文章类型 – 趋势分析

核心摘要

技能提升与再培训不必一开始就作为大型全公司项目推进。相反，如果一开始就覆盖所有岗位、所有员工和所有技能，范围会变大，责任会变得模糊。2026年需要的方法，是选定1到2个核心岗位，在90天内小规模实验，并基于结果扩展。

CompTIA的2026年Workforce and Learning Trends指出，83%的组织将应对技能担忧列为高优先级，62%的HR专业人士和IT领导者预计未来一年AI培训预算将增加。然而，拥有正式组织级技能提升与再培训项目的企业只有34%。这意味着关注和预算在增加，但执行体系仍然不足。

因此，HRD应从“可验证的试点”开始，而不是“建立完美体系”。90天试点的目标不是开设更多培训课程，而是选择变化中的工作，定义必要技能，诊断当前水平，设计学习路径与工作应用任务，并确认应用结果和角色转换可能性。

90天试点应小于全公司项目

技能提升与再培训具有战略重要性，但执行必须从小处开始。如果试图一次性建立全公司技能词典、全岗位诊断、整合平台和大规模培训体系，时间会拉长，业务部门关注度也会下降。试点应是为了确认“在我们组织中真实可行的方式”的实验。

CompTIA说明，在构建workforce development项目时，培训成本以及执行和衡量都是主要挑战。调查对象和行业构成可能不同于韩国企业，但这一信号说明，HRD应先设计可运作的运营方案，而不是停留在宏大口号。

Deloitte的2026 Global Human Capital Trends指出，竞争优势正在从静态人力配置转向实时编排人员、技能、数据与技术。从这一角度看，90天试点不是单纯培训运营。它是HRD、HRBP、业务领导、People Analytics、IT或HR Tech负责人共同连接工作-技能-学习-应用-绩效数据的小型运营实验。

试点范围越窄越好。例如，可以选择客户支持、招聘、销售管理、生产管理、培训运营等受AI或自动化影响较明显的1到2个岗位。对象不必是全体员工，可以从该岗位中角色变化可能性较高的20到50人开始。重要的不是人数，而是学习后能否确认真实工作应用。

第1~15天：选择变化中的工作与核心岗位

前15天的目标不是选择培训课程，而是选择变化中的工作。不是说“做AI培训吧”，而是确认“哪些工作正在被自动化、增强或重新设计”。这一阶段应同时观察业务访谈、工作清单、近期自动化工具导入领域、重复工作比例，以及客户或内部用户不满数据。

CompTIA提出83%的组织将应对技能担忧视为高优先级，显示了这一阶段的紧迫性。SHRM的2026年AI in HR报告也显示，在已部署AI的组织中，岗位职责变化为39%，新角色为24%，少量岗位替代为7%。这说明workplace AI的组织影响更明显地体现在职责变化和新角色生成上。

因此，第1~15天需要确定三件事。第一，试点岗位。第二，该岗位中正在变化的3到5项核心工作。第三，90天内可以确认应用结果的工作任务。以招聘岗位为例，候选人搜寻自动化、面试问题设计、招聘数据分析、入职衔接都可以成为候选工作。

这一阶段的产出物是试点主题定义书。文件中应先写“要应对什么工作变化”，而不是先写“培训谁”。这样，之后的技能图谱与学习路径才会连接到真实工作变化，而不是变成培训目录。

第16~30天：制作工作-技能图谱并诊断当前水平

第16~30天要制作试点岗位的工作-技能图谱。技能图谱不是庞大的能力词典。在90天试点中，变化中的3到5项工作及其所需的5到10个技能就足够。例如，“招聘数据分析”这项工作，可以连接数据整理、指标解读、偏差审查、业务汇报、AI工具应用等技能。

CompTIA列出的当前培训形式包括岗位角色型培训64%、基础AI技能培训64%、工作流相关培训62%、高级AI培训53%。这些数字显示，培训设计正在转向岗位角色与工作流单位。因此，技能图谱也应围绕工作和执行行为，而不是在岗位名称下罗列抽象能力。

当前水平诊断不必复杂。可以组合自我诊断、管理者确认、简单任务执行和既有产出审查。熟练度用4个阶段即可。第1阶段是理解概念，第2阶段是按指南执行，第3阶段是独立执行，第4阶段是辅导他人或提出工作改善建议。

这一阶段的产出物是工作-技能图谱和当前水平诊断表。关键是沟通时避免让诊断被误解为评价。试点诊断不是给员工排名的工具，而是确定90天内要设计哪些学习和工作应用的起点。

第31~60天：同时设计学习路径与工作应用任务

第31~60天要设计学习路径。这里容易犯的错误是只安排课程。再培训试点的学习路径必须同时包含内容、实操、业务任务和管理者反馈。不是听完课程就结束，而是必须在真实工作中应用一次。

TalentLMS的2026 L&D Report指出，企业应对技能差距的方式包括现有人才技能提升与再培训64%、AI自动化62%、外部专业人才招聘57%。这说明企业通常同时使用多种应对方式。HRD在设计内部人才学习路径的同时，也需要观察哪些工作应自动化，哪些角色应与外部招聘连接。

学习路径可以设计为三层。第一，共通基础学习，包括AI、数据、工作变化理解等对象群体共同需要知道的内容。第二，按工作实操，使用自己岗位中真实的文档、数据、客户问题和流程进行练习。第三，应用任务，确定2到4周内可以在业务现场执行的小型改善任务。

这一阶段的产出物是学习路径表和工作应用任务清单。任务必须与业务领导共同确定。HRD单独设计的任务可能与真实工作优先级不一致。试点是否成功，取决于工作应用任务是否真实执行，而不只是培训内容是否完善。

第61~90天：验证应用结果与角色转换可能性

第61~90天要确认应用结果。此时不能只看完成率。应观察员工应用到哪些工作、产生了哪些产出、是否得到管理者确认，以及相关技能是否能扩展到其他工作或相邻角色。

TalentLMS指出，44%的HR经理在新角色上优先考虑外部候选人而不是内部员工，并建议建立内部移动路径、使用技能数据在外部招聘前确认角色准备度。从这一视角看，90天试点也是确认内部候选人角色准备度的实验。

SHRM指出，56%的HR组织受访者并未正式衡量AI投资成果。要避免这一衡量空白，必须在试点结束前确定最低限度的验证标准。例如，可确认应用任务完成情况、产出质量、管理者确认、工作时间减少、错误减少、客户或内部用户反应，以及投入相邻角色的可能性。

