吸引和留住人工智能（AI）人才已成为全球性挑战，中国也不例外。
在麦肯锡2022年的全球人工智能商业高管调查中，75%的中国受访者坦言在数据科学家的招聘上遇到困难1。逾半受访者表示难以找到合适人才来填补与AI相关的关键岗位空缺，如数据工程师、数据架构师和机器学习工程师等，而这些岗位对于设计、构建和推进产业化的高级数字化与AI能力不可或缺。
我们的最新研究表明，即便市场近期出现收缩，人才招募仍会越来越难。预计到2030年，AI为中国带来的潜在价值有望超过1万亿美元，随着各大企业竞相挖掘这一价值，中国对高技能人才的需求将达到目前（从100万人增加到600万人）的6倍2。（参见附文“关于本研究”了解我们的研究方法。）
而据估计，到2030年，国内外大学及现有顶尖人才储备只能提供约200万（即所需的三分之一）AI人才，缺口将达400万（见图1）。2030年后，随着出生率下滑，大学生人数将减少，AI人才缺口问题将更加严峻。
面对即将出现的巨大缺口，企业应如何确保竞争所需的人才和能力？我们对在华百余家头部公司进行了调查和访谈，揭示出了两大关键洞见：
- 人才缺口各有差异。尽管每家企业都需提升现有员工技能，抛弃传统招聘方式以获取所需人才和能力，但各家公司的投资和干预措施将因各自的数字化成熟度不同而有所差异。
- 本土及跨国企业各有优势。尽管中国高校毕业生更看好本土企业及其创新和基于绩效的激励结构，但在华跨国公司可有效利用其全球网络，从更大的人才库中吸引人才。
针对AI人才挑战，本文深入探讨了企业在数字化成熟的各个阶段应优先关注的人才类型，以及如何更好的获得所需的技能和能力。
人才和技能需求因数字化成熟度不同而有所差异
数字化和人工智能作为重要驱动力，正在为中国创造巨大价值，这就要求一整套的高级技能基础。这些技能大致来自七个领域：客户体验、云、自动化、平台和产品、数据管理、DevOps（）以及网络安全和隐私。尽管企业最终要在各个领域建立人才储备，但我们的研究则表明，企业应根据自己的数字化成熟度，优先选择真正需要的人才。常见的数字化成熟度表现为传统型、混合型和数字型这三类（见图2）。
传统型
传统型是指数字化转型刚启动的企业。这类企业通常仅有小规模的内部团队，且面临较大竞争压力，亟需启动数字化和人工智能转型。它们的转型重点主要为建立数据基础，优化业务流程，并专注于能快速提升业务实效的专门用例（而非构建未来创新研发AI能力）。为此，这些企业应聚焦：
第一类人才是数据管理专家，精通数据架构、数据工程、数据分析和分析转译。他们能搭建数据平台、管道和流程，推动数据开放，形成数据驱动的实时洞见，确保数据质量与治理，并管理用例的生命周期。企业可聘请此类专家，服务数据产品或用例团队，推动新的数字化和AI能力的交付。卓越数据中心也需要此类专家协同设计和监督数据管理流程，确保应有的访问控制、数据质量以及审批和保留政策。
某农业企业构建了集中式企业数据中心，以支持数据管理协议和治理流程，让不同部门的数千名员工享有访问便利，从而推进人工智能和分析用例实践。从此企业无需重复开发新数据管道，因此大幅降低了IT成本，实现了业务方法现代化。例如，利用机器人追踪动物的繁育条件，在检测到潜在疾病和其他问题时自动发出警报。
第二类人才是平台和产品专家，精通软件开发。他们能够定制“软件即服务”（SaaS）或其他外部解决方案，提高业务效率，提供新的面向客户的服务。
例如，某消费电子产品制造商应用AI用例后，优化了生产计划和劳动生产率，之后便开始投资组建数据平台开发团队。该团队将更新底层模型、用户界面、数据管道和后端基础设施，持续强化当前的AI用例，并引入其他用例。
混合型
混合型是指对数字化转型投入巨资的行业成熟企业。这类企业已有较强的内部技术实力与牢固基础，现主要关注简化开发流程，加快新的数字化和AI产品交付速度，以及拓展领域专长提供卓越的客户体验。混合型企业需要精于软件开发的DevOps专家，例如敏捷产品管理、持续集成/持续交付（CI/CD）实践，以及可加快部署的微服务。客户体验专家也是它们所需要的人才，这些专家精于各类预测性分析、设计思维和自动化测试能力，且原型能力强，可为客户打造新的体验。
