麥肯錫最新報告：未來5年最有價值的5種人

你有沒有這樣的感覺，一聊到AI，總繞不開一種焦慮。

職場人會問：“AI會不會取代我？”創業者會問：“現在AI能干很多事了，還有必要招人嗎？”管理者會問：“團隊里那些執行崗，還值錢嗎？”

看起來，每個人問的問題都不一樣。但說到底，大家都在關心同一件事：未來，我會不會被AI淘汰？

這個問題，很真實，也已經被討論過很多次。但我覺得，與其反復問“AI會不會干掉我”，更值得問的是另一個問題：

怎么才能讓自己在AI時代，越來越值錢？

最近，我讀到麥肯錫發布的《2026年人力資源監測報告》。這份報告調研了歐洲、美國、中國等10個國家，訪談了約1300位HR從業者，和5500名員工，討論未來組織、崗位和技能會發生什么變化。

報告里有一句話，讓我印象很深：

Future skills will shift from routine task-based capabilities to skills focused on analyzing and interpreting AI outputs.

翻譯過來就是：未來技能會從“基于日常任務的能力”，轉向“分析和解釋AI輸出的能力”。

換句話說，過去很多人值錢，是因為他能把事情做完。未來很多人值錢，是因為他能判斷：AI做出來的東西，到底能不能用。

報告列出了很多能力，我試著把它們總結成5種人，分別對應5種能力。

我們一個一個看。

01

數字素養：會判斷工具結果的人

什么是“數字素養”？可能你第一反應：會用電腦、會用AI、會寫提示詞。其實不是。

這里的數字素養，不是使用工具，而是判斷工具給出的結果是否可信的能力。

比如，AI分析市場數據后告訴你：最近某類人群正快速轉向某個新品類。因此，建議你拿出預算去做新品類。

這個結論看上去很有說服力。

有的人可能立馬表示認同，拉上團隊趕緊開工做新品類。但有數字素養的人會問：數據來自哪里？樣本量多大？時間范圍是過去三周，還是過去三年？這個“快速轉向”是真金白銀的購買，還是只是社交網絡上的聲量？

搞清楚這些問題，“快速轉向某個新品類”，可能就是完全不同的理解。

數字素養，解決的是一個今天最容易被略過的問題：AI給你的材料，能不能信？

在麥肯錫的“未來核心技能”排行榜上，“數字素養（digital literacy）”，從去年的第20位升到今年第6位。是整個榜單上漲幅最大的一項。就好比一個十八線小縣城，只用一年就成了一線城市。

為什么這個能力未來會變得重要？因為AI隨時能給你一份有數據、有結論、“看起來很專業”的報告。但同時，也更容易放大錯誤。

比如，AI做了一份用戶洞察報告，里面引用了若干“權威數據”。老板覺得邏輯嚴密，拍板立項。半年后，公司發現，當初那些數據，是AI從一份2019年的過時報告里撈出來的樣本。

可是，錢已經花了，人已經招了，生產線已經開了，產品已經做了。后悔，已經遲了。

這些基于錯誤材料做出的連鎖決策帶來的沉沒成本，會是“數字素養”不足帶來的后果。

對應的，榜單上還有個非常相近的能力：數字化學習。但，它的名次是下降的。

數字化學習能力，指使用AI、使用數字化工具。名詞下降意味著，“會用AI”這件事本身，未來將變成一種基礎設施。就像10年前簡歷上寫“熟練使用word”會被笑話一樣，也許10年后，“會用AI”也將成為壓根不該寫進簡歷的詞。