这一阶段的产出物是试点结果报告。好的报告不会以“多少人完成培训”结束。它应展示哪些工作发生了变化、需要哪些技能、谁达到了什么水平、应用到了哪些工作，以及下一个90天要扩展什么。

试点结束后HRD应留下的5项产出物

90天试点结束后，HRD应留下的不是培训结果报告，而是可扩展的运营资产。TalentLMS提出L&D成功的辅助指标包括业务影响37%、职业成长结果31%、培训满意度28%，这说明产出物也应同时解释培训运营、职业发展与工作成果。

第一，试点岗位的工作变化地图。整理哪些工作减少、哪些工作扩大、哪些工作新出现。

第二，工作-技能图谱。不是在岗位名称下罗列能力，而是连接变化中的工作、所需技能和熟练度标准。

第三，学习路径与应用任务清单。需要留下哪些学习内容、实操和业务任务真实有效，才能扩展到下一个岗位。

第四，技能诊断与应用结果数据。整理前后水平变化、任务产出、管理者确认、项目投入情况。

第五，扩展决策案。建议下一个试点岗位选哪里、是否需要平台或外部培训、如何连接内部流动或角色转换。

如果留下这五项，90天试点就不再是一次性培训，而是技能型HRD运营模型的起点。Deloitte所说的人员、技能、数据与技术的实时编排，也只有在这种小型运营资产不断积累时才可能实现。

HR接下来需要关注的方向

2026年的技能提升与再培训，不是增加培训清单，而是把工作变化、技能数据、学习路径、工作应用和绩效指标连接成一个流程。本系列讨论的核心也相同。再培训不是选择岗位将消失的人，而是寻找变化中的工作和可移动的角色。

HRD现在应先问“要应对什么工作变化”，而不是“要教什么”。也应说明“谁能够新承担哪些工作”，而不是“多少人完成了课程”。让这种说明成为可能的，正是技能数据和绩效指标。

90天试点是启动这一转换的现实方法。不必等待全公司项目。可以从1到2个核心岗位、3到5项变化中的工作、5到10个必要技能和若干应用任务开始。小规模启动，但必须留下数据和成果。只有这样，技能提升与再培训才不是流行语，而是改变组织工作方式的HR战略。

核心摘要

如果只用完成率衡量再培训成果，可以说明培训运营，却很难说明人才转换。员工是否参加课程、是否满意、是否通过考试，都是必要指标。但再培训的本质在于“是否能够承担新角色或变化后的工作”。

TalentLMS的2026 L&D Report以HR经理样本为中心，讨论学习设计、预算、优先级和绩效衡量方式。该资料提出，L&D成功的辅助指标包括业务影响37%、职业成长结果31%、培训满意度28%。业务影响和职业成长结果与满意度并列出现，这一点很重要。

SHRM的2026年AI in HR报告也显示了衡量问题。56%的受访者表示HR组织并未正式衡量AI投资成果，使用自有ROI指标的比例仅为16%。在AI培训与再培训投资增加的情况下，如果衡量体系跟不上，HRD就会继续停留在“开展了很多培训”的报告中。

完成率必要，但不是再培训成果的终点

完成率不是应该抛弃的指标。它是确认培训是否实际交付、对象是否参与、是否具备最低限度学习体验的基本指标。问题在于，当完成率被当作再培训最终成果时，就会出现偏差。即使完成率很高，如果员工没有承担新工作，或业务部门没有设计角色转换，再培训也不能算完成。

CompTIA的2026年Workforce and Learning Trends将培训成本以及执行与衡量因素列为构建workforce development项目的主要挑战。尽管调查对象和行业构成可能不同于韩国企业，但这一信号说明，HRD不仅要设计成本和运营，也要同步设计衡量结构。

再培训绩效指标应分为三层。第一是培训运营指标，包括完成率、出勤率、满意度、前后测评。第二是工作应用指标，观察培训后应用到哪些工作、产生了哪些产出、是否得到管理者确认。第三是人才转换指标，包括内部流动、角色转换、项目投入、新工作执行可能性。

第一项指标是工作应用

再培训的第一项成果是“学到的东西用在了哪里”。培训后的满意度即使很高，如果没有应用到工作，也很难转化为组织成果。因此，HRD应以课程结束后30天、60天、90天为单位收集工作应用数据。

TalentLMS将业务影响37%列为L&D成功的辅助指标，这与这一方向一致。SHRM也将生产力提升、成本节约、决策改善、员工满意度列为AI投资成果衡量指标。两份资料都说明，学习或AI投资的成果应以“工作结果发生变化”来解释，而不是以“听过培训”来解释。

工作应用指标不必宏大。例如AI应用培训，可以记录报告草稿撰写时间缩短、客户咨询分类准确度改善、会议纪要摘要质量检查、重复工作自动化、数据解读报告撰写等应用案例。再培训课程则应同时观察新工作执行次数、业务课题参与、产出审查结果和管理者反馈。

重要的是，不要只靠员工自我报告来判断应用。应组合自我报告、管理者确认、产出物和项目投入记录。这样，HRD才能说明“参加这门课程的员工实际能够执行哪些工作”。

第二项指标是内部流动与角色准备度

再培训不是学习项目，而是人才流动战略。尤其在AI导入导致岗位职责变化、新角色出现的情况下，内部流动与角色准备度成为核心指标。SHRM报告称，在已部署AI的组织中，频繁出现技能提升与再培训机会的比例为57%，岗位职责变化为39%，新角色为24%，少量岗位替代为7%。报告还说明，workplace AI的组织影响相较岗位替代，更可能体现为岗位职责变化，可能性高出5.7倍；体现为新角色生成的可能性高出3倍。

这些数字为把再培训成果视为“角色转换可能性”而非“培训完成”提供了依据。应观察参加培训的员工是否进入相邻角色候选池、是否投入项目、是否进行岗位转换面谈、是否满足新角色的必要技能标准。

TalentLMS也直接提到内部流动的重要性。它指出44%的HR经理在新角色上优先考虑外部候选人而不是内部员工，并建议建立内部移动路径、利用技能数据在外部招聘前确认角色准备度。这就是再培训绩效指标必须纳入内部流动和角色准备度的原因。

实务上，与其把“角色准备度”做成单一分数，不如用条件表管理。应同时观察必要技能是否满足、相关项目经验、管理者推荐、学习后应用案例、本人移动意愿和可配置时间点。这样，HRD数据才能连接到招聘、配置、继任和绩效管理。

