AI 时代，90% 的培训将消失，企业人才发展将这样重塑| EP. 73

大家好 ， 欢迎回到这一期的 "101 号谈职场 "。 我想先邀请大家想象一个画面 ： 假设多年以后， 一个企业里的中层甚至高层的管理者 ， 第二天要开一场非常重要的会议 。

这场会议可能决定了一个项目要不要推进 ， 决定了两个部门要不要彻底撕破脸 ，也决定了作为老板以后会不会把更大的责任交到他的手里 。

那如果是今天 ，2026 的今天 ，他很有可能会做的事情是熬夜到半夜 ， 自己去改提纲 、 改 PPT、 改说法 ， 反复想财务的总监会怎么反驳他 ， 销售的负责人会不会打断他 ， 老板最想听到和最不想听到的那种表达 。

当然 ，他也可能会发动手下的团队帮他一起来改 ， 一起加这个班 。 但是在多年以后的 AI 时代 ， 很多事情可能就会变得不一样 ： 它不太需要一个人熬夜去准备 ，也不太需要人工去做相应的准备 。AI 可能会在 10 分钟里就给他 3 版结构 、5 种表达的风格 ， 甚至可以直接模拟几位关键与会者可能会抛出来的各种各样的问题 。AI 可以帮他把信息收集 、 整理好 、 把

逻辑补齐 、 把素材铺开 、 把表达润色到一个看起来 " 那么像是一回事 " 的程度 。 也就是说 ， 准备这件事本身 ， 变得不再那么困难了 。

但是恰恰真正难的部分 ， 可能从这一刻才开始 。 难的不再是准备了 ， 难的是当准备变得容易以后， 一个人再也不能把 " 不会判断 " 伪装成 " 不会准备 "。

因为现在摆在这个管理者面前的问题 ， 已经不再是 " 我到底应该怎么讲 "，而是 " 我到底想达成什么业务目标 "。

我究竟想要推进这个业务的方案 ， 还是想要这个事情背后的资源的重新分配 ？ 财务的反对到底是一个专业的判断 ， 还是部门相关利益的受损 ？

如果说这个会谈崩了 ， 我愿意承担什么样的后果 ？ 我的最佳的替代方案是什么 ？ 如果会议最终如我所期的谈成了 ， 那我又希望可以把组织往哪个方向推进 ？

今天我想就着这期节目来抛出一个我对于未来的一个大概的研判和妄想 ：AI 时代最先被拿走的 ， 往往不是结果 ，而是那些可以被快速标准化 、 模板化 、 自动化的 "Task" 或是 " 任务 "。

而真正留下来的 ， 才是作为人最为可贵 、 也是最贵的部分 ： 判断 、 取舍 、 关系 、 责任 ，以及你为什么要为组织推进这样的一件事情 。其实我真正想要一起来探讨的是 ， 当 AI 越来越多地把 Task、 把任务接过去之后， 那人才的发展 、 个人的学习和成长模式到底会发生什么样的变化 ，以及这种变化接下来会怎样来重塑企业的人才发展 、 培训 、 学习设

计这一系列的领域 。 但这一次 ， 我不仅仅会站在一个旁观分析者的位置上聊 ， 我也和 AI 有反复的 、 多轮的沟通和畅想 ， 把我自己的每一门课 、 每一个产品都带入进去 ， 希望能够更好地得出关于我自己的经历的这些可能的变化 ，也分享给大家 。

今天我做的是培训 ， 做的是教练 ， 做的是企业的咨询的顾问 。 我已经能明显地感觉到 ， 客户来 approach、 来找到我们的那些方式在变 ， 客户要买的东西也在变 。

过去很多人来找我们 ，是因为他们要做一场关键的汇报 ， 要有一套 PPT， 希望我们能给一些反馈的建议 ， 怎么样能讲得更加清楚 ， 想要理一理结构 ， 想要把一件事说清楚 。

但是未来 ， 或许越来越多的这类的工作 ，AI 都可以接住一大半 。 它能帮你排版 ， 能帮你理逻辑 ， 能帮你出结构 ， 能帮你润色表达 ， 甚至能帮你模拟好几个版本 。

所以对我来说 ， 我一直在思考的问题是 ，其实不是 AI 会不会抢走我的某些工作 ，而是当我的某些工作可以顺利地把当中这些 Task 的部分承包给 AI 之后， 那么企业还为什么要来找 CORI？

他们为什么要来买我的时间 、 我的判断和我的陪伴 ？ 企业的人才在发展的过程当中， 又应该把时间和精力投在人才发展的哪些部分 ？

这是我真正想要探索的部分 。 而且我今天会意识到这个问题 ， 希望更多把它放在一个企业的管理者 、HRD、 人才发展的负责人， 甚至业务负责人的角度来谈 。

因为对组织来说 ， 真正棘手的问题从来都不是 " 员工会不会用 AI"，而是当完成任务这件事被 AI 接管而变得越来越便宜之后， 组织还应该培养什么样的人 ？

还应该为哪些人才去买单 ？ 还应该为哪些学习和发展的行为去买单 ？ 应该怎样判断一个人的成长到底能不能产生对应的商业价值 ？

今天的这些探索 ，并不是我一个人坐在那里拍脑袋想出来的 ， 它背后有几个支点 。 第一个支点是郁博发的一篇文章 。

郁博是前阿里的前端第一人， 现在也创业了一家 AI 的公司 ， 叫做 Umai。他在极客上有非常非常多关于 AI 的未来的研判和发展 。在他极客中的一篇文章里面 ， 我会贴在 show notes 里 ，他其中就有非常戳中我的地方 。

