麦肯锡：新一代人工智能技能革命：重新思考您的人才战略

如果每个公司都需要成为一家软件公司，那么你有一个可以交付的软件组织吗？这个问题的答案可能对许多公司的未来具有决定性作用。

竞争能力越来越取决于组织构建软件产品和服务的能力。目前，近 70% 的顶尖经济表现企业（而同行中只有一半）使用自己的软件来使自己与竞争对手区分开来。其中三分之一的顶尖企业直接通过软件获利。 1 捕捉数字化转型全部价值的三项新任务”，麦肯锡，2022 年 6 月 15 日。生成式 AI (gen AI) 提供了一个诱人的机会，通过帮助软件人才更快地创建更好的代码来增加这一价值机会。

使用 gen AI 支持编码任务的有前途的实验显示出令人印象深刻的生产力提高。 Gen AI 将产品经理 (PM) 的工作效率提高了 40%，同时将文档和编码所需的时间减少了一半。例如，在 IBM Software，使用 gen AI 的开发人员的生产力提高了 30% 到 40%。 2 

尽管有这样的承诺，Gen AI 还没有充分发挥其潜力。虽然最近麦肯锡全球人工智能现状调查中约有 65% 的受访者表示他们经常使用新一代人工智能，但只有 13% 的受访者在软件工程中系统地使用新一代人工智能。 3麦肯锡，2024 年 5 月 30 日，  2024 年初人工智能的状况：新一代人工智能的采用激增并开始产生价值”。我们与公司合作的经验表明，新一代人工智能工具目前帮助完成了大约 10% 到 20% 的编码活动开发商的。

扩展新一代人工智能能力需要公司重新调整其工作方式，而重新调整的关键重点是培养这些能力所需的人才。随着技术的成熟和公司经验的积累，新一代人工智能的格局以及软件团队如何利用该技术来构建产品和服务可能会在未来两到三年内趋于稳定。现在取得成功所需的技能和实践很可能随着时间的推移而发生很大变化。在那之前，公司必须度过一个不确定的变革和学习时期。

为了帮助成功规划未来的道路，本文确定了软件团队所需的新技能，研究了它们的演变将如何改变角色和风险，并揭示了公司如何将其人才管理实践转向开发技能以提高灵活性和响应能力。

软件开发正在发生怎样的变化

任何工程人才的重新思考都需要首先了解人工智能将如何影响产品开发生命周期（PDLC）。这些变化可能是重大的，并影响生命周期的每个阶段（图表）。麦肯锡最近的研究表明，新一代人工智能工具对内容繁重的任务（例如合成信息、创建内容和头脑风暴）的积极影响几乎是内容轻的任务（例如可视化）的两倍。

任何工程人才的重新思考都需要从了解人工智能将如何影响产品开发生命周期开始。

随着时间的推移，gen AI 应该能够从自动创建的测试、系统日志、用户反馈和性能数据中生成见解。 Gen AI 可以使用针对新功能自行创建的见解和想法来创建概念和原型证明，并降低测试成本并释放更高的验证置信度（例如，多重假设和 A/B 测试）。这些进展预计将显着将 PDLC 时间从数月缩短至数周甚至数天，提高代码质量并减少技术债务。

新时代的新技能

尽管许多领导者高度认识到使用新一代人工智能需要新技能，但他们对这些变化如何创造价值的认识往往模糊且信息不足。因此，纸面上看似大胆的决定（例如为开发人员购买数百个一代人工智能工具许可证）是在没有清楚了解潜在收益且对开发人员培训不足的情况下做出的。结果是：可预见的结果很差。

整个企业的重要角色——从数据科学家和体验设计师到网络专家和客户服务代理——将需要学习一系列新技能。 4生成式 AI 重置：重新布线，在 2024 年将潜力转化为价值”，麦肯锡季刊，2024 年 3 月 4 日。希望像软件公司一样运营的企业也将需要特别关注两个关键角色：工程师和产品经理。

工程师

工程师需要发展的技能可能分为三个领域：

• 审查。当前一代人工智能工具生成的很大一部分代码需要进行一些修正。在某种程度上，这要求开发人员从执行者转变为审核者，这并不像听起来那么基本。一些熟练的编码员并不是优秀的审阅者。例如，优秀的审阅者必须能够评估基于代码的与现有代码存储库和架构的兼容性，并了解需要什么，以便另一个团队可以轻松维护代码——经验丰富的工程师通常拥有但资历较浅的同事需要培养的技能。开发人员不仅需要发现重复或明显的错误，还需要通过开发先进的取证技能来识别和解决问题，以确保高质量的代码。更复杂的是新一代人工智能工具的“训练”，它们必须在工作中学习才能变得更好。这将要求工程师了解如何向工具提供反馈，并确定哪些类型的任务为给定工具提供最佳的学习机会。

