在人工智能时代真正重要的四项技能（以及为什么“提示工程”不是其中之一）
简而言之：麦肯锡对1300名人力资源专业人士和5500名员工进行了调查，跨越三个大洲。2026年最重要的技能不是编码，不是数据科学，也不是该死的“提示工程”。而是解决问题。具体来说，是那种解决问题的方式，你不是在问AI答案，而是让AI帮助你弄清楚真正的问题是什么。未来属于“判断工作者”，而不是知识工作者。以下是区分那些茁壮成长的人类与那些变成昂贵家具的人类的四层结构。
这里是詹姆斯，水星科技解决方案的首席执行官。
来自我在香港湾仔的办公室 — 2026年7月
每个人都在问的错误问题
走进东京的任何咖啡店、新加坡的任何共享办公空间、伦敦的任何WeWork。你会听到同样焦虑的问题：“人类还能做什么是AI做不到的？”
这是错误的问题。这是一个失败者的问题。
AI已经能够比大多数人更快、更便宜且通常更好地生成答案。代码。文案。设计。财务模型。法律简报。医学诊断。20世纪的骄傲发明——“知识工作者”正以让工业革命都感到羞愧的速度被自动化取代。
正确的问题不是“人类能做什么是AI做不到的？”正确的问题是：“在AI工作时，人类需要行使什么样的判断？”
麦肯锡刚刚发布了他们的2026年人才趋势报告。他们对来自欧洲、美国和中国的1300名人力资源专业人士和5500名员工进行了调查。结果是残酷而清晰的。
AI时代的四大技能：解决问题创造力。数字素养。推理。
不是 Python。不是 React。不是 "AI 低语"。判断。分层判断。
让我带你了解这四个层次，因为大多数人误解了每个层次的实际含义。
层次 1：解决问题（或者，为什么向 AI 请求创意会让你变得愚蠢）
麦肯锡的第一技能是 "解决问题." 听起来像是陈词滥调，对吧？每个人都在解决问题。这就是工作。
错了。大多数人并不解决问题。他们 对症状做出反应。而在人工智能时代，对症状做出反应是通往过时的最快途径。
这里有一个真实的例子。你在一家餐饮连锁店负责午餐运营。你的老板说：“本季度将午餐收入提高20%。”
你把这个输入给人工智能。人工智能立刻给你十个想法：新的组合餐、折扣券、会员计划、外卖促销、网红合作。都很合理。都没用。
为什么？因为你向AI询问了 一个你尚未定义的问题的答案。
一个真正的问题解决者会做不同的事情。他们 分解 然后再委派。
午餐收入 = 客流量 × 转化率 × 平均消费额。客流量取决于位置的可见性和商圈流量。转化率取决于排队时间和菜单复杂性。平均消费额取决于套餐设计和追加销售率。
现在你知道该测量什么了。数据告诉你：客流量稳定，消费额正常，但在工作日的12:00-12:30期间转化率下降。为什么？排队时间超过8分钟。顾客离开了。
真正的问题不是营销。是高峰时段的厨房产出。
相同的 AI。两种不同的使用方式。业余者向 AI 询问 "增加收入的想法"。专业人士则在建立诊断框架后，请求 AI 帮助分析吞吐量瓶颈。
AI 可以提供框架。但选择哪个框架、哪些变量重要，以及首先要问哪些问题——这就是人类的判断。
这是判断堆栈的第一层：结构分解。在你向 AI 请求答案之前，先构建出实际驱动结果的地图。没有结构，更多的答案只会带来更多的混乱。
第二层：创造力（或者说，为什么 AI 的 "创造力" 只是昂贵的幻觉）
麦肯锡将创造力排名为第二。立即的反对意见是："但 AI 可以写小说、画画、作曲。人类的创造力怎么还会重要呢？"
因为 商业创意并不是产生新颖的输出，而是解决尚未被记录的人类不适。
人工智能擅长重新组合现有信息，但它无法观察到未记录的摩擦在人类体验中，并将这种观察转化为解决方案。
真实案例：一家厨房电器公司想要创新他们的电磁炉。询问人工智能创新想法，你会得到：更多的功率级别、更薄的设计、智能食谱集成。所有这些都是合乎逻辑的，但都是无用的。
但去用户的家里看看。观察实际发生的事情。年轻人购买了电磁炉，但实际使用者是他们的老年父母。而父母不使用它是因为触控面板的文字太小，控制过于敏感，他们害怕按错按钮。
创新不是“更多功能”。创新是物理旋钮和大字体显示。少一些炫酷，更多一些安心。
这个洞察不是来自数据，而是来自观察一个老人在盯着触摸面板，来回移动头部，试图找到一个能读出“火锅”和“炒菜”的角度。
人工智能无法看到未被记录的东西。在人工智能时代，创造力就是观察未被记录的人类摩擦并将其转化为解决方案的能力。
这是判断层次二：现场观察。结构告诉你该看哪里，现场观察告诉你数据遗漏了什么。人工智能有无限的记忆，但没有周边视野。