这篇文章里面写到说 ， 很多事情正在从 " 先把过程学会再去做结果 " 这样的一个现状 ， 变成了 " 先在 AI 的陪伴下拿到一个结果 ， 回头再慢慢补充理解 "。

这句话一旦落到学习上， 就会对现在的人才的发展 、 人才的成长产生巨大的冲击 ，因为它其实改写了我们默认的过去的成长顺序 。

第二个支点是英伟达的黄总 ， 黄仁勋在做客应该是 Joe Rogan 的这个 podcast 播客的时候 ， 举了一个非常经典的一个例子 。

这个例子我也在多次的我们线下的沟通表达的课程 、 麦肯锡问题解决的课程等等等等 ， 反复地提到这个例子 。

黄仁勋提到说 ， 放射科的医生 ，他一度被认为说会随着 AI 的发展而面临大面积的裁员 ，但事实上恰恰相反 ， 放射科医生的人数还增加了 。

这是为什么呢 ？ 因为在他的定义里 ， 放射科医生真正的 purpose 存在的目的 ，并不是读图 ，而是诊断疾病 。

而读图这件事情 ， 读 X 光 、 读什么 CT 这些东西 ，不是 purpose，不是那个目的 ，而是一个任务 ， 是一个 Task。 所以当 AI 把读图这个任务做得越来越快 、 越来越精准的时候 ， 结果并不一定是放射科的医生消失 ， 相反是他们承担了大量放射科医生过去要花时间去承担的工作 ，而医生可以聚焦在他们真正的那个 purpose， 那个目的 ， 叫做诊断疾病上 。

因此他们能诊断更多的疾病 ，也因此整个医院的诊疗能力被放大了 ， 检测量被放大了 ， 进而需要了更多的医生 。

所以在这个体系里面 ，有一个非常重要的一句话 ， 叫做 Task 是可能被接管的 ，但 purpose，也就是那个目的 ， 一旦被放大 ， 人反而会变得更加的重要 。

这是我的讨论的第二个支点 。 第三个支点是过去一段时间 ， 教育界和行业的研究对于 AI 的学习和判断 。

无论是 Stanford 关于人类学习未来的讨论 ， 还是 Brookings 对于 AI 是否在增强还是替代认知参与的这一些提醒 ， 包括宾州的大学对于 AI 时代再技能化的一系列的观察 ， 包括 LinkedIn 从企业学习到人才发展端 ， 都给出了大量的这些趋势的研判 。他们其实都在指向同一个方向 ， 叫做未来真正值钱的 ，不是更快地把内容交出去 ，而是更好地去组织认知的过程 、 练习系统 、 反

馈机制 、 判断边界 ，以及学习和真实业务结果之间的这个连接 。 所以今天的这期节目 ， 我们不是在试图制造一个焦虑 ， 我们是尝试来探索一件事情 ， 就是人的发展和学习模式本身 ， 它的底层可能开始有一些变化了 ， 将会变得越来越从 " 做好一个任务 " 而演化成 " 更好地去理解你的任务和实际的业务目的之间的这个关联 "。

换句话说 ， 很多以前我们说的这些中层 、 基层要做的这些事情 ，在变得越来越不那么的 ， 怎么说 ，在学习层面来说 ， 变得不那么的需要消耗你大量的时间 ， 可以被 AI 接管掉 。

那么这部分的学习和发展 ， 就遇到了非常大的动摇 。 它背后可能会有几个原因 。 第一个原因就是我们说的 ， 很多过去靠训练获得的标准动作 ， 它正在被批量的压缩 。

很多过去的学习 ， 本质上是在训练人完成一套标准化的动作 ： 你要学怎么搜集资料 、 怎么搭建结构 、 怎么写初稿 、 怎么做汇报 、 怎么把一份内容整理得像模像样 。

但是今天 ， 这些事情已经不是一点点的优化了 ， 它是可以被整块地用 AI 压缩掉的 。 比如以前别人来找我 ， 可能会因为明天要去做一场非常重要的 CEO 的汇报 ， 可能因为明天一个技术性的创始人要去做一场投融资的演讲 ，但是他第一版的提纲都提不起来 ，他陷入了知识的诅咒 ， 会写大量的冗长的各种的材料 ， 只能拉着我开始从框架开始想 ： 我们要

不要讲背景 、 要不要放数据 、 最后结论放前面还是后面 ， 然后我要教他大量的结构和表达的这些基本的基础 。

但是未来 ， 很多这种从零开始起板结构 、 从零开始画画布的工作 ， 很有可能在 AI 的 10 分钟的产出下， 你就能拿到三四版了 。

也就是说 ， 过去需要靠长时间训练才能掌握的标准动作 ， 正在迅速地下放成一种基础的能力 。

这样一来 ， 如果学习还只是停留在这些标准动作上， 价值是不是就会变得越来越弱 ，而且会变得越来越便宜 ， 它会不值钱 。

第二个原因是什么呢 ？ 第二个原因是 ， 当 Task 这件事变得便宜 ， 当然我们说的便宜是 token 的持续下降 ，token 的单价的持续的规模下降的这个前提 。

