田志刚｜AI越普及,越需要专家:培养专家级员工的方法论
文/田志刚 摘自《卓越密码：如何成为专家》
· 专业的知识管理、知识库人员极为短缺:搭建有价值AI知识库的方法论在线课程·
/1/
8月份的时候，前Google X(谷歌技术研发部门，2015年后改名为X)商务长Mo Gawdat警告，人工智能(AI)将在未来十年取代大多数知识工作者，包括软件工程师、公司首席执行官甚至播客主持人，许多人仍低估这场转型的速度。
Gawdat以自己的新创公司Emma.love为例，该公司专门开发情感和关系导向的AI，仅由三人经营，而在过去则需要350名开发者。
他预测，从2027年左右开始的“短期黑暗时代”，将由大规模失业、社会动荡和无法适应的经济结构推动，“除非你是金字塔顶端的0.1%，否则你就是底层民众，中产阶级将不复存在”。
也是在8月份，哈佛大学的两位经济学博士生Seyed M. Hosseini和Guy Lichtinger写了一篇论文，用数据证明了生成式AI对于工作岗位的影响。
他们找到了一个包括285,000家招聘公司，覆盖6200万打工人简历，超过1.5亿次的招聘记录的数据集。而整个美国总人口也就3.4亿人左右，这个数据集其实涵盖了除掉老人和小孩，真正职场中很大比例的人群，其代表性很强。
论文里的关键发现是：
从2015年到2022年中，研究的目标公司数据集中，初级岗位（Junior-level）和高级岗位（Senior-level）的就业增长曲线大致是相同的，即形势好的时候，招聘增多的趋势和形势差的时候，招聘降低的趋势类似。
注意，这个阶段是还没有生成式AI的阶段。
但从2022年下半年开始，形势发生了变化：高级岗位的就业人数还在昂首向上，而初级岗位的增长开始停滞，到了2023年中，甚至掉头向下，直到2025年第一季度，趋势都是类似的：对高层次人才的需求在变多，而对于初级岗位的需求则没有增加甚至在减少。
为什么发生这种状况？
核心是这波AI的龙头企业OpenAI在2022年11月30日发布了可以对话的ChatGPT 3.5震惊了圈内人，而到2023年3月14日，发布ChatGPT 4.0则一下子震惊了全世界（包括国内大部分人也是从2023年开始关注GenAI的）。
在ChatGPT 4.0发布后，美国各类机构就全速推进2B的应用，AI对于人工的替代作用逐渐显现。这跟中国有较大的不同，在国内加速是在2025年初的DeepSeek开源才掀起了热潮，而且我们的优势也在于2C应用过更强（类似于豆包、DeepSeek以及腾讯系面向个人的应用），2B则是在2025年开始逐渐渗入到各类机构中。
无论是Google高管的发言，还是哈佛大学的论文，都在指向一个人才需求的变化：
各类机构更需要专家级人才，对于初级人才将来会扩展到中级水平（胜任阶段）的人才需求变少。
在AI时代，各类机构对于专家的需求越来越强烈，而对于普通能力水平的人需求是降低的。更深入的分析就会发现，未来各类企业的竞争优势依赖于各业务和职能上的专家及其水平。
没有大量专家的机构是没有未来的，因为专家决定了机构各种能力的上限，是竞争优势的来源。而AI是加速器，可以把专家能力放大，在组织内部共享这种能力，就会出现能力强者恒强，而弱的追赶起来更难。
反过来讲，如果没有专家，或者内部专家水平不够，那企业相应职能、业务上的上限不高，就会在竞争中被淘汰。
/2/
为什么AI时代更依赖专家，主要原因在于：
第一：从企业AI落地实施角度讲。
生成式AI落地需要深厚的领域知识，而这种知识只有专家才具备
