策略

2025年AI人才戰略:招聘與技能提升的成功之道

大多數 AI 人才戰略其實算不上戰略。它們只是一份招聘計劃,附上了"轉型"這個詞,用一份顯示稀缺專家薪酬高企的市場基準來論證必要性,最後以"希望內部員工總有一天能跟上"收尾。"招聘還是提升"並不是一個意識形態問題,對每個角色的答案也並不相同。它是一道含三個變數的算術題:你能等多久、這個角色需要多少領域上下文、以及這項能力是持久的,還是兩年內就會被商品化。本文給出按角色拆解這一決策的框架、兩條路徑各自真實的成本與時間模型,以及一種能撐過下一個預算週期、而不只是撐過下一篇頭條的組合式打法。

為什麼"招聘還是提升"的決策常常靠拍腦袋?

有三股力量把組織推向拍腦袋。其一是基準焦慮:公開的 AI 專家薪酬資料確實令人心驚,它把對話錨定在價格上,而不是價值與時機上。其二是兩條路徑分別由職能不同、激勵不同的部門主張——人才獲取部門的使命是填滿崗位需求,學習發展部門的使命是建設能力,而能終結這場爭論的業務結果,兩個部門都不擁有。其三是大多陣列織說不清自己到底需要什麼能力,因此也就無法比較獲取它的兩種方式。

最後一點是可以修的。"我們需要 AI 人才"不是需求;"我們需要一個能在一個季度內把我們的收入確認邏輯表達為版本化、可測試的語義模型,併為之負責兩年的人"才是需求。而一旦這樣表述,答案往往顯而易見——因為真正的約束條件原來是領域知識,而不是機器學習專長。

決策被拍腦袋的第二個原因,是兩條路徑被放在了錯誤的座標軸上比較。招聘是啟動快、見效慢:一位新專家在企業語境下通常需要兩到三個季度才能達到完全產出,因為技術能力第一天就到位,而上下文要花幾個月。提升是啟動慢、見效快:內部候選人對定義、政治與系統早已瞭然,所以他們學到的東西能立刻被應用。按人均成本比較,兩條曲線都被漏掉了。

最後,組織還系統性地低估了"折舊"這個問題。有些 AI 能力每個季度都在變得更便宜、更自動化——例如基礎模型整合正在迅速被平臺吸收;而另一些能力在升值:評估設計、語義建模,以及決定"自動化必須在哪裡停下"的治理判斷。為一項十八個月內就會被商品化的能力支付溢價,是一筆糟糕的買賣;為持久的判斷力支付溢價,往往是筆好買賣。

兩條路徑上 AI 人才的真實成本是多少?

誠實的比較必須計入"到產出為止"的成本,而不是"到接受 offer 為止"的成本。招聘路徑上,要預算:相對同級資深工程師的薪酬溢價、獵頭費用或內部招聘投入、崗位空缺期,以及——最大也最少被計入的一項——在獨立產出之前兩到三個季度的爬坡期。還要加上內部人員幫其入職的機會成本,頭一個月這輕易就佔掉一位資深工程師五分之一的時間。

提升路徑上,要預算:直接的培訓費用、為了讓員工邊交付邊學習而必須圈留的產能、團隊採用新方法期間暫時的產出下滑,以及"避免了一次錯招"的價值。最後一項被嚴重低估:內部候選人有已知的績效記錄,而外部 AI 人才是在一個"證書與企業交付能力弱相關"的市場裡被挑選出來的。

成本與時間因素外部招聘內部提升實務提示
開始貢獻所需時間發 offer 後 4-8 周立即內部員工已具備上下文與許可權
達到完全產出所需時間2-3 個季度1-2 個季度招聘路徑上爬坡的是上下文,不是技能
直接成本薪酬溢價 + 費用培訓 + 替補產能溢價看得見,圈留的產能看不見
所需領域上下文必須重新獲取已經具備對治理與語義類角色具有決定性
留任風險高;技能可遷移、市場火熱中等;有忠誠紅利剛被提升的員工同樣剛變得更搶手
能力永續性適合持久、深入的專業方向適合正被平臺吸收的能力讓路徑匹配折舊曲線

當你誠實地建好這個模型,一個清晰的規律就浮現出來:需要深厚、持久、可遷移專業能力的角色適合招聘;需要領域上下文、定義判斷力,或正在向標準工具收斂的能力的角色適合內部提升。真正的錯誤,是把同一個答案套用到整個職能上。

哪些角色該招、哪些角色該自己培養?

