重大創新來自行業外？美國專家成長路徑受威脅，討論背后更深問題

在本周科技、媒體和金融行業領袖齊聚太陽谷之際，人工智能無疑會成為討論的中心：它的發展速度驚人，商業潛力巨大，幾乎將影響所有行業。但在這股熱潮之下，還有一個更安靜、也可能更重要的戰略問題：如果人工智能正在讓知識變得更加普及，持久競爭優勢的來源將是什么？

答案并不只是更好的技術，而是更強的專業能力。人工智能擅長分析性思維和復雜數據整合。它可以綜合海量信息，識別復雜數據集中的模式，輔助人類判斷，甚至在客戶互動中模擬共情。那些直到不久前仍能區分高績效專業人士的能力，正在迅速變成基本要求。

隨著人工智能壓縮常規知識型工作的價值，真正更稀缺的，轉向了機器仍難以復制的思維方式：把看似無關的想法聯系起來，重新定義問題，并提出新的解決方案。也正是在這里，深厚的專業能力不再只是職業資歷，而成為一種戰略資產。當價值重心轉移到連接無關想法、重構問題和生成新解法時，人類仍然優于技術。

這一點對擁有深厚專業能力的人尤其明顯。他們在各自領域解決復雜問題時，往往持續優于非專家，也優于人工智能。他們的優勢并不只是“知道得更多”。

多年的刻意練習會從根本上改變他們的思維方式。專家能更快識別有意義的模式，更高效調取相關知識，并通過更豐富、聯系更緊密的心理模型來評估問題。與其每次都從零開始處理決策，他們更常依靠成熟的內部框架，因此能夠提出更具適應性、也往往更有創新性的解決方案。

不過，這種優勢高度依賴具體領域。正如心理學家蒂莫西·索爾特豪斯所說，專家是“不斷在越來越小的范圍內學到越來越多的人”。專家思維的復雜性也可能出人意料地脆弱。一旦離開自己的學科邊界，他們的表現往往會迅速下降。

深厚的專業能力也可能帶來盲點，限制思路。研究顯示，在真正全新的問題面前，非專家有時反而比專業人士表現更好，這種情況出現在醫學、預測等多個領域。大約60%的重大創新，最初都來自最終被其改變的行業之外。這提醒人們，新的視角常常會挑戰那些專家早已不再質疑的假設。這也構成了人工智能時代最關鍵的人才挑戰之一：組織需要的是能夠持續跨越邊界學習的專家。

在人工智能時代，培養專業能力的關鍵在于經驗的廣度。研究表明，接觸多種不同挑戰，有助于人們建立更豐富的心理模型，同時增強一種認知能力：面對新情境時，能夠從中學習，而不是僅僅依賴過去經驗。廣度會把技術能力轉化為適應性專業能力。

對組織而言，這意味著人才戰略不能再只聚焦于深度專業化，而必須有意識地把深度與廣度結合起來。讓不同學科的專家建立聯系，是實現這一點的一種方式。

跨職能實踐共同體可以讓專業人士借鑒相鄰領域的洞見，使他們接觸到原本在各自封閉體系中不會遇到的問題、視角和思維方式。寶潔等公司長期采用這種“建設性突破”模式，因為它們認識到，創新往往產生于學科交叉地帶，而不是單一學科內部。

技術也可以強化這種連接。那些主導太陽谷討論的人工智能工具，或許最有價值的用途之一，就是幫助專家更有效地協作。越來越多的公司，如HumanCorps，正在使用新興人工智能工具，識別不同職能專家之間出人意料的聯系，并加快思想交流。目標不是用人工智能取代專業能力，而是用人工智能幫助專業能力持續累積、放大。

如果進一步追問專業能力究竟是如何形成的，這一挑戰會顯得更加緊迫。歷史上，許多重復性工作曾是未來專家的“學徒階段”，但隨著人工智能將初級崗位任務自動化，這類機會正在消失。

如果在研究、分析和推理上過度依賴人工智能，還可能削弱深厚專業能力所依賴的認知“肌肉”：批判性思維、模式識別和獨立判斷。若不進行有意識的干預，組織在10年后可能面臨專業能力缺口。原因未必是人才短缺，而是積累了足夠經驗、能夠成長為真正專家的專業人士變少了。

組織可以通過更有針對性的人才培養來對沖這種侵蝕。像TalentXTools這樣的學習技術公司，正在構建企業專屬的商業模擬系統，以一種更有參與感的方式，讓員工接觸大量相關挑戰，把它作為經驗的數字化替代。

企業對職業早期人才戰略的投入也在重新加強。例如，SAP正在有意識地重設其人才策略，明確目標是培養職業早期專業人士的專業能力，以擴大創新規模。在設計這類人才項目時，通常會納入崗位輪換、戰略項目和沉浸式實踐，以提供經驗廣度，同時由教練和導師充當學習加速器。

從這兩類過程中通過診斷工具獲取的數據，也可以用來更精準地投向正式教育和技能發展。這會提高投入回報和參與者的投入度，因為正式學習模塊會顯得更具個性化，也更貼近實際需要。

如果說專業能力是價值創造和持續競爭優勢的重要驅動力，那么有針對性的人才項目——無論是數字化還是線下形式——都提供了必要的支撐框架。它們幫助組織培養成熟的能力和深厚的領域知識。若再配合跨領域連接機制，以及為慢思考和高質量協作而設計的工作環境，這種深厚專業能力就能與人工智能的速度和效率形成互補，以創新幫助企業領導者建立保持領先所需的未來適應力。

當高管們離開太陽谷時，他們很可能會帶走關于模型、芯片、基礎設施以及如何降低人工智能成本的新想法。這些討論當然重要，但未來10年表現更突出的組織，未必是那些擁有最大算力預算的機構。