从5%到9%: 员工学习为何重新回到HR优先议程

（图片由HRflag用Midjourney生成，编号0b2e15ba-bcb8-4ddd-b04c-e9e014b60ccb_3）

2026年，不少企业的学习发展部门正在面对一个颇为微妙的变化。

一方面，管理层对生成式AI、智能体和自动化工具的兴趣持续上升，越来越多员工也开始在日常工作中使用AI。另一方面，企业对于新增人员、长期培训项目和缺乏明确产出的学习投入依然保持谨慎。

过去那种先编制年度课程目录、再组织员工报名参加的培训模式，越来越难以回答管理层最关心的问题：员工参加培训之后，具体改变了什么工作，解决了什么能力缺口，又为业务带来了什么结果？

HR DIVE｜IDENTITY OF HR 2026

将员工培训列为所在组织首要任务的HR专业人士比例，从2025年的5%上升到2026年的9%。

从绝对值看，9%仍然不是一个很高的比例，也不足以说明培训已经成为大多数HR部门的第一优先事项。HR Dive同时指出，这一数字是在2024年之后明显下降的基础上出现恢复。

但从5%升至9%，仍然呈现出一个值得观察的变化：在招聘趋于谨慎、预算受到约束、AI不断进入工作流程的环境中，一部分企业正在重新评估内部能力建设的价值。

这轮Learning回归管理议程，与过去增加课程、建设学习平台或提高人均培训时长并不完全相同。企业更关心的是，已有员工能否适应岗位变化，管理者能否重新安排人与技术之间的工作，组织能否将零散的AI应用转化为稳定的生产能力。

01

5%升至9%，更像是一个组织压力指标

如果只看9%这个数字，很容易产生两种截然不同的解读。

一种观点会认为，比例接近翻倍，说明培训重新成为企业最重要的人力资源议题。另一种观点则可能认为，9%依然很低，变化没有太大意义。

更合理的理解，可能介于两者之间。

在企业的HR议程中，员工培训需要与招聘、薪酬、员工关系、组织调整、绩效管理和合规等大量现实事项竞争。只有9%的受访者把培训列为首要任务，并不意外。真正值得关注的是，为什么在企业普遍强调成本效率的时期，选择培训作为首要任务的人反而增加了。

HR Dive在报道中将这一变化与三个因素联系起来：AI改变工作方式、招聘市场放缓，以及企业需要更加有效地管理现有人才。

企业需要的已不再只是一种可以独立存在的“AI技能”，而是AI能力与行业知识、岗位经验、客户理解和组织流程的结合。

过去，当业务部门出现新的能力需求时，最直接的方式通常是招聘。企业需要数据分析人员，就从市场上寻找数据人才；需要数字营销能力，就招聘拥有相关经验的候选人；需要AI能力，就增加算法、数据和产品岗位。

这种方式建立在一个假设上：企业所需要的能力，可以在外部人才市场上找到，并以相对明确的岗位形式引入组织。

AI正在使这一假设变得不再充分。

很多企业现在需要的，并不是一种可以独立存在的AI技能，而是AI能力与行业知识、岗位经验、客户理解和组织流程的结合。一个员工可能了解客户、熟悉产品，也掌握内部决策方式，但还不善于使用AI；另一名外部候选人可能拥有技术经验，却需要较长时间理解企业的业务逻辑。

对企业来说，这已经不再是简单的“招一个新人”或者“培训一名员工”的成本比较，而是如何形成复合能力的问题。

与此同时，岗位本身也在变化。AI并不一定立即替代一个完整岗位，却可能改变岗位中的若干任务。例如，招聘人员仍然需要理解用人需求、判断候选人、与业务经理沟通，但职位描述起草、人才信息整理和沟通材料准备可以得到AI辅助。

岗位名称可能暂时没有改变，完成工作的能力组合已经开始变化。在这种情况下，外部招聘只能解决一部分问题。企业仍然需要帮助现有员工理解新工具、调整工作方法、承担新的判断责任。

02

企业面对的并非AI使用不足，而是使用深度不足

当前企业AI应用中存在一个明显现象：使用人数增长很快，能够稳定创造业务价值的使用方式却相对有限。

Go1对超过2000名学习发展负责人和员工的调查

近七成受访专业人士每周使用AI

仅14%认为自己属于高级使用者

这组数据说明，AI已经进入大量员工的日常工作，却未必已经形成成熟能力。

很多员工可以使用AI总结文档、生成邮件、整理资料或者制作内容初稿。但在真实业务中，AI应用还涉及另外一些能力，包括判断数据是否可以输入、识别输出中的错误、理解模型适用范围，以及根据业务标准对结果进行修订。

