圆桌对话：当AI进入产业前线：未来最稀缺的AI人才，会是谁？| 2026AI Partner·北京亦庄AI+产业大会

稀缺的，到底是懂AI的人，还是懂业务的人？

一个反直觉的判断——懂AI这件事正在快速贬值，而能在关键低频决策中做出判断的人，才是未来的稀缺品。高频重复的工作最容易被AI替代，但在打造爆品、建立品牌等低频高影响力的决策上，人的判断依然不可替代，企业AI转型的最大卡点也不是技术或数据，而是“想不到应用场景”， 当前AI的利润大头仍在基础设施层，应用端的ROI尚未完全释放，但拐点会比预想来得更快。

以下为圆桌对话内容，经36氪整理编辑：

郑王宇丨36氪基金投资副总裁（主持）

龚毅丨尼尔森IQ 通信及科技业务总经理

罗飞丨华科智能AI研究院院长

林海卓丨卓源亚洲创始合伙人、董事长

郑王宇：各位老师好，我们今天一起讨论“当AI进入产业前线：未来最稀缺的AI人才会是谁”，谁会是行业的新贵。把行业翘楚聚集在这里很难得，请各位嘉宾用一句话亮个相，并带着您的视角参与接下来的讨论。

龚毅：大家好，我是尼尔森IQ的龚毅，我们所处的行业是数据洞察行业，今天我谈论的点从这个行业出发。

罗飞：大家好，我是华科智能的罗飞，是一家港股上市公司，主要做投资。我所在的研究院主要是赋能传统行业的AI转型，做培训、咨询和陪跑。我们有很多传统老板怎么升级的痛点，今天也跟大家分享一下。

林海卓：大家好，我是卓源亚洲的林海卓，我们主要是一家聚焦于人工智能、半导体、机器人的投资机构，聚焦于风险投资市场。主要投了轻舟智能、江行智能、沐曦集成电路、小马智行这些代表性的硬科技项目。

郑王宇：三位专家都是不同的视野。在过去一年里，AI从模型能力的竞赛进入到产业场景落地的环节。我们现在看，无论是消费零售、企业管理、制造、金融、医疗各行各业，包括创业投资，AI的价值不仅取决于模型参数和技术指标，更取决于是否能够进入真实的业务流程。说得大白话一点，现在的AI要进入整个产业的前线，影响决策执行甚至是商业落地的结果。这个过程中，新的问题就变得更加迫切了——当AI工具变得越来越普及，真正稀缺的人才是什么样的？最后一个圆桌，希望从企业竞争和人才角度出发，讨论AI抵达产业前线的战壕后，人与机器、专家与工具、组织与个体之间整体的分工与变化。

先进入第一个问题。在这个过程中，不只是让员工多一个工具，而是开始影响到消费者洞察、产品创新、供应链、渠道运营、客户管理等决策环节。哪些工作在各位的视角看来是最容易被AI重构的？哪些环节适合AI，但实际落地又是最难的？先请林总。

林海卓：我们目前有一个观点，在投资过程中，好的问题提出者依然是有壁垒的。目前来看，知识高度密集型的领域天然有一个特征，知识体系比较容易进行结构化描述，技术结构用代码化去表述，相对会有一个清晰的边界和对与错的判定，在这样一个逻辑下，比较符合现在人工智能解决问题的范式。像会计师、律师、程序员，在当前的情况下是比较容易被新技术替代的。但好的问题提出，还是需要人的引导。我们现在看到的是机器人、各种各样的Agent，包括喂养龙虾，还是需要从0到1推进的那一步，让它更好地做某一个你给它限定范围的事情。各个行业提出问题，或者结合这个人本身在行业中过往的经历，提出交叉学科前沿的想法，引导一个模型朝着这个方向积累，是未来比较容易构建个体壁垒的事情。

大家更容易理解的是，围绕着体验的领域或者是情感领域、感性层面，心理学家、心理咨询师是不是也被AI替代？旅游体验师、旅游导游和具身智能场景相结合，具备丰富个性化、场景化体验的这部分，AI替代还有相当长的距离。从从业角度，AI更好的是赋能，而不会马上进行职业替换。大概这两个维度。

郑王宇：投资人的视角相对宏观和全面，深入到每个行业的细节，罗院长，您在实际观察产业落地过程中，哪些行业容易被AI替代，哪些环节比较困难？

罗飞：现在AI 2.0我们在应用AI大模型的能力。AI大模型本质上是推理引擎，我们认为以前人在推理的地方，都能挖掘到很多应用场景，看推理的过程是不是由AI来做。我们总结三个特征。重复，才有用AI的价值；标准，每次推理、思考、行动的过程有标准可言；熟练，是指这个企业里有熟练的人能把这个工作说清楚，我们需要把熟练的人的经验萃取出来，给AI大模型配好工具，让它来替代这个事情。这是一个维度。

