AIHR麦肯锡2026：70%岗位技能横跨人机边界，怎么编排
麦肯锡《组织现状报告2026》调研15国16行业逾1万名高管：超过70%的岗位技能同时横跨可自动化与不可自动化任务。这意味着「哪些岗位会被取代」是个问错的问题，真正要回答的是每个任务节点上谁做判断、谁做执行。
核心结论
麦肯锡《组织现状报告2026》发现：超过 70% 的岗位技能同时存在于「可被自动化」与「不可被自动化」的任务中，大多数技能不会消失，只会换一种用法。因此人机分工无法按岗位切割，只能落到任务级编排：每个节点上明确谁做判断、谁做执行、谁来监督。
“一家公司创造的最重要的知识产权，可能就是这些私有基准和私有评估集。”
， 萨提亚·纳德拉，微软 Build 2026（No Priors × Latent Space 特辑）
⚡ 核心洞察
麦肯锡《组织现状报告2026》里有一个容易被跳过的发现：超过70%的岗位技能，同时存在于「可被自动化」和「不可被自动化」的任务中。这句话堵死了两条捷径，既不能整岗替换，也不能整岗保留。分工线不在岗位之间，而在任务之内。
被跳过的那一章
麦肯锡《组织现状报告2026》（The State of Organizations 2026）梳理了九大行动主题，样本覆盖15个国家、16个行业、超过1万名高级管理者。大多数解读停在第一章「打造AI赋能型组织」，而与AI组织落地关系最紧的，是另一章：人类与AI智能体：构建人机协作新世界。
这一章的操作指令写得很直白，企业固然可以把AI嵌进现有流程，但要真正释放潜力，往往需要从零重新设计流程：把工作拆解成具体任务，然后逐一判断，哪些适合交给AI，哪些必须由人完成，哪些需要人机协同。判断依据不只是效率，还有成本、伦理和技术成熟度。
报告同时提醒：AI智能体还不具备人类的判断力和责任感，因此需要被监督。
把这两段放在一起，人机协作环境里最基础的三个问题就浮出来了：谁来决策？谁来执行？人和AI各自负责什么？
📊 麦肯锡《组织现状报告2026》：管理者眼里的AI红利
- 55% 的受访者相信，员工熟练掌握AI可带来指数级生产力增长
- 48% 认为可改善信息获取
- 47% 认为可减少行政工作
- 46% 认为可提升决策质量
- 超过 70% 的岗位技能，同时存在于「可被自动化」与「不可被自动化」的任务中
来源：McKinsey & Company,《The State of Organizations 2026》，样本覆盖15个国家、16个行业、逾1万名高级管理者
相信的人很多，兑现的人很少
同一份报告里还有一组数字，和上面那组放在一起才有意思。
📊 同一批高管的另一面
- 43% 的领导者将生产率列为最重要议题，61% 感受到较大压力
- 约 2/3 的受访者认为，自己组织的结构过于复杂、效率不足
- AI落地的阻力排序：46% 担忧AI本身（偏见、版权、是否取代自己），44% 指向监管、伦理与法律，39% 指向组织层面，变革管理困难与部门壁垒
来源：McKinsey & Company,《The State of Organizations 2026》
55%的人相信AI能带来指数级生产力，可43%的人仍把生产率列为头号难题，61%的人正在承压。相信与兑现之间的这道差，就是编排能力的差。而排在阻力第三位的「部门壁垒」透露了更具体的信息：卡住转型的往往不是模型不够强，是没人说得清哪个任务归谁。
「人机编排」到底是什么？
综合麦肯锡这一章的表述，人机编排可以这样定义：把工作拆到任务级，让人类的判断力和AI的执行力在每个节点上各就各位，并且有人为结果负责。
这不是「人用AI工具」，那是1.0版本。真正的2.0版本是：
- 任务进来 → AI做初步处理 → 人类做判断决策 → AI执行落地 → 人类做结果审核