就当 Task， 当完成任务变得越来越便宜之后， 我们一直强调的在 AI 领域内的那个 context、 那个语境 、 那个上下文 ， 会变得越来越贵了 。

很多人会误以为说 ，AI 让事情变得更容易了 ， 所有的工作和所有的成长都会变得更加轻松 ，但其实恰恰相反 。

越是信息获取非常容易 ， 越是内容生成越来越便宜 ， 越是考验一个人对于业务的本质 、 对于业务的目的的判断 、 对于场景的感知 、 对于关系的理解 、 对于后果的承担 、 对于我们不同的部门在当下这个项目之间的合作的动态 ， 到底我应该怎样去躺平每个人之间的关系 ， 这些东西变得越来越重要 。

也就是说 ， 任务这件事情的成本和重要性都在下降 ，因为 AI 能给出一个水准以上的答案 ，但是你的 context、 你的语境 、 你对语境的理解的清晰程度 、 你对于不同部门之间合作的那个动态 、 你对于当下这个任务 、 对于企业的战略起到的支持 ， 它的重要性正在上升 。

比如同样是一场跨部门的汇报 ，AI 可以非常清楚地帮一个管理者把稿子写得非常顺 ， 把反对意见列出来 ， 把表达润色得非常漂亮 ，但 AI 不会替他决定这场会议到底应该是争预算 ， 还是争老板的信任 。

财务总监在反对的 ， 到底是一个专业意见上的某个财务的数字 ， 还是一种权力的姿态 ？ 它在当下的需求 ， 到底是一个业务需求表述的 ， 我们必须把 ROI 保持在怎样的水准上， 还是一个他个人的情绪的表达 ， 说你过去的每一次会议都没有让我参与在里边 ， 所以今天我必须要说一些事情来宣誓我的主权 ？

这些东西 ， 如果说没有清晰的语境的判断 ，AI 是没有办法帮你写出一个真正合适的框架大纲 ， 你也不知道在什么样的场景下应该 cue 谁去发言 。

你会发现 ， 当 Task、 当任务被 AI 做掉以后， 真正难的部分全都留在了这些对于语境的判断里 。 对组织而言 ， 这句话的翻译其实就是 ， 过去你可能只需要招那些会做事的人 ，但未来你更需要招的是一个在复杂的业务场景 、 复杂的跨部门协作场景里能做出非常精准的研判的人。

过去你可能只需要采购一门教动作的课 ， 未来你更需要建设的是一套让人形成判断 、 承担后果 、 持续校准的成长系统 。

这是第二个原因 。 我们再来说说第三个原因 ， 学习或者成长这件事情的核心也在发生变化 。 它在从掌握答案转向一个组织认知的过程 。Stanford 关于这部分的讨论其实特别提醒我 ， 就是高质量的学习不是一句话生成一段文字这么简单 ， 它其实涉及了推理 、 挣扎 、 意义的建构 。Brookings 里面也强调说 ，AI 只有在增强而不是替代认知参与时， 才真正有它的教育

价值 。 它背后其实在传递的是一件事情 ， 就是未来学习的差别其实不再是你对于知识知道多少 ，而是你手里的这些知识是否能被有机地组织起来 ， 共同参与到你思考决策的链路里 。

而最终重要的是 ， 你在每一个当下知道运用什么知识去应对当下的某一个业务的场景 、 业务的需求 。

比如今天一个人可以完全让 AI 直接给他一套行业的分析 、 一版商业的方案 ， 甚至看起来非常有模有样的一个融资的一套讲稿 。

但如果他把学习和发展的动作停在了说 " 我把这个答案拿到了 "，他可能就误以为说 " 我已经具备了对应的能力 "。

但一旦投资人追问一句 " 你在这件事情上当下的研判为什么是这样做出的 ？ 你在这件事情当中的优先级为什么是这样排布的 ？

这背后你的核心的关键假设是什么 ？ 你已经验证的假设是什么 ？" 很多人在拿到 AI 给到的那个答案的时候 ，他回答不出这些问题 ，他没有把那些知识和判断组织到他的有机的思路当中 ，他就会立刻露馅 。他没有真正地组织他自己的认知过程 。

说得再狠一点 ，他并不是学会了 ，他只是把答案抄到了自己的嘴里 。 所以如果我们把上述的三个层级的信息叠在一起看 ， 你会发现一个非常深的变化 。

过去学习很大程度上， 或者个人成长很大程度上， 我们是在训练怎么做 ，但未来学习成长会越来越多地训练我们为什么做 、 为谁做 、 做到什么程度才算完成了 。

如果做错了 ， 这个结果是否是可以承担的 ， 谁来承担 ？ 就像我在很多企业授课的时候 ， 前几周密集地在授课这门内容 ， 叫做问题定义 ，其实是脱胎于麦肯锡七步法的这个逻辑 。

我们反复在问大家一个问题 ： 你这个当下的 solution， 你这个当下的 task， 到底是为了解决什么问题而存在的 ？

你是在为谁 、 解决什么场景下的什么困扰 、 解决到什么地步 ， 才算是你当下这个 solution 想要达到的那个核心的目标 ？

这些都问完了之后， 再会问一个非常灵魂直击的问题 ， 就是你一定要通过这个任务 、 通过这个项目 、 通过这个解决方案来完成吗 ？

现在我们大量的企业当中的员工都限于

时间上的成本 ， 对吧 ？ 领导布置了一个任务 、 布置了一个 task、 布置了一个 solution 之后， 你要赶紧往前推 。 但未来如果我只会赶紧往前推这件事 ，而没有办法理解这个背后真正的业务目的 ， 那么我和 AI 的区别又是什么 ？

