【AI前沿】圆桌对话：当AI进入产业前线：未来最稀缺的AI人才，会是谁？| 2026AI Partner·北京亦庄AI+产业大会

圆桌对话：当AI进入产业前线：未来最稀缺的AI人才，会是谁？| 2026AI Partner·北京亦庄AI+产业大会未来一氪·2026年05月23日 15:14圆桌探讨AI产业落地，稀缺低频高价值决策人才。稀缺的，到底是懂AI的人，还是懂业务的人？一个反直觉的判断——懂AI这件事正在快速贬值，而能在关键低频决策中做出判断的人，才是未来的稀缺品。高频重复的工作最容易被AI替代，但在打造爆品、建立品牌等低频高影响力的决策上，人的判断依然不可替代，企业AI转型的最大卡点也不是技术或数据，而是“想不到应用场景”， 当前AI的利润大头仍在基础设施层，应用端的ROI尚未完全释放，但拐点会比预想来得更快。以下为圆桌对话内容，经36氪整理编辑：郑王宇丨36氪基金投资副总裁（主持）龚毅丨尼尔森IQ 通信及科技业务总经理罗飞丨华科智能AI研究院院长林海卓丨卓源亚洲创始合伙人、董事长郑王宇：各位老师好，我们今天一起讨论“当AI进入产业前线：未来最稀缺的AI人才会是谁”，谁会是行业的新贵。把行业翘楚聚集在这里很难得，请各位嘉宾用一句话亮个相，并带着您的视角参与接下来的讨论。龚毅：大家好，我是尼尔森IQ的龚毅，我们所处的行业是数据洞察行业，今天我谈论的点从这个行业出发。罗飞：大家好，我是华科智能的罗飞，是一家港股上市公司，主要做投资。我所在的研究院主要是赋能传统行业的AI转型，做培训、咨询和陪跑。我们有很多传统老板怎么升级的痛点，今天也跟大家分享一下。林海卓：大家好，我是卓源亚洲的林海卓，我们主要是一家聚焦于人工智能、半导体、机器人的投资机构，聚焦于风险投资市场。主要投了轻舟智能、江行智能、沐曦集成电路、小马智行这些代表性的硬科技项目。郑王宇：三位专家都是不同的视野。在过去一年里，AI从模型能力的竞赛进入到产业场景落地的环节。我们现在看，无论是消费零售、企业管理、制造、金融、医疗各行各业，包括创业投资，AI的价值不仅取决于模型参数和技术指标，更取决于是否能够进入真实的业务流程。说得大白话一点，现在的AI要进入整个产业的前线，影响决策执行甚至是商业落地的结果。这个过程中，新的问题就变得更加迫切了——当AI工具变得越来越普及，真正稀缺的人才是什么样的？最后一个圆桌，希望从企业竞争和人才角度出发，讨论AI抵达产业前线的战壕后，人与机器、专家与工具、组织与个体之间整体的分工与变化。先进入第一个问题。在这个过程中，不只是让员工多一个工具，而是开始影响到消费者洞察、产品创新、供应链、渠道运营、客户管理等决策环节。哪些工作在各位的视角看来是最容易被AI重构的？哪些环节适合AI，但实际落地又是最难的？先请林总。林海卓：我们目前有一个观点，在投资过程中，好的问题提出者依然是有壁垒的。目前来看，知识高度密集型的领域天然有一个特征，知识体系比较容易进行结构化描述，技术结构用代码化去表述，相对会有一个清晰的边界和对与错的判定，在这样一个逻辑下，比较符合现在人工智能解决问题的范式。像会计师、律师、程序员，在当前的情况下是比较容易被新技术替代的。但好的问题提出，还是需要人的引导。我们现在看到的是机器人、各种各样的Agent，包括喂养龙虾，还是需要从0到1推进的那一步，让它更好地做某一个你给它限定范围的事情。各个行业提出问题，或者结合这个人本身在行业中过往的经历，提出交叉学科前沿的想法，引导一个模型朝着这个方向积累，是未来比较容易构建个体壁垒的事情。大家更容易理解的是，围绕着体验的领域或者是情感领域、感性层面，心理学家、心理咨询师是不是也被AI替代？旅游体验师、旅游导游和具身智能场景相结合，具备丰富个性化、场景化体验的这部分，AI替代还有相当长的距离。从从业角度，AI更好的是赋能，而不会马上进行职业替换。大概这两个维度。郑王宇：投资人的视角相对宏观和全面，深入到每个行业的细节，罗院长，您在实际观察产业落地过程中，哪些行业容易被AI替代，哪些环节比较困难？