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,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。”
好文章,需要你的鼓励
美国网络安全和基础设施安全局指示联邦机构修补影响思科ASA 5500-X系列防火墙设备的两个零日漏洞CVE-2025-20362和CVE-2025-20333。这些漏洞可绕过VPN身份验证并获取root访问权限,已被黑客积极利用。攻击与国家支持的ArcaneDoor黑客活动有关,黑客通过漏洞安装bootkit恶意软件并操控只读存储器实现持久化。思科已发布补丁,CISA要求机构清点易受攻击系统并在今日前完成修补。
康考迪亚大学研究团队通过对比混合量子-经典神经网络与传统模型在三个基准数据集上的表现,发现量子增强模型在准确率、训练速度和资源效率方面均显著优于传统方法。研究显示混合模型的优势随数据集复杂度提升而增强,在CIFAR100上准确率提升9.44%,训练速度提升5-12倍,且参数更少。该成果为实用化量子增强人工智能铺平道路。
TimeWave是一款功能全面的计时器应用,超越了苹果自带时钟应用的功能。它支持创建流式计时器,让用户可以设置连续的任务计时,帮助专注工作。应用采用简洁的黑白设计,融入了Liquid Glass元素。内置冥想、番茄工作法、20-20-20护眼等多种计时模式,支持实时活动显示和Siri快捷指令。免费版提供基础功能,高级版需付费订阅。
沙特KAUST大学团队开发了专门针对阿拉伯语的AI模型家族"Hala",通过创新的"翻译再调优"技术路线,将高质量英语指令数据转化为450万规模的阿拉伯语语料库,训练出350M到9B参数的多个模型。在阿拉伯语专项测试中,Hala在同规模模型中表现最佳,证明了语言专门化策略的有效性,为阿拉伯语AI发展和其他语言的专门化模型提供了可复制的技术方案。