拆解這個決策最有用的方式,是對每個角色問兩個問題:它是否需要只存在於你組織內部的上下文?其底層技能兩年後是否仍享有溢價?

  1. 招聘:評估與 AI 質量負責人。這是一門持久且重方法論的學科,有真正的手藝含量——黃金集設計、迴歸策略、抽樣機制、事故分類。它也是多數企業從未建立過的學科,因此沒有內部人才儲備可供培養。招一位負責人,再在其下培養團隊。
  2. 培養:資料產品負責人。其約束條件在於知道哪些定義存在爭議、以及為什麼。這種知識天然是內部的。提拔一位資深分析師或工程師,給予明確的問責、契約模板與輔導。
  3. 招聘:專業基礎設施與平臺工程,針對那些你會持續執行多年的能力——模型服務、向量基礎設施、可觀測性。這些是手藝深厚、折舊曲線很長的方向。
  4. 培養:語義建模與分析工程。工具會趨同,業務邏輯不會。你現有的 BI 與分析工程師,比任何不熟悉你科目表的外部人選都更接近這個崗位。
  5. 培養:AI 賦能與採用夥伴。這類角色八成靠領域可信度、兩成靠技術流利度。外部招聘在這個崗位上必然失敗,因為業務單元不會信任一個聊不透他們運營節奏的人。
  6. 選擇性招聘:研究級機器學習。僅當你確實在構建自有模型時才需要。多數企業並沒有,也不該在招聘計劃裡裝作有。

關於"培養"清單有一條提醒:培養能力需要真實的課程設計,而不是一個影片庫的使用許可。上述崗位要透過"在真實遷移專案上做學徒"來變得高產——把一張現有看板改造成受治理的資料產品、為一個領域搭建評估套件、跑通第一個對話式試點。要為這件工作做預算,而不只是為課程做預算。

如何構建人才組合而非押注單一方案?

組合式打法把招聘與提升視為風險特徵互補的兩種工具,並有意地在三個時間跨度上分配。跨度一覆蓋未來兩個季度:用承包商、託管服務或平臺夥伴,交付你馬上需要、但未必長期需要的能力。大部分"我們必須招人"的恐慌都落在這裡,而它往往更適合用一次服務合作來解決,而不是用一個崗位需求。

跨度二覆蓋未來四到八個季度:這才是長期招聘應當發生的地方。走到這個跨度時,你已經知道哪些能力在你的環境裡真正持久,因為你已經跑過真東西了。向一個已被驗證的需求招聘,能把一次昂貴的實驗轉化為一筆合理的投資。

跨度三覆蓋十八個月以上的結構性轉變:這才是內部提升的位置。它慢、它會複利,而且它是唯一能改變組織基線、而不是增加幾個傑出個體的路徑。典型的失敗模式是把跨度三當成緊急事項——宣佈一個再培訓專案,指望一個季度見成效,然後得出"內部提升不管用"的結論。

  • 分列預算。把三個跨度混在一個預算裡,結果一定是緊急的吃掉結構性的。
  • 設定比例併為之辯護。常見的起始配比是每四到六名內部轉化配一位外部專家招聘,再按角色關鍵性調整。
  • 把折舊假設寫下來。對每一項計劃招聘的能力,寫明你是否相信它兩年後仍享有溢價,並每年複核。
  • 用服務買時間,而不是用來回避決策。任何託管合作都應附帶明確的知識轉移義務。
  • 跟蹤能力,而不是人數。衡量"有多少個領域具備了具名的資料產品負責人與透過的評估套件",而不是"有多少名 AI 員工"。

技能提升多快能補上缺口?

誠實的答案是:比多數招聘計劃快,比多數培訓供應商宣稱的慢。一位稱職的分析工程師,可以在一個季度內在語義建模與資料產品 ownership 上變得高產——前提是(這正是關鍵條件)學習被掛在一個有真實截止日的在辦交付物上。一位稱職的分析師,在同樣條件下大約六週就能學會設計並執行評估套件。沒有在辦交付物,兩者耗時都要翻三倍,而且其中一半會蒸發掉。

行之有效的順序在各組織間高度一致。從評估開始,因為它是讓委派變得安全的技能,且不需要任何新基礎設施;接著進入語義建模,因為把業務邏輯表達為版本化模型,是此後一切所消費的地基;然後再補充檢索與依據相關的概念,這主要是理解你整理好的資料產品如何被使用;把模型訓練與微調放到最後,因為多數企業最終會發現自己很少需要它。