因此，员工“用过AI”和“能够用AI完成高质量工作”之间，存在一段不短的距离。

以HR部门为例，AI可以快速生成一份岗位说明书，但生成速度并不是最重要的指标。HR仍然需要判断岗位任务是否真实，能力要求是否被过度拔高，工作职责是否与组织结构一致，以及招聘语言是否可能带来不必要的偏差。

同样，AI可以帮助生成培训内容，却不能自动确定企业最需要培养哪种能力。它可以提供面试问题，但不能代替管理者明确招聘标准。它可以汇总员工反馈，但无法独立判断哪些问题属于个体体验，哪些问题反映了组织机制。

如果培训只教员工如何调用工具，可能会提高使用频率，却未必改善结果质量。

HR Dive将这种现象概括为“采用与能力之间的差距”：企业已经购买工具，员工也开始使用，但技术投资的回报仍取决于员工能否把工具放入正确的工作场景。

过去的软件培训通常围绕功能展开，员工需要知道按钮在哪里、系统如何操作、流程如何提交。AI培训则更加接近工作方法培训。同一个工具进入不同岗位，会产生完全不同的使用场景，也需要不同的质量标准和责任边界。

销售团队需要考虑如何利用AI准备客户沟通；研发团队关注代码质量、测试和知识产权；财务团队关心数据准确性、分析逻辑和审计要求；HR团队还需要考虑隐私、公平性和员工信任。

通用课程能够建立基本认知，却很难覆盖这些具体问题。企业如果希望AI应用进入更深层次，就需要把学习设计从工具介绍转向岗位任务。

03

技能变化并不等于所有员工都需要学习编程

AI推动企业增加培训，并不意味着学习预算都会流向机器学习、代码和提示词。

HR Dive采访的业内人士提到，企业在关注机器学习、AI等技术能力的同时，也在继续投入沟通、协作和情绪理解等能力。

世界经济论坛《2025年未来就业报告》

39%到2030年，员工现有核心技能中预计约39%将发生变化。

63%受访雇主将技能缺口视为业务转型的主要障碍。

技术技能的需求确实在上升，AI、大数据、网络安全和技术素养都被列入增长较快的技能领域。但报告同时强调，创造性思维、韧性、灵活性、领导力和社会影响力仍然受到企业重视。

原因并不难理解。AI能够缩短资料整理和内容生成时间，但业务中的很多问题并不是因为信息不足，而是因为目标不清、部门之间缺乏共识，或者不同利益相关者对风险和结果有不同判断。

技术可以提高信息处理效率，却未必自动改善决策质量。员工使用AI后，可能减少一部分重复劳动，也可能需要承担更多判断工作。管理者则需要判断哪些任务适合自动化，哪些环节需要人工复核，以及节省出来的时间应该投入到什么工作。

所谓“人类技能”并不是技术之外的一组柔软能力，而是技术应用进入真实组织后不可缺少的部分。

埃森哲一项覆盖14,000名员工和1,100名管理者的研究显示，84%的管理者预计未来三年员工与AI的经常性协作会增加，但只有26%的员工表示自己接受过如何与AI有效协作的培训。

这组差距不能直接证明企业培训投入不足，因为不同企业对于“有效协作”的定义并不相同。不过，它至少反映出一个问题：企业对未来工作方式的预期，走在了员工准备度之前。

如果Learning只被理解为增加技术课程，这种准备度差距可能仍然存在。员工还需要知道工作标准如何变化，出现错误时由谁负责，什么时候应该质疑AI输出，以及如何与同事共享有效的使用方法。

CASE 01

美国银行：AI既是学习对象，也可以成为练习环境

美国银行旗下The Academy的AI对话模拟器提供了一个值得分析的案例。

美国银行公开资料显示，The Academy利用AI为员工提供交互式对话训练。员工可以在模拟环境中练习不同类型的客户沟通，并根据系统反馈调整表达方式。2024年，员工完成了超过100万次模拟练习。

100万+

2024年员工完成的AI模拟练习次数

传统客户服务培训通常包括课堂讲解、标准话术、案例学习和主管辅导。这些方法能够传递知识，却存在一个常见限制：员工真正开口练习的机会有限，主管也很难为大规模员工持续提供一对一反馈。

