新一代人工智能技能革命：重新思考你的人才战略2024

战略 发展企业所需的技术人才以促进增长意味着在人才这一不确定性时期，从技能而非角色的角度进行思考。 本文由Alharith Hussin、Anna Wiesinger、Charlotte Relyea、Martin Harrysson和Suman Thareja合作撰写，Prakhar Dixit和Thao Dürschlag代表麦肯锡数字、麦肯锡科技、媒体与电信实践以及人力与组织绩效实践的观点。 Scaling gen AI 能力要求公司重新布线他们是如何工作的重点在于重新配置的'重新布线'（rewiring）工作，即培养这些能力所需的关键人才。随着技术成熟和企业积累经验，人工智能领域的整体格局以及软件团队如何与该技术合作构建产品和服务，预计将在接下来的两到三年内趋于稳定。目前成功所需的技术技能和实践方法可能会随着时间的推移发生显著变化。在此之前，公司必须穿越一段充满不确定性的变革与学习时期。 如果每家公司都需要成为一家软件公司，您是否拥有一支能够交付软件的组织？对于许多公司的未来，这个问题的答案可能是决定性的。 The竞争能力组织能否构建软件产品和服务的能力日益成为其成功的关键。目前，几乎70%的经济表现最佳企业（相较于同行中仅有一半的企业）利用自有软件来与竞争对手区分开来，并从中直接获得收益。其中三分之一的顶尖企业直接通过软件实现了盈利。1生成式人工智能（gen AI）提供了诱人的机会 ，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潜力。 为了成功规划未来的道路，本文识别了软件团队所需的新技能，探讨了这些技能演进如何改变角色和风险，以及企业如何调整其人才管理实践，以培养更大灵活性和响应能力所需的技能。 使用 gen AI 的有希望的实验支持编码任务的生成式人工智能（Gen AI）表现出显著的产品经理（PM）生产力提升，提高了40%。将时间减半例如 ， 在 IBM Software ， 使用gener AI 的开发人员的工作效率提高了 30 ％至 40 ％ 。2 软件开发是如何变化的 任何关于工程人才重思的举措都应从理解生成式人工智能（Gen AI）如何影响产品开发生命周期（PDLC）开始。变化包括：可能是重要的并影响生命周期的每个阶段(展览) 。麦肯锡最近的研究表明 ， Gene AI 工具几乎两倍的积极影响在内容密集型任务（如整合信息、创作内容和头脑风暴）以及内容轻量级任务（例如，可视化）方面。 尽管承诺 ， Gene AI 几乎没有充分发挥其潜力。尽管最近约有 65 ％ 的受访者麦肯锡全球 AI 状况调查报告称 ， 他们经常使用 gen AI ，只有 13% 的人在软件工程中系统地使用 gen AI 。3我们与公司合作的经验表明，当前的通用人工智能工具大约帮助开发者完成了编码活动的10到20％。 为了强调几个例子 ， 我们已经看到 Gen AI技术处理一些简单的 任何关于工程人才重思的需求都应始于对生成式人工智能将如何影响产品开发生命周期的理解。 ExhibitWeb 2024GenAIandSoftwareDevelopment附件 1 共 1 个 生成式 AI 适用于软件开发生命周期的每个阶段。 新时代的新技能 任务包括基础编码和语法、代码文档编写，以及特定的网页和图形设计任务。在更复杂的功能方面也已取得初步进展，这些功能涵盖了生成测试案例和待办事项列表、从市场趋势中提炼洞察、自动化日志抓取、估算并解决错误影响等方面的工作。 尽管许多领导者在高层次上认识到与通用人工智能（gen AI）合作需要新的技能，但他们对这些变化如何创造价值的感觉往往模糊且信息不足。因此，看似大胆的决策，比如为开发人员购买成百上千个gen AI工具许可证，往往缺乏对潜在收益的清晰理解以及开发人员的充分培训。结果：可预测的不佳成果。 