是让自己完成工作更快，有人则能够建立一套让整个团队受益的新流程。
这些差别说明，工具能力相同，不代表人的价值相同。
企业真正需要识别的，是那些能够把技术能力与业务能力结合起来，并不断创造实际成果的人。
这也让我们重新理解什么才是有效的AI转型。采购软件，只是提供了新的工具；组织培训，只是帮助员工掌握新的方法；建立应用案例，只是开始积累实践经验。
只有当这些努力进一步改变实际工作，并且相关贡献能够被合理识别和认可时，企业才有机会让AI成为持续发展的组织能力。
对于已经投入大量资源推动AI的企业来说，下一步最值得考虑的，可能不再是继续增加多少培训课时，而是研究如何让优秀实践形成更大价值，如何让员工的成长得到合理认可，以及怎样让人才制度真正支持新的工作方式。
当然，这并不意味着所有公司都应该马上把AI能力与年终奖金直接挂钩。
不同企业的技术应用阶段不同，岗位特点不同，评价基础也不同。过早将尚未成熟的使用指标引入薪酬分配，可能带来新的不公平和形式主义。
但如果企业已经开始大规模使用AI，却始终不研究岗位价值和人才评价会发生什么变化，同样可能错过建立新能力的机会。
真正需要改变的，不是给员工的绩效表多加一个AI分数，而是让企业能够看见那些过去没有被充分看见的价值。
华尔街已经开始研究怎样为AI能力定价，你的公司准备好了吗？
2026年10月14日的这份调查，并不意味着华尔街已经形成一套统一成熟的AI薪酬制度，也不能说明未来所有企业都必须按照使用AI的程度决定奖金。
但它确实提醒我们，AI对企业的影响正在进入一个更加深入的阶段。
过去，大家讨论的是AI能不能帮助员工提高效率；现在，一些企业已经开始讨论员工通过AI创造的价值，应该怎样被衡量和认可。过去，公司希望员工多学一点AI知识；现在，管理层更需要知道这些知识能否真正改善工作、提高质量并推动业务成果。
过去，优秀员工往往因为专业经验丰富、执行能力强而获得认可；未来，在这些能力的基础上，能够合理利用技术、解决复杂问题、帮助团队持续进步的人，可能获得更多展示自身价值的机会。
对企业而言，这是一场关于绩效、薪酬、晋升和组织能力的管理升级。
对HR而言，这意味着人才管理不能永远停留在组织培训和推广工具上，而需要进一步进入业务价值与员工贡献的讨论。
对普通员工而言，这也不是一个简单的“会不会用AI就能决定工资”的故事，而是一个关于怎样提高职业竞争力的现实提醒。
当越来越多员工都能获得AI的帮助，未来真正值得企业长期投资的，可能是那些能够提出正确问题、作出可靠判断，并把新的技术能力转化为实际成果的人。
AI时代，员工之间的差距不一定取决于谁使用工具更多，而可能取决于谁更清楚应该用工具解决什么问题。
同样，企业之间的差距也不一定取决于谁购买了更多AI系统，而可能取决于谁能够建立合理的管理机制，让技术真正服务于员工成长和业务发展。
所以，华尔街这次调查最值得中国企业思考的，或许不是“我们是不是也应该马上把AI纳入奖金”，而是另一个更加基础的问题：
如果员工已经开始利用AI改变工作方式，我们的管理制度是否能够准确识别这些新的贡献？
如果一名员工通过AI提高了个人工作效率，另一名员工则通过AI帮助整个团队改善了工作流程，公司又应该怎样评价他们之间的差异？
如果员工希望通过学习AI获得更好的职业发展机会，企业是否已经提供了相应的学习条件和清晰的发展标准？
这些问题不会因为企业多办几场培训就自动得到解决，却可能成为下一阶段AI转型必须面对的管理挑战。
未来最值得警惕的，不是员工还不会使用AI，而是员工的工作方式已经改变，企业却仍然只会按照过去的标准评价人才。
最后，想把一个问题留给每一位企业管理者、HR负责人和正在职场中努力的人：
如果明年你的公司也把AI能力纳入绩效考核，你认为最应该奖励什么？是熟练使用工具的人，是通过AI提高工作效率的人，还是能够利用AI为公司创造真实业务成果、帮助团队持续进步的人？
欢迎在评论区分享你的看法。因为这个问题看似是在讨论AI，实际上讨论的是未来企业应该如何判断一个人的价值，以及什么样的员工，才真正值得获得更高的回报。
参考资料：Reuters，2026年10月14日，《Wall Street firms tie bonuses, promotions to AI skills, survey finds》；PwC，2026年《Global AI Jobs Barometer》；Microsoft，2025年《Work Trend Index》。文中的员工及企业工作情境均为帮助理解管理问题而设置的示例，不代表特定企业的真实案例。
活动名称 | 时间 | 地点 |