当然，随着混合型企业持续拓展能力，并在云中托管更多的AI模型和应用，IT效率和服务器支出也将成为一大挑战。我们在2022年进行的云调查发现，超过75%的在华企业计划使用多种云服务，90%计划到2025年混合使用公有云和私有云服务3。为了明确能力需求及不同云服务的运营方式，企业需要具备Kubernetes、Docker和多云架构经验的云专家。
数字型
数字型是指数字原生企业，如科技巨头、人工智能和科技初创企业。此类企业已在多数数字化和AI领域拥有较充足的人才储备，但仍需进一步扩大储备，以满足不断变化的行业预期和技术进步需求。
该类企业的关注重点是网络安全和数据隐私。在中国，由于企业加大了安全和隐私保护力度，或将对AI和数字化有所影响，因此数字型企业需要具备全局视角和系统方法的专家来解决问题，优先获取在产品开发早期进行安全测试（常称为shift-left安全）、零信任安全框架以及数据保护法律和实践的人才。
另一类应优先考虑的人才是精通生成式人工智能、机器人流程技术、机器学习、AI赋能分析和量子计算等技能的自动化专家。他们可推动端到端的自动化开发、测试及部署，以提高将新功能推向市场的效率和速度。
各类跨国公司
对在华运营的跨国公司而言，无论数字化成熟度是高是低，均须确保其AI人才具备在其全球网络顺利开展工作的能力。例如，团队需流利掌握中文及外语，理解其他地域的工作模式，能与全球同事顺畅沟通。领导层要善于建立合作伙伴关系，确保各项工作符合公司的全球IT和AI标准，同时切实满足本土业务需求。产品负责人需要了解不同地区的哪些数据和设计可重复使用和规模化推广，以及哪些数据和设计需要在本地重建，以便满足中国数字生态系统的需求。
例如，某跨国企业的欧洲分公司开发了一款全球交通应用程序，通过谷歌、Facebook和Instagram的消费者交通数据来优化路线。虽然这家分公司在全球的分支机构大都能使用这个应用，但为了从国内平台获取数据，中国的产品负责人需带团队先调整应用，后进行部署。
通过提高技能和拓展人才来源填补缺口
通过对人才“选育留”相关话题的访谈，我们发现传统型和混合型企业在各人才管理阶段都有很多工作要做（见图3）。数字型企业只需在少数几个领域加强，便能保持人才管理优势。
深入研究公司战略，我们发现所有企业在推动数字化和AI人才发展时，最关键的有两点：1，提升现有人才技能；2，多元拓展人才来源。我们的研究表明，对于这两点，不同类型的企业需要采取不同的行动。
提升现有员工技能
提升员工技能是企业获取所需人才的常见策略。我们的研究表明，在华公司可对现有的业务和AI人才替补队伍进行有针对性的能力建设，以获得所需技能（见图4）。
当然，我们的访谈也表明，需要提升的技能最好是那些难找到、难外包或难获取的关键技能，如对遗留应用或现有产品功能的理解（关于如何开启员工技能提升计划，详见图5）。
传统型
分析转译是传统型企业应重点关注的技能。我们的研究表明，缺乏这些技能，业务部门将难以信服，新的数字化和AI举措也将难以落地。提升不同领域业务专家技能，以识别和评估潜在的数字化和AI用例，评估潜在商业价值并支持后期部署，可让传统型企业更快从数字化和AI投资中获取价值。此类培训最好在内部的“分析学院”展开，企业可定制培训内容，并推行学徒制，让专家们学以致用。
例如，某先进制造商为提高员工技能，在转型伊始建立了，帮助200多名员工转型成为分析转译员。
课程包括：1，每周半天的讲座（为期2~3个月），内容包括解决问题、人才和用例要求；2，敏捷交付和变革管理最佳实践；3，针对公司路线图中的用例，开展在岗培训。
上岗以来，这些转译人才推动了50多个新的数字化和AI用例落地。
混合型