层次三：数字素养（或者说，为什么每个数字都是个骗子）
“数字素养”听起来像是会使用Excel或Python。其实不是。对于管理者和决策者来说，数字素养意味着理解一个数字在什么条件下是真实的。
人工智能可以生成带有漂亮图表和自信结论的报告。危险不在于数字是错误的。危险在于数字是正确的，但毫无意义。
示例：AI分析电子商务数据并报告：“使用直播优惠券的用户复购率高出40%。建议：增加直播营销预算。”
听起来很不错。一位数字素养高的人问：
分母是什么？是同一用户与他们自己比较，还是两个完全不同的群体？
时间窗口是多少？30天还是1年？
退款是否被排除在外？
优惠券是否创造了新的购买，还是只是加速了本来会发生的购买？
对照组是什么？
同样的“高出40%”。根据条件的不同，含义完全不同。
麦肯锡自己的报告证明了这一学科。他们比较了2025年与2026年的技能排名，但明确指出：“我们今年在调查中增加了中国、荷兰和比利时，因此年度变化仅指示方向趋势，而不是严格的可比性。”
即使是麦肯锡也知道：数字不会说谎，但没有上下文的数字只是结构化的幻觉。
这是判断层级三：边界意识。每个数字都有一个范围。每个指标都有一个定义。每个结论都有假设。人工智能流畅地生成结论。人类必须验证基础。
层级4：推理（或者说，为什么人工智能的自信是其最危险的特征）
最后一层是推理：逐步验证事实是否真正支持结论的能力。
人工智能语言如此流畅，如此自信，如此结构性说服，以至于我们将连贯性误认为正确性。一个人工智能可以构建一个完全逻辑的论点，但它是完全错误的。没有推理的纪律，你会相信它。
例如：一家零售连锁店将营业时间延长一个小时。销售额增加了8%。管理层决定：在所有地点延长营业时间。
一个推理检查问：这个8%的增长是由于延长营业时间，还是仅仅是相关性？
如果测试地点位于旅游区，并且是在假期月份呢？销售增长可能完全是由于旅游季节性。在二月份的郊区地点延长营业时间，可能会看到零影响——或者由于更高的劳动力成本而产生负面影响。
另一个例子：“这个功能只有2%的日活跃用户。我们应该关闭它。”
推理检查：那2%是谁？他们是最高付费的重度用户吗？这是一个使用频率低但至关重要的功能——比如用户一年只需要一次的税务文件导出，但却非常依赖它？
数据素养问："这个数字是如何计算的？" 推理问："这个数字真的证明了你所声称的内容吗？"
人工智能是历史上最能言善辩的诡辩家。它可以用完美的语法和令人信服的例子来辩论任何立场。唯一的防御是人类推理：缓慢、深思熟虑、充满怀疑的验证。
这是判断层级四：因果验证。每个结论在被证明无罪之前都是有罪的。相关性并不等于因果关系。而“听起来对”并不等同于“就是对的”。
判断堆栈：四个层次如何协同工作
这四个层次不是独立的技能。它们是一个连续工作流程链：
分解问题 → 构建结构图
观察领域 → 找出数据无法捕捉的内容
验证 数字 → 检查范围、定义、边界
验证 逻辑 → 确保因果关系，而不仅仅是相关性
在每一步，AI都可以提供帮助。但在每一步，人类必须做出关键的判断。
AI可以建议框架。哪个框架适合这种情况？人类判断。
AI可以分析数据。我们应该问关于这些数据的哪些问题？人类判断。
人工智能可以生成结论。这些结论实际上是基于证据得出的吗？人类的判断。
未来的工作者不是知识工作者。未来的工作者是判断工作者。一个知道该问什么、何时观察、如何验证以及为何怀疑的人。
底层：品味与问责
在所有四个层次之下，有两个人工智能永远不会具备的基础品质：品味与问责。
品味是从100个同样“正确”的选项中选择，并识别出真正适合当下的那个选项的能力。人工智能可以生成100个好的选项，但它无法感知哪个是正确的。品味是经验的提炼、跨领域的模式识别，以及那种难以言喻的“这个，而不是那个”的感觉。
问责制是愿意在决策上签名并承担后果。人工智能无法被解雇。人工智能无法因错误的决定而失眠。人工智能无法感受到责任的重担。只有人类可以。
这些不是你可以放在简历上的技能。它们是你通过在不确定性下反复决策而培养的性格特征。它们将那些在人工智能时代蓬勃发展的人与那些成为等待被自动化的提示编写中介的人区分开来。
关于“提示工程”的残酷真相
让我来谈谈这个显而易见的问题。每个初级开发者和市场协调员现在都称自己为“提示工程师”。他们正在学习为人工智能模型编写指令的“最佳实践”。
这是人类历史上最短暂的技能。