另外一个维度是工作环境。越是在电脑前工作，越容易被替代；越是跟人打交道的工作，越不容易被替代。在电脑前重复地查资料、想方案，不管是写成Word还是PPT、Excel，重复的查、想、写的工作，龙虾发展的能力越来越强，又能够控制电脑去做这个事情，电脑前的工作就会越来越容易被替代。越靠近人的、越靠近市场的，越不容易被替代。我们看见人的能力要往左移，左边是市场、客户，右边是后台流程，人的能力加上AI过后要不断往左移。

郑王宇：意味着沟通、协作、洞察变得更重要了。我提炼出您说的三个关键词，重复、熟练、标准，有这些特征的环节更容易被替代。龚总。

龚毅：我的点和前面的嘉宾一致。我们服务的客户是500强客户，服务的领域基本上在品牌营销、产品创新和零售以及客服方面。我们看到的点会把它化为矩阵：一个轴是频率，两位嘉宾都谈到高频和低频。

另外一个轴是决策的战略性、重要性。最容易被替代掉的，频率越高会有大量回馈，数据很多，AI很容易学到经验，每次往复会做强化学习，AI能学到。对于低频，尤其是低频重要性高的事，很难替代掉。为什么在品牌营销领域会看到大量的广告投放复制，自动化程度非常高？从最初的创意到创作，到KOL投放，评估闭环，很运营化了。直到今天，我们仍然是说，你要做具有溢价的高端化品牌，做年轻人的品牌，或者在跨国文化、西欧、印度出海的时候，跟当地消费者引起共鸣的品牌，频率不高且影响巨大的事，我们还是看到AI很难解决，这是整个社会很稀缺的事。

郑王宇：下一个问题，现在企业AI能力的落地阻力来源于哪里，是来源于技术、数据积累，还是组织惯性导致的？龚总可以从服务客户的角度来讲这个问题吗？

龚毅：基础肯定是数据。直到今天，我们的AI已经会上搜索，已经会执行很多工作流，从skill的角度已经达到七八十分的水平，但仍然有很多幻觉在里面。幻觉本身基于我们怎么把有效数据给AI，在对的工作流基础上不会产生幻觉。在行业通常会发生的事，大家觉得以后不要做调研了，有一个想法不用做调研，只用问一万次AI，那就代表一万个消费者，我是不是可以基于这一万个调研，就形成我这款手机、冰箱是不是可以在市场上有比较好的表现？我们做了大量验证，会发现不是。

第一个，你问AI是不是足够有代表性；第二个，每一次问AI，它是不是嵌入到我们具体的数据来回答问题。比如你是丁克或者四世同堂的家庭，你回答问题的时候，AI是不是代表了这些人的需求。最后加总起来，回到消费者说十分，九分是特别喜欢，九分到底是代表市场成功还是十分才能代表成功？一系列专业的点不合成起来，就会发现你问的东西都似是而非。不够高频的情况下，企业很难决定我是信还是不信。我举这个例子，总结起来，企业本身的流程会有很多专业点，这些专业点需要被解决，或者被AI解决，或者被其他方面解决，但AI赋能整个流程有很多要求。

郑王宇：罗院长，您觉得整个AI在公司里落地，阻力来自于哪里？技术、数据还是组织惯性？

罗飞：更多来自于组织。我们看到AI技术每年发展突飞猛进，做AI行业技术的人都会感觉马上AGI都要来了，AI的能力一年比一年强。但企业落地，我的感知没有那么快。企业落地还是有很多阻力，还是组织对于AI的认知。我们过去两三年服务了十多个行业里的龙头企业，这些龙头企业偏传统，比如地产、金融、大健康、餐饮。我们都会调研一个问题，我们认为AI在企业里落地有两个卡点：粗阶卡点和高阶卡点。粗阶卡点，企业想不到更多的应用场景。大家都说AI很厉害，回到企业，我问这些企业的员工或者老板，你们能想到多少应用场景？他们想不到更多的应用场景，我们称为粗阶卡点。高阶卡点，企业可以落地应用场景，但落地以后不见成效，投入不见成效，内部员工不愿意用，外部客户也不愿意用。

