同一份调查里的两条曲线今年朝相反方向走。员工每日使用生成式 AI 的比例从 14% 升至 22%,过去十二个月有 64% 在工作中使用过 AI——上升十个百分点。同期,学习机会却反向移动:表示自己拥有所需学习与发展资源的员工比例从 59% 降至 51%(PwC, 2026)。样本为 48 个国家和地区、29 个行业的 49,364 名员工,于 2026 年 5 月和 6 月完成调研。
再读一遍:采用率上升十点,学习机会下降八点。无论是什么在为你的 AI 落地买单,那都不是一笔在增长的发展预算。而最有能力察觉这一点的人,恰恰是最有能力离开的人。
采用曲线与发展曲线已经分叉
人们很容易把 51% 当作一个软性数字——调查噪声,或者一句抱怨。但同一份新闻稿里的周边数据让这种解读难以成立。
员工报告的变化更多,而非更少:经历过职场变化的人中,58% 表示过去一年的变化比往年更多,40% 表示自己必须在很大或极大程度上在岗位上应用新技能。同时,27% 表示疲劳或倦怠限制了自己的产出,只有三分之一的人月末还有结余,同比下降 8%(PwC, 2026)。
于是:新技能需求上升,员工压力上升,而结构化发展的供给下降。这不是士气问题,而是产能问题,而且形状很具体。
变化同样集中在高层。PwC 发现 51% 的高管和 46% 的经理在岗位上应用了新技能,而非管理者为 29%,入门级员工为 38%。学习发生在本就拥有决策裁量权的地方。
一笔预算,两个留任问题
PwC 按技能稀缺度与 AI 能力把员工分为四组:
| 分群 | 占比 | 说明 |
|---|---|---|
| Front-runners | 14% | 技能稀缺,AI 能力强 |
| AI insurgents | 18% | 技能稀缺度较低,用 AI 产出更多 |
| Indispensables | 11% | 技能稀缺且被高度重视,AI 曲线尚处早期 |
| Engine room | 56% | 技能不稀缺,AI 曲线尚处早期 |
留任后果出现在这个分布的两端,而两端需要的是不同的钱。
在 front-runners 中,29% 表示未来一年很有可能或极有可能更换雇主。他们在"因挑战既有工作方式而获得奖励"(为全球平均的 1.5 倍)和"因学习新技能而获得奖励"(1.2 倍)上明显超配,并且提出晋升要求的可能性高出 33 个百分点(PwC, 2026)。这是成功本身制造的流失风险:你奖励他们建立了一种可迁移的能力,而这种能力确实可以迁移。
另一端,engine room 的 56% 中,只有五分之二表示拥有所需的学习机会。他们最不容易因使用 AI、学习新技能或质疑现有做法而获得奖励——而日常工作大多由他们完成。这不是流失风险,而是产能风险,并且会晚些才显现:以瓶颈的形式,而不是以辞职的形式。
一笔在全员之间平均摊开的学习预算,两端都养不住。它太薄,留不住那 14%;太泛,推不动那 56%。
信心差距正在悄悄造成损失
调查中每日使用者与低频使用者的对比,是值得带进下一次运营复盘的部分。每日使用者对工作稳定性的信心为 68%,低频使用者为 57%;并且他们提出晋升要求的可能性高出 12 个百分点,信任高层管理的可能性高出 15 个百分点,相信自己能学会新技能的可能性高出 21 个百分点(PwC, 2026)。
这些是相关性,不是因果估计——自信的人可能本来就采用得更快。但两种读法下,运营结论都成立。如果 AI 熟练度与对管理层的信任、以及对自身学习能力的信念同向移动,那么没有发展机会的那一半员工,同时也是最不相信你的变革计划、也最不会把这件事告诉你的那一半。
学习机会是组织设计的结果,不是一条预算项
在批准更多培训支出之前,运营负责人应该先面对这个反论:在可迁移技能上投入不足的公司,往往是在理性行事,而单纯加预算并不能解决问题。
Deming、Sadun 与 Stanton 的新证据,把公司出资的培训重新界定为组织设计的结果,而不是规模或慷慨程度的结果(NBER Working Paper 35920, 2026)。基于对 954 家百人以上美国企业的调查,他们发现拥有技能分类体系与企业开展结构化培训项目的概率提高 26 个百分点相关,拥有技能盘点则对应 17 个百分点。员工 10,000 人以上的企业开展此类项目的概率,比 100 至 999 人的企业高 13 个百分点——而产出 26 个百分点的那个模型里,规模效应已被控制。
