聲明：不是玩梗造謠，是真事👇01 麥肯錫×亞馬遜，跨界大聯姻！不愧是MBB之首，麥肯錫在人工智慧的道路上一去不復返......事情是這樣的：2026年1月23日，麥肯錫在官網正式宣佈與亞馬遜雲服務公司（AWS）聯合推出“亞馬遜麥肯錫集團”（AMG），全稱就叫Amazon McKinsey Group。cr.McKinsey但別被名字誤導，不是真的成立了個集團或者公司，而是一個業務集團。官方定義中說得更準確，AMG並不是一個鬆散的合作項目，而是一個整合式團隊（integrated team）麥肯錫提供戰略、組織轉型、變革管理與端到端執行能力AWS提供全球雲基礎設施、生成式AI能力與企業級技術服務更重要的是，AMG的商業模式直接與成果緊密相連，專注於為客戶創造超10億美元等級的業務影響。這也就意味著，AMG的目標並非簡單的“局部最佳化”或“數位化升級”，而是對企業核心價值鏈進行全面重塑。為什麼要現在“抱團”？一句話：AI 時代，單靠一條腿走不動。麥肯錫全球資深合夥人、能力建設負責人Becca Coggins 提到一句很關鍵的話：“AI 驅動的轉型，需要業務領導力與可規模化的 AI 和基礎設施能力從一開始就結合在一起。”這句話背後，其實也點出了很多企業AI轉型的痛點：有戰略，沒有技術能力，落不了地有技術，沒有業務重構，出不了價值有工具，沒有組織與文化變革，走不遠AMG 的定位，本質上是在“戰略—技術—組織—執行”之間，打通斷點。它不只是“把AI接進來”，而是試圖幫助企業重構整個價值鏈，讓AI成為競爭優勢，而不是簡單的IT項目。其實行業中早就有不少類似的組合，埃森哲、德勤都和AWS有類似的業務集團或聯盟。cr.Deloitte02 麥肯錫再放狠話：面試就要考AI！但要說起傳統諮詢圈裡最卷AI的，非得給麥府頒一座大獎才說得過去。就在月初舉辦的2026年CES大會上，麥肯錫全球管理合夥人Bob Sternfels爆出了一組資料令所有諮詢人後背一涼的資料：在短短18個月內，麥肯錫的AI代理（Digital Workers/Agents）數量從幾千個飆升至2.5萬個。2026 CES 會場這意味著在麥肯錫6萬名員工中，已經有近30%的工作力量由“數字員工”構成。在訪談中提到的幾個細節，揭示了 AI 介入諮詢業務的深度：恐怖的產出效率：在過去的6個月裡，這些AI代理生成了250萬張專業的圖表和ppt。這在以前是數千名Analysts需要加班加點數月才能完成的工作量。1:1的人機配比：他的下一個目標是在未來 18 個月內，讓每一位麥肯錫員工都擁有至少一個專屬的AI代理。從工具到同事：這些AI不再只是輔助搜尋，而是具備“代理架構”的數字員工，能夠獨立處理資料分析、文件撰寫甚至是初步的戰略建議。去年9月麥肯錫高層公開表示，2026年麥肯錫計畫在北美地區的招聘人數較2025年提升12%，且明確公司將持續擴大入門級崗位的招聘體量。cr.Business Insider但招那些人？年輕人，而且是會用AI的年輕人。麥肯錫北美Chairman Eric Kutcher在這塊話也說得很直：年輕求職者成長於技術普及的環境，頻繁接觸AI等前沿工具，一個對AI技術有足夠敏感度和運用熟練度的20歲經濟學專業學生，遠遠超過那些已有7年工作經驗的35歲職場人。麥肯錫北美Chairman Eric KutcherKutcher也是高情商表示AI並不會取代entry-level崗。但話裡話外的意思大家也都明白：如果你不懂AI，大機率進不了諮詢的門。要論執行力，還得是麥肯錫——這句話很快就從“說說而已”變成了現實。