目前国内AI人才中，仅有8%具备先进的AI相关技能，如边缘计算、大数据和机器学习，以及认知人工智能4。对于混合型企业，提高现有员工技能水平是转型的关键一环。但这类企业需要增加对线上课程和认证项目的投资。在麦肯锡2022年全球人工智能调查中，只有约三分之一的中国受访公司使用了此类项目（31%的公司使用自主线上课程，29%使用认证项目）⁵。
某领先金融机构根据员工岗位和职业路径，以线上学习为主，提供定制化的学习旅程。每位员工都可使用一款移动学习应用，学习其岗位需要的关键技能建设课程。该应用提供的课程十分丰富，包括Python编程、多云架构部署、数字化转型所需的领导技能等。
数字型
数字型企业最大的挑战将是如何紧跟新兴技术的快速发展步伐，例如生成式人工智能和量子计算。这类企业可鼓励员工积极跟上最新的技术发展（例如安排员工参加学术会议、参与相关研究、申请专利、参加等），帮助他们缩小与新型人才之间的差距。
一家科技公司为员工提供了时间、空间和预算，让他们在现有项目之外，利用新兴技术研究和开发新功能，这为该公司带来了人工智能、区块链和云计算以及新产品创新领域的多项专利和专利申请。
多元拓展人才来源
工作外包和收购基本技术能力（和相应人才）也是在华企业填补人才缺口的途径。跨国公司因其全球影响力，在此方面优势明显。它们可利用其他地区同事开发的现有解决方案，或利用越南和印度等国开发的新能力。当然，企业需要考虑各类财务和监管问题，如确保遵守中国的所有数据保护法规。我们的研究表明，不同类型的企业有着不同的最佳实践。
传统型
传统型企业必须迅速行动起来，追赶人工智能和数字化领军者，才能保持竞争力。通过招聘和培训新人来启动数字化转型，特别是在劳动力市场紧张的情况下，可能需要大量时间。一种快速获取AI人才和能力的方法是与垂直IT和SaaS提供商合作。一些企业领导会在寻找新人才的同时，先通过此类合作推进工作。例如，上文提到的消费电子制造商在构建人才战略的同时，外包了新的AI优化模型开发。借此，该企业在8周内将新能力投入了生产（并产生价值），如果完全靠培训新人，可能需要多几倍的时间。
其他企业可能会与外部供应商合作，由供应商搭建数字系统的整体基础架构。例如，某中国工业车辆供应商聘请了一家领先的软件公司，集成六个以上的商业和工厂系统，包括企业资源规划、制造执行、产品生命周期管理、供应商管理、人力资源和商业情报。项目历时三年多完成后，该公司推出了一系列用例，包括能提高研发效率和加快新产品上市的协作式产品设计系统。
将工作外包时，应确保相关的所有数据和技术策略符合公司的战略重点，供应商可基于这些重点工作进行设计决策。如此，企业可以让多个供应商参与不同的任务与项目，并确保所有解决方案都可无缝共享数据和洞见。
混合型
在下一阶段的数字化转型中，外包对于混合型企业极具价值，可提高现有技术专家的覆盖面和生产率。外包也可为技术人员减负，让其无需耗费大量时间维护升级中后台的遗留系统。
如今，与人力资源、财务、传播和业务流程自动化相关企业软件解决方案已在中国不断发展成熟，企业可快速将这些系统迁移云端，重新把AI人才部署到高价值的用例项目中。在其他情况下，公司可利用第三方资源，为团队构建新的数字化或AI解决方案的部分内容。
数字型
许多数字原生公司发现，频繁的扩张和重组导致科技人才流失率高企，招聘成本高昂，对公司的持续增长造成了威胁。对数字型企业而言，随着人才缺口的扩大，通过战略收购进入新市场或业务领域将是更优策略（较之内部建设新能力）。
以字节跳动为例，其通过此次收购获得了新的虚拟现实（VR）能力，应用得到了拓展，还获得了一个VR专家团队，为其继续构建新能力。
_____________
展望未来，中国对AI人才的需求将呈现供不应求的趋势。领导者需要激发创造力，确保企业拥有足够的人才储备和能力，才能保持未来十年的竞争力。企业可优先考虑提升现有人才技能，战略性地通过外包和收购，填补人才缺口，从而在全球各大市场建立竞争优势。
作者：
Wouter Maes是麦肯锡全球董事合伙人，常驻北京分公司；
艾力（Alex Sawaya）是麦肯锡全球资深董事合伙人，常驻香港分公司。
作者感谢童潇潇和王凌奕本文的贡献。