如果我和 AI 没有区别 ， 那么留着我的意义又是什么 ？ 所以在这里 ， 我自己会越来越相信黄仁勋所提到的这句 ， 叫做 purpose， 或者说业务目的 ， 或者说 problem， 真正解决什么问题会变得越来越重要 。

而那个任务 、 那个 task、 那个 solution、 那个解决方案 、 那个产品 、 那个 product， 它会变得越来越不在这一刻那么重要 。

当然我在这里必须要防杠 ， 我们要说的是 task 不是不重要 ， 应该这么说 ， 就是 task 不那么重要了 ，不等于 task 不需要了 。

因为没有经历过 task 真实磨练的人 ，他的 purpose 很多时候是无法被校准的 。 这个我回来后晚点再讲 ， 我们先接着往下走 。

假设说 AI 真正地在改写学习的模式 ， 人的成长到底会怎么变 ？ 企业又需要怎样成长过的人才呢 ？

我的判断是这个样子 ， 我和 Gemini 聊了好几轮 ， 我们的判断大概是这个样子 ， 会出现几个非常重要的变化 。

第一个变化是 ， 人的学习会从积累知识转向他是否有能力调用系统 。 过去我们默认一个很厉害的人， 就是他知道很多 ，他记得很多 ，他掌握了很多的信息差 ， 越来越多 ， 就是越来越多的知识塞到他的脑子里 ， 就意味着你去问他的时候 ，他能回答的问题 、 他能解决的问题可能会很多 ， 对吧 ？

但未来我们会认为说 ， 可能越厉害的人未必是脑子里塞了最多内容的人 ，而是能最快地搭建起系统的人 ，他知道怎么样去提问 、 怎么样去验证 、 怎么样去调用 AI、 怎么判断哪些信息可信 、 怎么样把一个模糊的问题拆解成可以推进的路径 。

说得更加直接一点 ，以后靠知识 、 靠知道的多 ， 已经没有办法撑起一个人的竞争力了 。 靠信息差已经没有办法 ， 我说的信息差是公寓的公开的信息差 ， 那些语境信息差不在我说的这个信息差的范围里 。

这个靠公寓知识的信息差 、 行业知识的信息差 ， 已经不足以支撑起一个人乃至一家公司的竞争力了 。

比如以前一个管理者要准备一场业务的复盘 ，他需要收集资料 、 需要梳理数据 、 需要和同事访谈 、 需要搭起分析的框架 ，但未来他可能需要做的事情未必是需要比别人记得更多 。他可能很快就拉起一个系统 ， 让 AI 帮他生成一个问题树 ， 让团队在这个问题树的基础上来补足相应的真实的数据 ， 让反方的数据 ， 让反方的这个人来挑漏洞 ， 然后自己再把最关键的三

条研判给拎出来 。 所以最后在这个过程当中， 能为公司真正产生价值的人， 不是那个有大量的行业知识的人， 也不是那个有非常好的分析框架的人 ，而是那个最会组织这套系统的人。

换句话说 ， 未来我们说的那个真正被发展好的人才 ， 可能和他的记忆 、 可能和他的经验 ， 经验很难来做一个百分之百的切分 ， 就是可能不完全是靠他知道多少东西了 ，而是他的系统感是最好的人 ，他能非常好地组织我们这个组织内部的一个工作流程 ， 把这个系统调用起来 。

第二个变化是 ， 人的成长会从掌握一个任务转向形成一个真实的业务判断 ， 这个判断指向于这件事对于我们的业务目的到底能产生怎样的影响 。

这是判断的方向 。 以前我们说成长经常是在讲技能包 ， 比如最简单的工具型技能包 ， 你会不会 PPT， 你会不会 Excel， 稍高一点的软技能 ， 你会不会沟通 ， 你会不会带团队 ， 会不会写方案 ， 会不会结构化的表达 ， 这些技能树在未来当然仍然有价值 ，但是它们的价值却越来越没有办法独立存在了 。

真正的价值是你知道在什么样的场景下怎么用 、 为什么用 、 用到什么边界 ，以及你愿不愿意为这个判断做复杂 、 做非常复杂的责任的研判 。

很多人不是不会做 ，而是从一开始就做错了 。 比如我现在会收到很多需求 ， 表面上看上去好像是在问表达的 ， 说 "Corey， 我这一页 PPT 这样排 ， 讲得够不够清楚 ？

我的听众能不能接收到我的产品的核心的卖点 ？ 我的投资人能不能看到我的公司核心的竞争力 ？

你看我这 PPT 怎么排 ？Corey， 你帮我看一看我这次汇报的结构 ， 我的老板能不能被我用这样的结构来说服 ？"

或者甚至会说 "Corey， 我这段话是不是太啰嗦了 ？ 你帮我改改词可不可以 ？" 从低级别的员工到高级别的员工 ， 很有可能都在这个层面上有相应的需求 。

但我会发现说 ， 真正决定结果的其实往往不是这些 task 本身 ，而是更加上游的判断 ， 就是你这次的汇报到底在认知 、 在情感 、 在行动层面上， 希望得到这次汇报的听众怎样的改变 ？

是要他在行动上给到你资源的批复 ，是要他在认知上建立对于你初步的信任 ， 还是要在整个的会场当中建立一种场域 ， 形成说你在这个位置上是相对来说比较称职的 ， 从而保住你的位置 ？

你真正要影响的那个人是谁 ？ 你现在应该主动地暴露风险 ， 还是应该先保住你的合作关系 ？ 这些东西如果没有想清楚 ，而直接进入到那些 task 的部分 ，PPT 怎么排布 ， 很有可能就是把一件错的事做得非常漂亮 。