我调研发现，虽然AI技术发展很快，入企发现大量还是在粗阶卡点。AI的能力已经这么强了，从业者都觉得能力这么强了，大部分企业还是说找不到应用场景，这是最大的卡点。找不到应用场景很大的原因是企业没有把对AI的认知拉起来，也没有深入业务分析，或者有惯性思维。现在AI处于AI 2.0，大部分企业有1.0的思维，认为用AI必须要有数据。

我们提出一个核心的观点，企业AI转型实际上是人才转型。企业要从数字化思维跳出来，形成AI思维。数字化思维阻碍了现在很多企业去落地，认为落地AI有很多前提条件，要数字化，要好，要有数据，要有技术。这些前提条件都阻碍了企业把它的应用场景认知给打开。这是我真实体验到的巨大卡点。

郑王宇：越大的公司，阻力来自于组织机构的越多。不知道创新公司怎么样，您观察到的呢？

林海卓：我们从整个行业来看，投资回报率还没有那么高。很重要的原因，在历史上是可以找到对应阶段的。在2000年互联网泡沫之前，曾经有一度全世界市值最高的公司是思科。在互联网早期，谷歌等很多企业诞生之前那段时间，造互联网高速公路，核心交换机曾经做到过市值最高的企业。英伟达、博通都在这个市值占据主要位置，恰恰说明了人工智能大的利润来源，我们感觉到还是用于构建基础设施。很多时候投入人工智能，无论是企业还是超级个体，在投入人工智能做投资的时候，ROI相当一部分成本变相还是给到了基础设施。至少当前是基础设施拿到了相当大的利润，也跟目前全球范围内德意志银行今年年初说的一句话相符：短期缺算力，中期缺能源，永远缺存储。这反映出在人工智能发展的现阶段，基础设施还是切走了大部分投资端、利润端，应用还是在不断追赶的过程中。

大家接触到的大模型，如果泛化到绝大多数的网民，大家接触到的大模型或者人工智能，更多还是搜索引擎的平替。现在打开脑海当中意识流想到的问题，不一定用传统的搜索引擎，直接问DeepSeek或者元宝、千问、豆包，会产生这样的效果。大家还是把AI当成一种检索、搜索引擎替代的入口。真正接入到业务流端，炼钢、炼铁、重型工业、半导体、先进设计，借助一款人工智能的工具来帮助我在非常垂类的领域，无论是业务流侧还是深度构建高精尖知识know-how，并且反向反哺我做这项工作，确实还早，至少两三年的时间周期。因为大模型，这个领域的从业人员需要投喂大模型我感兴趣的问题。在这个过程中，大家开玩笑说我还要PUA我的大模型，你怎么这个技术知识都不知道，我的意思这个问题应该怎么看。智能体接触到以后，会不断积累在这个垂类特有的知识库结构或者行业常识的结构，投喂需要相当长的时间，但出现拐点也会比大家预想的时间节点要快。

整体来说两部分：一部分是高精尖价值知识图谱和垂直行业当中对应的信息，智能体还在投喂和培养；基础设施是未来几年大家主要关注的点，大基建并没有做到冗余，变相的很多成本要由早期吃第一个螃蟹的人分担，综合影响了ROI。

郑王宇：林总给了我们一个非常重要的提醒，任何一个行业的发展都要看到阶段性，我们要分现阶段和未来的潜力。现在AI会让行业集中度更高，也有人说AI降低创新门槛。AI会让头部企业变得更强吗，还是给新进入者更多的机会？

林海卓：您刚刚提的话题，我稍微有一点担忧。最近有一本书很火，《科技共和国》，描述了我们能够想象到的场景，超级科技巨头，无论是数据能力各个方面，会出现我们现在想象不到的垄断境地。绝大多数从业人还是处于——现在来看去找他工作的，我这个工作绝大部分的能力可以被AI替换以后，我会做什么？这是哲学、社会学层面需要探索的新方向。过往乐观的人会说，失业的人总能找到新的工作，纺织机时代可以维修纺织机，不需要在一线做很多纺织工作，可以解放出来从事更多周边创意行业，或者将机器应用在其他领域，有各种创新方式来解决这个问题。

但人工智能替代无论是白领还是蓝领的工作，数量可能是指数级的。短期之内，投入到市场，未来相当多的原来岗位对应的人口，比如客服，这在中国有着六七百万的从业人数；网约车司机、出租车司机，都是当前已经明显看到替代趋势的。这一部分的劳动者怎么解决？从国家层面能看到几个迹象：依然大力提高高等教育的普及人群，解决这个问题不能让打螺丝的人去打另外一种螺丝，而是让这个人纳入先进服务体系，进入服务行业，就需要这个人有更高的教育水平，还是普及大学的从业人数。