• 连接。集成多个AI代理的能力可以提高解决问题的速度和解决方案的质量。一些组织已经将人工智能与应用人工智能用例相结合，例如使用应用人工智能系统通过识别用户参与模式来分析人工智能创建的内容的性能，然后将其反馈给模型。 5例如，生物技术公司 Recursion 开发了新一代人工智能平台，使科学家能够访问多个机器学习模型，这些模型可以处理大量专有的生物和化学数据集。工程师必须培养的一项关键技能是如何选择和组合新一代人工智能应用程序和模型（例如，一个模型如何擅长为另一个特定模型提供质量控制）。

• 设计。随着新一代人工智能技术接管更多的基本编码任务，工程师可以开发一套新的更高价值的“上游技能”，例如编写用户故事、开发代码框架（例如代码库、支持程序）、理解业务成果，并预测用户意图。沟通是一项重要的新兴技能，需要它来确保工程师能够更有效地与团队、领导者、同事和客户互动。

产品经理

对于产品经理来说，他们同样复杂的技能转变将集中在以下领域：

• Gen AI技术的使用。与软件工程师一样，产品经理也需要培养新技能才能有效地使用新一代人工智能技术。事实上，一家硬件/软件组织评估了其技术员工的技能，发现产品经理与任何其他角色一样需要人工智能方面的技能提升。例如，随着人工智能在构建原型方面变得越来越擅长，产品经理将需要精通低代码和无代码工具以及迭代提示，以使用模型来完善输出。产品经理还需要精通理解和开发“代理”框架——协同工作完成任务的大型语言模型（ LLMs ）。这将要求项目经理制定与这些LLMs合作的计划，并考虑到独特的因素，例如模型运行推理时产生的成本。

• 采用和信任。考虑到对信任的重大担忧——要么不信任人工智能，要么过于信任——标准采用计划（例如，关于如何使用新工具的基本培训）是不够的。产品经理必须培养强大的同理心技能，以识别隐性和显性的信任障碍（例如不信任新一代人工智能解决方案提供的答案）并解决这些问题。对风险的重大担忧意味着 PM 需要与风险专家合作，以确保将正确的检查和措施纳入PDLC 的每个阶段。

新兴和合并的角色，以及更多的领导监督

使用新一代人工智能所需的新技能将影响人们在工作中的工作方式和内容，引发关于角色需要如何适应以及领导层必须提供什么监督等重大问题。

新兴和融合的角色

随着新一代人工智能帮助人们提高工作效率，人们很容易认为软件团队将会变得更小。这可能被证明是正确的，但维持或扩大团队以完成更多工作也可能是有意义的。很多时候，谈话的重点是哪些角色在里面或在外面，而现实可能更加微妙和混乱。我们可以预期角色将承担新的职责，例如使用 gen AI 工具来承担测试活动的软件工程师，以及某些角色与其他角色合并。例如，产品经理和开发人员角色最终可能会合并为产品开发人员，其中一个高绩效人员可以使用一系列 gen AI 工具来创建模型、开发需求并根据这些需求生成代码。

很多时候，谈话的重点是哪些角色在里面或在外面，而现实可能更加微妙和混乱。

鉴于短期内人工智能的未经证实和不可预测的性质，将需要新的角色，例如专注于人工智能安全和数据责任以及审查和批准代码的角色。可能需要新角色的其他重要领域可能包括LLM选择和管理、人工智能代理培训和管理、第三方模型责任以及监督模型随时间推移表现的LLM运营（LLMOps）能力。

我们预计技术技能格局的变化将会加速，要求人力资源和技术团队在定义（和重新定义）技能如何与角色捆绑方面变得更加敏感。

强有力的监督

确定哪些技能对企业及其战略很重要是一项长期的领导责任。然而，与新一代人工智能相关的独特的不确定性和机遇需要领导层的特别关注。有两个领域尤为重要：

• 标准化。随着团体和个人推出新一代人工智能试点，工具、平台和架构不断涌现。相反，公司应该专注于一套标准化能力，并在所需技能类型方面建立一致性。领导层需要标准化新一代人工智能工具、模型、流程和方法，并确定是否最好许可一项功能、构建它或与提供商合作（很大程度上取决于业务中可用的技能） ）。

• 风险。对新一代人工智能相关风险的持续担忧要求领导层为员工制定明确的指导方针和期望。虽然软件人才不能成为资深的风险专家，但他们可以培养基本技能，例如了解存在哪些类型的风险，养成将防护措施集成到代码中的习惯，以及了解如何使用新兴的测试工具（例如，SonarQube、Checkmarx 或 Coverty）。一些组织还为一线用户提供激励措施，以了解新一代人工智能的机会、风险和边界，甚至强制进行某些类型的培训。由于风险和合规性问题可能会像人工智能本身一样迅速转变，领导层应该投资于工具来根据指定的策略（即策略即代码）自动测试代码。