第三项指标是技能验证与管理者确认

再培训的难点在于完成不等于熟练。听过培训并不意味着马上可以承担新角色。因此，需要技能验证指标。验证不只是考试分数，也可以包括实际工作任务、项目产出、模拟演练、管理者观察、同事反馈、客户或业务用户反应。

SHRM资料中，56%的受访者表示HR组织并未正式衡量AI投资成果，这显示了验证体系的空白。使用自有ROI指标的比例也只有16%。随着AI和再培训投资扩大，组织必须能够说明“哪些技能已经被实际验证”。

验证指标可以简化为4个阶段。第1阶段是理解概念，第2阶段是按指南执行，第3阶段是独立执行，第4阶段是辅导他人或提出工作改善建议。这些阶段与第6篇讨论的技能数据结构相连。组织不应只管理技能名称，而应同时记录真实行为水平和工作应用水平。

管理者确认也很重要。HRD很难直接判断所有岗位的熟练度。不过，为避免管理者确认流于主观评价，必须有标准。应使用“是否有工作应用案例”“产出是否符合标准”“是否能够重复执行”“是否能向他人说明”等可观察标准。

HRD实务仪表盘：用5个阶段观察再培训成果

再培训绩效仪表盘一开始不必复杂。核心是不要在完成率之后中断流程。将TalentLMS提出的业务影响37%、职业成长结果31%、培训满意度28%，与SHRM提出的AI投资成果未衡量56%放在一起看，仪表盘应同时呈现培训运营和工作成果。

CompTIA也将执行与衡量列为workforce development项目的挑战。因此，HRD仪表盘不应只是完成率表，而应设计成连接参与、学习变化、工作应用、移动与转换、组织绩效的运营表。可以从以下5阶段结构开始。

第一，参与指标。观察对象人数、参与率、完成率、中途退出率、满意度。这是确认培训运营质量的基本指标。

第二，学习变化指标。观察前后诊断、技能熟练度变化、任务通过率、模拟演练结果。从这一阶段开始，数据超越了单纯听课记录。

第三，工作应用指标。观察培训后30天或60天内应用的工作、产出、管理者确认、项目参与情况。没有这一指标，培训与工作就无法连接。

第四，移动与转换指标。观察是否进入内部流动候选池、是否进行角色转换面谈、是否投入相邻岗位项目、是否实际完成配置转换、是否执行新角色。若再培训的目的在于人才转换，这项指标不能缺失。

第五，组织绩效指标。观察生产力改善、成本节约、质量改善、决策速度、客户体验、员工留任、招聘替代效果等。并非所有课程都能立即换算为组织绩效，但在试点单位至少应连接一两个工作绩效指标。

这个仪表盘不应只是HRD的报告，而应成为HRBP、业务领导、People Analytics和管理层共同查看的运营表。Deloitte所说的人员、技能、数据与技术的实时编排，只有在这种连接结构存在时才可能实现。

HR接下来需要关注的方向

改变再培训绩效指标，也会改变HRD的角色。培训运营者不再只是结束课程的人，而是收集工作变化与角色转换证据的人。完成率是起点，工作应用、内部流动与技能验证才是成果中心。

下一步是不要把这些指标变成庞大的全公司项目。如果一开始就试图面向所有岗位制作完美仪表盘，很容易失败。更现实的做法是从1到2个核心岗位、3到5项变化中的工作、5到10个必要技能以及若干应用任务开始。

最后的第8篇将把这一流程整理成90天试点路线图。从诊断、技能图谱、学习路径、工作应用到绩效衡量，以小规模方式启动。再培训不是培训项目，而是人才转换实验。绩效指标也必须能够说明这一实验。

核心摘要

导入AI学习平台，似乎就能自动完成技能型HRD。但实际恰恰相反。平台只是承载数据的容器，如果没有先确定哪些技能要与哪些岗位、工作和绩效连接，推荐学习、AI教练和能力诊断都只会停留在表层功能。

CompTIA的2026年Workforce and Learning Trends指出，83%的组织将应对技能担忧列为高优先级，62%的HR专业人士和IT领导者预计未来一年AI培训预算将增加。但同一资料也说明，拥有正式组织级技能提升与再培训项目的企业只有34%。预算和关注度正在上升，但关于如何定义和积累技能的运营结构仍然不足。

因此，2026年HRD的问题应先于“买什么AI学习平台”，变成“我们组织的技能数据将用于哪些决策”。技能数据不是培训完成记录，而是连接岗位变化、学习路径、工作应用、内部流动与绩效验证的HR运营数据。

技能型HRD从数据模型开始，而不是从平台开始

启动技能型HRD时，常被优先考虑的是LMS、LXP、AI学习推荐工具。工具当然需要。但如果工具先行，组织或许能建立“推荐大量学习内容的系统”，却很难建立“说明哪些技能对哪些工作转换必要的系统”。

Deloitte的2026 Global Human Capital Trends指出，竞争优势正在从静态人力配置转向实时编排人员、技能、数据与技术。这里的核心不是技术本身，而是连接结构。人的当前角色、所需技能、工作变化、数据与技术应用必须连接成一个流程。

CompTIA的调查对象包括HR专业人士、IT领导者等与workforce development相关的响应者。在这一样本中，技能担忧的优先级很高，但正式组织级技能提升与再培训项目的拥有率仅为34%。这一差距很难仅用平台不足解释。更根本的问题在于，组织尚未确定以什么单位定义技能、用什么数据确认技能、连接到哪些HR决策。

技能数据模型至少需要回答四个问题。第一，各岗位重要的技能是什么。第二，如何确认员工当前技能水平。第三，学习后的实际工作应用如何观察。第四，如何把结果连接到配置、内部流动、角色转换与绩效管理。

第一类数据不是“岗位名称”，而是“工作与技能的连接”

技能数据设计的起点不是岗位名称。即使岗位名称相同，自动化的工作、仍需人完成的判断工作、需与AI共同执行的验证工作也不同。正如第5篇所述，再培训对象选择也应以变化中的工作为标准，而不是以整个岗位为标准。第6篇的数据设计遵循同一原则。

CompTIA列出当前使用的培训形式，包括岗位角色型培训64%、基础AI技能培训64%、合规与安全62%、工作流相关培训62%、高级AI培训53%。这些数字显示，培训正在转向“岗位角色”和“工作流”单位。因此，技能数据也不能只是把简单能力清单附在岗位名称之下。