2033年会是中国高考这一波的巅峰。2033到2038年五年期间，会在极短时间内高考人数下跌40%左右。未来相当长的一段时间，怎么做学科配比调整，包括可能有一些大学天然的从业人数会消亡，这是引导未来从业者从业方向很重要的方式。我们现在的策略从国家层面来看，依然在大幅提高理工科的比重，我一定要在全球所有的高端技术领域都有最充沛的新一代20后、30后，这是国家宏大的战略。会有更多的创意工作者，包括交叉学科方向的产生，来解决人工智能巨头带来的垄断对更广泛就业人群的影响，这是我们的考虑。

郑王宇：林总已经提到了下一个环节需要讨论的问题——AI时代该怎么培养和评估人才。罗老师，林总介绍了国家的政策等视角，您怎么看待我们这个时代应该如何培养和识别AI人才？

罗飞：怎么培养和识别AI人才，从教育开始。AI最应该影响教育。我有一个切身体会分享给大家。在教育方面我们在做公益，把AI带给乡村小学，这个事情我们觉得很有意义。山村小学的校长会有疑问，校长想到这个事情，但会质疑，身边的人都跟他说，大城市学校投入很多钱落地AI都不成功，你一个山村小学为什么可以？学校老师质疑，他身边的其他校长也质疑。这个校长还有一个点没明白，他也去过大城市看过其他学校落地AI，做了很多智能体，做了很多展示，有什么用，他看不明白。很多时候市面上的智能体是套概念的智能体，真正的智能体可以干活，但这个智能体说不清楚能干什么活，就是套概念的智能体。我们不是做数字化的落地，不是帮企业建系统，我们是从人才出发。

第一个应该改变的就是学校老师。我们做公益，先让乡村小学的老师全员有AI技能、AI思维、AI能力，老师再想着怎么把AI带到课堂，让老师带着AI，在有指导的情况下带着孩子探索AI新世界。探索的方式、学习的方法，都跟原来完全不一样。这个事情我本身不是教育从业者，我的初心是把AI带给老师，让这么多教育从业者、这么多老师，他们学会了AI过后，在我们的推动和共创下，这些老师会想出新的教育方式。从孩子开始，他们变成AI的原住民，真正掌握AI的能力，而不是以前死记硬背的能力。AI时代下，死记硬背的能力已经没有效了。

未来对于一个人才的判断，不是判断这一个人的能力，而是判断这个人背后的AI班底。他能指挥多少AI跟他一起干活，AI班底的能力，同时纳入对人才的判断。以后面试也是一样，如果未来面试光说自己的能力，很难入职；如果能说出背后AI班底的能力，在AI时代就是能力很强的人。

郑王宇：您刚才也提醒我们，我们现在也应该重视人才未来应该具备什么样的能力。针对这一点，龚总，未来最稀缺的人才，您觉得是懂AI的行业专家还是懂行业的AI专家？在您的观察中，什么样的人容易把AI用出实际的价值？

龚毅：前面的话题，稀缺的AI人才，是懂业务的AI还是懂AI的业务？核心点是这个行业稀缺什么。十年以前大家说稀缺，你要学程序员，那时候在硅谷大厂会有很好的前途。今天发现代码这个事可以被AI解决，这个能力不但自己和自己卷，还卷不过AI，这个能力显然不稀缺了。林总讲到，目前产业的红利都在基础设施，基础设施这个事，不管我们怎么剖析英伟达的成功因素，最后导致目前芯片的供应、HBM的供应，都是被市场少数公司垄断的。只要不在垄断链的上下游，最后都会很难受。比如手机行业大家都很难受，HBM的产能导致手机内存很贵，导致整个手机产业链的人今年都会很难受，本质是相对不稀缺。

以这个为逻辑，我们认为懂AI这个事会逐步不稀缺，也许在今天稀缺，但这个能力相对来说比较可工程化，教育上也能够可复制化。如果把注押在懂AI这件事上，几年后会比较危险，就像写代码的人现在怎么写也写不过AI。懂业务的人，要看具体懂什么业务，高频的业务也容易被AI解决。

基于这个逻辑我来推演一下：能够在关键低频但是在重要性影响很大的点上，具备综合能力的人，这样的人才是最稀缺的。比如在产品中能够打造爆品的人，谁能说打造爆品的人能够被AI替代？这个大家看不到可行的地方，需要沟通、协调、跨界。我刚才也提到，打造成功品牌的人，同样也是很稀缺的人才。

