埃森哲发现，过时的教育和职场培训面临由智能技术带来的11.5万亿美元的增长风险

1这是学习。并不像我们所知道的那样。这是学习。并不像我们所知道的那样。如何在智能技术时代加速技能获取 内容前言|3介绍|6保持静止不是一个选项|7智能技术将重新配置角色|9 智能技术正在颠覆技能混合|14 三分法化解技能危机脚步|16您准备好在您的组织中转变学习方式了吗？|28 附录|302这是学习。并不像我们所知道的那样。 前言皮埃尔·南特姆埃森哲董事长兼首席执行官眼前的问题是我非常重视的一个问题：雇主面临着一场全球技能危机，这可能会阻碍智能技术的经济前景。远远超出当今人才短缺的情况，数字创新将持续快速地改变未来对技能的需求。对我们的教育和企业学习系统进行增量更改是不够的。为应对这场危机，企业领导者必须彻底重新思考如何让员工做好准备，从预测组织所需的技能，到如何帮助人们在整个职业生涯中学习和应用新技能。对于希望在竞争异常激烈且瞬息万变的商业环境中推动增长的领导者来说，投资于人员既负责任又具有成本效益。好消息是技能发展本身正在快速发展。本报告探讨了新学习机会的潜力，并为企业、企业家和政策制定者提供了建议。在这些建议中，我们呼吁采用鼓励个人发展一系列技术和人类天生技能的教学方法，例如同理心和批判性思维。我们提倡对基于经验的技能发展做出更大的承诺，例如在职学习和学徒制。我们描述了如何吸引人和适应性技术可以支持更加个性化的终身学习——尤其是在年长的工人和那些经常被排除在教育和技能计划之外的低技能工作人员中。作为一家专业服务公司，埃森哲的员工在推动创新和为客户提供高质量服务方面发挥着重要作用。事实上，我们正在正面应对技能挑战。我们投资了大规模的技能培养，利用学习科学、数字应用和体验技术的最新进展。这些有助于我们的员工培养多样化的才能——结合创造力、分析能力和数字技能。在我们工作的社区，我们正在扩展学徒计划以促进青年在职学习。作为我们成功技能计划的一部分，我们还支持弱势群体，该计划旨在为超过 300 万人提供就业或创业所需的技能。我们很自豪能够再次支持 B20，因为它塑造了教育和技能议程。我们也很高兴与 G20 青年企业家联盟 (G20 YEA) 合作，为与组织携手合作的决策者提供新的见解和建议。我们希望我们独特的分析，结合我们自己重新构想技能发展的经验，将帮助企业和政策制定者向前迈出必要的步骤。3这是学习。并不像我们所知道的那样。 前言布鲁诺·桑吉内蒂主席，G20 YEA 阿根廷称之为技能悖论：小型企业和快速发展的企业是正在重塑我们世界的技术创新和数字商业模式的驱动力。但由于这些技术扰乱了工作的性质，小型企业往往最没有能力重新培训自己的员工。不断重新培训员工的庞大规模和复杂性可能会让缺乏培训投资能力的组织不堪重负。根据经合组织的数据，中小型企业 (SME) 的员工参与培训计划的比例比大型组织的员工少 50%。i由于 G20 YEA 将技能议程置于今年在阿根廷举行的 G20 和 B20 会议上讨论的最前沿，企业家现在是时候利用新的学习技术和方法来帮助创建适应性强的未来劳动力了比以往任何时候都有效。对新学习方法的需求不断增长，也为小型企业在快速变化的教育和培训领域实现颠覆性增长提供了巨大的机会。无论是向大型组织和教育机构提供技术还是学习创新，最有想象力的企业家都必须保持警惕。我们很高兴与埃森哲合作，研究数字革命对技能和工作的影响，并展示体验式学习如何成为解决大型和小型企业技能挑战的催化剂。我们相信这份报告将帮助政策制定者和教育机构的领导者落实投资、激励措施和基础设施，从而改变我们的教学和学习方式。4这是学习。并不像我们所知道的那样。 5这是学习。并不像我们所知道的那样。“工作的未来将是教育和技术之间的竞赛。”毛里西奥·马克里阿根廷总统，G20 2018 东道主。 比赛开始这是一场教育和技术之间的竞赛。区块链、人工智能和先进的生物科学有望在领先经济体努力应对生产力增长疲软以及在某些情况下 GDP 增长放缓的情况下带来新的效率和增长机会。