实务上，把岗位拆成三个层级很有用。第一是岗位名称，例如招聘专员、培训专员、销售经理等组织已使用的角色单位。第二是主要工作。以招聘专员为例，可以包括候选人搜寻、面试运营、招聘数据分析、入职衔接。第三是各项工作所需技能。数据解读、面试设计、利益相关方沟通、AI工具应用、个人信息判断等，都需要下降到更小单位。

这样设计后，平台的学习推荐也会不同。它不再是“给招聘专员推荐AI培训”，而可以是“强化候选人搜寻自动化之后留下的数据验证与候选人体验设计技能”。技能数据应是工作变化地图，而不是培训目录分类表。

第二类数据不是学习履历，而是技能熟练度变化

很多组织的LMS中保存的是听课记录、完成率、满意度和考试分数。但仅靠这些，很难说明员工实际在哪些技能上变得更好，能承担哪些工作。技能型HRD需要的数据不是“听过培训”，而是“某项技能熟练度从哪个水平移动到哪个水平”。

SHRM的2026年AI in HR报告指出，56%的受访者表示HR组织并未正式衡量AI投资成功。调查对象和行业构成可能不同于韩国企业，但它显示了一个问题：在AI导入和学习投资增加的情况下，衡量结构并没有跟上。AI学习平台也是如此。如果只留下完成率，就很难说明投资成果。

技能熟练度数据不必一开始就设计得过于复杂。可以从4个阶段开始。第1阶段是理解概念，第2阶段是按指南执行，第3阶段是独立执行，第4阶段是辅导他人或提出工作改善建议。重要的是，这些阶段必须连接到真实工作行为，而不是课程名称。

例如，如果把“生成式AI应用”作为一个单一技能，数据会变得模糊。对HRD负责人而言，应拆分为培训需求分析草案撰写、学习内容结构化、问卷回答摘要、培训效果报告草案审查等工作行为。这样，培训前后诊断、管理者反馈和项目应用案例才能连接成一组技能变化数据。

第三类数据是培训后的工作应用

如果技能数据只停留在HRD内部，组织可以报告“培训运营得很好”，却难以说明“组织的工作方式改变了”。培训后应用到哪些工作、投入了哪些项目、连接到哪些角色转换，都应被记录。

TalentLMS的2026 L&D Report以HR经理样本为中心，讨论L&D设计、预算、优先级和绩效衡量方式。该资料提出，L&D成功的辅助指标包括业务影响37%、职业成长结果31%、培训满意度28%。相比满意度，业务影响与职业成长结果被同时提及，这一点很重要。它说明学习数据必须连接到实际工作与内部流动。

工作应用数据不必从宏大的生产力指标开始。可以从培训后30天内应用的工作、应用产出、管理者确认、同事反馈、是否投入项目、自动化或改善的工作单元等小数据开始。核心是不要割裂“培训结束”与“工作变化”。

例如，应确认参加AI培训的员工是否缩短了报告草稿撰写时间、改善了客户咨询分类标准、自动化了重复工作，或建立了会议纪要摘要质量审查标准。只有这些数据积累起来，下一篇讨论的绩效指标才能从完成率转向应用、流动与角色转换。

HRD实务清单：平台导入前要确认的6个数据问题

在评估AI学习平台或LXP之前，HRD应先整理数据问题。CompTIA的2026年资料中，62%的HR专业人士和IT领导者预计AI培训预算将增加，说明投资压力正在上升。但拥有正式技能提升与再培训项目的企业只有34%，也提醒组织在投资前必须检查数据结构。

第一，我们组织以什么单位定义技能。如果岗位名称、岗位能力、工作、行为指标、工具应用能力混在一起，即使放进平台，搜索和推荐质量也会下降。

第二，是否有技能与工作的连接表。比起“AI应用能力”这类宽泛表达，更需要“摘要培训满意度开放题回答，并分类改善任务”这类与工作行为相连的表达。

第三，如何诊断当前水平。是只用自我诊断，还是加入管理者确认；是看任务执行结果，还是看项目产出，都需要确定。没有诊断方式，学习推荐就会停留在个人兴趣推荐。

第四，学习后的变化如何记录。完成情况、诊断分数变化、工作应用案例、管理者确认、是否投入项目，可以成为最低限度的候选数据。

第五，这些数据将用于哪些HR决策。只用于教育推荐，还是连接到内部流动、角色转换、继任候选、项目配置和人力计划，将决定所需数据层级。

第六，如何管理个人信息和评价风险。技能数据对员工成长支持和配置决策有用，但如果被不透明地用于评价或贴标签，就会失去信任。数据收集目的、访问权限、保存期限、个人反馈方式，应先于平台合同确定。

HR接下来需要关注的方向

2026年技能提升与再培训的核心，不是部署更多培训内容。组织必须能够说明哪些工作正在变化、需要哪些技能、谁处在什么水平、学习后应用到了哪些工作。这种可说明性就是技能数据的作用。

平台可以很好地收集和展示这些数据。但如果没有数据模型，平台只会反复呈现完成率和内容推荐。相反，如果已整理出工作-技能-诊断-学习-应用-验证的流程，即使使用小型LMS或电子表格，也可以启动试点。

下一篇需要讨论这些数据应如何转化为绩效指标。再培训成果很难只靠完成率说明。内部流动、角色转换、工作应用、生产力改善、管理者评价、项目投入等指标必须共同存在。技能数据正是构建这些绩效指标的基础设施。

核心摘要

选择再培训对象时，最危险的问题是“哪些岗位会消失”。这个问题很快会制造恐惧，但作为执行标准过于粗糙。更有用的问题是“哪些工作在减少，哪些工作在扩大，员工可以转向哪些角色”。

SHRM的2026年AI in HR报告基于1,908名HR专业人士的调查指出，在已部署AI的组织中，受访者报告频繁出现技能提升与再培训机会的比例为57%，岗位职责变化为39%，新角色为24%，少量岗位替代为7%。报告还说明，workplace AI的组织影响相较岗位替代，更可能表现为岗位职责变化，可能性高出5.7倍；表现为新角色生成的可能性高出3倍。

因此，再培训对象不应是“处在将被取消岗位的人”，而应从“工作组合正在变化、具备转向相邻角色可能性，并且学习与配置可以一起设计的人”中寻找。

再培训对象来自“变化中的工作”，而不是“将消失的岗位”

只看岗位名称，容易把再培训对象过度扩大或错误缩小。例如，同样是客户支持岗位，简单问询可能被自动化，但复杂问题协调、客户不满分析、AI回复质量审核可能变得更重要。如果把整个岗位都视为风险群，就会错过留下来的工作和正在扩大的角色。