會用AI的人，能拿到答案。會判斷AI的人，才能避免拿著錯誤答案一路狂奔。

材料對了，下一步，是問對問題。

02

問題解決能力：會定義問題的人

在整個報告里，“問題解決能力”是被提及最多的一項。44%的HR從業者，把“解決問題的能力”列進了未來五大技能，排名同比上升9位。

這聽起來，好像沒什么特別的，不管是現在還是未來，不都要解決問題嗎？但在AI時代，重點變了。

過去，值錢的是“能解決問題”。未來，值錢的是“知道真正值得解決的問題”。

比如，一位電商團隊的老板提了要求：這個季度，轉化率要提高5%。你扭頭就把老板的要求發給了AI，它很快給了你一些建議：優化頁面、改寫文案、調整價格、做A/B測試。

這些建議都沒錯，你也可以直接照做。但是，AI 還是沒能告訴你，真正的問題是什么。

很多人的“解決問題”思維，是把現象當作問題本身，然后找辦法解決。真正有問題解決能力的人，會先把“表面現象”拆開。

轉化率低，會受流量結構、價格策略、用戶體驗的影響。流量結構，又受到投放渠道、人群匹配度、用戶購買意愿的影響；價格策略，可能和競品價格、優惠設計、用戶感知價值有關；用戶體驗，可能取決于頁面打開速度、信任背書、購買路徑。甚至，可能只是季節性正常波動，根本不是問題。

每一個拆解方向，對應的問題解法也不同。

如果數據告訴你，流量和價格都沒有明顯變化，掉下去的是付款轉化。再往下看，發現大量用戶停在了“提交訂單”上一步，尤其在看到物流時間和運費之后退出。那真正的問題，不是“文案不好、廣告投放太少”，而是你承諾給用戶的服務和用戶預期不一致。

這個時候，AI給你的“優化頁面、改寫文案、調整價格”，可能只是局部修補。真正要解決的，是物流承諾、運費設計和用戶預期之間的錯位。

AI是能讓解決問題變得容易，但什么問題值得解決，還得由人去找。

這也解釋了報告里一個看上去有點矛盾地方：“個人主動性”這項能力，排名出現了下滑。

不是主動性不重要，而是主動性正在分層。

過去我們說一個人主動，通常是指他接到任務之后，立刻響應，馬上執行。這樣的主動性仍然有價值，但已經不夠稀缺了。因為AI會讓執行動作越來越快，很多任務也會被拆得越來越細。

而AI時代的主動性，是“主動定義問題”。老板下任務，先判斷該不該做，哪個方向最值得做，該怎么做。

AI時代危險的，不是不主動，而是沒有判斷的主動性，干著低價值勞動。

定義問題之后，下一步，是找到更好的解法。

03

創造力：會重組解法的人

在報告里，“創造力”從去年的第5位，升到第2位，僅次于“問題解決能力”。

“創造力”，憑什么排名這么高？不就是各種點子，各種畫畫、寫作、搞創作嗎，這些AI已經能做了啊，為什么人的創造力還更重要了呢？

商業世界里的創造力，不是這樣的。是看到AI不知道的東西，找到新解法的能力。

比如，一個內容團隊，老板定的OKR：今年的新增關注要翻一倍。直接問AI，它給你的很可能是常規打法：寫更多文章、追更多熱點、做矩陣分發。用上AI，甚至1個人抵過去3個，產能直接拉上去。

但內容更多，就一定增長好嗎？不一定。如果用戶不愿意轉發分享，你寫再多也只是堆高庫存。

真正有創造力的內容團隊，會換一個問法：讀者，為什么要轉發？

讀者轉發一篇文章，很多時候不是因為“這篇文章寫得好”，而是因為“這篇文章能幫他完成一個動作”。如果是一篇“工具類文章”，讀者轉發的核心動機是“對工作有用”，可能是為了幫自己提高效率，或增加工作素材。

還是那些內容，但用法完全變了。你做的是“我寫給你看 ”，讀者把它變成“我拿走用”。

那么，你要做的就不只是一篇文章。可以把它變成一份提效清單，讓讀者貼在工位；可以寫出一張自測打分表，讓管理者拿去自評；可以變成一個模型，讓老板拿去復盤。

這里的解決方案，來自于對現有解法的重組：還是要寫文章做內容，但是讓內容進入讀者的使用場景。

AI時代的創造力，關鍵不在產出本身，而在你能不能從同一個東西上，看到不同的價值。

所以，榜單上的“用戶中心設計”，排名往下挪了。不是用戶不重要，而是那種“用戶說什么就改什么”的做法，正在貶值。

比如，用戶說APP功能太少，可如果你真加了十個功能，產品可能更難用了。用戶說文章太長，你就全部寫短，可能反而失去深度。用戶給的是感受，不一定是答案。把用戶聲音轉化為清晰業務判斷的工作，還得有創造力的人來做。