但说起来容易做起来难。工业时代的教育和培训系统将这些经济机会置于危险之中。如果技能建设跟不上技术进步的速度，G20 经济体未来十年的 GDP 累计增长可能损失高达 11.5 万亿美元。这相当于在此期间每年的平均年增长率下降了一个多百分点。在本报告中，我们从未来工人的角度审视——从车间到董事会，从店面到后台——我们确定他们不断发展的技能需求。我们分析技能对不同角色的重要性不断变化以及智能技术的影响。与传统智慧相反，这与技术技能无关。它是关于培养全方位的技能，从创造性到未来劳动力所需的复杂认知能力。我们的诊断：当前的教育和企业学习系统无法应对即将到来的技能需求革命。挑战对于通过智能自动化更容易错位的角色尤其紧迫。不同经济体和行业的影响不均衡，需要有针对性的干预。我们提出的解决方案：使用体验式技术学习，将重点从机构转移到个人，并赋予最弱势群体学习能力。学习科学的进步与新技术相结合，使开拓性企业能够提供新的学习方法。挑战？加速其在 G20 经济体中所有大小组织和整个教育系统中的采用。6这是学习。并不像我们所知道的那样。 保持静止不是一种选择不作为的代价是惊人的。在接下来的十年中，我们分析中的 14 个 G20 国家可能会错失智能技术承诺的高达 11.5 万亿美元的累积增长——如果它们不能满足未来的技能需求。这相当于放弃了每年平均 GDP 增长率的一个多百分点。影响将因国家和行业而异，具体取决于劳动力在不同角色之间的分配方式。例如，中国可以放弃比年增长率高 1.7 个百分点；墨西哥和南非 1.8 个百分点。拥有更强大技能基础的经济体可能会做好更好的准备，但仍可能损失巨大，未来 10 年美国损失高达 9750 亿美元，德国损失高达 2640 亿美元。除了经济影响之外，风险还包括更高的失业率和加剧的收入不平等。 （参见图 1。更多详细信息参见附录 3：技术附件：技能危机：衡量风险增长。）7这是学习。并不像我们所知道的那样。 保持静止不是一种选择图 1：技能危机的潜在成本注：* 情景假设每个国家/地区人均智能技术投资达到美国当前人均传统技术投资水平。有关计算和更多场景的更多详细信息，请参见附录 3，技术附件。8这是学习。并不像我们所知道的那样。全部的中国印度我们英国 德国 墨西哥 日本 巴西法国意大利南非洲澳大利亚 加拿大 阿根廷101001,730 亿美元0.6%pts 0.5%pts0.5%pts1,520 亿美元1.8%pts1310亿美元1.5%pts1190亿美元0.4%pts1130亿美元0.5%pts2640 亿美元$182十亿1850 亿美元0.5%pts9,750 亿美元7810 亿美元0.4%pts1.7%pts5440 亿美元0.6%pts5130 亿美元1.8%pts1,00054,470 亿美元10,0001.7% 分19,700 亿美元2.3%pts 11.5万亿美元1.1%pts。2018-2028 年累积 GDP 增长风险*100,000白色数字– 风险绝对值，十亿美元蓝色数字– 每年有风险的额外平均 GDP 增长，每年有风险的 GDP 增长百分比“我们应该谈谈更多的是关于学习而不是教育。教育是关于知识的过程和自上而下的传播。学习是一个更广泛的概念。许多学习是在非教育环境中进行的，而今天我们拥有大量且越来越多的学习机会。”Cristóbal Cobo，中心主任研究，Ceibal 基金会（乌拉圭）和研究助理，牛津互联网研究所，牛津大学（英国）。十亿美元（以对数计） 智能技术将重新配置角色对某些人来说，解决方案很简单：培训更多工程师，增加创意设计师的数量，培养更多数据分析师。但是，创建具有专业技能的更大群体并不是答案。假设智能技术将简单地消除一些工作并创造新工作同样天真。事实上，最大的影响将是职位的重新配置，随着任务的发展和机器增强工人的能力。我们不应该问哪些工作会占上风，而应该问角色将如何重新定义，以及智能技术将以何种方式影响任务。例如，随着护士利用智能系统来管理文书工作职责，他们将腾出更多时间用于患者护理。