就在1月15日，多家外媒爆出，麥肯錫一改校招形式，在某些試點面試場次，要求候選人在面試環節使用麥肯錫內部聊天機器人Lilli來做Case案例分析！cr.theguardian在這個過程中面試官將重點考察學生使用AI提示詞的能力，以及是否具備"好奇心和判斷力"來處理、質疑AI輸出的內容，並將其與客戶具體需求相結合。如果試點成功，麥肯錫計畫在未來幾個月內將這種形式推廣至全球所有辦公室的初級招聘。AI時代招聘規則改變，想上岸頂級諮詢公司的留學生該重點培養那些能力？來聽聽麥肯錫CEO怎麼說👇對於明年想要準備衝刺北美諮詢行業的留學生來說，如果你想借麥肯錫擴招AI人才的東風上岸，現在就得慢慢建立對AI Case的認知。當然，沒有什麼會比麥肯錫自己出的AI Case Guide更有參考價值了。這本《REWIRED：The McKinsey guide to outcompeting in the age of digital and AI》由三位麥肯錫合夥人共同撰寫，書中整理了200多個和AI相關的Case，瞭解企業AI轉型方法。03 AI颱風衝擊諮詢！如何找到上岸突破口？總的來說，目前的諮詢行業正在消化2020年-2022年瘋狂增加的員工數量及業務風險，並開始針對市場和AI的發展適配組織結構。AI衝擊下，連續幾年的人員高速擴張的諮詢公司不少進入了業務瓶頸期，而冗餘的員工就成了巨大的成本包袱，再加上業務重組與組織架構調整，近段時間諮詢行業的裁員消息屢見不鮮。安永全球首席執行長Janet Truncale在本月的米爾肯研究所年會上表示，她的公司不會因AI而裁員，但可以“用更少的人做更多的事”。Janet Truncale稱：“我認為我們可以用今天的員工隊伍實現規模翻倍。”發現了嗎，其實現在已經有許多諮詢公司現在都採用了這樣的新招聘策略：一邊裁員，一邊招聘。他們希望將更多的花費用於招聘實力出眾、能夠出色駕馭AI工具的員工；而被裁去的崗位中，相對容易被AI完全替代的中後台崗位也佔了很大一部分比重。從行業本質來看，諮詢的核心價值始終是👉為客戶解決真實商業問題，這也是面試官高頻追問實際項目細節的底層邏輯。BCG官網曬出多個客戶的AI項目。客戶需求與項目結構的變化，必然倒逼人才選拔標準調整。對諮詢公司而言，招聘的核心目標是選拔能快速融入項目、創造價值的候選人：若候選人連AI場景下的業務邏輯都無法拆解—— 比如為零售客戶設計AI精準行銷方案時，不清楚需整合“使用者消費歷史、區域消費偏好、促銷活動資料”等核心資料來源，後續將難以參與真實項目，甚至可能拖慢項目進度。因此，面試中增加AI Case考察，本質還是對解決真實問題能力的延伸評估。1 硬技能：必會的諮詢行業的AI Case諮詢公司越來越關注候選人對AI相關知識和應用的理解與掌握能力。特別是在一些專注於IT 諮詢、數位化轉型等領域的崗位，AI Case題目出現的機率會更高。Accenture去年就在面試中問到了AI Case題👇請給一家巧克力製造商提供Al服務，幫助他們實現數位化轉型，增加Profitability。對衝刺諮詢行業的留學生而言，需明確一個核心趨勢：當前諮詢公司對候選人AI知識與應用能力的考察，已從加分項逐步轉為基礎門檻。2 軟技能：Networking、BehavioralAI浪潮下，各行各業都在面臨轉型、變革，對於求職的留學生群體來說，想要在動盪的環境中站穩腳跟，核心關鍵就是——做好長線規劃、提升個人競爭力。而無論是傳統諮詢，還是這艘正航行於AI浪潮中的諮詢巨輪，基於AI的變革是帆是舵，那麼Networking、Behavioral就是錨，是一切的根基，只有牢牢抓住這些最基本的軟技能，求職路才能越走越穩。 (WallStreetTequila)