SHRM的调查范围是全球HR专业人士样本，行业与职群构成可能不同于韩国企业。即便如此，岗位职责变化39%、新角色24%、岗位替代7%的数据仍说明，再培训的起点不是岗位废止，而是工作变化。对象选择应先绘制工作单元的变化地图，而不是先看岗位名称。

第一项标准不是自动化可能性，而是留下来的判断工作

仅仅寻找AI能做什么，无法选出再培训候选群。即使某项工作自动化可能性很高，其周边仍可能留下更需要人做好的判断工作。SHRM说明，workplace AI的组织影响相较岗位替代，更可能表现为岗位职责变化，可能性高出5.7倍，这一点很重要。

因此，第一项标准不是“什么会被自动化”，而是“自动化之后还剩下什么判断”。重复录入减少后，可能留下例外处理与质量验证。报告草稿撰写加快后，数据解读与决策支持可能变得重要。咨询回复自动化后，客户问题分析与服务改善建议角色可能扩大。

第二项标准是可移动的相邻角色

再培训不能止于培训。必须存在可配置的相邻角色。TalentLMS的2026年L&D Report用“Training builds skills, but mobility builds futures”强调内部职业路径与学习连接的必要性。同时，44%的HR经理表示，在新角色上会优先考虑外部候选人，而不是内部员工。

这一数字说明，在选择再培训对象时，内部移动路径有多重要。如果组织口头上说要培养内部候选人，实际新角色却由外部招聘填补，再培训就会失去动力。选择对象时，应观察当前技能与目标角色之间的距离。太近更接近技能提升，太远则难以通过短期再培训完成。从能看见相邻角色的群体开始，更现实。

第三项标准是同时看学习可能性与配置可能性

选择再培训候选群时，如果只看学习意愿，很容易失败。没有配置可能性的学习，对个人和组织都是模糊承诺。TalentLMS指出，在应对技能差距时，64%的HR经理选择现有人才的技能提升与再培训，62%选择用AI自动化工作，57%依赖外部专业人才招聘。

TalentLMS还说明，一半企业正在重组角色或责任，29%正在取消依赖过时技能的职位。调查对象和样本需根据企业情境解读，但有一点很明确：再培训不是培训项目，而是在自动化、角色重组、外部招聘与内部流动之间作出选择的人才战略。

实务矩阵：区分再培训候选群的4个问题

第一，当前工作中减少的工作和扩大的工作是否已区分。第二，当前拥有的技能与目标角色之间是否存在相邻性。第三，能否通过学习在3到6个月内产出可验证成果。第四，培训后是否存在可投入的项目或角色。

以这四个问题划分候选群，执行优先级会更清晰。工作变化大、存在相邻角色且配置可能性高的群体，是第一优先级的再培训对象。工作变化大但相邻角色或配置可能性低的群体，需要长期转换或单独人才计划。工作变化较小、当前角色绩效改善是核心的群体，更接近技能提升对象，而不是再培训对象。

鉴于CompTIA指出83%的组织将应对技能担忧视为高优先级，许多企业都在面对类似问题。重要的不是把全体员工一次性归入再培训对象，而是区分调查对象、职群、工作变化与配置可能性，从小型试点开始。

HR接下来需要关注的方向

选择再培训对象，不是把个人归为风险群的工作。它是用数据观察工作变化与角色转换可能性，并确认组织是否真正能打开移动路径。应看工作，而不是看岗位；应同时看配置可能性，而不是只看学习意愿。

下一篇将讨论让这种判断成为可能的技能数据设计。在导入LMS或AI学习平台之前，必须先整理应积累和验证哪些技能数据。

核心摘要

技能型组织并不会因为培训团队制作技能词典、开设课程就自动完成。核心不是记录“谁学了什么技能”，而是这些技能是否连接到招聘、配置、绩效管理、内部流动与薪酬讨论。

Deloitte的2026 Global Human Capital Trends指出，竞争优势正在从静态组织结构中的人才配置，转向实时编排人员、技能、数据与技术。CompTIA也指出，83%的组织将应对技能担忧列为高优先级，但拥有面向现有员工的正式组织级技能提升与再培训项目的企业仅为34%。

这一差距说明，技能型组织为何容易止步于HRD单独项目。如果培训开了，但没有连接到岗位、业务需求、内部流动和绩效指标，技能就只会留下培训履历，而不会成为运营数据。

技能型组织不是技能词典，而是运营方式

很多企业在启动技能型组织时，会先制作技能词典或能力模型。共同语言当然必要。但Deloitte强调的核心不是清单，而是编排。重要的是实时连接人员、技能、数据与技术，并围绕绩效持续重组能力。

不同报告的调查范围和行业构成有所差异，但方向一致。CompTIA将技能构建视为顶级业务优先事项，同时指出拥有正式组织级技能提升与再培训项目的组织仅为34%。这意味着“技能”一词已经扩散，但真正将其转化为人才运营方式的组织还不多。

因此，第一个问题不应是“我们公司有没有技能清单”。而应是“技能数据会用于哪些决策”。它是否改变招聘要求、推荐内部候选人、确定培训优先级、用于绩效面谈中的成长目标，才是需要观察的重点。

HRD能创建学习路径，但无法单独改变配置

HRD是技能型组织的重要起点。但HRD能做的主要是诊断、学习路径、课程设计和学习履历管理。真实的角色变化与配置，必须连接到业务部门、HRBP、组织设计、招聘和绩效管理。

CompTIA的响应样本显示，发展预算归属于HR/L&D的比例为46%，归属于各部门的比例为43%，几乎平分。还有10%的响应认为来自外部资金。预算责任如此分散，说明技能开发已经不只由HRD单独预算驱动。

SHRM的2026年AI in HR报告也有类似启示。在1,908名HR专业人士样本中，AI导入更多时候不是由HR单独主导，而是与IT、法务与合规、cross-functional team连接。技能型组织也是如此。培训团队可以设计课程，但哪些工作正在变化、哪些角色正在出现，必须与业务部门共同决定。

HRBP与业务部门应把“所需技能”翻译成工作变化

在技能型组织中，HRBP和业务部门的角色不应止于传递培训需求。对于“需要数据分析培训”的请求，应进一步转化为“在哪些工作决策中需要解读哪些数据”。对于“需要AI培训”的请求，也应具体化为“哪些重复工作要自动化，哪些验证责任必须由人承担”。

