同样用AI，顶尖人才靠什么拿到最大红利？ - 开云

一些人认为AI会拉平绩效差异，但调研表明，AI的最大好处往往被顶尖人才获得。他们不仅用AI提升效率，还主动探索工具，将其视为思考伙伴。企业需逐步调整招聘、岗位、工具和权限设置，以应对这一变化。

生成式AI催生了两种对立观点，关于谁受益最多。一种观点是AI缩小差距：嵌入工作流程，为普通员工提供模板和答案。另一种是AI扩大差距——自动化常规任务后，顶尖员工有更多时间专注高价值工作，而他们本就擅长这些。

单独看任务，表现好与普通的员工都可能受益。但关键是在真实岗位中，员工需处理整套工作，两种效应综合后哪方占优？这影响企业的招聘、培训、团队搭建和管理制度。

本文作者包括两位经济学家和Terret公司CEO，该公司帮助机构在营收团队落地AI。为研究AI在头部企业的影响，我们聚焦销售岗位。销售适合研究AI对绩效的影响，因为它包含重复性和判断性工作。研究结果未在其他渠道发布。我们访谈了贝恩资本创投CRO顾问委员会的八位高管，与销售负责人开展十多场研讨会，并对Stripe和Checkr的236名销售从业者做问卷调查。

核心结论之一是：AI整体上有帮助，但在积极拥抱AI的前沿企业中，最大红利流向顶尖员工。 本文将解析原因。简单说，AI节省时间，但更重要的是放大顶尖员工的优势。管理者需处理四个问题：如何招聘适配AI时代的人才；如何重新设计入门岗位；哪些AI能力自研或采购；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缩小还是扩大差距——可能在大量岗位重演，只要工作混合常规和判断任务。

自学探索者的崛起

为什么顶尖员工从AI中获益更多？

我们最初认为AI自动化常规任务，顶尖员工用省下的时间处理更多线索和客户。数据部分印证这点。问卷显示，绩效好的销售代表节省时间更多；管理者反馈，引入AI后，44%的顶尖销售被分配更高价值任务，而末尾员工只有12%。

但更核心的机制是：顶尖员工更熟悉AI工具，甚至自己搭建；他们在交易全周期使用AI，而非仅解决战术问题。除了节省调研和写作时间，他们把AI当作思考伙伴，打磨策略、复盘沟通、预判客户异议、演练话术。这提高了成交率。管理者反馈，顶尖员工工作质量提升比例比末尾梯队高16个百分点，绩效增长未以损害客户体验为代价。

有人可能认为，这类辅助工具对能力弱员工帮助更大。例如，研究显示客服坐席通话时，AI建议自动弹出，普通客服受益明显。但销售场景不同：销售代表需主动选择工具、设计工作流，适应快速变化的技术。

AI素养是决定绩效差异的核心。 问卷中，受访者自评AI素养和收益，分值1-5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（信任度和收益无关）。它指：使用现有工具、快速上手新工具、甄别输出、排查错误、知道何时由人决策。这区分关键，因为AI工具更新快，静态培训无法覆盖新用法。

顶尖员工不等待培训或演示课。他们是主动自学探索者，这让他们更易获得AI红利。他们通过试错、迭代、同行对比、反馈交流，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。例如，Checkr的一名销售在AI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，这种创造性用法是顶尖销售与其他人的差距。随着AI进化，Checkr的销售可生成个性化消息、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。类似案例出现在Brex：一名员工周末开发了AI工具，后在公司推广。

重新思考招聘与人才输送通道

如果主动自学探索者更易脱颖而出，企业招聘和岗位设计需重点筛选这种特质，而非只关注“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支持。

因此，筛选学习适应能力是关键。管理者不应只问“你会不会用AI”，而应问如何学习AI。 高质量面试需深挖：候选人是否搭建或优化过AI工作流？是否对比过AI输出、识别错误？是否为特定客户用AI做准备？或因风险高选择不使用AI？

这类提问将重点从工具熟悉度转向好奇心和自学能力，帮企业找到愿持续优化工作方式的候选人。访谈中有启发性的面试思路：一位高管让候选人“分享你为准备面试，用到的AI交互记录”。

除招聘外，管理者需重新设计入门岗位——这些岗位是员工晋升的跳板。销售开发代表（SDR）岗位集中暴露难题。SDR大部分线索挖掘工作偏重复、有固定规则，适合AI自动化。但它是销售职业的起点，是客户专员的人才来源。

面对矛盾，Brex首席营收官加勒特·马克重构岗位：自动化20%-40%的手工工作，让有上进心的SDR利用省下的时间跟进全周期交易。若SDR完成指标并拿下一定数量全周期订单，可直接晋升客户专员。企业未全盘自动化，保留入门员工创造价值的空间，区分两类人：被AI赋能、持续成长的未来顶尖员工；完全依赖AI、把决策权交给工具的人。改造后，岗位吸引更优质候选人，内部晋升变多，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”的优势不仅取决于个人特质，还取决于销售可获取的工具和组合灵活性，这对企业技术栈提出高要求。 AI价值与工具选择紧密相关。我们访谈的企业都在精简供应商、重构界面，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、通话转录、产品使用、合同、公开信息），汇聚到统一界面，形成完整业务背景。例如，Checkr评估约20家服务商，搭建AI控制中心层，整合多个系统。

企业该采购成品工具还是自研？通用任务、市场成熟、不需要企业专属数据的工具优先采购。Stripe前首席营收官艾琳·奥马拉提到，对话智能平台Gong在通话录音和推荐上表现好，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，如笔记提取录入CRM；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，智能体表现好需结构完善的数据层，包含企业对客户和机会的定义。

以上案例来自AI能力深厚、资源充足的前沿企业。其他公司做自研/采购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

顶尖员工能挖掘中央团队未想到的AI用法，引出第二个运营问题：哪些权限集中，哪些下放？

调研支持混合模式：背景信息层集中管控，探索创新环节充分放权。

企业需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安全约束。智能体的效果和合规性依赖干净统一的数据和稳定风控机制。销售反馈的风险也印证集中管控必要性：不同工具给出矛盾结论、AI输出错误、知识库过时、重要场景需人工审核。

探索创新应交给一线。顶尖员工和重度使用者常发现贴合特定客户场景的用法，这是总部团队难快速识别的。问卷显示，绩效优秀团队自己搭建轻量化工具、每周举办AI分享会、交换提示词，还用Lovable等自然语言开发工具快速原型；验证有效后，交中央团队打磨推广。

这套混合模式让一线发掘有价值AI应用，验证后产品化：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。头部企业普遍做三件事：集中管控业务背景数据、下放探索权限、推广和产品化已验证的工具方案。

AI不会单纯取代销售岗位工作，也不会自动拉平绩效差距；对于依托自身优势搭建配套体系的个人与企业，AI能带来显著增益。能否提升生产力，关键看销售和管理者能否把省下的时间转化为对客户的更深理解、更成熟的交易策略和更合理的人工判断。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，哪些保留人的主导。在KAIYUN SPORTS，我们观察到类似趋势，顶尖人才通过主动探索AI工具，持续放大自身优势。

关键词：#AI

克里斯托弗·斯坦顿（Christopher Stanton）、贾斯汀·施里伯（Justin Shriber）、西蒙·鲁达特（Simon Rudat）|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”（ID：hbrchinese），作者：HBR-China，36氪经授权发布。