AI系统虽然强大，但其有效运行依赖于高质量、特定领域的数据和知识。专家在将组织流程、专有数据和隐性知识转化为AI可理解和利用的格式方面至关重要。
没有高质量的专家，这个事情大概率是做不下去的。国内大量企业内部AI应用的案例也证明这一点。
- AI落地需要业务专家隐性知识的表达：许多关键业务职能依赖于员工基于经验的直觉知识，这些知识往往未被记录。例如，一位经验丰富的供应链经理可能凭直觉知道如何应对供应链中断，但这种知识很少被正式化。专家需要将这些洞察转化为结构化的框架，使AI能够学习和复制这些流程。
- AI落地需要业务专家提供AI数据的背景：AI模型需要背景信息来准确解释数据，只有业务专家能够提供对行业特定挑战、客户行为或运营细节的深入理解，而这些是通用AI无法推断的。例如，在医疗领域，只有医学专家能确保AI诊断工具基于相关临床数据进行训练，并考虑适当的伦理因素。
- AI落地需要业务专家支持定制AI开发：通用的AI解决方案往往无法满足组织的独特需求。专家在设计和优化定制AI系统以适应特定业务场景、确保与战略目标一致方面至关重要。
如果没有专家来弥合人类专长与AI能力之间的差距，组织将面临部署无效或不匹配的AI解决方案的风险，浪费资源和机会。
第二：从专家解决更复杂困难问题角度看。
通过AI自动化常规任务的解决后，企业的核心需求转变为更加复杂困难问题，而这类问题只有专家级水平的员工能完成。
AI擅长自动化重复性、基于规则的任务，从根本上改变了工作的性质。因此，剩余的任务往往是复杂、模糊且需要创新的——这些正是专家擅长的领域，也只有专家级的员工能完成。
- 企业需要提供高价值工作的人员：数据录入、基础客户支持或库存跟踪等常规任务现可由AI处理，释放了人力。然而，战略决策、创造性问题解决和创新——如设计新产品或应对监管挑战——需要人类专长。例如，AI可以分析市场趋势，但只有经验丰富的营销专家才能打造一个在文化和情感上与目标受众共鸣的营销活动。
- 企业需要能够推动创新的人员：随着AI处理运营效率，组织越来越依赖创新来竞争。而创新需要依赖专家级员工，只有专家凭借其综合知识、预测趋势和突破界限的能力，才能在开发突破性解决方案（如产品开发、流程优化或客户体验）中发挥关键作用。
这一转变凸显了各类机构对专家的日益依赖，只有他们能够应对AI无法独自处理的、高风险的非常规挑战，而普通水平的人会发现空间越来越小。
第三：从未来发展角度来看。
一方面是AI深度应用，需要专家确保AI应用的可解释性、合规性并对AI进行监督，这些需求只有高水平的专家才能胜任。
例如金融、医疗和法律等行业面临严格的监管要求。具有深厚领域知识的专家确保AI系统符合法律和伦理标准，避免昂贵的违规或声誉损害。
AI决策往往需要人类验证，尤其是在医疗诊断或自动驾驶等高风险场景中。专家提供AI缺乏的判断力和问责制，确保AI驱动结果的可信度。
另一方面是对于创新性的工作，仍然需要依赖于专家，因为只有人可以做到基于少量的经验归纳出知识和规则。
例如在法律场景中，AI可以处理合同但只有资深律师能在前所未有的情况下解读复杂的条款。AI可以分析市场趋势，但只有经验丰富的营销专家才能打造一个在文化和情感上与目标受众共鸣的营销活动，去掉AI味儿。
相关链接
企业AI知识库搭建与运营培训课程
呼叫中心AI知识库培训课程
个人知识体系构建能力课程
知识库知识管理系统
企业AI知识管理知识库软件系统清单
个人知识管理软件AI知识库系统清单
/3/
虽然AI时代极端需要专家，但现状是大部分机构里真正的专家数量却很少，真正既能够解决复杂困难问题，又能做到知其然又知其所以然的人却极端短缺。
