同样用AI，顶尖人才靠什么拿到最大红利？

不少人以为AI能抹平绩效差距，但调研显示，AI带来的最大收益往往集中在顶尖人才手中。他们不仅用AI节省时间，还主动探索工具，把AI视为思考伙伴。企业可以通过调整人才筛选、岗位设置、工具选择和权限管理，逐步适应这种变化。

生成式AI引发了两种截然不同的观点，围绕哪些从业者能获益最多。一种看法认为，AI会缩小绩效差距：它直接嵌入工作流程，为表现一般的员工提供模板、答案和指导。另一种观点则认为，AI会拉大差距——常规但必要的工作被自动化后，顶尖员工能腾出更多时间投入高价值工作，而这正是他们擅长的领域。

单独看某一项任务，表现好与普通的员工可能都能受益。但关键问题是，放到真实岗位中（员工需同时处理一整套不同工作），两种效应综合下来哪一方占上风。这个答案会直接影响企业的招聘、培训、团队搭建，以及为现有人才结构设计的各类管理制度。

本文作者中有两位是研究技术的经济学家，第三位是Terret公司首席执行官。为研究头部企业里AI的影响，我们把调研焦点放在销售岗位上。销售岗位适合理解AI如何影响绩效：它包含重复性工作和高度依赖判断力的工作。研究结果尚未在其他渠道发布。我们访谈了贝恩资本创投CRO顾问委员会里八位营收高管，与销售负责人开展了十多场顾问研讨会，并对Stripe与Checkr两家公司的236名销售从业者做了问卷调查。

核心结论之一：AI整体上对所有员工有帮助，但至少在积极拥抱AI的前沿企业中，最大红利往往流向顶尖员工。 本文将拆解原因。简单来说：AI能节省时间，但更重要的是放大顶尖员工已有的优势。实现这一点，管理者需处理四个关键问题：如何招聘、面试适配AI时代的人才；如何重新设计入门岗位；哪些AI能力自研、哪些采购；以及如何平衡背景信息集中管控与探索创新权限下放。 虽然研究聚焦销售，但核心矛盾（AI是缩小还是扩大技能差距）很可能在大量岗位上重演，只要工作混杂常规任务和重判断类任务。

自学探索者的崛起

为什么顶尖员工能从AI里拿到更多收益？

我们最初预想的逻辑很简单：AI接管重复性工作，顶尖员工用省下的时间对接更多线索、维护更多客户账户。调研数据印证了这点。问卷里绩效更好的销售代表节省的时间多于表现偏弱的同事；管理者反馈，引入AI后，44%位于前25%的顶尖销售被分配更高价值任务，而末尾25%的员工里，只有12%。

但还有一个更核心的机制：顶尖员工更熟悉AI工具，甚至能自己搭建工具；他们在整个交易周期使用AI，而不只解决零散问题。除了节省调研、写内容、整理文档的时间，他们把AI当成思考伙伴，用于打磨策略、复盘沟通、预判客户异议、演练谈判话术。这种全面应用提高了成交率。管理者反馈，顶尖员工实现工作质量提升的比例比末尾梯队高16个百分点，意味着绩效增长不以损害客户体验为代价。

不少人认为这类辅助工具对能力偏弱的员工帮助更大。比如有研究显示，客服坐席通话时，屏幕自动弹出AI建议，业绩普通的客服会明显受益。但销售场景不同：销售代表需主动挑选工具、设计工作流，还要适应快速变化的技术套件。

AI素养是决定绩效差异的核心。 问卷中，受访者给自己的AI素养和收益打分，分值1到5分。素养每提高1分，收益平均上升0.71分。AI素养不等于信任AI（信任度和收益几乎无关），它指：会使用现有AI工具、能快速上手新工具、甄别AI输出内容、排查错误、懂得何时由人把控决策。这个区分关键——AI工具更新太快，静态培训无法覆盖新用法。

顶尖员工不会等公司安排培训。他们是主动自学探索者，这让他们更易吃到AI红利。这类人通过试错、快速迭代、同行对比、分享经验，建立AI素养。管理者反馈，成功要素包括：高管以身作则、鼓励试错、同伴知识共享、标杆用户提供实操案例。

访谈中有不少例子：顶尖员工在公司官方培训外持续提升技能。比如Checkr的一名销售，在工具普及前自己搭建了谈判智能助手。Checkr首席运营官琳赛·斯克雷瑟说，这种贴合客户场景的创造性用法，是顶尖销售拉开差距的地方。斯克雷瑟介绍，随着AI工具进化，Checkr的销售现在能生成个性化潜客消息、搭建工作流管理客户资源、捕捉信号，提升商机转化和客户体验。类似的案例也出现在金融科技公司Brex：一名员工周末开发了实用AI工具，之后在公司内部推广。

重新思考招聘与人才输送通道

如果主动自学探索的人更容易脱颖而出，企业在招聘、岗位设计时，要重点筛选、培养这种特质，而不只看员工会不会“使用AI”。 埃森哲软件与平台业务全球行业负责人凯文·亚洛维茨提到：顶尖人才可快速适应AI环境，其他人需结构化培训和持续支持。

因此，筛选学习适应能力是招聘中必要的一环。管理者不要只问候选人“会不会用AI”，而应问对方怎么学习AI。 高质量面试需深挖：候选人有没有搭建或优化AI工作流？有没有对比过AI输出结果、识别过AI错误？有没有用AI为特定客户做沟通准备？或有没有因客户场景敏感选择不使用AI？