所以我会越来越觉得说 ， 人越来越值钱 ，其实不是因为他会做 ，而是因为他对于他所处的环境的语境有清晰的判断 ，而基于这些判断 ，他知道要做哪些 task。

如果站在老板的视角 ， 如果我们的听众当中你是一个管理者 ， 你是一个老板 ， 这句话还能再往前推一层 ， 未来组织里面最值钱的人可能不一定是最忙的人 ，也不一定是文档产出最多的人。

就写文档这件事曾经一度好像还挺值钱的 ， 好像写文档写得多 ， 好像这个人还挺厉害的 。 但在未来我们会认为说 ， 一个在组织里面真正贡献价值的人， 是一个能在关键时刻判断我们应该做什么 、 不值得做什么 、 什么应该现在做 、 什么先不要做 、 晚点再做的人。

这是在组织里面真正值钱的人 ，而他形成这些判断 ， 背后需要的东西就是他对于业务的理解 ，他对于业务目标的理解 ，他对于组织内部的动态的平衡的理解 。

第三个变化是 ， 人的学习会从独自的完成转向于与 AI 的共学 、 与他人的共同的建构 。 未来的很多的学习 ，在和 Gemini 的对话当中， 它给到的判断是 ，不会是一个人把自己关在房间里看网课 、 磕教材 ， 然后学会了 。

当然现在我们自己在倡导的很多的学习手段已经是由输出带输入了 ， 它不能只是在自己的学习了 。

当然未来这件事情会被进一步的颠覆 ， 未来更会像你把 AI 当成一个研究的助手 、 当成一个陪练的对象 、 当成一个反方的意见的生成器 ， 甚至是一个反馈的装置 。

与此同时， 你也需要越来越知道哪些部分必须要回到人与人的对话当中， 必须要回到真实的协作里 ， 必须回到冲突和反馈里才能真正的学好 。

所以一个人上网课掌握一个技能的这个时代 ， 可能还没有结束 ，但它已经不够了 。 比如我们给一些企业主做困难对话这种培训 ， 我们现在可能会越来越多地让 AI 去模拟它的潜在的下属 ， 模拟它的跨部门的老板 ， 模拟它的跨部门的同事 ， 可能先把话术给练上个十遍 ， 这会是有帮助的 。

但真正让它生长能力的可能不是这十一次的模拟 ，而是那十一次之后， 它真的走进那场会议里 ， 它在那场会议里发现对方的表情变了 ， 它发现气氛凝结了 ， 它发现自己的身体僵住了 ， 发现自己原来准备好的那个话说不出来了 。

这些事实的数据的反馈会让它意识到人和人之间的这些摩擦 ， 对于它理解当下的公司的语境 、 业务的语境 ， 会有进一步的帮助 。

所以很多的未来的成长并不再是通过认知的内化就能完成的 ， 它必须通过人际的这些摩擦 ， 那些通过现实后验的结果 ， 通过一次次的我以为我懂了 ，但其实我没懂的那些时刻暴露出来 。

这是我们所说的第三个可能的变化 。 第四个变化也是我认为最重要的变化 ， 叫做人的成长会越来越聚焦于业务的 purpose。

因为当 task 变得越来越容易外包的时候 ，也就是黄仁勋说的放射科的医生读图这件事 ，他的 task 被外包到 AI 了 。

当 task 在各行各业都越来越容易被外包的时候 ， 一个人真正的价值就可能更不取决于他做了多少的动作 ，而是他在为什么样的问题负责 ，他到底在服务于什么样的目标 ，在推动什么样的结果 。

以后最贵的不再是完成 ，而是定向 。 比如未来的客户来找我做教练 ， 可能不太会问说 "Corey， 我这一页的 PPT 怎么改 ， 才能看上去好看 ， 才能让投资人觉得我特别有卖点 ？"

这件事其实 AI 就能告诉你反馈 ， 对吧 ？ 它应该怎么改才能更加好看 。 但我们可能会被问到的这个问题叫做 ， 这次的和投资人的沟通 ， 我们要不要把前几轮的那些冲突给挑明 ？

这次我们真正要做的是方案得到通过 ， 还是方案即使不通过 ，但是我们能够得到团队的被投资人的认可就足够了 。在企业内的这个环境里叫做 ， 可能我这次的预算没有得到批复 ，但至少我们先种下了一颗种子 ， 我的长期的种子的发芽是在三个月后还是六个月后 。

这些会变得越来越像是以后的教练的逻辑下， 培训的逻辑下， 我们要去探索的那些问题 。 所以你会发现最后大家尝试去买的不再是那个 task，而是共同捋清楚我的 business purpose， 我的

human resource level 的这些 purpose 到底是什么 。 所以我特别想把这句话再重复一遍 ， 就是未来其实在玉博的研判 ，在黄仁勋的研判下， 我所衍生出来的这些部分 ， 我会认为说未来最稀缺的不再会是做事的人 ，而是很清楚的知道我为什么要做这件事 ， 为谁做 ， 做到什么样的地步才算成的人。

但我们讲到这里 ， 很多人可能会说道理我都懂 ，但这个是不是有点太大了 ？ 所以我想把这个大落到我自己的身上 ，因为我们只在旁观者的角度讲趋势 ， 这个听上去就会是一个看起来很装逼又离现实很远的一些判断 。

