核心命题：AI转型的瓶颈已从技术供给侧转向组织需求侧。本文基于TM Forum最新白皮书，从“技术-组织-人才”三重维度，拆解AI时代组织能力建设的系统框架与落地路径。

2026年，AI早已不是新鲜事。

新鲜的是，越来越多人开始意识到一个问题：算力买了、模型跑了、技术栈搭了——业务回报却没跟上。

这不是个例。TM Forum（全球电信与科技行业核心行业协会）联合华为及多家全球运营商，于2026年6月发布的《AI人才与技能矩阵白皮书》（IG1492C），基于对亚洲运营商群体的系统调研，给出了一个明确归因：AI转型的瓶颈已经转移——从技术可用性转移到了组织准备度。

白皮书原文写道：“随着组织向AI原生企业转型，成功与否取决于支撑AI技术的人才战略，而非技术本身。”

清华经管学院与同道猎聘同期发布的《AI时代技能趋势报告》同样指向这一结论：AI已进入“日更时代”，人才需求呈现“算法+应用+智能体”的复合结构，组织形态正在从“人管人”向“人管Agent”演进。

换句话说，AI竞赛的下半场，拼的不再是谁的GPU多、谁的模型参数大——拼的是谁的组织能真正把AI能力转化为业务结果。

一、先理解一个核心区别：胜任力和能力，不是一回事

白皮书在方法论层面做了一个重要区分。这个区分如果不搞清楚，后面的所有讨论都容易跑偏。

胜任力（Competency） ，是个体层面的概念。指一个人有效完成某项任务所需的知识、技能和行为的组合。白皮书给出的定义很简洁：

胜任力 =（技能 + 知识）× 行为改变

注意这个公式里的“行为改变”是乘数——不是加法。这意味着什么？你懂Python、会调参、看过十篇Transformer论文，这些只是“技能+知识”。只有当你把这些东西转化为实际工作行为、并产生了可衡量的业务影响时，才真正具备了胜任力。

能力（Capability） ，是组织层面的概念。指一个部门或整个公司执行战略、达成业务目标的集体能力。能力由人、流程、技术三个要素协同构建。

两者的关系是：个体胜任力是组织能力的“燃料”，但燃料本身不会驱动汽车。

白皮书有一个很形象的表述：个体人才在没有组织支撑的情况下，是“搁浅的资产（stranded asset）”。 什么意思？你招了再牛的人，如果流程是断裂的、数据是孤岛的、技术架构是陈旧的——这个人的能力根本发挥不出来。

所以领导层的责任是双重的：HR负责构建人才管道（胜任力侧），C-suite负责构建流程和技术环境（能力侧）。两者缺一不可。

很多企业的问题出在哪？花了大价钱招人，但组织环境没跟上。结果是“顶级人才”进来，干不出“顶级成果”。

二、核心框架：四层能力架构，把AI价值链拆清楚了

白皮书最核心的输出是一套AI人才与技能矩阵。这套矩阵的价值不在于“列了哪些岗位”，而在于它把AI从研发到商业变现的完整链条拆解成了四个能力层，并明确了每一层之间的依赖关系。

纵向看：四层架构

这套分层设计的关键逻辑在于：每一层既是上一层的供给方，也是下一层的需求方。

算力层为模型层提供计算资源，模型层为应用层提供智能能力，应用层为商业层提供可交付的产品，商业层把价值反馈回整个系统。

白皮书专门强调：任何一个层次的缺失都会导致整体能力断点。 只有算法没有算力，模型跑不起来；只有模型没有应用，技术变不成产品；只有产品没有商业能力，投入得不到回报。

很多企业的问题恰恰出在这里——人才战略只覆盖了其中某一两层，以为“招几个算法工程师”就解决了AI人才问题。结果发现，模型做出来了，没人能把它部署到生产环境；部署上去了，没人能把它变成可售卖的产品；产品做出来了，没人能向客户讲清楚价值。

这不是某个岗位的问题，而是整条价值链的断点问题。

横向看：价值创造的四个阶段

白皮书进一步把AI价值创造拆成了四个递进阶段：

第一阶段：资本建设与研发。 算力中心建设、基础模型研发、数据资源治理。这是供给端的能力筑基。

第二阶段：产品与解决方案。 把AI能力封装成可复用的平台产品、API服务或行业解决方案。这是能力的产品化。

第三阶段：交付与运营。 面向客户的定制化交付，持续监控和优化已上线的AI产品。这是商业价值的闭环。

第四阶段：全员赋能。 通过AI通识培训和工具赋能，把AI能力嵌入全员日常工作流。这是AI成为组织“肌肉记忆”的标志。

这四个阶段的划分揭示了一个关键洞察：AI价值创造不是“一次性投入、一次性产出”的线性过程，而是从技术能力到产品能力到商业能力到组织能力的逐层转化。 大部分企业的问题出在某个转化节点上，而不是技术本身。