SHRM指出，在已部署AI的组织中，HR专业人士报告频繁出现技能提升与再培训机会的比例为57%，岗位职责变化为39%，新角色为24%。提到少量岗位替代的比例为7%。这些数字显示，比起“整个岗位消失”的简单叙事，更重要的管理对象是工作责任和角色组合的变化。

因此，HRBP和业务部门应关注工作单元，而不是岗位名称。只有定义哪些工作被自动化、哪些工作变得更重要、哪些技能成为内部流动标准，HRD才能设计真正可用的学习路径。

如果招聘与绩效管理不连接，技能数据就无法积累

技能型组织不能只靠学习数据运作。招聘中要求哪些技能、内部申请者证明了哪些技能、绩效管理中达成了哪些成长目标、项目配置中积累了哪些经验，都需要一起沉淀。

TalentLMS的2026 L&D Report指出，以业务影响衡量L&D的公司为37%。同时，84%的HR经理认为L&D项目与职业发展相连接，但员工的实际体验变化更慢。这一差距往往出现在培训履历与职业流动之间缺少运营连接线时。

Deloitte所说的实时编排，最终也指向同一问题。如果技能数据无法连接到招聘、绩效管理、内部流动与项目投入，数据再多，决策也不会改变。People Analytics不应只是制作仪表盘的功能，而应被设计成确认技能数据实际用于哪些人才决策的功能。

实务清单：启动技能型组织时要确认的5条连接线

第一，技能词典中的每一项是否连接到真实岗位和工作单元。第二，HRD课程完成数据是否能在内部流动、项目配置和绩效面谈中被确认。第三，发展预算责任在HRD与业务部门之间如何划分。正如CompTIA的46%与43%数据所示，预算责任因组织而异，因此必须先确定内部标准。

第四，内部是否也明确技能数据的调查对象和样本。是以全员为准、特定职群为准，还是核心岗位为准，会影响仪表盘与KPI设计。第五，是否把L&D成果从完成率转向业务影响、内部流动、工作应用与绩效改善。TalentLMS提出的37%说明，这一连接在许多组织中仍然薄弱。

如果确认了这五条连接线，技能型组织就可以从培训团队的新项目，转变为HR运营模型的变化。

HR接下来需要关注的方向

技能型组织的核心不是开设更多培训，而是把技能转化为人才决策的语言。HRD创建学习路径，HRBP与业务部门定义工作变化，招聘和绩效管理把技能连接到选拔与成长标准。People Analytics则需要用数据确认这一过程是否真正运作。

下一篇将讨论在这一运营模型下如何选择再培训对象。与其寻找将要消失的岗位，更需要以变化中的工作和可移动的角色为标准来确定优先级。

核心摘要

如果把AI时代的员工培训只理解为编码培训，就很容易偏离方向。对部分技术岗位而言，编码和模型理解很重要；但对大多数员工来说，首先需要的是与AI共同工作的业务判断力。核心在于判断哪些问题交给AI、应输入哪些数据和背景、如何验证结果，以及哪些环节必须保留人的判断。

CompTIA的2026年资料显示，83%的组织将应对技能担忧视为高优先级，62%的HR专业人士和IT领导者预计未来一年AI培训预算将增加。本文同时参考CompTIA的HR专业人士与IT领导者响应资料、SHRM的1,908名HR专业人士样本，以及Deloitte和TalentLMS的2026年调查范围，但前提是不同产业、职群和岗位构成存在差异。与此同时，CompTIA指出，在当前AI培训形式中，基于岗位角色的培训排名第一。这意味着，相比“所有人听同一场AI讲座”，更需要按各岗位工作场景设计技能。

AI技能不是工具用法，而是工作判断力

AI培训失败的常见原因，是把工具用法误认为技能。CompTIA的2026年Workforce and Learning Trends指出，83%的组织将应对技能担忧列为高优先级，62%的HR专业人士和IT领导者预计未来一年AI培训预算将增加。如果这些预算只用于工具操作培训，就很难转化为工作成果。在生成式AI界面中输入提示词当然必要，但仅靠这一点并不能改变工作绩效。CompTIA一方面说明AI与数字fluency是全体员工的技能提升需求，另一方面也指出，在当前AI培训形式中，基于岗位角色的培训排名第一。也就是说，AI技能必须连接到按岗位工作判断，而不是停留在通用工具培训。

Deloitte的2026 Global Human Capital Trends也指出，竞争优势正在从静态组织结构中的人才配置，转向实时编排人员、技能、数据与技术。从这一角度看，AI技能更接近于“判断如何把AI放进工作流”，而不是“会不会使用AI”。

第一项技能是问题定义

AI应用的起点不是好问题，而是好的问题定义。即使同样是撰写报告，也需要区分哪些部分可以交给AI起草，哪些部分必须核对内部数据，哪些部分需要利益相关方判断。问题定义错误时，AI会快速给出答案，但这个答案可能会朝错误方向变得“准确”。

从HRD视角看，与其对员工说“试着用AI”，不如让员工把工作拆分成更小的单元。也就是区分重复写作、摘要、分类、草稿生成、对比审查、决策支持中哪些可以交给AI。考虑到CompTIA指出80%的HR专业人士和IT领导者认为AI之外的其他技术因素也会造成技能差距，问题定义能力并不只服务于AI，而是将多种数字工具连接到工作的基础。

第二项技能是数据解读与结果验证

AI生成的结果越看似合理，越可能存在风险。SHRM的2026年AI in HR报告基于1,908名HR专业人士的调查指出，72%的受访者认为，即使技术障碍消失，非技术障碍仍会阻碍HR职能的完全自动化。这包括员工、管理者、候选人等HR客户的接受度、信任、责任与情境判断问题。

TalentLMS的2026 L&D Report也指出，22%的学习领导者担忧AI生成内容的可信度。这一数字传递出一个信号：重要的不是直接使用AI结果的能力，而是验证结果的能力。员工需要确认AI给出的摘要、推荐、分类、评价草案依赖哪些数据，是否缺失背景，是否存在偏差或错误可能。

第三项技能是协作与伦理判断

当AI进入工作，重要的不是一个人用得多好，而是能够改变团队工作方式的人。SHRM指出，在已部署AI的组织中，HR专业人士报告技能提升与再培训机会为57%、岗位职责变化为39%、新角色为24%。这说明AI导入已经超越个人生产力工具，正在改变角色与协作结构。

