在周一的西南偏南 (SXSW) 大会上,一家大型科技公司的人力资源主管向观众表示,虽然生成式 AI 工具正在替代一些传统上由入门级员工完成的工作任务,但这并不意味着这些工作岗位会消失。
IBM 首席人力资源官 Nickle LaMoreaux 说:"我认为我们需要重新思考入门级工作的定义。"
本周在德克萨斯州奥斯汀举行的 SXSW 大会上,人工智能是一个重要议题,包括围绕责任、创造力、信任和合成数据使用的讨论。浏览 SXSW 的议程可以看到,如果这项技术还没有进入我们的生活,它未来可能会以各种方式渗透进来。
一个重要的方面是:AI 正在改变我们的工作,也在改变我们获得工作的方式。LaMoreaux 表示,公司需要在员工身上寻找不同的特质——那些在机器身上找不到的特质。
AI 能当招聘经理吗?
LaMoreaux 说,许多公司已经在使用 AI 筛选简历或过滤求职者,但 IBM 并不这样做。这个决定取决于公司对使用这类工具的接受程度,以及它是否符合公司的文化和目标。使用这些工具的目的是减少偏见,但有时它们反而会强化或放大偏见。
她说,IBM 是一家"技能优先"的公司,这意味着他们关注候选人的技术技能,而不是这些技能的来源。LaMoreaux 担心算法会拒绝那些来自非传统背景但具备工作所需技能的候选人。
AI 将影响你下一份工作的招聘过程的重要方式是,它会改变公司寻找的技能类型。工作本身将发生变化。
"我认为你会看到选拔方法试图挖掘人才获取中独特的人性化部分,"LaMoreaux 说。
有一点你不应期待:你将与你的 AI "数字分身"一起申请工作的想法。这些 AI 代理可能会由你的雇主开发,用于处理雇主的工作——一家公司不会让你带着所有这些信息去竞争对手或其他企业。
"如果你离职了,它不会跟随你到下一份工作,"LaMoreaux 说。"它将专门为那个角色服务。"
关注人性化技能
如果相信 LinkedIn 上的意见领袖,近年来最热门的新工作是生成式 AI 提示工程师,即在获取 AI 模型最佳输出方面有专长的人。但 LaMoreaux 表示,AI 工具正在变得如此用户友好,以至于提示工程不再像以前那样重要。"'提示工程师'和'邮件起草者'是一回事,"她说。
未来的劳动力市场将需要更多具有领域专业知识的工作者:能够查看 AI 模型输出并识别哪些有效、哪些无效,哪些正确、哪些不正确的人。这种领域专业知识还将帮助做出机器无法胜任的决策。
"有了 AI 和生成式 AI,领域专业知识变得更加重要,而不是更不重要,"LaMoreaux 说。
她表示,判断力和沟通能力——做出正确决定并有效解释这个决定的能力——将成为雇主寻找的最重要技能。
新型入门级工作
LaMoreaux 预计 AI 工具将处理一些更基础的工作,但它们无法处理所有事情。它们将通过减少低层次工作来提高员工的生产力,但在处理高层次决策工作时仍然需要人类。
"把它想象成电子邮件、手机或互联网,"她说。"AI 是一个工具,是一个平台。每个工作都被它改变了。"
如果数字工具接管了更多原本由正在学习工作和积累经验的工作者处理的工作,这些工作者该如何学习执行更高层次工作所需的技能?
LaMoreaux 说,雇主需要重新思考新入职员工的角色。这些工作需要特别关注培养 AI 无法完成的技能,包括解决复杂问题和做出复杂决策。
"当我说 AI 正在改变所有工作时,我指的是全面的工作重新设计,"她说。如果雇主不认真考虑如何改变入门级角色以支持员工成长,可能会导致一代工作者无法获得可用工作所需的技能。
好文章,需要你的鼓励
美国连锁超市巨头Albertsons正在基于Databricks构建商品智能平台,整合产品、定价、促销与陈列等决策功能,目标是在2026年底前全面向门店运营商落地。该平台以Databricks Lakehouse存储零售数据,通过Unity Catalog与AI Gateway实现数据治理,并借助AI智能体Genie支持自然语言查询,帮助商家洞察销售趋势,提升决策效率。此举是Albertsons今年四项AI核心战略投资之一。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
微软正将Windows 11打造成真正的AI操作系统。在Build大会上,微软展示了AI模型与智能代理如何深度融合进Windows 11,让用户通过自然语言完成系统操作。借助Windows ML框架,超过5亿台PC已可在本地离线运行AI任务,无需联网、无token费用、数据不离设备。Office、Photos、Teams等应用已支持本地AI能力,Adobe、WhatsApp、Canva等第三方也在积极跟进,企业级AI PC采购需求有望加速。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。