AI時代里，有創造力的人升值的地方，不是想出一個沒人聽過的點子，而是比AI更會看到需求、設計解法、定義價值。

找到了新解法，還沒結束。下一步，要驗證判斷是否真的成立。

04

推理能力：會驗證判斷的人

比如，你是一家消費品公司的產品負責人，要決定明年的發展方向。眼下有三個選擇：All in高端線，預計收入增長18%；穩住中端線，增長8%；雙線并行，增長12%。每套都有市場分析、用戶畫像和財務預測。看起來，第一套最誘人。

這時候，數字素養會問：這些市場數據、用戶數據、財務測算，來源靠不靠譜，18%真的對嗎？推理能力則會問：這些材料，真的能得出“All in 高端線最好”這個結論嗎？兩種判斷，完全不同。

如果核驗之后發現，高端線凈利潤多出2個百分點。推理能力強的人會追問：這2個百分點，是不是建立在獲客成本不變、退貨率不升、庫存周轉不變的前提上？如果高端用戶更難觸達，銷售周期更長，庫存壓力更大，結論還成立嗎？

所以，推理能力不是看數字對不對，而是看包括數字在內的那些材料，能不能支撐那個判斷。

為什么在AI時代，會驗證判斷的人會升值？

因為AI給你答案又快又多，看起來很有道理，結論也像那么回事。我們很容易把“說得通”，當作“說得對”。

但是，“看起來很有道理”，往往不等于真的有道理。

AI能給你一個漂亮的增長預測，一個完整的戰略框架，一個聽起來很專業的結論。但是你要能知道，它為什么成立，什么時候失效，能不能用來做決策。

最終能承擔決策責任的，不是AI，還是人。

對應的，在報告里，“軟件開發”能力下降了4位。不是說再也不需要寫代碼，也不是說程序員不重要。而是單純產出代碼的溢價正在下降。

今年4月的Google Cloud Next大會上，谷歌CEO宣布：內部75%的新代碼，已經由AI生成。不過，最值得注意的是這樣一句話：“經工程師審核”。

AI負責寫，人負責審。這意味著，未來有能力判斷代碼質量、架構風險的人，才是更看重的。

不只在程序員行業。數據分析師、設計師、市場專員、咨詢顧問，越來越多職業在分化成兩類人：會“產出”的，和會“驗證”的。

會產出的人，正在跟AI搶飯碗，越搶越累，單價越來越低。會驗證的人，正在用AI放大自己的判斷力，單價反而越來越高。

這也是有推理能力的人，升值的真正原因。

到這，可能你會想：要想同時具備數字素養、問題解決能力、創造力、推理能力，這個讓自己不在AI時代淘汰的門檻會不會太高了？

是。門檻確實高了。甚至可能，你今天好不容易補上了這些能力，可能明年又要補新的能力。

那么，最后一種人，也會越來越重要。

05

抗壓韌性：會持續進化自己的人

很多人一聽抗壓韌性，想到的是能吃苦、能加班、能忍、扛得住。這么想，也沒錯，不過，這是過去的理解。

今天的抗壓韌性是，當你賴以生存的工具、流程、崗位結構突然變了之后，你能不能重新找到自己的價值位置。

不是硬抗，它是一種持續進化自己的能力。

比如，你是一個電商運營。10年前，你身上最值錢的能力是：懂搜索流量、懂投放后臺、懂店鋪活動。5年前，懂直播、懂私域、懂內容種草。今年，要懂AI生成內容、懂Agent自動化、懂多模態投流。