移動支付網消息：近年來，穩定幣支付似乎正在經歷一輪前所未有的大發展。在監管方面，穩定幣的合規發展成為可能。2025年是穩定幣監管的“分水嶺”，一些海外主要的金融中心相繼落地了明確的監管框架，為其合規營運和主流化應用掃清了部分障礙。在技術驅動上，穩定幣的火熱又不斷催促區塊鏈等技術演進。比如支付場景對高吞吐、低延遲和低費用的要求，使得高性能公鏈需求愈發突出。在實際應用場景拓展方面，穩定幣的價值正從服務於加密資產交易向實體經濟領域擴張。特別是跨境支付領域，其速度、成本等優勢在傳統金融業內被廣泛關注。受多重利多因素的影響，穩定幣支付在整體規模上不斷攀升。然而當穩定幣用於支付時，光看交易規模可能會忽略一些重要資訊，比如有真實交易場景的穩定幣支付規模仍然有限。諮詢公司麥肯錫與區塊鏈資料公司Artemis Analytics近日就聯合發佈了這樣的一份報告——《支付中的穩定幣：原始交易資料所遺漏的內容》（簡稱《報告》），揭示了穩定幣支付總體規模和有真實交易場景規模之間的差距。穩定幣支付真實資料：35兆、3900億美、1%和0.02%《報告》顯示，2025年穩定幣在區塊鏈上的資金轉移規模超35兆美元，但僅有約3900億美元（佔比約1%）資金流向現實世界支付場景。而3900億美元的規模，則僅佔全球每年超2000兆美元支付總額的0.02%。雖然在全球支付市場中的佔比仍處於極低水平，但是較2024年水平已翻了一倍多。《報告》認為穩定幣在跨境支付、供應鏈金融和資本結算等場景展現出潛力，但需金融機構以資料驅動的投資策略，聚焦高增長用例並建立可擴展的基礎設施。為什麼會存在這種差距？公共區塊鏈為交易活動提供了前所未有的透明度，因為每筆轉帳都記錄在共享帳本上，使人們能夠近乎即時地追蹤資金在錢包和應用間的流動情況。理論上，這種透明性應有助於更輕鬆地評估其普及程度，畢竟傳統支付系統中的交易活動則分散於各個私有網路，僅以彙總形式披露，甚至還有些交易不會被公開。然而在實踐中卻恰好相反，穩定幣的總交易量並不能直接解讀為支付用途。因為公共區塊鏈交易資料僅顯示了資金的流動金額，而未揭示該流動背後的經濟目的。區塊鏈上未經處理的穩定幣交易量可能包含多種類型的活動，比如持有大量穩定幣並與自身錢包間進行資金轉移的交易所和託管機構、自動化的智能合約互動反覆轉移的同一筆資金、流動性管理及交易相關資金流等等活動，都可能提高穩定幣支付總交易量。這些活動是鏈上生態系統運作不可或缺的一部分，但並不符合傳統有真實交易場景支付的定義。名義與實際的使用差距，未影響穩定幣支付的潛力《報告》指出，雖然穩定幣名義交易量與實際支付使用之間的存在很大差距，但並未削弱其長期潛力。反而這種差距清晰地指明了市場增長最快的領域，進而明確了行業在那些方面最具實用價值和潛在顛覆性，更有利於金融機構等進行恰當投資、塑造新興應用場景。《報告》肯定了穩定幣支付顯著的增長預期。在流通量方面，穩定幣目前流通供應量已超過3000億美元，而2020年這一數字還不到300億美元。去年11月，美國財政部長貝森特表示，到2030年，穩定幣供應量可能達到3兆美元。此前多家領先金融機構也做出了類似預測，供應量在2兆至4兆美元之間。正是這些預期激發了金融機構的興趣，其中許多機構正在探索穩定幣在各類支付結算場景中的應用。當前穩定幣支付與結算應用探索基於穩定幣的增長預期和空間，眾多相關機構正圍繞各類支付與結算場景探索穩定幣的應用。