为什么说AI最大的供应链短缺是人？

与其与其他公司抢夺熟练的员工，不如向已经了解您业务的员工传授如何使用人工智能的技能。

人工智能中最大的短缺是人。如果您的组织无法让员工了解如何将人工智能应用于实际业务中，您将会在技术上花费大量资金，而这些技术也很难帮助您的业务发展。从云计算浪潮、第一次大数据热潮以及每一种新兴技术热潮期间，我们都能看到技术在领先，而人才却落后。

最聪明的公司正在跳过招聘军备竞赛，将现有的工程师、分析师、架构师和开发人员转变为人工智能生产者。为什么？因为领域知识始终是解锁技术的关键，而拥有这些知识的人已经为您工作，正如 Gartner 分析师 Svetlana Sicular 多年前所观察到的那样：“组织已经拥有比神秘的数据科学家更了解自己数据的人。

企业可以通过利用他们已经知道的技术来进一步加速内部人才的培养。重点不是避免学习任何新东西。这是为了最大限度地减少上下文切换，以便更多的员工可以做出贡献。这就是为什么“将 AI 引入您的数据”指南很重要的原因。例如，如果您的核心系统在关系数据库上运行，请使用允许团队继续使用 SQL 的功能，同时添加嵌入、向量相似性和 JSON/文档模式。

让我们看看这是如何工作的。

一、人才短缺是采用新兴技术的最大障碍

工资溢价是衡量稀缺性的一种直白但有效的衡量标准，从这个指标来看，人工智能技能差距是显而易见的。Lightcast 分析了 13 亿个职位发布，发现需要人工智能技能的职位的工资溢价为 28%，每年增加近 18,000 美元。普华永道的全球分析更为鲜明：拥有人工智能技能的工人在各行各业的平均工资溢价为56%。这些不是炒作幻灯片;它们是首席财务官在薪资数据中看到的。

与此同时，需求正在超过公司内部的正式支持。一年前，Microsoft 的 2024 年工作趋势指数（基于 31,000 个国家/地区的 31,000 名员工加上 Microsoft 365 和 LinkedIn 数据）报告称，75% 的知识工作者已经在工作中使用人工智能，但只有 39% 的人接受过雇主提供的培训。三分之二的领导者表示，他们不会雇用没有人工智能技能的人。这是影子人工智能、结果参差不齐和风险增加的秘诀。

这些都不是新鲜事，只是程度上。十年前，Gartner 发现人才短缺是采用新兴技术的最大障碍，比成本或安全性更具限制性，而那是在生成式 AI 使每个业务流程成为自动化或增强的候选者之前。

回想一下云过渡。2012 年，IDC（在 Microsoft 赞助的一项研究中）预测，到 2015 年将有 700 万至 1400 万个与云相关的工作岗位，并估计 170 万个云职位将因候选人缺乏技能而空缺。作为回应，大学进行了调整以培训更多学生，但最快的进展来自雇主和工人的技能提升——认证、内部学院和学会运行云的系统团队。

大数据也遵循了同样的轨迹。2011 年，麦肯锡预测美国将短缺 140,000 至 190,000 名具有“深度分析人才”的工人，此外还需要 150 万能够理解数据并根据数据做出决策的经理和分析师。Gartner 的 Sicular 敦促公司培养他们已经拥有的人才，而不是等待一种新的数据科学家出现，我后来也附和了这一点：企业怀有大数据欲望，但缺乏专业知识。解决办法是训练。用“大型语言模型”替换“Hadoop”，该律师仍然成立。

这之所以有效，部分原因是最终我们并不是真正在与技术作斗争，而是在更多地关注人类问题。例如，在云热潮期间，公司了解到您真正需要的技能不是“AWS”或“Azure”，而是如何在您的约束下可靠地运行分布式系统。在大数据阶段，真正的技能不是“Hadoop”，而是如何对数据提出更好的问题并部署答案。人工智能也不例外。持久优势不在于特定型号，这是一支知道人工智能何时提供帮助、如何将其融入业务以及如何随着时间的推移保持其安全和可衡量的员工队伍。

二、获得AI能力的最快、风险最低的方法是利用他们已经知道的技术

获得AI能力的最快、风险最低的方法是利用他们已经知道的技术，将其构建到您当前的团队中。这不是一厢情愿的想法，行业领导者已经在这样做了。如果您是 IT 决策者，这应该会影响您的人才计划和技术计划：

偏向于技能提升。

让人工智能素养和安全使用模式成为技术领域每个人的赌注，而不仅仅是机器学习专家。回报是压缩了想法和交付价值之间的时间，而不仅仅是填补职位。

确保每个人都能回答四个问题：

我们试图用人工智能解决哪些问题？

我们需要哪些数据和护栏？

我们如何评估产出？

我们如何在生产中运行它？

你不需要一群博士;您需要纪律严明的工程师和分析师，他们了解您的业务并能够学习这些工具。（我之前写过关于人工智能如何通过扩展来改变开发人员的工作。为扩张进行训练）。

利用您已经知道的堆栈。

如果天赋稀缺，堆栈就是力量倍增器。Gartner 预计，到 2028 年，80% 的 genAI 业务应用程序将在现有数据管理平台上开发，而不是在绿地 AI 堆栈上开发。这符合常识。如果您将 AI 引入您的数据和系统，而不是为了新奇而翻录和替换，您将走得更快，并让更多的现有员工参与进来。

使用您在 AI 中已有的技能。

看看你的团队今天在哪些方面很强（SQL、数据建模、生产规则）。例如，SQL 仍然是专业开发人员使用最广泛的语言之一。Stack Overflow 的 2025 年调查显示，61% 的专业人士使用 SQL，在使用 AI 工具的专业人士中，这一比例为 62%。这意味着您可以将早期的 AI 胜利锚定在您的团队已经知道的模式中：查询、联接、访问控制、沿袭和服务级别协议，现在通过嵌入、向量搜索和检索进行了增强。

人工智能的商业价值本质上是平淡无奇的。它是对正确数据、合理的工作流程和改善结果的反馈循环的检索。

您拥有的 SQL 流利开发人员、数据工程师和开发人员比 ML 工程师多得多。教 SQL 优先的团队使用数据库内向量和检索比要求他们掌握全新的数据堆栈要轻松得多。同样，备份、故障转移、authz 等的 Runbook “AI 化”已经存在于您当前的平台中。

这些都不是反对专业工具的论据。某些工作负载将证明它们是合理的。但对于大多数企业来说，回报来自于将 AI 应用于现有流程和现有人员的数据，比翻除和替换更快、更安全、更便宜。

由CXOUNION-CXO联盟（cxounion.cn）转载而成，来源于数智化转型网；编辑/翻译：CXOUNIONCXO联盟小O。

如需加入CXO UNION（CXO联盟）高管社群，请联系社群小伙伴哦~

免责声明: 本网站(http://www.cxounion.cn/)内容主要来自原创、合作媒体供稿和第三方投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。