随着时间的推移，通用人工智能（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洞察。gen AI 可以利用其自创的洞察和新功能的想法来创建概念验证和原型，并降低测试成本，提升验证信心（例如，多假设和A/B测试）。这些发展有望将产品开发周期时间（PDLC）显著缩短至数周或甚至几天，提高代码质量，减少技术债务. 在整个企业中扮演的关键角色——从数据科学家、体验设计师到网络安全专家和客户服务代表——将需要学习一系列新技能.4希望像软件公司那样运营的企业还需要特别关注两个关键角色：工程师和产品经理。 —设计。随着通用人工智能技术接管更多基础编码任务，工程师可以发展一套更高价值的“上游技能”，例如撰写用户故事、构建代码框架（比如代码库、支持程序）、理解业务成果以及预估用户意图。沟通是一项关键的新兴技能，它对于确保工程师能更有效地与团队、领导层、同行和客户进行互动至关重要。 工程师 工程师需要开发的技能可能分为三个方面 ： —Review.当前一代生成AI工具产生的大量代码需要进行修正，这一比例相当高。从一个层面来看，这要求开发者从执行者转变为审查者，这听起来或许并不简单。并非所有熟练的编码人员都能胜任审查工作。优秀的审查者必须具备评估代码与现有代码库和架构兼容性的能力，并理解其他团队轻松维护代码所需的专业技能——这些往往是经验丰富的工程师所拥有的，但对新入职的同事来说则需要通过实践来逐步掌握。开发者不仅需要识别重复内容或明显错误，还需要通过发展高级取证技能来深入挖掘问题并解决，以确保代码质量。更为复杂的是“训练提升”生成AI工具的过程，它们需要在实际工作中学习以提高性能。这一过程要求工程师了解如何为工具提供反馈，并确定哪些任务能为特定工具的学习提供最佳机会。 产品经理 For产品经理， 他们同样复杂的技能转变将集中在以下领域 ： —Gen AI 技术使用。如同软件工程师一样，产品管理人员（PMs）将需要发展新的技能以有效运用通用人工智能（gen AI）技术。实际上，某家软硬件组织评估了其技术员工的技能，并发现PM们在AI方面所需的进阶培训与任何其他角色相当。例如，随着gen AI在构建原型方面表现得更加出色时，PM们将需要熟练掌握低代码和无代码工具以及迭代提示，以便与模型合作优化输出结果。PM们还需要学会理解并开发“自主”框架——即大型语言模型（LLMs），这些模型协同工作以完成任务。这要求PM们制定与这些LLMs合作的计划，同时考虑独特的考量因素，比如模型运行推断所引发的成本。 —连接。在多个人工智能代理的能力整合下，可以提升问题解决的速度和解决方案的质量。一些组织已经开始将通用人工智能（gen AI）与应用人工智能（applied AI）用例相结合，例如利用应用AI系统分析由通用人工智能生成内容的性能，通过识别用户参与度的模式，然后将这些反馈回模型中。5例如，生物技术公司Recursion开发了一种新的基因AI平台，允许科学家访问多个机器学习模型，这些模型能够处理大量的专有生物和化学数据集。工程师必须掌握的关键技能之一是如何选择和组合基因AI应用和模型（例如，一个模型可能擅长为另一个特定模型提供质量控制）。 —收养和信任。考虑到对信任的重大担忧——无论是不信任生成AI还是过度信任——标准采用计划（例如，基本培训以了解如何使用新工具）不足以应对。PM们必须培养强大的同理心技能，以识别信任的隐性及显性障碍（如对生成AI解决方案提供的答案不信任），并解决这些问题。对风险的重大担忧意味着PM们需要与风险专家合作，确保整个过程的安全性和可靠性。正确的检查和措施被纳入进入 PDLC 的每个阶段。 很多时候 ， 对话都集中在哪些角色在哪里或在哪里 ， 而现实可能会更加微妙和混乱。 新兴和合并的角色 ， 更多的领导监督 强有力的监督 确定哪些技能对业务及其战略至关重要一直是领导层的传统责任。然而，与通用人工智能（gen AI）相关的独特不确定性与机遇要求特别的领导关注。