罗飞：现在AI 2.0我们在应用AI大模型的能力。AI大模型本质上是推理引擎，我们认为以前人在推理的地方，都能挖掘到很多应用场景，看推理的过程是不是由AI来做。我们总结三个特征。重复，才有用AI的价值；标准，每次推理、思考、行动的过程有标准可言；熟练，是指这个企业里有熟练的人能把这个工作说清楚，我们需要把熟练的人的经验萃取出来，给AI大模型配好工具，让它来替代这个事情。这是一个维度。另外一个维度是工作环境。越是在电脑前工作，越容易被替代；越是跟人打交道的工作，越不容易被替代。在电脑前重复地查资料、想方案，不管是写成Word还是PPT、Excel，重复的查、想、写的工作，龙虾发展的能力越来越强，又能够控制电脑去做这个事情，电脑前的工作就会越来越容易被替代。越靠近人的、越靠近市场的，越不容易被替代。我们看见人的能力要往左移，左边是市场、客户，右边是后台流程，人的能力加上AI过后要不断往左移。郑王宇：意味着沟通、协作、洞察变得更重要了。我提炼出您说的三个关键词，重复、熟练、标准，有这些特征的环节更容易被替代。龚总。龚毅：我的点和前面的嘉宾一致。我们服务的客户是500强客户，服务的领域基本上在品牌营销、产品创新和零售以及客服方面。我们看到的点会把它化为矩阵：一个轴是频率，两位嘉宾都谈到高频和低频。另外一个轴是决策的战略性、重要性。最容易被替代掉的，频率越高会有大量回馈，数据很多，AI很容易学到经验，每次往复会做强化学习，AI能学到。对于低频，尤其是低频重要性高的事，很难替代掉。为什么在品牌营销领域会看到大量的广告投放复制，自动化程度非常高？从最初的创意到创作，到KOL投放，评估闭环，很运营化了。直到今天，我们仍然是说，你要做具有溢价的高端化品牌，做年轻人的品牌，或者在跨国文化、西欧、印度出海的时候，跟当地消费者引起共鸣的品牌，频率不高且影响巨大的事，我们还是看到AI很难解决，这是整个社会很稀缺的事。郑王宇：下一个问题，现在企业AI能力的落地阻力来源于哪里，是来源于技术、数据积累，还是组织惯性导致的？龚总可以从服务客户的角度来讲这个问题吗？龚毅：基础肯定是数据。直到今天，我们的AI已经会上搜索，已经会执行很多工作流，从skill的角度已经达到七八十分的水平，但仍然有很多幻觉在里面。幻觉本身基于我们怎么把有效数据给AI，在对的工作流基础上不会产生幻觉。在行业通常会发生的事，大家觉得以后不要做调研了，有一个想法不用做调研，只用问一万次AI，那就代表一万个消费者，我是不是可以基于这一万个调研，就形成我这款手机、冰箱是不是可以在市场上有比较好的表现？我们做了大量验证，会发现不是。第一个，你问AI是不是足够有代表性；第二个，每一次问AI，它是不是嵌入到我们具体的数据来回答问题。比如你是丁克或者四世同堂的家庭，你回答问题的时候，AI是不是代表了这些人的需求。最后加总起来，回到消费者说十分，九分是特别喜欢，九分到底是代表市场成功还是十分才能代表成功？一系列专业的点不合成起来，就会发现你问的东西都似是而非。不够高频的情况下，企业很难决定我是信还是不信。我举这个例子，总结起来，企业本身的流程会有很多专业点，这些专业点需要被解决，或者被AI解决，或者被其他方面解决，但AI赋能整个流程有很多要求。郑王宇：罗院长，您觉得整个AI在公司里落地，阻力来自于哪里？技术、数据还是组织惯性？罗飞：更多来自于组织。我们看到AI技术每年发展突飞猛进，做AI行业技术的人都会感觉马上AGI都要来了，AI的能力一年比一年强。但企业落地，我的感知没有那么快。企业落地还是有很多阻力，还是组织对于AI的认知。我们过去两三年服务了十多个行业里的龙头企业，这些龙头企业偏传统，比如地产、金融、大健康、餐饮。我们都会调研一个问题，我们认为AI在企业里落地有两个卡点：粗阶卡点和高阶卡点。粗阶卡点，企业想不到更多的应用场景。大家都说AI很厉害，回到企业，我问这些企业的员工或者老板，你们能想到多少应用场景？他们想不到更多的应用场景，我们称为粗阶卡点。