Gartner：企业构建AI就绪型员工队伍的五个步骤；企业构建智能应用的五项基本原则

1

企业构建AI就绪型员工队伍的五个步骤

Gartner2025大中华区高管交流大会于近日盛大召开，Gartner 发布最新研究，仅靠技术堆砌难以释放人工智能（AI）潜能，企业要想扩大业务影响，首要任务是建立一支 AI 就绪型员工队伍。

Gartner调研显示，AI投资对生产力大幅提升的承诺迟迟难以真正兑现的症结主要体现在三个方面：一是应用缺口仍大——在中国，超过八成员工从未在工作岗位关键任务中使用生成式AI工具；二是工具效果偏低——仅有极少数企业认为最新的Copilot类产品已达到预期价值，大多数企业认为“聊胜于无”；三是技能落地率不足——传统培训模式下，真正被用到工作中的新技能不足四成，而且大部分知识在短时间内即被遗忘。

Gartner研究副总裁莫心鹂表示：“AI 不是魔法棒。只投技术、不投人，就等于把预算直接扔进垃圾桶。”

中国企业要实现AI价值转化，需要通过五个步骤，把“学习曲线”与“收益曲线”编织在一起，系统性打造AI就绪型团队，实现技术与人才的双轮驱动。

把学习与收益写在同一张纸上

企业应先用一张“学习—收益对照表”，把预期业务成果、急需新技能，以及配套的培训与变革投入一次性列清，让技术与人才投资形成闭环。只有当财务报表能追溯到“人才投入→业务回报”，学习才会被视为增长引擎，而非额外成本。

莫心鹂表示：“AI素养与AI价值是共生的。面对AI时代技术高速发展对企业人才战略的考验，CIO只有把人才培养写进AI价值交付流程，才能向企业真正展示如何实现‘投入一分、回收多分’的硬回报。”

锚定价值，建立“学习—收益莫比乌斯带”

企业应围绕最关键的业务场景（如开发效率、客户体验），将学习曲线和收益曲线编织成一条无限循环的莫比乌斯带：目标越具体，培训越精准，回报越直观。管理层应在目标、投入和里程碑之间建立可量化的因果链，确保每一项员工技能培训活动都能映射到收入增长或成本节省成果。

莫心鹂强调：“目标不落地，培训就难获预算；收益不量化，学习就难持续。把学习与收益缠绕在一起，才能让人才投资成为董事会追问的硬指标。”

因岗定培，精细匹配不同角色的 AI 素养需求

领导层关注战略与治理，一线员工重视流程落地，技术团队则需掌握提示工程、模型评估与安全机制。企业应以“基础认知、技术工程、业务应用、治理合规”四大维度拆解课程，按不同角色群体需求量身定制培训计划与考核指标，避免“一刀切”。

莫心鹂指出：“领导层要懂‘为什么’，执行者要会‘怎么做’，技术人员要精‘做得对’。只有把正确的知识和技能教给正确的人，培训才能产生绩效杠杆效应。”

敏捷落地，10-20-70 学习循环，让培训融入工作场景

实践证明，按“10% 正规课程、20% 社交辅导、70% 现场实操”设计多元化的AI素养发展路径，辅以微课、挑战任务和即时复盘，可在短时间内显著提升生产效率。核心是把新技能的学习和提升嵌入日常工作流程中，让员工边做边学、边学边改。

莫心鹂提醒：“培训只有在工作现场发生，才能将知识和技能变成生产力。把学习嵌入价值交付流程，小步快跑、实时反馈，才能真正让 AI 赋能业务。”

持续迭代，季度复盘，动态升级人才与技术

企业需把素养提升写进季度 OKR，定期复盘“新业务目标、新试点、新角色、新工具”，据此迭代培训内容与节奏，让 AI 素养与 AI 战略同步扩展。这样才能确保人才供给始终贴合技术演进。

莫心鹂总结：“AI 迭代不停，人才战略也要不断调频升级。只有让‘学习-收益莫比乌斯带’持续转动，企业才能在 AI 时代把每一笔人才和技术投资都转化为实际的业务价值。”

2

企业构建智能应用的五项基本原则

Gartner 2025大中华区高管交流大会于近日盛大召开， Gartner 发布最新研究，阐释生成式人工智能（GenAI）如何改变行业实践，推动企业软件从“辅助工具”迈向“智能代理”的根本性转变。GenAI将彻底重塑企业应用的目的、功能以及人机交互方式。