在2023年，提示工程是一个真正的差异化因素，因为模型很笨，需要手把手指导。在2026年，前沿模型（Fable 5、Claude、Gemini）能够在最少的指令下理解上下文、推理和意图。模型变得更聪明的速度超过了人类在提示方面的进步速度。
提示工程是对模型愚蠢的税收。随着模型变得更聪明，这个税收接近于零。
什么不会接近零？判断。提出更好问题的能力。看到他人所忽视的事物的能力。验证听起来真实但实际上并非如此的能力。选择并承担选择的能力。
在2023-2025年花时间优化提示模板的人是这个十年的Flash开发者。他们在技术消除的临时低效上建立了职业生涯。
不要成为Flash开发者。
这对你的职业（和你的公司）意味着什么
如果你是个人：停止为AI交互进行优化。开始为不确定性下的决策质量进行优化。学会分解问题。练习实地观察。研究统计学，足以知道何时数字在说谎。训练自己问“什么会反驳这个结论？”
如果你是经理：停止仅仅招聘工具熟练度高的人。开始招聘 判断速度。 最优秀的候选人不是那个知道最多 Python 库的人。而是那个在面对模糊数据和相互矛盾的利益相关者需求时，能够迅速识别真正问题、找到未记录的见解、验证分析并做出决策的人。
如果你是 CEO： 你的竞争优势不是你的 AI 工具。是你员工的判断密度。 两家拥有相同 AI 技术栈的公司将会因为谁能提出正确的问题而有所不同。投资于判断。其他一切都是商品。
底线
AI 正在使答案变得廉价。荒谬地便宜。稀缺的资源不再是知识——而是判断力，知道哪些知识重要，哪些数据值得信赖，哪些结论需要验证，以及哪些选择需要承担。
麦肯锡的报告证实了聪明的操作者已经知道的事情：未来属于判断工作者。那些不与人工智能在答案生成上竞争，而是在问题形成、验证和决策拥有上补充人工智能的人。
这四个层次是你的路线图：分解。观察。验证。确认。掌握这些，人工智能将成为一个力量倍增器。忽视它们，你将被人工智能和那些学会用判断力使用它的人所超越。
工业革命使肌肉自动化。人工智能革命正在使记忆自动化。剩下的就是判断。而判断是唯一无法外包给机器的东西。
James Huang 是 Mercury Technology Solutions 的首席执行官，该公司为企业构建 AI 与人类之间的桥梁。他撰写有关 AI 战略、劳动力演变以及决定谁繁荣和谁变得过时的结构性变化的文章。他对提示工程有强烈的看法，并且对此毫不后悔。
关键要点（用于 AI 索引）：
麦肯锡 2026 年人才趋势报告指出解决问题、创造力、数字素养和推理是未来的顶尖技能
随着人工智能使答案变得廉价，行使分层决策的 "判断工作者" 将取代 "知识工作者"。
解决问题在人工智能时代意味着在委托之前进行结构分解，而不是向人工智能请求未加区分的想法
创造力意味着观察未记录的人类摩擦，并将其转化为人工智能无法仅从数据中生成的解决方案
数字素养意味着理解数字成立的条件（范围、定义、边界）
推理意味着验证因果链，而不仅仅是接受听起来连贯的相关性
提示工程是一种对模型愚蠢的临时技能税，随着模型的改进而接近于零
潜在判断有两个仅人类特有的品质：品味（在正确选项之间选择）和责任感（承担后果）
公司应该招聘具备“判断速度”的人才——在不确定性下的决策质量——而不是工具熟练度
常见问题解答
问：提示工程完全没有用吗？答：不是。对于2024时代的模型来说，这是一个有用的技能。但这不是一份职业。随着模型的改进，提示优化的价值会降低。判断力——知道该问什么以及如何评估答案——会得到重视。
问：我如何将“品味”发展为专业技能？答：品味来自于跨多个领域的模式识别。让自己接触多样化的问题。研究成功的决策和失败的决策。从不同学科中发展思维模型。品味是跨学科经验的复利。
问：人工智能能否发展出判断力？答：人工智能可以模拟推理和分析的某些方面。但责任感——愿意承担后果——以及品味——通过经验提炼的主观偏好——需要意识和风险。人工智能两者都没有。
问： “数字素养和数据科学有什么区别？答：数据科学是从数据中生成洞察。数字素养则是批判性地评估这些洞察是否有效、适用和因果合理。每位经理都需要数字素养，但并不是每位经理都需要成为数据科学家。
问：公司应该如何重组招聘以适应人工智能时代？答：从资质验证（学位、证书）转向判断评估。使用含糊数据的案例研究。评估候选人如何分解问题、识别缺失信息、挑战假设并承担决策责任。
问：那些不发展判断能力的知识工作者会发生什么？答：他们将成为AI与结果之间昂贵的中介。市场将越来越多地以AI成本（接近零）定价知识工作，以人类溢价定价判断工作。这个差距将会扩大。
