同样用AI，顶尖人才靠什么拿到最大红利？

不少人以为AI会抹平绩效差距，调研却显示，AI带来的最大红利，往往流向顶尖人才。他们不只用AI节省时间，还会主动摸索工具，把AI当作思考伙伴。企业可以慢慢调整人才筛选、岗位设置、工具选择与权限安排，来适应这样的新变化。

生成式AI催生了两种截然相反的观点，围绕哪些从业者能从中获益最多展开。一种看法认为，AI会缩小绩效差距：它可以直接嵌入工作流程，为表现一般的员工提供模板、现成答案和指导。另一种观点则认为，AI会拉大差距——常规但必要的工作被自动化之后，顶尖员工能腾出更多时间投入高价值工作，而他们本就在这类工作上占有优势。

单独看某一项任务，表现好与表现普通的员工或许都能受益。但更关键的问题是，放到真实岗位里（员工要同时处理一整套不同工作），两种效应综合下来哪一方会占上风。这个答案，会直接影响企业的招聘、培训、团队搭建，以及为现有人才结构设计的各类管理制度。

本文作者中有两位是研究技术的经济学家，第三位是Terret公司首席执行官，这家企业专门帮助机构在营收团队落地AI。为研究头部企业里AI带来的影响，我们把调研焦点放在销售岗位上。销售岗位非常适合用来理解AI如何影响绩效：它同时包含重复性工作，以及高度依赖判断力的工作。这项研究的结果尚未在其他渠道发布。我们访谈了贝恩资本创投CRO顾问委员会里八位负责营收业务的高管，和销售负责人开展了十多场顾问研讨会，并对Stripe与Checkr两家公司的236名销售从业者做了问卷调查。

我们的核心结论之一：AI整体上对所有员工都有帮助，但至少在积极拥抱AI的前沿企业中，最大红利往往流向顶尖员工。本文将拆解背后的原因。简单来说：AI固然能节省时间，但更重要的是，它能放大顶尖员工本身已有的优势。想要实现这一点，管理者需要处理四个关键问题：如何招聘、面试适配AI时代的人才；如何重新设计入门岗位，让它依旧能成为人才输送通道；哪些AI能力自研、哪些直接采购；以及如何把握平衡——把背景信息集中管控，同时把探索创新的权限下放。虽然我们的研究聚焦销售，但这个核心矛盾（AI到底是缩小技能差距，还是扩大差距）很可能在大量岗位上重演，只要一份工作同时混杂常规任务和重判断类工作，无论是咨询、客户经营，还是更广范畴的知识性工作，都会面临同样问题。

自学探索者的崛起

为什么顶尖员工能从AI里拿到更多收益？

我们最初预想的逻辑很简单：AI接管重复性工作，顶尖员工把省下来的时间用来对接更多线索、维护更多客户账户、开展更多客户沟通。调研数据也一定程度印证了这点。问卷里绩效更好的销售代表节省的时间，确实多于表现偏弱的同事；管理者反馈，引入AI之后，有44%位于前25%的顶尖销售被分配更高价值任务，而末尾25%的员工里，这个比例只有12%。

但还有一个更核心的机制在起作用：顶尖员工更熟悉AI工具的用法，甚至能自己搭建工具；他们会在整个交易全周期使用AI，而不只是拿它解决零散战术问题。除了帮他们节省调研、写内容、整理文档的时间之外，他们把AI当成思考伙伴，用来打磨策略、复盘过往沟通、预判客户异议、演练谈判话术。这种更全面的应用方式，帮他们提高了成交率。管理者反馈，顶尖员工实现工作质量提升的比例，比末尾梯队高出16个百分点，这意味着绩效增长并非以损害客户体验为代价。

不少人或许会认为，这类用于前期准备的辅助工具，对能力偏弱的员工帮助理应更大。比如有研究显示，客服坐席通话时，如果屏幕自动弹出AI建议，业绩普通的客服会明显受益。但销售的场景完全不一样：销售代表需要主动挑选工具、设计工作流，还要适应迭代速度极快、持续变化的技术套件。