每當變化發生，都會讓一部分舊動作變便宜。

比如傳統運營崗位。過去，可能花很多時間寫內容、發內容、整理數據、做日報。AI到后來，這些工作里很大一部分會被加速，甚至被替代。有的人會很焦慮。因為他最熟悉的動作，正在變舊變便宜。

但也有人會往上走一層。

他開始研究什么內容值得做，什么數據真正有意義，AI生成的內容怎么改才適合用戶，哪些流程可以自動化，哪些判斷必須由人來做。

這背后，是抗壓韌性的遞進。1）先承認舊動作會貶值，2）把崗位拆成不同任務，3）可重復、可自動化的交給AI，需要判斷的留給自己，4）不斷讓自己掌握更高價值的能力。

有“抗壓韌性”能力的人，不是不怕變化，而是能快速適應變化。

值得注意的是，報告里的“變革能力”和“敏捷能力”都下降了3位。這不是變化不重要，而是口號式變革、流程式敏捷，不夠用了。

過去很多公司談變革，就是開會、宣導、培訓、建項目組、貼幾個口號。談敏捷，就是看板、迭代、復盤。這些東西有沒有用？有用。但它們如果只停留在形式上，就不夠值錢。

真正有抗壓韌性能力的人，不是“嘴上喊變革”，而是改變工作方式。今天用Excel的，明天就開始讓AI整理制表；今天人工篩簡歷，下周就開始用Agent做初篩；以前管理者直接分派任務，今天重新決定什么給AI做，什么由人來管。

所謂的抗壓韌性，不是情緒上扛住變化，而是在行動上完成升級。

會持續進化自己的人，他們不一定永遠不焦慮。

但焦慮之后，他們會繼續學習、不斷調整工作流、重新找準自己的位置。

只有會持續進化自己的人，才可能在每一次變化中，不斷證明自己的價值。

最后的話

好。總結一下，未來5年，什么樣的人會越來越值錢？

有數字素養的人，會判斷材料能不能信；有問題解決能力的人，會判斷問題找得準不準；有創造力的人，會判斷解法能不能重組；有推理能力的人，會判斷結論對不對；有抗壓韌性的人，會判斷自己能不能繼續進化。

你會發現，它們都指向同一個方向：

未來真正值錢的人，不是單純完成任務的人，而是在AI參與之后，依然能做判斷、做選擇、負責任的人。

麥肯錫報告里有一個數據：

預計到 2030 年，歐美最多有 30% 的當前工作時長可能被自動化；與此同時，超過 70% 的現有技能仍然會保持相關性，但幾乎所有職業都會發生技能遷移。

這意味著，未來5年，人的價值位置變了。我覺得，至少，不能還像過去那樣“只會做事”。

如果你是職場人。你要做的，或許不是往簡歷上再堆幾個技能，而是去問自己，我能為別人提供的、AI暫時給不了的判斷，是什么？

如果你是HR從業者。你要做的，或許不是再問候選人“你會什么”，而是看他“懂不懂如何用AI把事情做成”。

如果你是創業者或管理者。你要做的，或許不是簡單地下命令派任務，而是設計好“什么讓人做，什么讓AI做，結果誰負責”。

我想，這或許是個讓人焦慮的AI時代，但它也給了每個人一個機會，去重新理解自己的價值。

如果你發現自己的能力正在貶值，可以試著開始訓練自己。判斷什么值得做，判斷結果能不能信，判斷結論能不能成立，并且帶著工具和別人一起把事情做出更好的結果。

工具越強，越考驗人。工具越快，越需要判斷。工具越便宜，真正能負責的人，反而越貴。

祝你，成為這樣的人。

共勉。加油。

參考資料：

《McKinsey HR Monitor 2026》：

https://www.mckinsey.com/capabilities/people-and-organizational-performance/our-insights/hr-monitor

觀點/ 劉潤主筆/ 海鹽編輯/ 歌平版面/ 黃靜

這是劉潤公眾號第2982篇原創文章。未經授權，禁止任何機構或個人抓取本文內容，用于訓練AI大模型等用途