全球薪資支付與匯款——穩定幣為傳統匯款管道提供了替代方案，能以極低的成本實現近乎即時的跨境資金劃轉。目前全球薪資支付與匯款領域每年的穩定幣支付規模約為900億美元，但僅佔該領域總交易量的不到1%，仍有很大空間。B2B支付——穩定幣能夠解決跨境支付和國際貿易中的低效問題，例如高額手續費和結算延遲。利用穩定幣簡化供應鏈支付，可以提升流動性管理水平，尤其對中小型企業而言效果顯著。《報告》估計，B2B穩定幣在B2B支付領域的年規模約為2260億美元。目前全球B2B支付總額約為1.6兆美元，前者佔比約0.01%。值得注意的是，B2B業務引領了穩定幣支付的增長。從資料上看，2260億美元的規模，約佔全球穩定幣支付總量的60%。資本市場——穩定幣重塑結算工作流程，通過降低交易對手風險並縮短結算周期來實現該目標。一些資產管理公司通過營運代幣化基金，這些基金利用穩定幣自動向投資者派發股息，或直接將股息進行再投資，而無需通過銀行進行資金轉移。該應用案例表明，鏈上現金流更能夠簡化基金運作。目前該領域每年約有80億美元的結算交易應用了穩定幣，但規模也僅佔全球200兆美元總額的不到0.01%。最後《報告》最後指出，穩定幣有望深刻重塑支付方式。但要充分釋放其中潛力，離不開技術、監管與市場推廣各領域的持續努力。大規模普及需要更清晰的資料分析、更審慎的投資，以及從海量報告中甄別真實資訊的能力。 (移動支付網)

一、麥肯錫的判斷：我們正站在一個危險的十字路口報告開篇便拋出一組令人不安的資料：全球淨資產已達600兆美元，創歷史新高，但這筆財富的根基正在瓦解。世界經濟已進入"失衡"狀態——資產負債表規模遠超實體經濟支撐能力，財富增長與生產力脫節，債務擴張速度令人生畏。失衡的三重內涵尤為危險：第一重是增長與財富的撕裂。2000-2024年間，全球淨資產增長440兆美元，但其中36%是純粹的"紙面財富"，源於資產價格泡沫而非實際投資。更扭曲的是，每投入1美元實體經濟，竟創造出3.5美元新財富，而代價是同步產生1.9美元新債務。這種"財富自我繁殖"機制，本質上是金融槓桿對實體增長的透支。第二重是分配結構的固化。2024年，主要經濟體頂層1%家庭持有至少20%財富，美國更高達35%。底層50%美國人的人均財富僅9000美元，甚至低於中國同等階層的購買力水平。當財富增長主要依賴資產升值而非工資收入，未持資產者被永久鎖定在財富階梯之外，社會流動性枯竭。第三重是跨境失衡的加劇。美國對外淨負債達GDP的90%，德國、日本則坐擁相當於GDP 80-90%的淨盈餘。表面上看是貿易逆差與順差的對立，深層則是資本配置的全球失序：盈餘國將儲蓄持續注入美元資產，壓低美國利率，進一步推升其資產泡沫。這種循環令美國資產負債表膨脹至GDP的5.4倍，而中國和德國分別達6.2倍和6.6倍。麥肯錫警告，後疫情時代的通膨與利率飆升，已終結了長達二十年的"低利率-高槓桿"舒適區。資產負債表雖從2021年峰值回落，但仍處於歷史高位，任何一個變數——利率、生產率、資產價格預期——的劇烈波動，都可能觸發連鎖反應。這不是周期性調整，而是結構性拐點的到來。二、這筆"巨額財富"從那裡來？——紙上富貴的三重密碼所謂600兆美元財富，並非憑空而生，而是三種力量疊加的產物：密碼一：資產價格膨脹（佔財富增量的36%）2000-2021年，全球股市估值增長109%，房地產增長53%，遠超GDP增速。麥肯錫通過拆解發現，驅動房地產和股票估值的核心並非租金或利潤增長，而是利率下行帶來的折現率效應。以美國為例，1995-2021年間，實際抵押貸款利率下降和股權成本降低，分別貢獻了房地產和股票估值漲幅的63%和143%。