这类提问把考察重点从工具熟悉度转向好奇心和自主学习能力，帮企业找到愿意优化工作方式并能说明原因的候选人。访谈中有一个启发性的面试思路，来自一位高管：他会让候选人“分享你为准备这场面试，用到的AI交互记录”。

除了招聘，管理者需重新设计入门岗位——这些岗位是员工走向更高职级的跳板。销售开发代表（SDR）岗位集中暴露了这个难题。SDR大部分线索挖掘、商机培育工作偏重复、有固定规则，适合AI自动化，但它也是销售职业的起点。面对矛盾，Brex首席营收官加勒特·马克选择重构岗位：把20%–40%的手工工作自动化，让有上进心的SDR用省下的时间独立跟进全周期交易。如果SDR在完成指标的同时，拿下一定数量全周期订单，可直接晋升客户专员。企业没有全盘自动化，保留了入门员工依靠努力、创造力创造价值的空间，借此区分两类人：一类是被AI赋能、持续成长的未来顶尖员工；另一类是完全依赖AI、把决策权交给工具的人。改造后，岗位吸引到更优候选人，内部晋升增多，新人上手速度加快。

技术方案怎么选：自研还是采购

“自学探索者”的优势不只取决于个人特质，还取决于销售能拿到什么工具、能否灵活组合工具，这对企业技术栈提出高要求。 AI的价值与选用工具紧密相关。我们访谈的企业都在精简供应商、重构交互界面，仔细判断哪些工作环节需依托企业专属业务数据。

过去，销售在多个不连通工具间切换：Salesforce、Gong、Outreach、ZoomInfo、表格、Slack等。现在管理者搭建更连贯的运营层，打通多系统数据（CRM记录、通话转录文本、产品使用数据、合同信息、公开信息），汇聚到统一界面，形成完整业务背景。比如Checkr评估了约20家服务商，搭建AI控制中心层，整合多个系统。

企业该直接采购成品工具，还是内部自研？克里斯托弗之前在《哈佛商业评论》另一篇文章探讨过。通用任务、成熟、不需企业专属信息的工具，优先采购。Stripe前首席营收官艾琳·奥马拉提到，对话智能平台Gong在通话录音、推荐动作上做得好，Stripe不会自研。但涉及敏感数据、复杂产品逻辑、行业专属规则的任务，Stripe选择自研。

Brex思路相近：现成工具处理通用任务，真正差异化竞争力来自专属数据和业务逻辑。Vercel首席运营官珍妮·格罗瑟说，智能体表现好离不开结构完善的数据层，里面要写入企业对客户、客户分层、机会的定义。

以上案例来自AI能力深厚、资源充足的前沿企业。其他公司做决策时需更细致考量：内部技术储备、项目复杂度、落地风险、回报周期。 埃森哲的亚洛维茨提到，评估自研方案要算清总体拥有成本，包含平台服务费、Token成本、开发人力和维护成本，必须一事一议。

集中管控背景信息，下放探索创新权限

顶尖员工能挖掘出中央团队事先想不到的AI用法，这就引出第二个运营问题：哪些权限要集中，哪些要下放？

调研结果支持混合模式：背景信息层集中管控，创新探索环节充分放权。

企业要集中管理背景信息层：数据、权限、审核通过的知识库、评测标准、可稳定上线的智能体、工具清单，以及CRM相关安全约束。智能体的效果和合规性依赖干净统一的数据、一致的业务定义、稳定的风控机制。销售反馈的风险也印证集中管控的必要性：不同工具给出矛盾结论、AI输出内容出错、知识库信息过时、重要场景需保留人工审核。

而探索创新，应交给一线。顶尖员工、重度使用者往往能发现贴合特定客户场景的用法，这些是总部团队难快速识别的。问卷显示，绩效优秀的团队会自己搭建轻量化工具、每周举办AI分享会、交换提示词，还会用Lovable这类自然语言开发工具快速做原型；验证有效后，再交给中央团队打磨、向全公司推广。

这套混合模式，让一线先发掘有价值的AI应用；验证可行后，再产品化：接入系统、加固安全、建立指标、留存文档、配套培训、淘汰重复工具。头部企业普遍在做三件事：集中管控业务背景数据、下放探索权限、把验证过的优质工具和方案推广产品化。

AI并不会单纯取代销售岗位工作，也不会自动拉平绩效差距；对于那些依托自身优势搭建配套体系的个人与企业，AI能带来远超平均水平的显著增益。能不能提升生产力，关键看销售和管理者能否把省下的时间转化为对客户更深的理解、更成熟的交易策略、更合理的人工判断。因此，管理者最核心的工作是分清边界：哪些环节交给AI自动化，哪些用AI辅助增强，哪些工作必须保留人的主导。在这一过程中，像南宫娱乐这样的平台也可以为从业者提供资源支持。

关键词：#AI

克里斯托弗·斯坦顿、贾斯汀·施里伯、西蒙·鲁达特|文

克里斯托弗·斯坦顿是哈佛商学院创业管理方向教授。贾斯汀·施里伯是Terret公司联合创始人兼首席执行官。西蒙·鲁达特是德国奥托·贝希海姆管理学院创业与创新方向博士生。

周强|编校

本文来自微信公众号“哈佛商业评论”，作者：HBR-China，36氪经授权发布。