当前，企业仍把应用视为“工具”，但在不久的将来，内嵌人工智能（AI）的应用将具备强大的智能代理，能够主动获取所需信息、反馈关键数据，并自动完成跨系统任务，甚至处理人类难以应对的海量数据。这一转变意味着企业将从传统应用时代迈向“智能应用”时代。

Gartner 研究总监金玮表示：“GenAI已将企业软件推到一个全新拐点，应用不再被动执行指令，而是主动为用户工作。”企业在构建智能应用时需要遵循以下五项基本原则，才能把 AI 战略真正转化为业务成果。

自适应体验

在智能时代，企业应用应像得力同事，而非被动工具——它必须清楚用户是谁、身在何处、正处理哪项任务，并能在手机、平板和桌面之间即时同步。对“行动派”员工，系统要支持动态图标和快速切换；对“思考派”员工，则需提供看板视图和深度洞察。提示词（Prompt）将成为主要交互方式，员工只需一句“预订明早北京飞上海的航班，并屏蔽全部会议”，系统便可自动比价购票、更新日历并同步通知相关同事。

金玮指出：“真正的个性化不止按岗位划分，而在于洞察每个人独特的工作节奏与偏好，让软件像贴身助理，总能快用户一步。”

嵌入式智能

AI 能力应深植于业务逻辑，而非外挂附加。系统需实时感知当前操作、预判下一步需求，并在后台调用语音引擎、机器学习模型与外部应用程序接口（API），主动提出最佳行动方案。举例而言，销售经理只需键入“列出未结清订单中预测销售额与库存差异最大的项”，智能代理便能跨客户关系管理（CRM）、企业资源计划（ERP）和数据仓库即时抓取数据，完成排序并生成可视化对照表，全程无需商业智能（BI）报表或结构化查询语言（SQL）查询。

“嵌入式智能让应用不再等待点击，而是主动寻找答案、提醒风险、提出方案。”金玮补充。

自主编排

企业的业务自动化正从“脚本驱动”迈向“自我编排”阶段：凭借流程挖掘与大语言模型（LLM），智能代理能够跨系统自动调用资源、触发流程，并在运行中持续优化性能与安全。其底层由机器人流程自动化（RPA）、API和微服务架构快速串联任务；最上层整合智能文档处理（IDP）、决策智能平台和机器学习平台为流程提供实时洞察；整个过程借助 AI 驱动的流程与决策建模工具，将“发现痛点”到“投产上线”的周期大幅压缩。

金玮强调：“未来的流程就像自动驾驶——既透明、可解释，又能一路自我学习、持续提速。”

互联数据

要让 AI 真正“看见”企业资源，就必须先为它铺设一张全域数据网。所谓互联数据，指的是以元数据目录和数据网格为核心，将散落在数据湖、云存储、应用数据库、文件系统乃至多媒体库中的结构化与非结构化片段统一映射，随取随用。

这就像给一间堆满杂物的暗室开灯、贴标签：当有人问“那本书在哪里”，系统能立刻定位并取回，而不必翻箱倒柜。在供应链场景中，这一能力价值尤为突出。互联数据平台实时追踪元件来源，发现若某关键部件过度依赖单一供应商便立即预警，并推荐备选渠道，从而避免生产停摆。

金玮指出：“没有打通的数据，AI 就像在黑暗中摸索；互联数据点亮整座仓库，让每条信息都触手可及。”

可组合架构

可组合架构把企业应用拆解成模块化组件，像乐高积木一样按需拼装。遵循“API 优先”，企业将应用按模块拆解成可插拔组件，这些组件通过请求–响应、消息驱动或事件触发等方式，由API即时调用。组织可以先采购标准化核心系统——例如ERP、CRM——确保合规与主流程稳固，再用第三方或自研模块叠加差异化能力；低代码和开源框架则进一步降低创新门槛，加速迭代。

金玮指出：“可组合架构不是推倒重来，而是‘能买先买、非核心不造’，把研发资源集中投入最能创造独特价值的部分。”

这五大设计原则并非孤立拼图，而是环环相扣、相互放大效应的整体框架：没有嵌入式智能和自主编排，自适应体验就难落地；缺少互联数据和可组合架构，智能代理也无法持续进化。因此，企业在制定 AI 投资路线图时，必须保持投入均衡，确保基础数据、流程、架构与体验同步升级，才能让智能应用真正从“试点示范”走向“规模价值”。