三、别急着套框架，先看看现有体系出了什么问题

白皮书用了相当篇幅系统梳理了现有人才管理框架在AI时代的失效模式。这部分内容很实在，值得逐条看。

缺陷一：AI人才定义的碎片化。 不同组织对“AI人才”的界定差异极大——有的聚焦数据科学家，有的强调AI开发者，有的侧重基础设施运维。定义不一致，人才规划、能力评估、招聘策略就都会出现系统性偏差。

缺陷二：静态岗位体系无法应对动态变化。 传统胜任力模型围绕相对稳定的岗位职责设计。但AI领域新角色持续涌现（AI产品经理、Prompt工程师、AI治理官），现有岗位的职责也在快速演变，技能要求随技术迭代不断更新。静态体系根本跟不上。

缺陷三：缺乏端到端视野。 多数组织把人才发展聚焦在孤立的技术领域，忽视了数据工程、模型运维、AI治理、安全、基础设施运营这些支撑AI规模化落地的完整链条。结果就是能力断点出现在意想不到的地方。

缺陷四：转型路径不清晰。 企业普遍面临一组决策困境：哪些员工应该被重塑？哪些能力应该内部培养？哪些技能需要从外部引进？哪些职能可以外包或合作？没有结构化的决策框架，资源投入就容易碎片化。

缺陷五：新兴岗位被忽略。 AI数据中心、智能计算中心、GPU集群的快速扩张，催生了集群规划、算力运维等全新岗位类别，传统人才框架很少涵盖这些领域。

缺陷六：缺乏衡量机制。 企业缺少系统性的方法来评估“能够有效创建、部署、管理、治理或利用AI技术的员工比例”——也就是AI人才密度。没法衡量，就没法管理。

四、落地：从框架到执行的四个关键动作

动作一：诊断先行

白皮书建议企业在套用框架之前，先做三件事：

第一，从业务战略出发，延伸到人才战略，识别AI转型中的痛点、差距和根本原因。第二，在业务部门、HR和高管层之间形成共识。第三，可以结合TM Forum的数字人才成熟度模型做AI场景下的专项评估。

诊断的目的是搞清楚：你的组织目前卡在哪一层、哪一个阶段，而不是盲目地“对标最佳实践”。

动作二：分层培养四类人才

基于四层架构，白皮书给出了差异化的培养方向：

动作三：重新定义HR的角色

白皮书明确提出，HR职能必须从传统的“守门人”（Gatekeeper） 演进为 “协调者”（Orchestrator） 。

守门人的职责是管控——管编制、管合规、管流程。协调者的职责是调度——在混合运营模型中，集成和管理人类员工和AI“数字员工”，根据任务性质动态匹配资源。

这意味着人才战略必须把AI当作“数字员工”来管理，而不仅仅是软件工具。

动作四：设定治理红线——Human-in-the-Loop

白皮书专门讨论了“Human-in-the-Loop治理”，立场很明确：AI Agent的能力边界必须被审慎定义，人类的意图设定、风险判断和最终问责不可让渡。

具体操作包括：按风险等级对AI用例分类、明确决策权限归属、保持可审计性、强化数据治理、持续投资人力能力建设。

白皮书特别指出：不是所有流程都应该实现全Agent化——涉及客户共情、法律责任、道德判断、机构记忆或信任的场景，人类必须保持在回路中。

五、两个先行者的实践

白皮书收录了两个案例，简单提一下：

T国A运营商，通过诊断根本原因与改进方向，为典型AI工作场景定义了关键角色与能力，成功构建了与业务战略对齐的技能矩阵。

中国M运营商，构建了“AI就绪型”人才培养的战略框架，识别了技能层级与AI培育关键场景的结构化对应关系，提供了人力资源与智能计算技术需求相匹配的路径。

这两个案例的共同点是：都没有先急着招人，而是先做了诊断和框架对齐。 这本身就是一条值得注意的经验。

六、写在最后

白皮书的最终结论值得直接引用：

“释放AI原生企业的全部价值，需要对人才战略进行根本性的重新调整。组织必须超越单纯的技术部署，通过构建强大的学习生态系统、拥抱持续学习范式，将混合劳动力转变为面向未来的竞争优势引擎。”

翻译一下：AI转型的终点不是“组织有了AI”，而是“AI能力已经成为组织的肌肉记忆”——嵌入日常运作，不再需要特别关注和管理。

实现这一点，靠的不是多买几块GPU、多招几个算法工程师。靠的是一套能够持续培养、调度和进化人机协同能力的人才操作系统。

TM Forum这份白皮书的价值，在于它提供了这套系统的初步蓝图。接下来的问题，是每个企业愿不愿意对照这张蓝图，做一次从技术到组织的全面体检。

注：本文为对TM Forum《AI人才与技能矩阵白皮书》深度解读，如需原报告公众号后台回复【AI白皮书】即可