AI模拟器降低了重复练习的成本。员工可以在接触真实客户之前尝试不同的沟通方式，也可以针对相对薄弱的场景反复训练。

这个案例的价值不在于证明AI模拟必然优于人工培训，而在于展示了Learning的一种新形态：AI不只是员工需要学习使用的工具，也可以成为训练基础设施。

当然，模拟训练仍有边界。系统反馈是否符合真实业务标准，训练场景能否覆盖复杂客户，以及员工在模拟中的表现能否迁移到实际工作，都需要持续验证。

因此，这类项目不能只以练习次数评价。更有意义的指标可能包括员工达到熟练水平所需时间、真实服务中的错误率、客户问题解决质量，以及主管是否观察到行为变化。

CASE 02

Visa：场景越具体，学习越容易与业务建立联系

LinkedIn《2025年职场学习报告》收录了Visa使用AI开展销售培训和辅导的案例。

78%参与项目后，销售人员对推介Visa产品的信心提高。

83%管理者认为销售人员使用该工具练习推介具有价值。

这组结果主要反映员工信心和管理者评价，并不等同于销售收入增长。它仍然具有参考意义，因为该项目选择了一个明确的业务场景：销售人员如何练习产品表达。

企业在开展AI培训时，常常首先设计覆盖全员的通识课程。这一步有助于建立统一语言，让员工了解技术能力、风险和基本操作。但如果学习长期停留在通识层面，员工很难判断AI与自己的岗位有什么具体关系。

Visa案例采取了不同的切入方式。项目不是抽象地要求销售人员“提升AI能力”，而是把AI放入销售推介这一具体任务。员工可以练习如何解释产品、组织信息和应对沟通场景，管理者也更容易判断训练是否贴近实际需要。

场景化培训的设计成本通常高于通用课程，因为它需要业务专家参与，也需要真实工作材料。不过，正因为使用场景更加具体，项目与业务之间的联系也更容易被识别。

CASE 03

Teradyne：课程开发速度开始成为能力建设的一部分

核心课程开发周期

12个月 → 45天

为了应对新技能需求，Teradyne将原本需要12个月开发的核心课程项目压缩到45天。项目团队每周收集职能负责人的反馈，并结合员工的学习兴趣和技能数据持续调整内容。

这个案例反映出学习部门面临的另一个变化：企业需要培养什么，与企业以多快速度完成培养，正在变得同样重要。

传统培训开发强调完整性。团队完成需求调研后，设计课程框架，再进行内容开发、专家审核、试讲和发布。这种方式有助于控制质量，但项目周期可能较长。

当岗位和技术相对稳定时，较长的课程开发周期并不一定构成问题。面对快速变化的AI工具和业务场景，一门课程如果开发一年，上线时所对应的工作环境可能已经发生明显变化。

Teradyne采用快速迭代的方法，并不意味着培训质量可以被忽略，而是把质量控制放入持续反馈中。课程先以较短周期形成可用版本，再根据业务负责人的意见和员工数据调整。

真正有参考价值的是，企业开始把学习体系视为一个需要持续更新的运营系统，而不是每年完成一次的项目组合。

07

学习与内部流动正在被放入同一套人才供应体系

招聘市场变化也是Learning重新受到重视的重要背景。

当企业能够快速扩大人员规模时，外部招聘通常是补充能力的主要方式。招聘速度放缓后，企业需要重新考虑现有员工可以承担什么工作，以及如何帮助他们进入新的岗位。

世界经济论坛调查

85%

雇主计划优先提升现有员工技能。

50%

雇主计划将员工从需求下降的岗位转向增长岗位。

70%

雇主仍计划招聘具备新技能的人才。

这些数据说明，企业并没有在“招聘”与“培养”之间作单一选择。更常见的策略是同时使用外部招聘、内部培养和岗位转换，只是在不同能力上采用不同方式。

对于高度稀缺、内部尚未形成基础的能力，外部招聘仍然重要。对于与企业业务知识高度相关、可以从相邻技能发展而来的能力，内部培养可能更加现实。

WALMART

学习之后，需要存在明确的岗位出口

沃尔玛通过Academy体系提供岗位技能与管理培训。公司2025年公开资料显示，Walmart Academy累计参与人数已经超过350万。其Live Better U项目则为员工提供由企业承担费用的学历、证书和短期技能项目。

项目从传统学位扩展到数据分析、网络安全、供应链管理和项目管理等短期证书，目的是让员工更快获得进入需求岗位所需的能力。

沃尔玛还建立了面向内部员工的职业通道。例如Associate-to-Driver项目允许符合条件的员工接受为期12周的培训，取得商业驾驶资格后进入司机岗位。

这一实践的重要性不只在于企业提供了培训，而在于学习之后存在相对明确的岗位出口。

很多企业的学习平台拥有丰富内容，员工却不清楚完成学习后可以获得什么机会。内部职位仍然要求已有经验，管理者也不愿意释放表现良好的员工。在这种情况下，课程与职业发展相互分离，学习动力自然有限。