AI素养，正是决定上述绩效差异的核心。问卷中，受访者给自己的AI素养、以及从AI中获得的收益打分，分值区间为1到5分。素养每提高1分，受访者感知到的收益平均上升0.71分。这里说的AI素养，不等于单纯信任AI（信任度和收益几乎没有相关性）。它指的是：会使用现有AI工具、能快速上手新工具、甄别AI输出内容、排查错误、懂得什么时候必须由人来把控最终决策。这个区分至关重要——AI工具更新太快，静态培训、传统学习方式根本覆盖不完不断涌现的新用法。

顶尖员工不会等着公司安排培训或者演示课。他们是主动自学探索者，这让他们更有机会吃到AI红利。这类人依靠试错、快速迭代、同行对比、反馈交流、互相分享经验，一点点建立起AI素养。从管理者的反馈来看，促成成功的几个常见要素是：高管以身作则、鼓励试错、同伴之间知识共享、标杆用户提供可落地的实操案例。

访谈里有不少例子：顶尖员工会在公司官方培训之外，持续想办法提升技能。比如核验平台Checkr的一名销售，在这类辅助工具普及之前，就自己搭建了一个谈判智能助手。Checkr首席运营官琳赛·斯克雷瑟（Lindsey Scrase）说，这种贴合客户场景、充满创造性的用法，正是顶尖销售和其他人拉开差距的地方。

斯克雷瑟介绍，随着AI工具持续进化，Checkr的销售现在可以生成高度个性化的潜客消息、搭建工作流管理大量客户资源、捕捉客户信号；这些叠加起来，能切实提升商机转化和客户体验。类似的案例也出现在金融科技公司Brex：一名员工利用周末开发了一款实用AI工具，之后公司在内部大范围推广。

重新思考招聘与人才输送通道

如果主动自学探索的人更容易脱颖而出，企业在招聘、岗位设计时，就要重点筛选、培养这种特质，而不只是看员工会不会“使用AI”。埃森哲软件与平台业务全球行业负责人凯文·亚洛维茨（Kevan Yalowitz）负责销售相关板块，他提到：顶尖人才可以快速适应瞬息万变的AI环境，其他人则需要结构化培训和持续支持。

因此，筛选学习适应能力，是招聘里必不可少的一环。管理者不要只问候选人“你会不会用AI”，而要问对方怎么学习AI。高质量面试，需要深挖这些问题：候选人有没有搭建或者优化过AI工作流？有没有对比过不同AI输出结果、识别过AI错误？有没有用AI为特定客户做沟通准备？或是有没有因为客户场景高度敏感、风险很高，选择不使用AI？

这类提问，把考察重点从熟不熟悉工具，转向好奇心和自主学习能力，帮企业找到愿意持续优化工作方式、并且能说清楚新方法为什么能改善结果的候选人。访谈里有一个很有启发的面试思路，来自一位高管：他会让候选人“分享你为准备这场面试，用到的AI交互记录”。

除了招聘，管理者还要重新设计入门岗位——这些岗位原本是员工走向更高职级的跳板。销售开发代表（SDR）这个岗位，就集中暴露了这个难题。SDR大部分线索挖掘、商机培育工作都偏重复、有固定规则，天然适合用AI自动化。但它同时也是销售职业的典型起点，是客户专员岗位最重要的人才来源。

面对这个矛盾，Brex首席营收官加勒特·马克（Garrett Marker）选择重构岗位：把20%–40%的手工工作自动化，让有上进心的SDR利用省下来的时间独立跟进全周期交易。如果SDR在完成原有指标的同时，成功拿下一定数量全周期订单，就可以直接晋升客户专员。企业没有把这个岗位全盘自动化，保留了入门员工依靠自身努力、创造力创造价值的空间，借此区分两类人：一类是被AI赋能、持续成长的未来顶尖员工；另一类是完全依赖AI、把决策权交给工具的人。改造之后，这个岗位吸引到更优质的候选人、内部晋升变多，新人上手速度也明显加快。

技术方案怎么选：自研还是采购

“自学探索者”的优势不只是个人特质，还取决于销售能拿到什么工具、能不能灵活组合工具，这对企业技术栈本身提出很高要求。AI的价值，和选用什么工具紧密相关。我们访谈的企业都在精简供应商、重构交互界面，仔细判断哪些工作环节需要依托企业专属业务数据。

