企业AI转型能否落地，取决于两个关键问题！

过去两年，越来越多企业加大AI投入：采购模型、搭建平台、招聘CIO，并建立AI治理与伦理框架。然而，真正将AI嵌入业务流程、形成稳定产出的企业仍然有限。

在一位长期关注企业级AI人才的资深猎头看来，症结往往不在模型选型或预算规模，而在于企业是否具备推动组织改变的决心，以及能否建立可供AI使用的数据基础。本次对谈围绕AI转型的关键变量、新型高管角色、人才识别标准和招聘信任机制展开。

01.一号位的持续投入与数据底座，是AI转型的两项前提    

Michael Page：过去两年，许多企业都在加大AI投入。为什么真正实现规模化落地的企业仍然不多？

Marcus：我看到不少企业购买模型、搭建平台、招聘CIO，也制定了AI治理和伦理章程，米高蒲志《人才趋势2026》报告显示，73% 的中国大陆职场人士在工作中经常使用生成式 AI，但有企业级AI应用落地并且产生可衡量的正向收益的企业仍然是少数。

问题通常不在技术选型或预算，而在于很多企业把AI转型当作单纯的技术问题或治理问题。事实上，AI转型首先是人的问题，也是组织问题。它会改变岗位职责、预算分配和业务边界，因此必然涉及组织内部权力与资源的重新配置。

Michael Page：如果要判断一家企业的AI转型能否成功，您最关注哪些因素？

Marcus：我会先看两个问题。

1.一号位能否在未来六个月乃至更长时间里持续相信并亲自推动AI转型？

当企业表示“非常重视AI”时，我首先关注的不是公司口号，而是创始人、董事长或实际决策者是否愿意持续投入。AI转型会改变一些人的职责，重新分配一些预算，也可能使部分工作流由agent重构。如果缺少最高决策者推动，再完整的治理框架也可能停留在演示文稿中。

很多AI项目并不是因为技术失败而终止，而是因为CEO的注意力转向了下一个议题。对真正具备市场竞争力的AI转型负责人而言，一旦高层停止推动，他们通常不会长期留任来做企业的“阶段性资源”。

2.企业的数据底座是否真正具备可用性？

AI落地最难的部分往往不是模型，而是能否把企业数据规范归集、治理，并放到模型能够使用的环境中。新的AI负责人上任后，如果发现数据层长期无法推进，很可能会重新评估这份工作的可行性。
一号位的投入和数据底座这两个变量如果成立，政策、伦理框架、岗位定义等配套工作才更容易顺利展开。

02.企业级AI驾驭官：连接CEO愿景与业务工作流     

Michael Page：您观察到，企业AI转型正在催生哪些新的高管角色？

Marcus：我看到一个新的岗位正在逐渐出现，每家公司都有不同叫法，我倾向于将其称为 Corporate AI Harness Head，即“企业级AI驾驭官”。“Harness”来自AI Agent工程中的Harness Engineering一词，指介于人和模型之间的编排、工具、记忆、上下文与规则。只有模型，企业得到的可能只是一个聪明的聊天机器人；具备完整的Harness层，才可能形成真正可运行的企业级系统。

这个角色负责连接CEO的转型愿景与组织的日常运作，把“管理层想实现什么”转化为可落地的企业级Agent应用。他们还要把企业的真实上下文语境注入AI，使AI能够进入实际工作流，并稳定、朴素地解决问题。

Michael Page：这一角色与传统的首席AI官有什么区别？

Marcus：传统首席AI官往往更偏向治理、合规和伦理；企业级AI驾驭官则更接近“首席翻译官”或“首席语境官”。

理想人选需要能够同时与工程师、董事会和销售团队工作：理解模型和Agent，也理解业务流程、组织利益和管理语言。这个岗位目前非常稀缺，市场需求正在上升，而很多企业甚至还没有形成统一的职位名称。