两个尤为重要的领域突出如下： 所需运用通用人工智能（gen AI）的新技能将影响人们在工作中的行为和内容，提出了关于角色如何适应以及领导层应提供何种监管的关键问题。 新兴和合并角色 —标准化。随着团体和个人推出通用人工智能（gen AI）试点项目，各种工具、平台和架构的涌现。相反，企业应专注于一套标准化的功能，并确定所需技能类型的一致性。领导层需要标准化gen AI工具、模型、流程和方法，并决定，例如，是否最好通过许可获取能力、自行构建还是其他方式。与提供商的合作伙伴(很大程度上取决于业务中可用的技能) 。 在通用人工智能（gen AI）助力人们提高生产力的情况下，人们可能会倾向于认为软件团队会变得更小。确实，这种情况可能成为现实，但保持或扩大团队规模以承担更多工作也可能是合理的。过于简化地讨论哪些角色在或不在，往往忽略了实际情况的复杂性和多变性。我们预计角色将承担新的职责——例如，软件工程师使用gen AI工具承担测试活动——并且某些角色可能会与其他角色合并。例如，产品经理和开发者角色最终可能会合并为产品开发者，其中一位表现优异的个人可以利用一系列gen AI工具来制作原型、发展需求，并根据这些需求生成代码。 —Risk.持久的担忧与 gen AI 相关的风险要求领导发展明确的指导方针和对员工的期望。虽然无法期望软件人才成为深度风险专家，但他们可以培养基本技能，例如理解存在何种类型的风险、养成将防护措施融入代码的习惯以及如何使用新兴测试工具（例如SonarQube、Checkmarx或Coverty）。一些组织还为一线用户提供了了解生成式人工智能的机会、风险和界限的激励措施，并且甚至强制某些类型的培训。鉴于风险和合规问题可能与生成式人工智能本身一样迅速变化，领导层应投资于自动测试代码以符合指定政策的工具（即，政策作为代码）。 鉴于短期内生成式人工智能（gen AI）的未验证和不可预测性，短期内可能需要新的角色，例如专注于人工智能安全和数据责任的角色，以及负责审查和批准代码的角色。其他可能需要新角色的显著领域可能包括大型语言模型（LLM）的选择与管理、生成式人工智能代理的训练与管理、第三方模型的责任问题，以及随时间监督模型性能的大型语言模型操作（LLMOps）能力。 我们预计技术技能领域的变化将加速发展，这要求人力资源和科技团队更加响应迅速地定义（并重新定义）技能如何被整合进职位中。 围绕技能的人才管理转型 这种合作对于构建技能库至关重要，这为公司提供了事实依据，使他们能够评估自己拥有的技能、所需技能以及人工智能工具能覆盖的技能。这种技能分类应使用清晰且一致的语言（以便在整个企业中应用），捕捉专业知识水平，并围绕层级结构组织信息以更轻松地整理相关信息。 当前的人才管理方法往往侧重于如何将生成式AI整合到现有计划中。这不会持久有效。现代企业中人力资源系统的高度结构化——严格定义的角色、明确的能力要求、固定的职业路径、正式的学习旅程以及数字化能力驱动的变化——已经难以跟上变化的步伐。它无法应对生成式AI所展现的更为动荡和不可预测的动态。 然而，为了实用起见，企业应将技能视为数据而非文档。通过在数据库中添加与相关标签（例如专业知识水平）相关的技能，企业可以利用AI和LLM来确定技能之间的关系和联系，以进行转岗培训，优先考虑发展哪些技能，通过程序或团队来确定具体技能需求，以及开发定制化学习计划。 与首席执行官和技术领导层合作的人力资源领导者必须改为改变他们发现和培养人才的方式， 特别关注两个领域 ： 战略劳动力规划和学徒能力。 一个例子是一家生命科学公司正在努力利用人工智能技能推断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、人力资源数据、LinkedIn个人资料以及内部平台（如Jira、代码仓库）等信息，以确定特定角色所需的技能。随后，相关个体员工可以审查并确认他们是否具备这些技能和专业知识。一旦确认，这些技能不仅会被添加到个人档案中，还会被纳入公司的技能数据库，供未来评估使用。 根据业务需求和技能制定战略劳动力规