高阶卡点，企业可以落地应用场景，但落地以后不见成效，投入不见成效，内部员工不愿意用，外部客户也不愿意用。我调研发现，虽然AI技术发展很快，入企发现大量还是在粗阶卡点。AI的能力已经这么强了，从业者都觉得能力这么强了，大部分企业还是说找不到应用场景，这是最大的卡点。找不到应用场景很大的原因是企业没有把对AI的认知拉起来，也没有深入业务分析，或者有惯性思维。现在AI处于AI 2.0，大部分企业有1.0的思维，认为用AI必须要有数据。我们提出一个核心的观点，企业AI转型实际上是人才转型。企业要从数字化思维跳出来，形成AI思维。数字化思维阻碍了现在很多企业去落地，认为落地AI有很多前提条件，要数字化，要好，要有数据，要有技术。这些前提条件都阻碍了企业把它的应用场景认知给打开。这是我真实体验到的巨大卡点。郑王宇：越大的公司，阻力来自于组织机构的越多。不知道创新公司怎么样，您观察到的呢？林海卓：我们从整个行业来看，投资回报率还没有那么高。很重要的原因，在历史上是可以找到对应阶段的。在2000年互联网泡沫之前，曾经有一度全世界市值最高的公司是思科。在互联网早期，谷歌等很多企业诞生之前那段时间，造互联网高速公路，核心交换机曾经做到过市值最高的企业。英伟达、博通都在这个市值占据主要位置，恰恰说明了人工智能大的利润来源，我们感觉到还是用于构建基础设施。很多时候投入人工智能，无论是企业还是超级个体，在投入人工智能做投资的时候，ROI相当一部分成本变相还是给到了基础设施。至少当前是基础设施拿到了相当大的利润，也跟目前全球范围内德意志银行今年年初说的一句话相符：短期缺算力，中期缺能源，永远缺存储。这反映出在人工智能发展的现阶段，基础设施还是切走了大部分投资端、利润端，应用还是在不断追赶的过程中。大家接触到的大模型，如果泛化到绝大多数的网民，大家接触到的大模型或者人工智能，更多还是搜索引擎的平替。现在打开脑海当中意识流想到的问题，不一定用传统的搜索引擎，直接问DeepSeek或者元宝、千问、豆包，会产生这样的效果。大家还是把AI当成一种检索、搜索引擎替代的入口。真正接入到业务流端，炼钢、炼铁、重型工业、半导体、先进设计，借助一款人工智能的工具来帮助我在非常垂类的领域，无论是业务流侧还是深度构建高精尖知识know-how，并且反向反哺我做这项工作，确实还早，至少两三年的时间周期。因为大模型，这个领域的从业人员需要投喂大模型我感兴趣的问题。在这个过程中，大家开玩笑说我还要PUA我的大模型，你怎么这个技术知识都不知道，我的意思这个问题应该怎么看。智能体接触到以后，会不断积累在这个垂类特有的知识库结构或者行业常识的结构，投喂需要相当长的时间，但出现拐点也会比大家预想的时间节点要快。整体来说两部分：一部分是高精尖价值知识图谱和垂直行业当中对应的信息，智能体还在投喂和培养；基础设施是未来几年大家主要关注的点，大基建并没有做到冗余，变相的很多成本要由早期吃第一个螃蟹的人分担，综合影响了ROI。郑王宇：林总给了我们一个非常重要的提醒，任何一个行业的发展都要看到阶段性，我们要分现阶段和未来的潜力。现在AI会让行业集中度更高，也有人说AI降低创新门槛。AI会让头部企业变得更强吗，还是给新进入者更多的机会？林海卓：您刚刚提的话题，我稍微有一点担忧。最近有一本书很火，《科技共和国》，描述了我们能够想象到的场景，超级科技巨头，无论是数据能力各个方面，会出现我们现在想象不到的垄断境地。绝大多数从业人还是处于——现在来看去找他工作的，我这个工作绝大部分的能力可以被AI替换以后，我会做什么？这是哲学、社会学层面需要探索的新方向。过往乐观的人会说，失业的人总能找到新的工作，纺织机时代可以维修纺织机，不需要在一线做很多纺织工作，可以解放出来从事更多周边创意行业，或者将机器应用在其他领域，有各种创新方式来解决这个问题。但人工智能替代无论是白领还是蓝领的工作，数量可能是指数级的。短期之内，投入到市场，未来相当多的原来岗位对应的人口，比如客服，这在中国有着六七百万的从业人数；网约车司机、出租车司机，都是当前已经