LinkedIn将同时重视领导力发展、持续学习和内部流动的组织称为“职业发展领先组织”。其2025年调查中，约36%的组织达到这一标准。

51%的职业发展领先组织认为自身已进入生成式AI应用的加速或领先阶段，而其他组织的比例为36%。

这类调查只能说明两类组织之间存在相关性，不能证明职业发展项目直接导致AI应用更加成熟。另一种可能是，管理基础较好的企业通常同时拥有更成熟的学习体系、人才流动机制和技术转型能力。

CASE 04

埃森哲：大规模培训需要与业务结构同步观察

约10亿美元

2025财年学习与职业发展投入

约4700万小时

员工完成的培训时长

55万+

接受生成式AI基础培训的员工

同期，埃森哲拥有约7.7万名数据与AI专业人才，并参与了6000多个高级AI项目。

这些数据经常被用来说明大规模技能建设的重要性。不过，对企业管理者而言，更值得分析的是培训投入与业务变化之间的关系。

埃森哲的服务业务高度依赖员工知识和交付能力。当客户需求逐步转向云、数据、生成式AI和业务重构时，公司既需要招聘专业人才，也需要让大量原有员工掌握新的工具和交付方法。

这并不意味着其他企业应该模仿相同的投入规模。不同企业的业务模式、人员结构和技能更新速度差异很大。制造企业、零售企业和专业服务机构对学习的依赖方式并不相同。

埃森哲案例更适合说明另一点：当Learning真正被视为经营基础设施时，企业会同时观察培训、人才结构、项目需求和内部职业发展，而不是只统计课程数量。

09

管理者可能是Learning体系中被低估的一环

很多培训项目主要面向普通员工，管理者则负责批准时间、提醒完成和查看结果。

在AI带来的工作变化中，管理者的作用已经不止于支持员工参加学习。他们需要决定员工能否在实际工作中使用新方法，也决定团队是否会继续按照原来的方式运作。

微软《2026年工作趋势指数》

65%AI用户担心，如果不能迅速适应变化，自己可能会落后。

45%认为专注完成当前目标，比重新设计工作更安全。

仅13%表示即使新的AI工作方式暂时未达到预期，组织仍会奖励这种尝试。

这种现象被微软称为“转型悖论”：员工感受到变化压力，组织的目标、激励和评价方式却仍然鼓励旧的工作方法。

员工完成AI课程后，如果管理者仍然只要求按照原流程交付，学习很难进入工作。员工尝试新方法可能需要额外时间，也可能在早期产生不稳定结果。如果团队没有试验空间，员工更容易选择低风险的表层使用。

微软研究显示，当管理者主动示范AI使用时，员工报告的AI价值感提高17个百分点，对AI使用的批判性思考提高22个百分点，对智能体AI的信任提高30个百分点。

这些结果主要来自员工自我报告，不能完全等同于客观绩效提升。但它说明，员工能力形成受到管理环境影响。

管理者需要解释团队为何使用AI，明确哪些场景可以尝试，建立结果质量标准，并决定如何处理试验中的错误。员工遇到问题时，也需要知道可以向谁求助，哪些输出必须经过人工检查。

因此，管理者培训不应只包含工具操作。更重要的是帮助他们拆解工作任务、设置责任边界、提供反馈，并调整绩效标准。

10

HR需要从课程运营转向能力运营

Learning重新进入HR议程，并不意味着学习部门应该承接所有转型问题。

战略不清、流程复杂、数据质量不足或者工具体验不佳，都不能仅靠培训解决。员工不知道如何使用一套系统，有时是能力问题，有时也可能是系统本身不符合工作习惯。

埃森哲关于人机协作的研究显示，只有35%的受访员工对企业提供的AI工具感到满意；53%的员工不知道AI出现错误时由谁承担责任。

在这种情况下，如果企业把低使用率全部解释为“员工需要培训”，可能会误判问题。

HR在设计Learning项目之前，需要区分能力差距、工具问题、流程问题和管理问题。培训适合解决员工不知道、不会做或缺乏练习的问题，却无法替代清晰的治理和合理的工作设计。

在能力识别上，传统的年度培训需求调查可能不再足够。员工通常会根据自己熟悉的课程名称提出需求，业务经理也可能倾向于使用“沟通能力不足”“数字能力不足”等宽泛描述。

更加有效的方式，是从关键业务任务出发。

一个AI学习项目可以先回答四个问题

① 当前流程中，哪些环节耗时最多？

② 哪些环节的质量差异最大？

③ 哪些任务最适合由AI辅助？

④ 员工、管理者和系统分别需要改变什么？

学习内容也需要形成层次。全员需要基本的AI素养、数据安全和责任意识；不同岗位需要基于真实任务的场景训练；专业人员可能需要更深入的技术和治理能力；管理者则需要学习如何重新设计团队工作。