过去，销售要在一堆互不连通的工具之间来回切换：Salesforce、Gong、Outreach、ZoomInfo、表格、Slack、销售资源中台、各类仪表盘。现在管理者在搭建一套更连贯的运营层，打通多系统数据（CRM记录、通话转录文本、产品使用数据、合同信息、公开信息），汇聚到同一个界面，形成完整的业务背景信息。比如Checkr评估了大约20家服务商，搭建AI控制中心层，把销售日常用到的多个系统整合到统一窗口。

企业该直接采购成品工具，还是内部自研？克里斯托弗之前在《哈佛商业评论》另一篇文章专门探讨过这个问题。通用任务、市面上成熟、不需要企业专属业务信息支撑的工具，优先采购。Stripe前首席营收官、现任副主席艾琳·奥马拉（Eileen O’Mara）提到，对话智能平台Gong在通话录音、推荐下一步动作上做得很好，Stripe不会自己从头开发这类功能。但如果任务涉及敏感数据、复杂产品逻辑、行业专属业务规则，Stripe就选择自研。

Brex思路相近：现成工具可以处理通用任务，比如把笔记提取录入CRM字段；真正能带来差异化竞争力的，来自专属数据和业务逻辑。Vercel首席运营官珍妮·格罗瑟（Jeanne Grosser）告诉我们，智能体想要表现出色，离不开结构完善的数据层，里面要写入企业自己对客户、客户分层、潜在机会的定义。

以上案例都来自AI能力深厚、资源充足，可以按需自研工具的前沿企业。其他公司做自研/采购决策时，需要更细致的考量：内部技术储备、项目复杂度、落地风险、多久能看到回报。埃森哲的亚洛维茨提到，评估自研方案，要算清总体拥有成本，包含平台服务费、Token成本、开发人力和后续维护成本，必须一事一议。

集中管控背景信息

下放探索创新权限

顶尖员工能挖掘出中央团队事先想不到的AI用法，这就引出第二个运营问题：哪些权限要集中，哪些要下放？

调研结果支持混合模式：背景信息层集中管控，而创新探索环节充分放权。

企业要集中管理背景信息层：数据、权限、审核通过的知识库、评测标准、可稳定上线的智能体、工具清单，以及CRM相关的安全约束。智能体的效果、合规性，都依赖干净统一的数据、一致的业务定义、稳定的风控机制。销售反馈的风险，也印证集中管控的必要性：不同工具给出矛盾结论、AI输出内容出错、知识库信息过时、重要场景必须保留人工审核。

而探索创新，应该交给一线。顶尖员工、重度使用者，往往能发现贴合特定客户场景的用法，这些是总部团队很难快速识别、落地的。问卷显示，绩效优秀的团队会自己搭建轻量化工具、每周举办AI分享会、互相交换提示词，还会用Lovable这类自然语言开发工具快速做原型；原型验证有效之后，再交给中央团队打磨、向全公司推广。

这套混合模式，让一线先发掘有价值的AI应用；验证可行之后，再把它产品化：接入系统、加固安全、建立指标、留存文档、配套培训、淘汰重复工具。头部企业普遍在做三件事：集中管控业务背景数据、下放探索权限、把经过验证的优质工具和方案推广、产品化。

AI并不会单纯取代销售岗位的工作，也不会自动拉平所有人的绩效差距；对于那些依托自身优势搭建配套体系的个人与企业，AI能带来远超平均水平的显著增益。能不能提升生产力，关键看销售和管理者能不能把省下来的时间，转化为对客户更深的理解、更成熟的交易策略、更合理的人工判断。因此，管理者最核心的工作，就是分清边界：哪些环节交给AI自动化，哪些用AI辅助增强，哪些工作必须保留人的主导。

关键词：

克里斯托弗·斯坦顿（Christopher Stanton）、贾斯汀·施里伯（Justin Shriber）、西蒙·鲁达特（Simon Rudat）|文

克里斯托弗·斯坦顿是哈佛商学院创业管理方向教授。贾斯汀·施里伯是Terret公司联合创始人兼首席执行官。西蒙·鲁达特是德国奥托·贝希海姆管理学院创业与创新方向博士生。

周强|编校

联系方式

投稿、广告、内容和商务合作

newmedia@hbrchina.org