这个排序对一家 50 到 500 人的公司很关键:衡量基础设施对结构化发展的预测力,是"规模大二十倍"的两倍。你无法靠扩编买下这个问题的答案,也不需要大企业体量才能修好它。
他们的机制也解释了 front-runners 的流失风险。作者主张,组织设计正是企业把通用技能变成企业专属技能的方式——而企业专属技能正是企业回收培训回报的方式。在没有岗位架构支撑的情况下培训一项通用能力,你资助的是他在下一家雇主的入职。把培训放进一个明确的胜任力模型,并配上一个看得见的内部下一步,回报才留在你这里。
他们的聚类分析补了一条警告:培训往往集中在管理层发展或一线发展之一,很少两者兼顾。这恰恰是 PwC 测到的失效模式——发展集中在资历本就集中的地方。
成本面让情况更糟。Gartner 指出,AI 相关岗位的薪酬是平均员工的三到四倍,AI 技能的生命周期缩短到两到五年,并预计到 2029 年最多 30% 被 AI 替换的员工会被重新雇回,且往往成本更高(Gartner, 2026)。昂贵、快速折旧且高度流动的技能,是在没有发展与继任结构支撑时最糟糕的一类资产。
在依据分群行动之前,先核对它是怎么测出来的
一个提醒,因为它会改变你在内部能用这份数据做什么。PwC 的分群建立在员工对自身 AI 能力的自我陈述之上。自报的 AI 技能是公认的弱信号:在 GCheck 的《Automation Anxiety Report 2026》中(N=1,500 名美国全职员工,2026 年 4 月调研),63% 的人承认曾夸大或谎报自己的 AI 技能以显得更有能力,30 岁以下升至 80%,同时 64% 的人表示雇主从未尝试核实这一说法(GCheck, 2026)。这是一份供应商调查——GCheck 卖的就是核验服务——所以把幅度当作方向性参考,把方向本身当作可靠结论。
这并不意味着 PwC 的全球画面是错的。在 49,364 名受访者的尺度上,自报膨胀在总量层面基本是噪声。真正的含义是局部的:如果你用一份自评问卷在公司内部复刻这套分群,你会把人分错,而且是有系统偏向地分错——声量最大的尝鲜者会落进 front-runner 格子,不论他们是否属于那里。
能力分群的价值,不会超过它底下那套测量的价值。经评估的胜任力、可验证的产出、被观察到的任务表现,与一道关于自信程度的问题是不同的量具,而它们会系统性地给出不同答案。
运营负责人这个季度该做什么
四个动作,按杠杆大小排列。
1. 按分群而不是按总量重算你的学习机会覆盖率。 你几乎肯定有一个全公司统一的培训参与率或满意度数字。把它拆开:按层级、按职能,并按真正的 AI 重度使用者来拆(告诉你答案的是许可证使用数据,不是问卷)。51% 的平均值可能掩盖了高层 80%、中段 40% 的分布——这正是 PwC 在全球层面发现的。要管理的是差距,不是均值。
2. 先建分类体系,再买课程内容。 如果 26 个百分点的效应与"拥有技能分类体系"相关,且该效应在控制规模与行业后依然成立(NBER Working Paper 35920, 2026),那么最便宜的高回报动作,就是定义岗位真正需要的胜任力,并按周期对其进行衡量。正是这项工作把一条培训支出项变成一套发展体系——用胜任力衡量去驱动继任就绪度与内部流动,而不是一份课程目录;这也是 Scovai 的绩效与继任层所围绕的区分。
3. 给那 14% 更大的职责范围,而不是再发一个许可证。 有 29% 离职倾向的 front-runners,正因挑战现状和学得快而受到奖励。更多工具留不住他们;一个看得见的内部下一步可以。把他们可能转任的岗位和就绪窗口说清楚——现在就绪,还是十二到二十四个月——并且告诉他们。在这里,一个真正运转的内部市场就是留任工具。
4. 在安排 AI 关键岗位之前先核验能力。 在把任何 AI 依赖型流程的执行、监督或重构交给某人之前,设一道简短的应用胜任力关卡。自报膨胀率超过 60%(GCheck, 2026),用自称的熟练度做产能规划,等于按一个结构性错误的数字做规划。
摆在你面前的决定
学习机会下降八点、AI 使用上升十点,不是一个等着更大预算的预算项问题。这是一个分配问题,而分配是你已经在默认做出的设计选择。
所以这个季度的问题很窄:你知道那 14%(你负担不起失去的人)和那 56%(真正干活的人)各自的学习机会覆盖率吗?如果季度结束前这两个数字还没落在同一页纸上,那你管理的不是一条 AI 技能鸿沟。你是在资助它。