AIHR
企业培训这套运行了二十年的「发布模型」正在失灵。过去 L&D 的打法是：集中内容进 LMS、排课、追踪完成率。AI 把这套逻辑从内部瓦解——不是因为 AI 更能讲课，而是技能的保质期塌得比课程生产周期还快。当一门通识课还在评审流程里，它要讲的那项工具可能已经被迭代掉了。
一、为什么「发布课程目录」这套失灵了
WEF《未来就业报告 2025》调查了 1000 多家企业：到 2030 年，劳动者 39% 的核心技能将发生变化或过时（较 2023 年的 44% 略有放缓，但仍处高位）；63% 的雇主把「技能缺口」列为转型的第一道障碍。更尖锐的是，77% 的雇主计划给员工再培训，可另一边，技术技能的半衰期已经掉到 2.5 年以内（Josh Bersin Company 2026 年的测算）——你花三个月做出来的课件，上线时讲的那项能力可能已经被重新定义。
钱没少花，readyness 却没上来。全球企业培训市场已经冲到约 4000 亿美元（Josh Bersin Company，2026 年 2 月，覆盖 800 家组织），但 74% 的高管承认自己的组织「缺乏在 AI 经济中竞争所需的技能」；不到 30% 的企业对现有的人才技能建设感到满意。只有四分之一的组织把「学习」视为工作本身的一部分，其余四分之三仍把它当成一件独立的事——上完课就回到岗位，中间隔着一道没人 bridging 的沟。
这就是「学习悖论」：投入越高，缺口越显形。问题不在预算，在交付形态。当能力以月为单位过期，按季度排课的培训部天然慢半拍。
二、麦肯锡的「转向筛选」对，但只回答了一半
麦肯锡 2026 组织报告的核心判断是：在 AI 重构的岗位上，许多能力已经商品化，市场上能买到，就不必内部慢慢培养——所以 HR 要把权重从「培训」挪到「筛选」。这个结论在「能力可被市场供给」的前提下站得住。
但它没回答另一半：AI 原生组织真正稀缺的能力，恰恰不在市场里。编排人与多个智能体的协作、在不确定中做人机边界的判断、把 AI 当水电一样嵌入工作流的素养——这些能力没有现成的人才库，买不到，只能自己长。麦肯锡自己也给出过旁证：在其 2026 组织报告中，70% 岗位的技能已经横跨人机边界。横跨意味着旧岗位被拆、新能力要补，而这部分补法，外部市场给不了。
所以筛选与培训不是二选一，而是双轨：市场能供的，筛；市场供不了的，培。问题从来不是「还要不要培训」，而是「培训以什么形态存在」。
三、AI 重构培训的单元：从「课程」到「教练时刻」
旧单元是「课程」：数周制作、按期发布、千人一面。新单元是「教练时刻」——在任务流里、由 AI 按缺口触发、随做随学。
证据在行为数据里。Microsoft《2026 工作趋势指数》（2026 年 6 月，2 万名 AI 用户、10 个市场）显示：58% 的 AI 用户表示自己已经能完成一年前做不出的工作，在最先进的「前沿专业人士」群体中这一比例达 80%–82%；86% 的用户把 AI 产出当作「起点」而非「终稿」。这说明一件事：人不是在课堂里学会用 AI 的，是在真实任务里、边做边被 AI 陪练出来的。培训如果还停在「先上课再上岗」，就错过了学习真正发生的现场。
企业学习侧也在同步迁移。据企业学习行业研究（2026），87% 的 L&D 团队已经在用 AI，其中约 36% 跑在定义清晰、可复用的流程里；78% 的企业计划把 AI 直接用于 L&D 内容生产。微学习的完成率能从约 30% 的基线拉到 50%–70%（LinkedIn Learning）——因为单元变小、贴合当下任务，人才愿意点完。AI 导师把「个性化」从口号变成默认：它知道你卡在哪、下一步该给什么、什么难度，并随你的实际表现持续调。
Josh Bersin Company 把这种形态叫做「动态赋能（Dynamic Enablement）」：AI 原生、按需、嵌在工作流里。采用它的企业，超出财务目标的可能性是传统培训的 6 倍，员工感到潜力被释放的可能性是 28 倍，生产率高 7 倍，成为好雇主的可能性高 5 倍。但现实是：不到 5% 的学习团队真正走到了 AI 原生。
四、三个重构杠杆
杠杆一：用「技能情报」替代「课程目录」
动态赋能的第一性原理，是把「人有什么技能、缺什么、下一步补什么」变成系统实时算出来的事，而不是等培训部排进目录。AI 分析绩效数据、映射能力、预测 emerging gap，自动给每个人排好学习路径——不等课件上线。
杠杆二：在任务流里交付，不在教室里
Just-in-time、对话式、嵌在协作工具里。员工在写方案时问一句「这段怎么更稳」，AI 当场给带出处的建议，并顺手补一节 3 分钟的对应微课。Microsoft 的数据给了一个冷提醒：只有 24%–26% 的员工认为领导层在 AI 上「方向清晰、始终一致」。瓶颈从来不是个人愿不愿意学，是组织系统有没有把学习接进工作。
杠杆三：管理者从「培训管理员」变「教练」
AI 接管内容生产与分发后，最稀缺的是把学习变成日常的人——一线管理者。AI 导师负责个性化推送，管理者负责把「学」连到「用」：在周会里追问进展、把新能力写进目标、让会用 AI 的人带不会用的人。这恰好呼应了组织扁平化里中层的重生路径——中层不再是信息中转站，而是团队能力的教练与赋能者。
五、边界与风险（不能只唱赞歌）
AI 导师不是 human judgment 的替代品。86% 的 Microsoft 用户仍对 AI 产出保留「思考权」；动态赋能成熟度全球仅 5% 触达，主因是数据隐私担忧与缺一套 AI 伦理框架。AI 评估本身也可能带偏：如果训练数据有 bias，个性化推荐会把人推去更窄的轨道。
也别过度转向。筛选与培训是两根钢轨，不是谁取代谁。把「转向筛选」读成「不培训」，会让组织在最该内部养能力的环节失速。衡量也一样：ATD 数据显示只有 35% 的企业把 L&D 的效果衡量到「完成率」之外。AI 让「技能—业务结果」的挂钩在技术上可行，但组织得真去量，否则预算还是停在「上了多少课」。
六、给 HR 一号位的落地清单
- 先拆能力清单。把「市场能供 vs 必须内培」分开，筛、培分轨，别一刀切。市场能买到的能力，用筛选解决；市场没有的编排力、人机判断，用内部培训长。
- 挑一个高暴露岗位做试点。如 AI 落地协调员或数据分析师，用 AI 导师替代一门通识课，测完成率与上岗速度的差。
- 把「学习接进工作流」写进管理者 KPI。不只考 L&D 的完课率——对齐 Microsoft 说的那 24% 领导缺口，让系统跟上个人。
- 建技能情报底座。绩效数据 + 能力模型，让「缺什么」系统算、人确认，而非培训部拍脑袋排目录。
- 给 AI 导师加治理。评估偏见复核、数据权限边界、把「人保留终稿判断」写进流程，不让那 86% 的思考权流失。
培训没死，它只是从「发课程」变成了「在你需要的一秒，给你刚好那一口」。谁先把这套接进组织，谁就保住了 AI 经济里最贵的东西——人的能力还在长。
关注公众号，获取 AI 时代 HR 变革一手分析