但对我来说 ， 我尝试着把这些东西做了一些很具体的一些对应 ， 所以可能会从这些角度来给大家一些相应的 。

如果是今天的话 ， 我们其实还是会收到很多的需求 。 有人希望我们做培训 、 做教练的过程当中， 会很直白的说 ：" 我们让所有的员工把一整套的 PPT 全部讲一遍 ， 然后你来给他点评一下， 看看他这样的讲述是否能在客户面前是有好的效果的 。"

我现在觉得他的 PPT 太丑了 ， 这 PPT 怎么能这么丑的 PPT 见客户呢 ？ 这些逻辑在今天其实都是真需求 ，因为很多人自己确实还做不到 。

但放到以后， 我们会说其实这当中相当一部分的需求 AI 就会帮你承担掉 ，AI 会把你的 PPT 做得非常好看 ，AI 可以帮你出结构 ， 可以帮你出逻辑 ， 可以出好几个版本 ， 甚至模拟听众的问题 。

但这些事情未来不会是最贵的那个部分 ， 我们未来依然有可能没有通过 AI 去解决的需要人才发展的那部分自己的能力是什么 。

就是大家可能会问的问题叫做 ："Corey， 你帮我看一看 ， 今天在这样的语境下， 面对这个客户 ， 我最核心要淬炼出来的那个核心的一句话的主旨到底是什么 ？

今天我会议结束的那个目的到底在哪一个层级的设定才比较合理 ？ 是当场把合同签下来 ， 还是我们先往前推进一步 ， 让他能够在现有的基础上签订适用的合约 ？"

甚至可能是 ："Corey， 你能不能帮我看一看 ， 这次会议背后我们组织可能会承担一些什么样的后果 ？ 我们在这个局面当中应该承担什么 ， 放弃什么 ？"

所以未来一个人才他需要发展出来的这个方向 ，不是把一个 task 做完整 ，而是能够有能力去做 purpose 方向的研判 、 关系和责任的那些梳理 。

而一个教练和一个培训师值钱的地方 ，也不再是教会别人怎么做 task，而是帮助别人去做他们的 purpose、 关系 、 责任层面的这些梳理 ， 或者帮他们具备这样的一些能力 。

我前段时间就遇到了一个业务负责人 ，他也特别的焦虑 ，他不是焦虑团队不够努力 ，而是焦虑团队越来越像样 ， 却越来越不让人放心 。

什么意思呢 ？ 就是他发现团队做的汇报的材料越来越会写了 ， 越来越会做汇报了 ， 越来越会搭框架了 ， 很多东西一眼看上去都很好 ， 逻辑完整 ， 措辞漂亮 ， 速度也很快 。

但是一到真正要拍板的时候 ，他经常会发现团队给出的某些数字背后真正的那个意图 ， 团队自己都没有想清楚 ， 这个项目到底要解决什么问题 ， 谁才是关键阻力 ， 代价是什么 ， 成了之后组织的收益是什么 ， 失败了谁来承担 ？

组织这个团队也没想清楚 。 所以他自己后来总结了一句话说 ，他以前最害怕的是团队不会做 ，但他现在最怕的是团队看起来都会做 ，但其实不知道自己在为什么而做 。

所以这句话其实就是很多老板和管理者都会面对的新的问题 ，因为 AI 时代最麻烦的其实不是员工不会产出 ，而是员工会越来越容易产出一堆像成果的东西 。

对于组织如果还沿用过去的那些看动作 、 看材料 、 看似很高完成度的那些培养逻辑 ， 就很容易误判 。

也就是说未来组织真正的挑战已经不是把人训练得更会干活 ，而是把人训练得更会判断 ，他到底在解决什么样的问题 。

如果我们把这段话翻译成更加容易理解的话 ， 就是 Gemini 的总结是这样说的 ， 说未来人的学习可能会被分成两大段 ， 第一段是底层心智和体感的构建 ， 这大概应对的是过去我们的儿童青少年基础教育的阶段 。

但它未来最重要的使命已经不再是背诵 、 计算 、 掌握标准答案 ，而是帮助一个人建立几个更底层的东西 ： 对物理世界的真实感 ， 对痛苦的挫败的承受力 ， 对于美丑好坏的品味 ， 对复杂问题的好奇心 ，以及对于他人处境的同理心 。

以前可能一个孩子要先学十年乱七八糟的东西 ， 对吧 ？ 不能说乱七八糟 ， 对不起 ， 我用词不当 。

但未来可能一个孩子不需要先学十年，AI 已经能帮他写代码 ， 能帮他出图 ， 能帮他写方案 。 教育真正需要保住的不再是如何制造出一个结果 ，而是形成 ，而是帮助一个人去理解如何形成自己是一个不会轻易放弃 、 不会轻易被假结果骗倒的一个人。

所以未来的基础教育里那些高摩擦 、 低效率但非常真实的东西会变得非常有价值 ， 比如体育 、 比如手工 、 比如深度的阅读理解 、 比如哲学的讨论 、 比如艺术的鉴赏 、 比如那些真实的协作 。

它们表面上看起来并没有在提升效率 ，因为 AI 再帮你提升效率 ， 它们不需要去学怎么提升效率 。 但这些看上去并没有在提升效率的东西 ， 它们在帮人做最重要的校准 ： 它的空间感 、 它的受挫感 、 它的审美 、 它的价值感 、 它的判断力到底是什么 。

如果暂时说得直接一点 ， 就未来教育不需要再教孩子们怎么做 task 了 。 应该这么说 ， 就不是完全不需要 ，而是不能只把孩子培养成一个会做 task 的人 ，因为那些能力机器一直在追赶 。

