【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