这种分层方式通常比让所有员工完成同一套课程更符合实际。

在学习方式上，课堂、在线课程和认证仍然有价值，但企业需要增加练习、项目、轮岗、辅导和即时工作支持。知识只有在员工完成真实任务时，才能逐渐转化为能力。

11

学习项目需要进入经营指标，但不宜制造虚假的精确

Learning长期面临的一个难题，是如何证明投资回报。

传统指标包括参与人数、课程完成率、人均学习时长、考试成绩和满意度。这些数据便于统计，也有助于判断项目运行情况，但它们与业务结果之间存在较长距离。

企业可以尝试增加更接近工作的指标，例如员工达到岗位熟练水平所需时间、关键岗位内部填补率、培训后承担新任务的比例、工作返工率、服务质量和风险事件变化。

对于AI学习项目，还可以观察目标工具在具体场景中的持续使用率、人工复核发现的问题、任务完成周期，以及员工是否把节省出的时间用于更高价值工作。

更稳妥的评估方式，是建立一条可检验的证据链

学习活动

↓

工作行为发生变化

↓

任务质量、周期或风险指标变化

↓

决定项目是否继续、扩大或调整

Learning部门需要避免建立过于简单的因果关系。销售增长可能受到市场、产品和价格等多种因素影响；员工离职率也会受到薪酬、管理和工作机会影响。很难把业务结果完全归因于一个培训项目。

这类评估未必能够得出一个精确的投资回报数字，但可以帮助管理层判断项目是否值得继续、扩大或者调整。

学习项目的商业价值，也不一定表现为直接创造收入。缩短新人胜任时间、减少外部招聘依赖、降低错误风险和提高内部人才供给，同样属于可以观察的经营结果。

ENDING

Learning回归之后，企业仍然需要保持克制

HR Dive调查中，培训优先级从5%升至9%，是一项值得关注的变化，但它仍然只是一个早期信号。

企业没有必要因为Learning成为热点，就重新扩大课程目录，或者为所有员工制定相同的学习任务。培训项目越多，不一定意味着组织能力越强。

Learning也不应被视为解决AI转型困难的通用答案。如果员工没有时间学习，管理者不支持试验，流程没有调整，学习平台再丰富也很难产生作用。

企业还需要谨慎看待案例中的大型数字。百万次模拟、数千万小时培训和数百万参与者，可以说明项目规模，却不能单独证明项目效果。不同企业的业务模式不同，适合专业服务公司的做法未必适合制造企业，面向一线员工的培训也不能直接复制到知识型岗位。

更值得管理层讨论的，或许是几个更具体的问题：

企业未来两三年的业务变化，需要哪些新的能力组合？

哪些能力适合外部招聘，哪些可以在内部形成？

员工完成学习后，是否拥有实践和流动机会？

管理者是否能够支持新的工作方式？

企业准备使用什么证据，判断学习项目产生了作用？

这些问题没有统一答案。

对于一些企业，Learning的重点可能是大规模AI基础能力；对于另一些企业，重点可能是关键技术岗位、管理者能力或者内部人才转换。也有企业需要先解决岗位标准、知识管理和员工发展路径，再扩大培训投入。

从这个角度看，Learning重新回到HR议程，并不意味着培训部门重新获得了一个熟悉的位置。

它更像是企业在技术投资、人才结构和业务变化之间，重新审视能力如何形成。课程仍然重要，但课程只是其中一个环节。员工能否在工作中使用，管理者是否提供条件，组织能否把个人经验沉淀为共同方法，最终都会影响能力投资的结果。

从5%到9%的变化，还不足以判断企业学习战略将走向何处。但当越来越多企业发现，仅靠采购技术和招聘人才无法完成工作转型时，Learning至少重新获得了进入经营讨论的理由。

主要参考资料

1. HR Dive：《In 2026, more HR leaders are focused on training — and not just for AI skills》

2. 世界经济论坛：《Future of Jobs Report 2025》

3. LinkedIn：《2025 Workplace Learning Report》

4. Microsoft：《2026 Work Trend Index》

5. Accenture、Bank of America、Walmart公开发布的学习与人才发展资料

注：文中部分调查数据主要反映受访者自我报告、管理者评价或组织之间的相关关系，不宜直接解释为确定的因果关系。