这套流程的核心不是「谁做得多」，而是「谁在最合适的节点上做最合适的动作」。
两个你必须理解的核心概念
概念一：私有评估集（Private Evaluation Set）
麦肯锡的报告告诉你「要按任务重新分工」，却没有回答一个更要命的问题：你怎么知道分对了？这个缺口，微软CEO纳德拉在Build 2026上给出了自己的答案：
「一家公司创造的最重要的知识产权，可能就是这些私有基准和私有评估集。」
翻译成人话：你的组织需要有自己的质量标准。不能靠「AI说得对不对」来评判，要靠「这个结果对我们的业务有没有用」来评判。
🔧 一个真实的分界线：麦肯锡报告里的安联（Allianz）案例给出了HR场景的标准答案。安联把AI用进了承保、理赔和产品设计，招聘环节也让AI快速筛选最匹配的人，但最终拍板的依然是人。集团首席人力与文化官贝蒂娜·迪切（Bettina Dietsche）的理由很具体：偏见、文化、感觉这些复杂的人性变量，算法还替代不了。这条线不是靠感觉画的，而是靠一套伦理机制反复讨论出来的：什么该交给机器，什么必须留给人。同一位高管还有一句更狠的判断：五年内，安联所需的三分之二技能都会被重写，而五年几乎就是明天。
概念二：爬山机器（Hill-Climbing Machine）
纳德拉定义的「爬山机器」：用私有数据和私有评估标准，持续优化输出的循环。
相关阅读
纳德拉给出的判定标准非常锋利：如果你能把A模型换成B模型，仍能用自己的私有评估集继续向上攀登，主控权就在你手上；如果做不到，主控权在别人手上。
麦肯锡没有用「爬山机器」这个词，但给出的是同一套机制，报告要求企业建立「测试，学习，调整」的循环，并明确写道：像训练模型一样，组织本身也要不断迭代。一个说的是模型怎么变强，一个说的是组织怎么变强，落到操作上是同一件事：把每一次协作的结果变成下一次的输入。
三步建立你的人机编排能力
第一步：画出你的「人机分工地图」
把所有工作任务列出来，然后标注：
- 🔴 只能人类做（判断、决策、创新）
- 🟡 AI辅助人类做（草稿生成、数据分析、方案对比）
- 🟢 AI独立完成（格式转换、信息提取、自动回复）
多数组织卡在这一步，原因写在麦肯锡的阻力排序里：39%的受访者把「变革管理困难和部门壁垒」列为组织级障碍。任务清单一旦要跨部门拆，碰到的就是谁让权的问题。
第二步：建立私有评估集
这是最难的。你需要定义：在我们的业务里，什么算「好」？
不是行业最佳实践，不是GPT的评分，是你自己的标准。HR要定义「好候选人」的标准，销售要定义「好线索」的标准，产品要定义「好需求」的标准。
第三步：建「爬山」反馈循环
每一次人用AI完成一个任务，都要问：这次的结果，比上次好在哪里？好多少？能不能量化？
这个循环跑得越快，你的组织就越接近「AI原生」。
🎯 你的人机编排健康度自检
- 你的团队有没有「私有评估集」？（即：你们自己定义的「好」的标准）
- 你的团队成员，是在「用AI完成任务」还是「和AI协作完成任务」？
- 你的组织里，有没有一个系统化的方式，让人分享「我这次用AI比上次做得更好」的经验？
如果三个问题有一个回答「没有」，你的人机编排能力还在萌芽期。
测一测你的组织AI就绪度 →参考来源：McKinsey & Company,《The State of Organizations 2026》；麦肯锡中国，《2026麦肯锡组织现状报告：改变组织未来的三股力量与9大主题》；Satya Nadella, No Priors × Latent Space Crossover Special at Microsoft Build 2026；Satya Nadella 接受 Stratechery（Ben Thompson）访谈，2026年6月
关注公众号，获取 AI 时代 HR 变革一手分析