那该如何培养大批的专家呢？
传统的培训、师带徒、干中学有一定的效果，但效率和结果都不乐观，都不能满足当前对于专家的急迫需求。
KMCenter有比较成熟的方法论和实践，感兴趣的可以跟我们联系（微信号：511956894）交流专家培养的问题。
我们认为对于企业有内驱力的知识型员工而言，大部分还是希望自己能够提升，从而达到专家级水平的，这个意愿是存在的。但为什么大部分人很难成为专家？
关键是他们不能清晰、明确的分析出，自己当前的水平到成为岗位专家之间还缺哪些信息、知识和技能，不知道自己的知识缺口。通俗点讲，专家的高水平和深刻的洞察是结果，核心原因在于他们掌握了更多的信息、知识和技能。
但普通水平的人，却不知道这些信息、知识和技能具体是什么，那这些人即便努力，也是盲目的，大概率会无效。
例如很多销售人员，大都希望自己成为专家型销售从而收入更多得到更多的尊重。但成为专家型销售，具体需要了解哪些信息、掌握哪些知识、训练哪些技能就能达到专家级水平，则是模糊的、不明确的，类似于一个黑箱。
他们只是模糊的觉得自己需要提升判断力和思维能力、需要勤奋多拜访客户、需要更准确的获取销售线索、要多学习多读书等，这些可能都对，但因为不明确，就无法操作。或者即便操作了，因为跟目标（成为专家型销售）匹配度不好，所以提升很慢，形不成正反馈，最后不得不放弃。
仅仅凭个人努力成为专家，里面的确存在很难克服的问题。但如果这个时候企业可以提供相应的支持和机会，是可以极大提升成为专家级员工的数量的。
所以在企业培养专家的过程中，建议分三步走：
第一步组织构建专家级员工的知识体系，列出候选人的知识需求清单
分析成为岗位专家需要的知识体系，然后与自己当前的知识体系进行比对，找到知识缺口，列出知识需求清单；
要完成这一步，先需要进行相关的培训使员工掌握分析岗位知识体系的方法、找到知识缺口的方法。
然后再通过分组的形式，以关键工作和场景分析为抓手进行实际的操作。
譬如设计部资深员工合作分析出一个项目设计最佳的知识体系框架，然后每个员工基于工作职责去分析自己欠缺的知识缺口，匹配上具体的内容，这些内容是未来他们在实践、学习中需要掌握的目标。
第二步是掌握研究性学习的方法，进行基于目标专题的研究性学习
基于知识清单内容，进行专题的研究性学习，从外部获取成熟内容并结合工作场景进行转化，在实践中总结个人经验并请教他人，然后快速提升。
在这一步中，要熟练掌握通过AI、互联网工具获取信息和知识的技巧，要掌握成年人专题性学习的方法（培训方式），并在工作中边干边学。因为在大脑中有知识清单(缺口)，他们学习的敏感性极大增强，遇到问题时能分析出自己的欠缺，工作更有针对性。
在这个阶段，需要他们不断对学习和实践中的经验进行片段化的产出，积累系统化知识的素材。
第三步是用输出倒逼输入，进行经验知识化的输出
基于学习和实践经验进行经验知识化的工作，通过输出带动输入倒逼更深入学习和思考。
在这个阶段，通过输出需求带动更深入学习、思考和分析，将零散的经验和外部的知识结合起来进行模板、框架、方法化的尝试，并在实践中进行多次的应用与验证，最后输出，逐步补全目标知识体系里面的内容。
通过这个过程，掌握有目标的提升方法论，持续从知识缺口入手高效的学习、实践和思考，形成个人成长的正向反馈，从而增强提升的主动性。
当然这是一个专家培育方法论的简单描述，具体内容可以联系KMCenter交流（本文作者为知名知识管理专家作者田志刚。您可通过微信号：511956894 与他联系或加入他的【二班】）
@关注中国知识管理中心公众号：KMCenter