但一个人如何感知世界 、 如何形成他的审美 、 他的品味 、 如何提出正确的问题 ， 这些在真实关系里长出的同理心 ， 这些东西才是他未来能不能拥有更好的去理解业务 、 去理解人 、 理解目的的那个核心的引擎 。

这是第一段 。 第二段是在复杂的场域里的那种存在感的那种判断和导航感 ， 这个更接近我们过去说的成人学习 、 职场学习或者管理者发展的这个部分 ，但它的中心 ， 它的中心的那个核心部分也会被改写 。

过去成人学习很多时候是在补方法 、 补框架 、 补模型 、 补流程 。 我们在企业里讲课的时候 ， 经常给出一个模型 ， 让所有人拿起手机开始拍 ，但未来各位你不需要拍 ，AI 都可以告诉你 ， 未来这些东西不会彻底消失 ，但它们不会变得值得你掏钱去买了 。

未来最贵的是一个人怎么在复杂的人际网络 、 组织权力 、 业务后果和自我意义当中稳住自己 ，并且推动去拿到那些结果 。

也就是未来的成年人要学的越来越不是我怎么把一件事做得很像样 ，而是我是谁 ， 我在这儿替什么样的结果负责 ， 我要怎么样在复杂的关系里去捍卫我的业务结果 ， 如果我可以 ， 如果我不可以 ， 那分别意味着什么 。

所以如果整个人的学习的过程来看 ，AI 逼出来的并不是学习消失了 ，而是学习和发展它的重心发生了偏移 。

前半段更强调的是把一个人可以生长出来 ， 后半段更强调的是一个人怎么把自己的判断能力给长出来 。

前半段帮你建立了感知世界 、 提出问题 、 形成品味和价值观的能力 ， 后半段是帮一个人在组织 、 商业 、 关系当中把这些东西变成真实的决策 、 影响力和责任承担的能力 。

所以在这个完整的坐标系里 ， 我们再来回看企业当中的人才发展 、 学习设计 ， 它们一定会被改写 。

我自己的判断就是 90% 的培训师都会死掉 ，因为他们在教的可能就是 Task 方向的东西 。 很多企业的培训可能未必会被 AI 完全替代掉 ，但是它们一定会被 AI 越来越指出它们的意义的那些背后的动摇 。

如果一门课重新讲一遍知识点 ， 重新教一遍模板 ， 重新演示一遍标准动作 ， 未来 AI 都可以做得很快 、 很便宜 、 很个性化 。

你很难说服一个组织花大量的预算让一群人坐在教室里重复去获得那些本来就可以通过 AI 生效的信息 。

未来什么东西会变得更值钱 ？ 我觉得至少有四类的东西会变得更值钱 。 第一类是在高压情景模拟下的那种陪练 ，因为很多时候人们不是没听懂 ，而是做不到 ， 只有把它放在一个低风险但高仿真的场景里 ， 让它练 、 让它犯错 、 让它即时看到后续的后果 ， 它才能长出能力 。

第二类是反馈系统和行为的校准 ， 未来最贵的可能不一定再是内容了 ，而是基于内容的那些反馈 。其实我们现在的很多课程已经在尝试做这件事了 ，因为我们会发现说大家很容易就查到一些 AI 的结果 ，但是自己却用不好 。

所以我们不再是讲课 ， 我们更多的是帮一些人在用它这些工具的过程当中反复的校准 ， 直至它的行为真正的发生变化 。

第三类是管理者的教练化 ， 真正的成长越来越不会只发生在课堂当中 ，而重要的是发生在日常的带人 、 日常的反馈 、 日常的决策 、 日常的复盘当中 。

第四类是关于 Purpose 和 Business Context， 我们说的业务语境的澄清 。 未来的组织不会再问一个人说你学了没有 ， 你会这个不会 ，而是更多的问的是你要调用一些怎样的知识和能力 ， 才能判断说当下的这件事用怎样的方向来做 ， 才能更好的把事做成 。

但一旦事情变成了把事做成 ， 我们就绕不过去说我们到底要用的 ， 我们到底要解决的业务问题是什么 ， 我们真正的成功标准是什么 ， 哪些 Task 是交给 AI 的 ， 哪些判断必须是留在人身上的 。

也就是说未来的优秀的人才的发展 ， 未来的优秀的 HR 不再是课程的采购和项目的执行 ， 它更像是一个系统的设计师 。他们要设计的不仅仅是内容 ， 还包括了说在一个组织的内部 ， 哪些东西是 AI 可以 cover 的部分 ，不再是人所需要去聚焦的能力 ， 哪些东西是人所需要的 ，他保留自己的那些判断的部分 ， 这些部分又怎样去得到相应的提升练习 ， 哪些可以通过 AI 的练

习就提升 ， 哪些可以通过真人的培训师教练的模式才能陪伴他们的成长 。

讲到这里 ， 我也可以拿我自己的课来做一些例子 。 我有几门比较典型的课 ， 就一定会面临这样的冲击和挑战 。

比如第一门课是麦肯锡的七步法 ， 问题的定义和解决 ， 结构化拆解之类的课程 。 这门课以前在教什么 ？

教大家的是怎么定义问题 ， 定义完了之后怎么拆解问题 ， 拆解完了问题之后怎么生成对应的解决方案 ， 然后怎么样出数据分析 ， 然后最后怎么样出方案 。AI 来了以后， 哪些部分会被容易拿走 ？

