导读：与其与其他企业一样挖技术人员，不如向已经了解你业务的人士传授利用人工智能的技能。

在人工智能领域，最大的风险并非是即时注入或数据规模，而是人工智能领域的人才短缺。

确切地说，是人才的匮乏。如果企业无法招募到足够多的员工，他们将无法将人工智能有效地应用于实际业务中，即便投入了大量资金，这些技术最终也将无法发挥最大作用。

这并非新鲜事：回想云计算和大数据的兴起，我们见证了技术的飞速发展，而人才团队却在滞后。

最明智的企业正在跳过招聘“军备竞赛”，而是将现有的工程师、分析师、架构师和开发人员转变为AI开发者。为什么？因为领域知识始终是解锁技术的关键，而这些知识的拥有者已经在为你工作了。正如Gartner分析师Svetlana Sicular多年前所指出的：“组织已拥有比神秘数据科学家更了解自身数据的人才。”

企业可以利用现有技术加速内部人才的培养。关键不在于避免学习新知识，而在于尽量减少工作环境的切换，以便更多员工能够做出贡献。正因如此，“将AI引入数据”的指导方针至关重要。例如，如果您的核心系统运行在关系数据库上，那么可以使用一些功能，让团队在继续使用SQL的同时，在需要的地方添加嵌入、向量相似度和JSON/文档模式。

让我们看看这是如何实现的。

人力瓶颈

工资溢价是衡量人才稀缺性的一个直观但有效的指标，而按照这个指标，人工智能技能的缺口非常显而易见。

Lightcast分析了13亿条招聘信息，发现要求具备人工智能技能的职位，薪资溢价高达28%，即每年近1.8万美元。普华永道的全球分析结果更为惊人：拥有人工智能技能的员工在各行业的平均工资溢价高达56%。这些并非炒作宣传，而是首席财务官们在薪资数据中看到的。

与此同时，企业内部对人工智能的需求正在超过正式的赋能。一年前，微软发布的《2024年工作趋势指数》（基于31个国家/地区的31,000名员工以及Microsoft 365和领英数据）报告显示，75%的知识型员工已在工作中使用人工智能，但只有39%接受过雇主提供的培训。三分之二的领导者表示，他们不会雇用不具备人工智能技能的员工。这将导致影子人工智能的出现、结果不均衡以及风险不断增加。

这些都不是新事物，只是程度不同而已。十年前，Gartner发现人才短缺是采用新兴科学技术的最大障碍，比成本或安全更具制约力——而这还是在生成式人工智能让每个业务流程都成为自动化或增强的候选之前。

让我们回想一下云计算转型。2012年，IDC（在微软赞助的一项研究中）预测，到2015年，云计算相关岗位将达到700万至1400万个，并估计有170万个云计算岗位将因应聘者缺乏相关技能而空缺。为此，大学做出了调整，培养了更多的学生，但最快的转变来自雇主和员工的技能提升——认证、内部学院以及学习云计算运行的系统团队。

大数据也经历了同样的发展轨迹。2011年，麦肯锡预测美国将缺少14万至19万名“深度分析人才”，同时还需要150万名能够理解数据并基于数据做出决策的管理人员和分析师。Gartner的Sicular建议企业不要坐等新一代数据科学家的出现，而是要培养内部现有人才。我后来也表达了同样的观点：企业渴望大数据，但缺乏相关技能。解决办法是培训。现在即使把“Hadoop”换成“大语言模型”，这个建议仍然有效力。

这种做法之所以有效，部分原因在于，我们最终真正需要的并非技术，而是更多关乎人性的关怀。例如，在云计算热潮期间，企业意识到真正需要的技能并非“AWS”或“Azure”，而是如何在约束条件下可靠地运行分布式系统。在大数据阶段，真正的技能并非“Hadoop”，而是如何更好地利用数据并部署解决方案。人工智能也不例外。持久的优势并非某个特定的模式，而是一支了解人工智能何时发挥作用、如何将其融入业务以及如何确保其安全性和可衡量性的劳动力队伍。

释放人才潜力

获得AI能力最快、风险最低的方法是利用他们已知的技术，融入现有的团队。这并非痴心妄想，行业领导者已经在这么做了。如果你是IT决策者，以下做法会影响你的人才规划和技术规划：

1）注重技能提升

让人工智能素养和安全使用模式成为所有技术人员的必备技能，而不仅仅是机器学习专家。这样做的回报不仅仅是填补职位空缺，而是缩短了从创意到交付价值的时间。确保每个人都能回答四个问题：我们试图用人工智能解决什么问题？我们需要哪些数据和防护措施？我们如何评估产出？我们如何在生产环境中运行它？你不需要一群博士来实现这些目标；你需要的是训练有素的工程师和分析师，他们了解你的业务，并且能够学习相关工具。

2）利用已知技术栈

如果人才稀缺，技术栈就能成为力量倍增器。

根据Gartner最新预测，到2028年，80%的genAI商业应用将在现有数据管理平台上开发，而不是在全新的AI技术栈上。这符合常识。如果你将AI技术引入你的数据和系统，而不是为了追求新奇而进行推倒重来，你的进度会更快，并让更多现有员工参与其中。

利用你现有的技能来连接人工智能。看看你的团队目前在哪些方面表现强劲（比如SQL、数据建模、生产规程）。

例如，SQL仍然是专业开发人员中最广泛使用的语言之一；Stack Overflow的2025年调查显示，61%的专业人士使用SQL，而使用人工智能工具的专业人士中，这一比例为62%。这意味着你可以将早期的人工智能胜利锚定在团队已知的模式中：查询、连接、访问控制、沿袭和服务级别协议——现在还增加了嵌入、向量搜索和检索。

与构建定制模型堆栈相比，这听起来是不是有点乏味？没错。人工智能的商业价值本质上就乏味。它需要检索正确的数据、合理的工作流程以及改善结果的反馈循环。这都是些枯燥乏味的部分。

请大家记住，枯燥无味是件好事情！

你拥有的精通SQL的开发人员、数据工程师和开发人员远比机器学习工程师要多得多。教会一个SQL优先的团队使用向量数据库和检索，比让他们掌握一个全新的数据堆栈要轻松得多。同样，将你的备份、故障转移、授权等运行手册“AI化”，这些操作在你当前的平台中已经存在多年。

这些都不是反对使用专业工具的理由。有些工作确实需要这些工具。但对于大多数企业而言，回报来自于将人工智能应用于现有流程和数据，并由现有开发人员参与——这比彻底拆除与替换，更快捷、更安全，也更加经济。

作者：场长

参考：gartner等媒体，一并致谢