伦理判断也不能分离。在招聘、评价、薪酬、培训推荐等影响人的HR工作中，应用AI结果前必须确认责任归属、可解释性、个人信息与歧视可能。AI时代的核心技能不是快速产出，而是产出安全、可信且可被接受的结果。

HRD实务清单：重新设计AI培训的5个问题

第一，这项培训是在教授工具用法，还是在改变按岗位决策场景。既然CompTIA将基于岗位角色的培训列为当前AI培训第一形式，并将AI与数字fluency视为全体员工的技能提升需求，培训设计就应从按岗位案例开始。尤其是CompTIA关于62%预计AI培训预算增加、SHRM关于57%出现技能提升与再培训机会的数据，都说明预算扩大并不必然带来成果。

第二，员工能否区分哪些工作交给AI，哪些工作必须由人保留。第三，是否具备验证AI结果的数据标准与质量标准。第四，团队是否就协作规则和责任标准达成共识。第五，AI培训预算增加是否不只是增加讲座，而是连接到工作应用、验证、反馈和绩效衡量。

如果无法回答这五个问题，AI培训会迅速扩散，却不会沉淀为组织的技能体系。相反，如果能够回答这些问题，即便不教授编码，员工也会开始具备与AI共同工作的核心能力。

HR接下来需要关注的方向

2026年HRD的课题不是开设更多AI培训，而是把AI时代的工作判断力翻译成各岗位的技能。问题定义、数据解读、结果验证、协作与伦理判断，不是某一门课程的名称，而是迈向技能型组织的运营语言。

下一篇将讨论为什么这些技能不能只在培训团队内部管理。技能型组织不能仅靠HRD课程设计建立。岗位体系、招聘、绩效管理、内部流动与People Analytics必须共同连接。

核心摘要

技能提升与再培训看似相近，但在设计HRD预算时必须完全区别对待。技能提升是提高当前所承担角色绩效的投资。再培训则是让员工能够转向其他角色或新岗位的转换投资。

这种区分之所以重要，是因为2026年的技能差距不能只用培训不足来解释。CompTIA指出，83%的组织将应对技能相关担忧视为高优先级，62%预计未来一年AI培训预算将增加。但同一资料也显示，拥有面向现有员工的正式、组织级再培训或技能提升项目的企业仅为34%。

也就是说，很多组织认为技能问题重要，却尚未系统划分预算、对象与绩效指标。此时如果混用两个概念，即使培训增加，人才战略也不会变得清晰。

技能提升是提高当前角色绩效的投资

技能提升是帮助员工更好履行当前角色的学习。CompTIA的2026年调查显示，83%的组织将应对技能担忧列为高优先级，这说明它不是少数岗位的补充培训，而更接近于对现有人力整体生产力的投资。销售人员更好解读客户数据、招聘人员验证AI screening结果、培训人员用生成式AI加快课程设计，都属于这一范畴。

核心问题是“在当前岗位内，绩效如何改善”。因此，对象是继续留在当前岗位、但需要提高生产力、质量、速度与判断力的员工。预算也可以相对广泛。全员AI素养、按岗位数字工具应用、数据驱动决策、管理者辅导能力等，更接近技能提升预算。

CompTIA说明，AI与数字fluency是全体员工的技能提升需求。同时，它也认为AI并不是技能差距的唯一原因。80%的HR专业人士和IT领导者表示，AI之外的其他技术因素也会造成技能差距。这意味着技能提升预算不能以一场“AI专题讲座”结束。尽管全球资料在调查对象、样本与行业构成上存在局限，但至少可以明确一个方向：学习设计必须贴合不同岗位的工作场景。

再培训是让员工能够转向其他角色的转换投资

再培训不是让当前岗位做得稍微更好的培训。SHRM的2026年AI in HR调查显示，在已部署AI的组织中，HR专业人士报告了39%的岗位职责变化、24%的新角色以及57%的技能提升与再培训机会。在这种情况下，再培训是当工作结构发生变化、既有角色需求减少或新角色出现时，帮助员工完成移动的转换学习。

例如，如果简单重复的报告工作减少，而数据解读和业务咨询角色扩大，将原报告负责人转向People Analytics支持角色的过程就是再培训。又如，呼叫中心部分咨询工作自动化后，咨询质量管理、客户问题分析、AI回复审核角色变得更重要，这也可能成为再培训对象。

SHRM的2026年AI in HR资料显示，AI导入更多带来责任变化和新角色，而不是大规模岗位替代。在已部署AI的组织中，HR专业人士报告频繁出现技能提升与再培训机会的比例为57%，岗位职责变化为39%，新角色为24%。提到少量岗位替代的比例为7%。这一数字说明，再培训应被视为提前准备角色转换的机制，而不是重组之后的事后培训。

划分预算的第一标准是“强化当前岗位”与“角色转换”

划分HRD预算时，首先应看的是人才决策，而不是培训主题。CompTIA的响应样本显示，发展预算主要归属于HR/L&D的比例为46%，归属于各个部门的比例为43%，几乎平分。因此，要根据是在保持当前岗位的同时提升能力，还是创造转向其他角色的可能性，来区分技能提升与再培训的预算结构。

技能提升预算通常面向更广泛的人群。周期可以较短或中等长度，工作应用任务很重要。相反，再培训预算的对象更窄，周期可能更长，因为它需要包括诊断、选拔、学习、项目实习、导师辅导与配置评估。

CompTIA也指出，发展预算的位置因组织而异。在响应样本中，发展预算主要归属于HR/L&D的比例为46%，归属于各个部门的比例为43%。这不是单纯的会计问题。技能提升可以由HRD建立共通体系，但再培训必须同时确认业务部门的角色需求和配置可能性。

绩效指标也必须不同

技能提升的成果应看其在当前岗位中的应用。例如，培训后的工作处理时间、产出质量、错误减少、管理者评价、客户反应、是否遵守按岗位AI应用指南等都可以作为指标。完成率与满意度更接近辅助指标。

再培训的成果应看移动与转换。进入新角色候选池、通过项目实习、申请内部招聘、完成转岗配置、新岗位适应周期以及3个月或6个月后的绩效都很重要。核心不是是否听过课，而是是否真的能够承担其他角色。

如果忽视这一差异，HRD报告看起来可能很漂亮，却回答不了管理层的问题。可以说明“多少人参加了”，却很难回答“哪些人才风险降低了”“哪些内部移动成为可能”“是否产生了招聘替代效果”。