換句話說，財富增長的主引擎是央行降息，而非企業創新。當利率在2022年後逆轉，房地產價值相對GDP已下跌15-20%，凸顯其脆弱性。密碼二：貨幣幻覺（佔財富增量的40%）通膨本身會名義性抬高資產價值。2021-2024年，美國名義GDP年均增長7%，其中通膨貢獻近三分之二，歐洲更高達四分之三。這解釋了為何全球財富在疫情後"縮水"速度看似溫和——通膨扮演了隱形的財富減記器，讓債務和資產價值在名義上顯得不那麼刺眼。但代價是侵蝕家庭購買力，扭曲企業投資預期。密碼三：真實的投資缺失（不足增量的30%）最諷刺的是，真正代表經濟潛力的"淨國內投資"僅佔財富增長的不到30%。全球債務已達GDP的2.6倍，中國非金融企業債務（180% GDP）是全球均值的兩倍，日本政府債務超GDP的250%。債務激增並未對應等量的生產性資本積累。美國生產性資產（基礎設施、裝置、智慧財產權）佔GDP比重僅增長18百分點，遠落後於金融資產膨脹。資本大量流向資產回購和投機，而非創造未來增長動力的實體投資。更深層的問題在於財富效應的異化。美國家庭將35%財富配置於股票，財富效應敏感度高，資產升值能刺激消費；但中國家庭58%財富是存款和房產，房地產崩盤直接摧毀消費信心。2021年後，中國家庭存款激增6.9% GDP，而房產投資暴跌6.5% GDP，消費引擎熄火。財富從"增長催化劑"異化為"風險放大器"。三、未來可能出現的四條路徑——從天堂到地獄的光譜麥肯錫模擬了2024-2033年的四種情景，揭示不同經濟體面臨的非對稱風險。這不是簡單的經濟周期預測，而是資產負債表再平衡的四重可能：路徑A：生產率加速（理想情景）核心邏輯：通過技術革命和實體投資，讓經濟增長速度超越債務與資產膨脹速度，實現"軟著陸"。關鍵資料：美國人均財富增長6.5萬美元，GDP增速升至3.3%（比基準高1個百分點）德國人均財富增長2.5萬美元，GDP增速1.4%（比基準高0.5個百分點）中國人均財富增長2.5萬美元（增幅達50%），GDP增速4.6%（雖低於歷史，但實現可持續）實現條件：美國需持續加大AI、能源、基礎設施投資；歐洲需填補7000億美元投資缺口，啟動《德拉吉報告》競爭力改革；中國需將消費佔GDP比重提升6個百分點，從出口驅動轉向內需驅動。該情景下，利率因資本需求旺盛而維持高位，但資產估值有真實盈利支撐，財富增長與生產力同步，跨境失衡因美國儲蓄上升、歐洲投資增加、中國消費擴張而緩解。路徑B：持續通膨（次優但可能）核心邏輯：需求過熱疊加供給瓶頸，通膨持續高於目標，名義GDP增長稀釋債務，但真實財富縮水。關鍵資料：美、德人均財富實際損失9.5萬美元，相當於蒸發20%購買力GDP增長溫和（美國2.4%），但企業盈利遭侵蝕，股票估值最多下跌40兆美元利率因通膨壓力維持高位，政府債務利息負擔加重觸發因素：美國財政赤字持續7% GDP，聯儲被迫購入國債穩市場，引爆貨幣貶值；或關稅戰引發成本推動型通膨。歐洲能源轉型受阻、中國供應鏈重構亦可能輸入通膨。此情景下，紙面財富看似穩定，實則購買力被悄然掏空，家庭預算和企業規劃陷入混亂，貧富差距因低收入者抗通膨能力弱而惡化。路徑C：資產負債表重設（災難情景）核心邏輯：資產價格崩盤引發去槓桿螺旋，進入"失去的十年"。歷史鏡像：1990年代日本房地產泡沫破裂，或2008年美國次貸危機。