能加速這一步的,是卸掉基礎設施負擔的平臺。當團隊無需搭建服務棧,就能透過企業微信、釘釘、飛書、Teams 或 WhatsApp 中的對話介面,對受治理的資料提問時,課程內容就塌縮到了真正重要的部分:定義、評估與判斷力。這正是蜂啟諮詢以託管服務方式交付對話式分析的原因——約兩週即可在你已在執行的倉庫之上部署,它把十八個月的能力建設壓縮成兩週的起點,讓你的團隊在真實工作中學到那些持久的技能,而不是在日後會被丟棄的腳手架上學習。

如何留住你剛剛培養出來的人?

關於內部提升,有一個令人不安的事實:它讓你的員工變得更搶手。標準應對——指望忠誠能解決問題——並不是戰略。真正能留住剛被培養出來的員工的有三樣東西,沒有一樣是臨時加薪挽留。

第一,晉升通道。資料產品 ownership 與評估負責人,必須被寫進職業發展框架,明確為高階別、有相應薪酬、且有可見度。如果新運營模式讀起來像一次從"建設"到"寫文件"的平調,你培養出來的人就會投奔那些認可這份資歷的組織。第二,有意思的工作。剛學會搭建評估套件的人,想的是為真正重要的領域去搭建,而不是維護一個沒人用的試點。第三,外部聲望:會議演講、公開發布的內部標準、以及參與專業社群,會給新晉員工一個薪資匹配給不了的留下理由。

要顯式地度量留任風險,而不是等到離職面談時才發現。跟蹤:關鍵能力由單人掌握的比例、只有一名合格負責人的領域數量、以及你剛培養的員工是否拿到了能用到新技能的工作。能力集中,正是讓一次成功的內培專案變成負債的風險——你投資的人如今既不可或缺,又高度可遷移。緩解辦法與治理資料產品的是同一條紀律:把契約文件化,培養第二負責人,讓知識成為組織的資產,而不是個人的資產。

做好之後,"招聘還是提升"就不再是一場兩個部門之間的爭論,而成了一場附有證據的季度配置評審。這也正是 AI 人才戰略成為戰略的時刻:它不是一份獲取稀缺人才的計劃,而是一份構建能力的計劃——這份能力,要比當初讓它顯得稀缺的市場行情活得更久。

常見問題

兩者都要,並按角色分配。為那些持久、重方法論且沒有內部人才儲備的學科而招聘——評估負責人、專業平臺工程、以及(僅當你確實在構建自有模型時)研究級機器學習。為那些約束條件在於內部上下文的角色而培養——資料產品負責人、語義建模、AI 賦能夥伴。把同一個答案套用到整個職能,才是真正的錯誤。

在語義建模與資料產品 ownership 上大約一個季度可以達到產出,在設計與執行評估套件上大約六週——前提是學習被掛在一個有真實截止日的在辦交付物上。缺少在辦交付物,耗時大約要翻三倍,而且所學內容的留存率會顯著下降。

按「到產出為止」的成本計算通常是,儘管按表面薪酬未必。招聘路徑要承擔薪酬溢價、獵頭費用、崗位空缺期,以及獨立產出前兩到三個季度的爬坡期;提升路徑要承擔培訓費用與必須圈留的產能。當兩者都被誠實建模後,上下文密集型的角色適合提升,而持久的深厚專業方向適合招聘。

有三樣東西有效:把資料產品 ownership 與評估負責人寫進職業發展框架,明確為高階別且有相應薪酬;提供真正有意思的、作用於重要領域的工作;以及透過演講、釋出內部標準與參與社群來給予外部聲望。同時要度量能力集中度——若某項關鍵能力只有一人掌握,在你需要之前就培養第二負責人。

常見的起點是每四到六名內部轉化配一位外部專家招聘,再按角色關鍵性調整。比配比本身更有用的,是把時間跨度分開列支:兩季度內需要的能力用服務解決;四到八個季度內已被驗證的需求做長期招聘;十八個月以上的結構性轉變靠內部提升。
預約個人化示範

準備好改變您的數據策略了嗎?

了解蜂啟諮詢的對話式分析平台如何在整個營運中解鎖即時洞察——從上游數據到下游決策。

預約示範 了解解決方案
3x
典型首年 ROI
78%
更快解決查詢
92%
6 個月內採用率
50+
數據連接器