HRD实务清单：纳入2026年培训计划的5个问题

第一，这项培训是在强化当前岗位，还是让员工转向其他角色。鉴于CompTIA指出拥有正式组织级技能提升与再培训项目的企业只有34%，这个问题不是整理培训名称，而是确定调查对象、预算责任与绩效指标的起点。如果答案是前者，更接近技能提升；如果是后者，更接近再培训。

第二，对象是全体员工、特定岗位群，还是转换候选群。对象范围越广，越可能是技能提升；越需要选拔和配置评估，越可能是再培训。

第三，绩效指标是当前工作绩效，还是角色转换结果。技能提升应包含工作应用指标，再培训应包含移动、配置与新角色适应指标。

第四，预算责任是HRD单独承担，还是与业务部门共同承担。没有业务部门需求和实际岗位，再培训很难运作。

第五，调查对象、样本、行业构成与响应者特征和本组织有多大差异。全球报告的数字提供方向，但最终预算分配必须结合内部岗位变化数据决定。

HR接下来需要关注的方向

区分技能提升与再培训，不是术语整理。CompTIA的83%技能优先级、62% AI培训预算增加预期，以及SHRM的57%再培训机会响应，共同指向一点：HRD需要明确标准，决定预算花在哪里、面向谁、向管理层报告什么结果。

下一篇将讨论AI时代员工需要的核心技能。重点不应是给所有员工教授编码，而应围绕与AI共同工作所需的问题定义、数据解读、验证、协作与伦理判断能力展开。

核心摘要

2026年，技能提升与再培训不再只是培训课程的名称。它更接近于HR必须重新提上议程的运营议题，用来统筹人才战略、AI导入、生产力与岗位再设计。

AIHR的2026年HR优先事项用“从headcount转向skill count”概括了这一变化。Deloitte也认为，实时编排人员、技能、数据与技术的能力，正在成为组织竞争力的核心。CompTIA资料显示，83%的组织将应对技能相关担忧视为高优先级，62%预计未来一年AI培训预算将增加。

因此，HRD的起点也必须改变。与其先问“今年开什么培训”，不如先问“哪些工作正在变化、哪些技能需要重新验证、谁可以转向什么角色”。

议题已不再是培训课程，而是能力转换

过去，技能提升更像是为了把现有岗位做得更好的补充培训。再培训也常被视为只提供给部分需要重组或转岗员工的例外项目。但2026年的情况不同。

AI导入并不是一次性消灭某个完整岗位，而是在重新拆分工作单元。报告撰写、数据整理、客户应对、内容制作、招聘screening、培训设计等领域，人的判断与工具自动化相结合的场景正在快速增加。此时需要的不是简单的工具使用方法，而是在变化后的工作流中，人负责哪些判断、AI承担哪些辅助角色、结果如何验证的新能力。

TalentLMS用“learning debt”来解释这一点。当工作变化速度快于学习与发展速度时，组织内部就会累积看不见的技能债务。员工忙到无法学习，管理者因眼前绩效压力无法给出学习时间，HRD虽然管理完成率，却无法追踪到真实的工作转换。这个差距越大，就越容易出现培训越来越多、能力转换却没有发生的问题。

AI并非主要在消灭岗位，而是在重新分配工作

技能提升与再培训重新变得重要，最大的原因是人们对AI的解读正在变化。仅用“AI会替代工作”很难制定HRD战略。在真实组织中，替代、补充、角色改变、新角色生成会同时发生。

SHRM的2026年AI in HR资料相对清晰地展示了这一点。在已部署AI的组织中，HR专业人士报告称，AI导入带来了频繁的技能提升与再培训机会的比例为57%，出现岗位职责变化的比例为39%，产生新角色的比例为24%。相比之下，提到少量岗位替代的比例为7%。

这些数字提示了HR应关注的重点。核心不是恐惧，而是再设计。不过，不同报告的调查对象、样本与行业构成各不相同，因此不应直接照搬到韩国企业，而应结合内部岗位数据解读。HR需要判断哪些工作被自动化，哪些工作会与AI一起扩大，哪些员工可以转向新角色。再培训不应是消失岗位的避难所，而应成为以变化中的工作为基准重新配置人才的机制。

HRD的问题正从“教什么”转向“改变什么工作”

Deloitte的2026年人力资本趋势认为，仅靠静态岗位和组织结构难以跟上变化速度。能够实时连接人员、技能、数据与技术，并围绕工作绩效重组能力的组织，将更具优势。

从这一视角看，HRD应成为技能转换设计者，而不只是培训供给者。即使运营生成式AI培训，如果只停留在教授提示词写法，效果也会有限。招聘负责人需要候选人审查标准与偏差检查能力，销售人员需要客户数据解读与方案验证能力。培训主题相同，但不同岗位的工作变化不同，学习路径和绩效指标也必须不同。

CompTIA资料也认为，AI并不是技能差距的唯一原因。80%的HR专业人士和IT领导者表示，除AI之外的其他技术因素也会造成技能差距。这意味着2026年的HRD不能试图用一门AI培训解决所有问题。数字工具、数据应用、协作方式、岗位专业性、认证与验证体系都需要一起纳入考虑。

企业实务应用要点：2026年技能提升与再培训设计清单

第一，应先诊断工作变化，而不是先做培训需求调查。要确认的不是“需要什么培训”，而是“过去一年哪些工作被自动化、增强、缩减或扩大”。

第二，要区分技能提升与再培训。技能提升是提高当前岗位绩效的学习，再培训是让员工能够转向其他角色或岗位的学习。对象、预算、周期、绩效指标不可能完全相同。

第三，AI培训要连接到各岗位的工作场景。仅靠全员通用讲座很难实现实际应用。必须同步设计按岗位的use case、验证标准、风险管理与管理者辅导。

第四，应减少以完成率为中心的指标。还需要内部流动、新工作投入、项目成果、管理者评价、技能验证、员工职业移动等指标。

第五，HRD不应单独推进。正如AIHR所说，HR应成为AI转型的共同领导者。但执行必须由HRD、HRBP、业务领导、IT与数据组织共同设计，才有可能落地。

HR接下来需要关注的方向

2026年技能提升与再培训的核心，不是开设更多培训。关键在于看清变化中的工作结构，定义所需技能，并将学习连接到真实的角色转换与绩效。

下一篇将讨论如何区分技能提升与再培训。如果两个概念不能准确区分，培训预算、对象选择和绩效衡量都会变得模糊。正在制定2026年HRD计划的组织，首先有必要重新确立这一边界。