關鍵資料：美、德人均財富損失9.5萬美元，中國損失5000美元，財富回撤至2010年代水平GDP增長降至1%（美、德）甚至負增長，企業破產率飆升政府債務激增100% GDP（如日本模式），私人債務收縮30% GDP，經濟陷入通縮陷阱觸發導火索：美國企業盈利預期崩塌（如AI技術落地失敗），股市估值從3.2倍GDP腰斬；或公共債務可持續性遭質疑，10年期國債收益率失控突破6%。歐洲主權債務風險重燃（如法意債務違約），或中國房地產壞帳暴露比例超5%。此情景下，財富不是緩慢蒸發，而是瞬間清零，養老金資產縮水，消費崩坍，銀行體系承壓，政策空間耗盡。路徑D：回歸長期停滯（溫水煮青蛙）核心邏輯：低投資、高儲蓄、超寬鬆貨幣政策再現，資產價格虛高但經濟增長停滯。關鍵資料：財富繼續"紙面增長"（美國+4萬美元/人），但GDP增速僅1%（美、德），中國降至2%利率重回1%以下，債務負擔看似減輕，但生產力停滯資產估值進一步脫離基本面，美股佔GDP比重再升5個百分點， Tobin's Q值超過2風險：這是 最隱蔽的毒藥方 。看似避免了崩盤，實則將風險 postponed。美國85%房貸為固定利率，家庭負債率下降，看似安全，但政府債務因缺乏增長而失控。歐洲家庭儲蓄率已升3個百分點，企業投資意願降至冰點，競爭力持續流失。中國若無法提振消費，產能過剩將加劇，出口傾銷引發貿易戰。此情景下，失衡持續累積，等待下一次更大爆發。麥肯錫強調，四條路徑並非等機率。當前資料指向美國更接近"生產率加速"（科技投資強勁），歐洲滑向"長期停滯"（投資缺口7000億），中國處於"重設"與"停滯"的臨界點（消費佔比僅38%）。但三者高度聯動：若美國無法減少財政赤字，其高利率將吸走全球資本，壓制歐洲投資；若歐洲不提振內需，其順差將持續補貼美國赤字；若中國不轉向消費，其過剩產能將衝擊全球貿易，反噬自身增長。四、資產配置的意義：不是押對結局，而是活過所有結局報告最終指向一個核心命題：在高度不確定的失衡時代，戰略的核心不再是精準預測，而是跨情景生存。對投資者、企業和政策制定者，這意味著思維範式的轉換。1. 拒絕單一敘事，建構"反脆弱"組合傳統配置模型假設經濟周期可預測，但麥肯錫的四情景跨度極大（財富差異高達16萬美元/人）。押注單一情景（如死守"美國例外論"）可能致命。智者應：持有跨情景資產，例如既有受益於生產率加速的科技股權，又有抗通膨的實物資產（房地產、商品），還保留重設情景下的現金與黃金。美國家庭財富35%集中於股票，遠超全球平均25%，這正是脆弱性來源。2. 盯住"搖擺因子"，而非預測終點報告提供了一套即時監測的領先指標：美國：財政赤字是否降至3% GDP以下？企業盈利能否保持1.5倍GDP的超額水平？若赤字維持7%且AI盈利預期破滅，距重設僅一步之遙。歐洲：企業投資能否從GDP的12%回升至15%？家庭儲蓄率能否從14%降至11%？若持續當前投資缺口，停滯將自我強化。中國：消費佔GDP能否從38%升至44%？私人投資能否替代公共投資？若存款繼續飆升而消費低迷，停滯不可避免。這些月度可追蹤的資產負債表訊號，比GDP或CPI更前瞻。例如，中國家庭存款增速若連續兩季超過6% GDP，即消費引擎失靈的警報。3. 從"金融套利"回歸"生產性錨定"報告反覆強調，只有生產性資產（基礎設施、裝置、智慧財產權）的擴張，才能支撐真實財富。過去二十年，資本過度流向金融套利：美國企業回購推高股價，中國國企投資製造過剩產能，歐洲銀行囤積主權債。未來配置應聚焦：美國：AI基礎設施、能源轉型、國防供應鏈，這些是生產率加速的"干火藥"。歐洲：數位化、綠色技術、防務產能，填補7000億美元投資缺口。中國：服務消費、社會保障、私營部門創新，將存款轉化為內需。