那些在一个既定的问题底下怎么把框架填完整 ， 把结构搭漂亮 ， 把方案写得非常像画的这种能力 ，AI 非常擅长 。

但什么会变得更加值钱 ？ 叫做你能不能界定真正的问题是什么 ， 你能不能识别说这到底是效率问题 ， 还是协同问题 ， 还是战略问题 ， 还是在一开始它就是个伪问题 。

所以这门课以后会怎么教 ？ 我们可能不会再教大家怎么样去拆 Task 了 ， 我们会更加注重把时间和精力聚焦在一件事情上， 就是我们到底在解决的是什么问题 。

它不再训练怎么拆 Task， 它会更多训练我们怎么去界定一个 Business Purpose， 怎么去识别一个真正的业务的 Problem， 怎么为这个问题的定义去负责 。

站在老板的视角 ， 这门课真正值钱的地方不再是让团队会做分析 ，而是让团队怎么样学会少做伪分析 ， 少在错的问题上投入正确的努力 。

第二门课是我们讲的人与人之间的沟通 ， 尤其是那种汇报类的 ， 你无论是对投资人 、 是对 CEO 的老板这种汇报沟通表达类的课程 。

这门课过去在教什么 ？ 是在教大家怎么把话讲清楚 ， 你的信息怎么组织排布 ， 它才符合 MECE 的完全穷尽彼此独立的逻辑 ， 怎么样让你的表达更有逻辑和条理 。AI 容易拿走什么部分呢 ？

是那一版看起来很顺的表达 ， 它润色语句的那些部分 ， 它都可以帮你来做掉 。 什么东西会变得更加值钱 ？

就是你到底有没有看懂你的沟通对象 ， 这个沟通对象他在乎什么 ，他害怕什么 ，他会反对什么 ，他会为什么买单 。他在过去的某一次的会议当中的某一个表情透露了他对什么样的信息感兴趣 ，他在过去的某一次的全员的大会上透露了哪一类的决策背后是怎样的驱动 。

这些东西在有脑机接口之前 ，AI 都没有办法替你去理解 。 这部分的沟通的能力的核心越来越不是表达自己 ，而是判断对象 、 理解场景 、 识别利益和组织影响 。

这门课以后我们会怎么教 ？ 我们会越来越少的聚焦在怎么样把你的结构讲得更加漂亮 ， 我们会越来越多的训练人在 AI 的时代怎么样去搞定那个活人。

而对于老板来说 ， 这门课更重要的东西也不再是团队怎么样会汇报 ，而是让关键岗位的人能在跨部门的博弈 、 能在向上的沟通 、 能在资源的争取当中真正的去推动那个结果 ， 能看清楚那个核心的决策点到底卡在了什么地方 。

第三门叫做跨部门的影响力 ， 里面包括了利益相关方的管理 ， 或者所有的组织方推动相关的这样的一门课程 。

这门课以前在教什么 ？ 我们教的是 Stakeholder 的 Management， 教的是资源的推动 ， 教的是跨部门协作的基本逻辑 。AI 最容易拿走的是什么东西 ？

其实是帮你列清楚你的利益相关部门的图谱 ， 能帮你写邮件 ， 能帮你出方案 ， 甚至能帮你做一些冲突的预演 。

什么东西会变得更贵呢 ？ 是你在具体的场景里对于不同的人的节奏 、 信任 、 感知 、 不同部门的 KPI、 互相之间的那些冲突背后的缘由 。AI 没有办法帮你判断一句话是今天说还是下个会议讲更好 ， 没有办法帮你判断什么时候该强硬 ， 什么时候该示弱 ， 什么时候该给台阶 ， 什么时候该留白 。

所以这门课以后我们会怎么教 ？ 整个的人的图谱的生成 ， 这种打标签的动作 ， 我们不会再聚焦在里面 。

我们更多的教的是怎么样通过过往的信息 ， 怎么样通过一系列的行为去收集更多的你的利益相关人的图谱 。

这些收集完的非常充分的信息 ， 就可以交给 AI， 让它帮你编织那个图谱 ， 进而你就会得出一个判断说 ，在当下的协作的关系里 ， 我最需要去影响的 Decision Maker 决策者是谁 ， 我更需要去影响的 Influencer 那个影响者是谁 。

从组织的价值来看 ， 这门课未来并不是在教大家如何好好配合 ，而是更多的在尝试降低部门协作之间的摩擦成本 ， 减少在关键项目上死在项目协同上的这些概率 。

所以我们讲到这里其实已经 ， 我觉得已经讲得挺多了 。 我最终想说 ， 如果今天我们只能带走三句话的话 ， 我觉得可能是这么三句 。

第一句是 AI 时代最先被拿走的 ， 往往不是那个工作的结果 ，而是那些可以被标准化的任务 。 第二 ， 那个任务可能会被自动化 ，但是那个业务的目的 、 那个要解决的问题一旦被放大 ， 人反而会变得更重要 。

第三 ， 未来最值钱的人才的发展 ，不是一个人才能不能掌握更多的答案 ，而是能不能形成更好的判断 。

没有经过真实的任务所打磨过的这些判断 ， 很有可能也不可靠 。 这几个问题会远比最近又出了哪个 AI 工具要重要得多 。

因为一个新工具来了 ， 我们过去培养的人做课程 、 做判断成长价值的逻辑都开始发生了变化 。 不知不觉已经录了这么久了 ， 我们今天就到这边吧 ， 感谢大家的时间 ， 拜拜 。