这种转变意味着某些技能（如同理心和沟通）的重要性将上升，而其他技能（如管理技能）的重要性将下降。工业工程师已经被更频繁地要求使用他们的沟通技巧与向高级管理层报告，但不太可能需要后勤技能，其中大部分现在可以在智能软件的帮助下进行。对与未来角色相关的技能进行基层分析是我们研究的关键。根据美国的技能和任务数据，我们确定了工人在执行日常任务时实际应用的技能。我们凭经验对往往一起使用的任务和技能进行分组，以创建 10 个不同的角色集群（参见图 2。有关更多详细信息，请参见附录 3，技术附件：定义和派生角色集群）。然后，我们确定智能技术是否会增强或自动化特定的工作任务，并使用来自 14 个 G20 国家的劳动力数据详细描绘智能技术如何扰乱未来的技能需求。我们的角色聚类分析使组织能够更准确地了解角色将如何增加和减少需求，帮助他们设计更精确的终身学习策略，利用机会并最大限度地降低风险。我们的方法可帮助领导者回答以下问题：9这是学习。并不像我们所知道的那样。 智能技术将重新配置角色•哪些技能倾向于在不同的角色中一起使用？•技能需求如何演变以及差距在哪里？•哪些角色最有可能被智能技术增强和自动化？•智能技术将如何改变不同行业和经济体的技能和劳动力需求？你有什么在工作吗？我们的分析揭示了 2008 年至 2017 年间任务的变化情况。考虑实体服务集群：零售收银员过去每天都对货架进行库存和定价，但现在每周只做一次。解决客户查询——这曾经是一次——一天的任务——现在至少是每小时的任务。相比之下，十年前，我们技术设备维护角色集群中的维护工程师必须每周校准设备不止一次。如今，他们每月安装两次，并与同事合作每天而不是每月安装复杂的设备。图 2：角色群为不断变化的工作模式提供了独特的视角埃森哲的 10 个角色集群来自于倾向于一起执行的工作任务和倾向于一起使用的技能组合的经验集群。因此，每个角色集群中的工作人员都会以类似的方式受到智能技术的影响。角色群典型活动说明性职业说明性任务演变1管理与领导监督并做出决定公司经理和教育行政人员营销经理处理数据并根据社交媒体和网络指标做出决策2同情与支持提供专家支持和指导精神科医生和护士护士可以专注于更多的病人护理，而不是管理和填写表格3科学与工程进行深入的技术分析化学工程师和计算机程序员研究人员专注于分享、解释和应用他们的工作，而不是被困在实验室里4过程与分析处理和分析信息审计员和文员会计师可以确保质量控制而不是处理数据5分析主题专业知识检查和应用复杂系统的经验空中交通管制员和法医科学技术人员在人工智能模拟的支持下，信息安全分析师可以扩大和深化搜索6关系主题专业知识在需要人际互动的环境中应用专业知识医疗队工作人员和口译员救护车调度员可以专注于准确的评估和支持，而不是后勤细节7技术设备维护安装和维护设备和机器机械和维修工人机械机械师使用数据来预测故障并执行预防性维修8机器操作和操纵操作机器和驾驶车辆卡车司机和起重机操作员拖拉机操作员可以确保数据引导、准确和量身定制的作物处理，同时“驾驶”9体力劳动在特定环境中执行繁重的体力任务建筑和园林工人建筑工人减少返工，因为技术可以预测物理障碍的位置和性质10物理服务执行需要身体活动的服务理发师和厨师运输服务员可以专注于客户需求和服务，而不是技术任务10这是学习。并不像我们所知道的那样。 交互和协作任务更频繁，重复任务更少。智能技术将重新配置角色图 3：可能通过智能技术增加/自动化的工人时间百分比工人在表演所有职业51%38%可增加的工人时间比例科学与工程的同理心和支持74%64%23%18%可自动化的工作时间比例关系主题专业知识61%25%分析主题专业知识61%30%管理与领导54%26%过程与分析51%40%9%技术设备维修47%49%4%机器操作和操纵46%51%3%实体服务45%34%20%体力劳动31%66%3%注：各职业的简单平均数资料来源：埃森哲全国劳动力数据分析哪些角色最倾向于增强和自动化？在 Human Machine