03.识别AI人才，传统履历标准可能失效 

Michael Page：企业在寻找这类人才时，最容易出现什么误区？

Marcus：真正优秀的企业级AI Harness人才，简历不一定符合传统意义上的“标准答案”。他们的第一学历可能并不突出，职业路径也可能不是知名企业之间的整齐晋升，而是包含大量自驱项目、独立实践和小团队经历。

我见过一位候选人，独立经营一人公司长达九年。在企业级系统部署过程中，他积累了扎实的后端能力和大量真实问题处理经验，因此转向Agent部署时非常顺畅。相反，也有来自顶级跨国公司的技术高管，无法清楚解释基础的Agent ReAct循环。       

Michael Page：这对企业的筛选标准意味着什么？

Marcus：第一批真正具备企业级AI落地经验的人，很多仍处于现雇主的第一轮落地周期，尚未大规模进入人才市场。一旦他们开始流动，如果企业继续依据名校、知名公司或外在表达进行筛选，很可能会错过合适的人。

真正能搭建企业级AI系统的人，往往走过非传统路径：长期自驱学习、持续开展业余项目，或曾在小团队里获得超出常规的自主权。因此，这不仅是招聘标准问题，也是人才供给管道问题。

04.顶尖候选人评估AI战略，重点看PMF与数据成熟度         

Michael Page：高级AI候选人在评估一家企业时，最关心什么？

Marcus：他们通常不会只问企业是否有AI政策，而是会直接追问两个问题。

1.AI转型的产品与市场契合度（PMF）在哪里？

候选人会关注某个AI工作流究竟创造了什么价值：每年能够节省多少成本、提升多少效率，或改善哪些业务指标。如果企业无法给出清晰回答，这个项目更像“兴趣项目”，而不是转型。

2.企业的数据底座是否成熟？

AI的前提仍然是数字化。如果运营、业务和生产数据没有进入数据库，也缺少基本的治理框架，再多模型投入也很难形成稳定回报。能够追问数据底座的候选人，实际上是在判断企业的AI战略是否具备真实落地条件。

Michael Page：这两个问题是否也关系到人才保留？

Marcus：高水平候选人不仅是在选择一个职位，也是在判断这项工作能否取得成果。清晰的业务价值说明AI项目值得长期投入；成熟的数据底座则意味着他们有条件把能力转化为业务结果。两者都不具备时，再有吸引力的职位名称也很难留住真正优秀的人。

5.当JD（职位描述）成为低信号内容，信任变得更加重要         

Michael Page：AI正在改变企业招聘内容的生产方式。JD的作用是否也在发生变化？

Marcus：在人人都能快速生成职位描述的环境中，JD正在成为低信号渠道。候选人往往只会快速浏览公司、薪酬范围和几个关键词，很难仅凭一份写得漂亮的JD判断岗位是否真实、领导者是否可信，以及企业是否具备转型条件。

真正能够传递信号的是信任。猎头与候选人的信任需要多年积累，猎头与客户的信任也来自一次次交付。最终，这种关系会转化为候选人是否相信招聘经理对工作内容、组织支持和发展空间所作的承诺。          

Michael Page：在AI时代，猎头与企业内部招聘团队的价值会如何变化？

Marcus：AI降低了信息生产成本，却无法自动消除信任差。生成式招聘内容越多，能够凭借长期信誉提供真实判断的招聘顾问反而越有价值。

下一阶段能够在AI人才竞争中占据优势的企业，会更加重视“信任中介”：由内部人才招聘负责人和外部猎头共同对岗位内容、领导风格、数据基础和组织承诺进行验证，并向候选人传递一致、可信的信息。

结语：AI转型的核心，仍然是组织能否把技术转化为结果

行业讨论已经从“是否应该投资AI”转向“AI投入究竟产生了什么”。投资人和董事会会更加关注ROI，企业也需要回答AI项目是在兑现价值，还是仍停留在概念阶段。

决定企业AI转型成败的，从来不只是模型能力，而是一号位持续推动的决心、数据底座的成熟度，以及企业能否找到并留住那些既懂技术、又懂业务，还能够推动组织改变的人。市场热度下降后，真正留下来的，会是把这些问题想清楚并落实到组织中的企业。