在AI时代，这些人有一个前提条件，至少懂一点AI或者知道AI带来的价值，他利用AI。这是我的理解。

郑王宇：谢谢龚总，说到我们现在非常关心的问题。在各位嘉宾聊的过程中，发现AI已经从对话走向执行，参与到各个执行环节。罗院长也讲到，AI不能干活是伪命题，无法深入到企业当中。

最后一个问题，在现在这个阶段，我们看到AI能够参与执行阶段，人的核心价值体现在刚才各位说的方方面面。作为企业主，如何判断哪些决策可以交给AI，哪些必须由人保留？在高风险、高复杂的场景中，人机分工是不是有一个边界，以及他们如何划定？

林海卓：我现在直接想到的，相对不太需要担责任的领域，用AI的方式。比较严肃的场景，比如重大城市安全的方面，完全将核心决策能力交给AI，有一天可能会有这个时候，但中短期都难以实现。从社会的角度来看，提建议还是AI当前从权责利划分来看最好的角色。

还有一个纯粹的效率工具。上一波人工智能的主要应用当中，美团、滴滴，我单纯想匹配一个离我最近的空车，整个过程也不需要涉及谁来担责任，可以抽象为数学问题。抽象为数学问题以后，降本增效，更好地提升整个运转效率，这些是我们认为AI跟人的划分中，AI可以更多承接全部职责的。人类还是会做符合当前人性化或者是人为框定规则的辅助工作，或者对AI提供的若干建议做综合判断，补全信息漏洞，这是更好的方式。

从无人驾驶的角度，很多关键性技术现在已经较为成熟了，很多人诟病商业化速度没有那么快，或者依然处于高度克制的推广过程中。对于如何划分权责这个事情，还是有很多法律层面、人性层面、科技效率层面的博弈。

郑王宇：还是要继续探究。罗院长，您在实操过程中，哪些可以交给AI，哪些必须由人来承担？

罗飞：AI和人协作的过程中，我的思考和想法是，人脑在思考想到的工作，全都可以让AI先干一遍。类似于拿体力劳动的工具，有铲子、挖掘机，AI现在属于铲子还是挖掘机？这两种工具的用法是不一样的，用铲子还要自己的体力，用挖掘机已经不需要自己的体力。AI现在的能力，大家对于AI的能力到底是铲子还是挖掘机？如果洞察到AI能力，一定会认为它是挖掘机。它是挖掘机，我们现在很多工作就不要第一反应想着用人脑想一遍，感觉事情想清楚以后才能用AI，不是这样的。反而是事情没想清楚的时候，更适合用AI。AI用得不深，会觉得AI是辅助人干活；用得深的企业，会觉得人在辅助AI干活。AI知道自己怎么干，在干的过程中有卡点，人来解决这些卡点。

我觉得以后的工作方式会变，变的方式是，未来大部分人需不需要工作都会变，短期内有一定阵痛期，不知道人跟AI怎么相处，或者政策不明朗的时期。我们要看见，现在可能进入一个新的时代，新的时代类似于三百多年前人类从神学走向科学的时代。中国有上下五千年，有科学这个事情，全世界信仰科学只有三百多年而已，中国可能还不到三百年。以前人类全在神学，大家都信仰神学。AI发展到一定时候，有可能科学都变得不重要了，科学研究很多工作人辅助AI去做。人类会不会从科学走向新的世界？现在没有定义，但是未来人的工作生活方式，就是新时代的开启，完全不一样。

郑王宇：会有新的变化。龚总。

龚毅：我对AI的理解，目前还是概念模型。为什么可以把数学题本质解好，让它100%达到这个目的，人不是很清楚。

回到我所熟悉的通常要解决的问题，怎么理解因果效应。比如你做了十件事，这十件事哪几件能够影响你最后的销售，影响机制是什么样的？AI基于这个非常不擅长，到底底层的模型是什么样的，我们还看不到AI很好地解决这个事。我同意罗院长的说法，我们可以借助AI帮助人理解，但本质理解底层逻辑，人干起来还是最擅长的。

郑王宇：AI进入产业前线，并不是简单的工具迭代，需要人才培养、组织效率的迭代都能够重构上。站在当下社会前进的脚步中，观察企业如何变革，看未来整个AI行业如何发展，我相信各位嘉宾今天给了我们非常多的灵感，也启发了我们的思考。谢谢各位嘉宾。

今天圆桌环节就到这里结束了，谢谢各位。