围绕技能构建的人才管理转型

目前的人才管理方法往往侧重于如何将人工智能集成到现有项目中。这不会持续很长时间。现代公司人力资源系统的高度结构化性质——严格划分的角色、明确的能力、陈旧的职业道路、固定的薪酬水平和正式的学习旅程——已经难以跟上数字能力驱动的变化。它无法与更不稳定、更不可预测的人工智能时代相比。

人力资源领导者必须与首席执行官和技术领导层合作，改变他们寻找和培养人才的方式，特别关注两个领域：战略性劳动力规划和学徒能力。

将战略性劳动力规划立足于业务需求和技能

人才转型始于人力资源领导者制定围绕技能的战略劳动力计划。公司在劳动力规划过程中经常关注角色，但这还不够。例如，当人工智能工具接管任务而不是角色时，确定对软件工程师或高级数据工程师角色的需求是没有用的。

人力资源领导者不能在真空中做到这一点。他们需要与企业领导者合作，了解创新、客户体验和生产力等目标，以帮助集中人才工作。有了这些，他们就可以规划未来的人才需求。

这种合作对于开发技能清单至关重要，它为公司提供了一个事实基础，使他们能够评估自己拥有哪些技能、需要哪些技能以及新一代人工智能工具可以涵盖哪些技能。这种技能分类应使用清晰一致的语言（以便可以在整个企业中应用），捕获专业知识水平，并围绕层次结构进行组织，以便更轻松地组织信息。

人才转型始于人力资源领导者制定围绕技能的战略劳动力计划。

然而，为了发挥作用，公司应该将技能视为数据而不是文档。通过将具有相关标签的技能（例如专业知识水平）添加到数据库中，公司可以使用人工智能和LLMs来确定技能之间的关系和联系以进行再培训，确定要开发的技能的优先级，使劳动力规划能够按项目或计划确定特定的技能需求。团队，并制定量身定制的学习计划。

一个例子包括一家生命科学公司，该公司正在努力使用人工智能技能推理工具来创建其数字人才的全面技能视图。该工具扫描职位空缺、角色描述、有关角色的人力资源数据、LinkedIn 个人资料和其他内部平台（例如 Jira、代码存储库），以了解给定角色需要哪些技能。然后，相关员工可以审查并确认他们是否具备这些技能和熟练程度。一旦得到确认，这些技能不仅会添加到个人档案中，还会添加到公司的技能数据库中，以供未来评估。

为了使这种战略性劳动力规划方法发挥作用，公司必须不断衡量其已确定的技能差距的进展，并重新审视该战略，以确定是否出现了其他需求，特别是在新一代人工智能工具和功能上线后。人力资源团队必须与工程领导者合作，评估工具并了解它们可以替代的技能，以及需要哪些新的培训。

作为更广泛的人才计划的一部分，建立学徒能力

在寻找和留住公司所需的人才方面，没有单一的成功途径。我们的经验表明，公司需要实施一系列人才战略，从更加以客户为中心的招聘实践到量身定制的培训途径。但由于人工智能发展迅速，而且需要哪些技能还不清楚，因此技能提升需要成为首要和核心。制定技能提升计划面临的挑战包括缺乏成文的最佳实践以及工人对学习新技能的潜在抵制。例如，虽然工程师可能有兴趣变得更加精通编码，但学习不同类型的技能（例如有效沟通或用户故事开发）的需求似乎不那么重要，甚至具有威胁性。

因此，公司应特别关注学徒模式，这种模式作为企业技能提升的一部分往往会被忽视。学徒提供实践学习来揭开变革的神秘面纱，并提供角色建模来展示难以教授的技能，例如解决问题的思维方式以及如何在评估代码适用性时使用良好的判断力。但为了使学徒制有效，高级专家必须积极参与，而不仅仅是打勾。他们拥有可信度，并且通常具有有用的机构知识，例如解决公司特定的风险问题。专家需要与初级同事一起编码和审查代码，在他们工作时跟踪他们，并安排参观，以便他们能够发现团队如何使用新一代人工智能。他们还可以充当导师来指导新技能，例如如何分解问题、实现业务目标、了解最终用户的需求和痛点以及提出相关问题。

为了确保学徒计划的成功，公司应该通过将学徒作为绩效评估的一部分来制定激励措施，并为人们提供足够的参与时间。事实上，一家音频公司已将学徒期作为其学习计划的明确组成部分。它为大约十几名自愿参加该计划的表现出色的工程师举办了一个涵盖新一代人工智能技能的训练营。作为这次培训的回报，参与者需要培训其他人。每个人都同意为 10 到 15 名工程师举办为期三到四天的训练营，然后每周举行两次为期三个月的课程，其中任何人都可以提出问题并分享自己的经验教训。

虽然新一代人工智能的能力最终将变得更加稳定和经过验证，但在短期内，公司将需要应对大量的不确定性。通过专注于技能和调整人才管理方法，并通过足够灵活的学习和调整，公司可以将人才挑战转化为竞争优势。