避開純估值驅動的資產，如利率敏感型REITs或高槓桿企業債，其估值對利率彈性極大（美國房地產估值每升降1%利率，波動12兆美元）。4. 地域多元化：避險失衡的鏡像風險跨境失衡意味著一國的解藥可能是另一國的毒藥。美國若成功"再儲蓄"，其國債收益率將下降，資本回流將衝擊新興市場；歐洲若投資復甦，歐元升值將削弱德國出口；中國若消費翻身，全球大宗商品價格將被重估。因此，全球配置需包含避險頭寸：持有美國科技股的同時，做空超漲的美元資產；投資歐洲復甦主題時，配置中國消費替代標的；在中國內需資產中，對衝出口導向型行業的風險。5. 政策制定者的"資產負債表紀律"報告隱含一個激進結論：傳統宏觀政策（貨幣寬鬆、財政刺激）已無法修復結構性失衡，反而加劇風險。美國需財政自律，將赤字從7%降至3%，否則通膨或重設不可避免；歐洲需突破《馬約》3%赤字紅線，用公共投資撬動私人資本；中國需將財政支出從基建轉向社保，降低家庭預防性儲蓄。政治家若繼續"頭痛醫頭"（如美國降息救市、歐洲財政緊縮、中國刺激地產），只會將經濟推向更危險的路徑。結語：穿越失衡的生存法則麥肯錫這份報告的價值，不在於給出確定的預言，而在於用資產負債表透鏡，揭示了現代資本主義的深層病灶：財富已從實體產出的"結果"，異化為金融槓桿的"遊戲"。600兆美元淨資產背後，是懸浮在債務之上的紙面富貴，是分配失衡的社會裂痕，是跨境資本空轉的系統性風險。站在十字路口，沒有一個經濟體能獨善其身。美國的科技繁榮若不能匹配財政紀律，將淪為債務驅動的泡沫；歐洲的競爭力改革若不能突破政治桎梏，將永久淪為停滯的"博物館"；中國的消費轉型若不能撼動舊增長模式，將陷入"中等收入陷阱"的資產負債表版本。對個體而言，資產配置的本質，是在四種可能的世界中，確保至少三種能活下來。這意味著放棄對"完美預測"的執念，轉而擁抱"情景韌性"：持有生產性資產錨定長期價值，保留流動性應對黑天鵝，分散地域避險政策風險，緊盯資產負債表訊號而非宏觀噪音。最終，報告傳遞了一個克制的警告：失衡不會自動修復，要麼通過痛苦的"重設"暴力出清，要麼通過艱難的"生產率"結構性改革。中間道路（通膨或停滯）看似溫和，實則拖延時日，讓風險在未來以更烈性的方式爆發。財富管理的終極挑戰，是在這個"失衡"成為常態的時代，找到穿越風暴而不翻船的航向。 (TOP行業報告)

麥肯錫在招人。瘋狂招人，但新員工裡，有近一半不是人類。最近，麥肯錫全球管理合夥人兼總裁 Bob Sternfels（鮑勃·斯滕菲爾斯） 在《哈佛商業評論·IdeaCast》裡透露了一個數字：麥肯錫現在有 6 萬名員工，4 萬是人類，2 萬是智能體。而在一年半前，智能體的數量還只有 3000 個。他說麥肯錫的目標是 18 個月內做到每人配一個智能體。現在才過了一半時間，就已經有 2.5 萬個了。而這只是開始。所以問題變了：不是會不會用 AI，而是怎麼用對 AI。第一節｜CFO 和 CIO 的對峙：試點為什麼都死在半路但什麼叫“用對”？現在大多數企業的高層，都卡在一個問題上：我該聽 CFO 的，還是 CIO 的？CFO 說：這技術太貴，效果又沒看到，我們要不要先觀望？CIO 急了：你還在觀望？現在不開始，用舊方法幹活的代價會越來越大。一個要省錢，一個要加速。背後的矛盾是：AI 到底算未來投資，還是眼前支出？Sternfels 認為：這不再是制定戰略的事情，而是執行力的事情。道理簡單，做起來難。他們不是沒引入 AI，而是一引入就困在試點裡：小團隊嘗試，小範圍實驗，最後不了了之。麥肯錫內部把這叫做“試點煉獄”（pilot purgatory）：項目推不動、業務部門配合度低，最後 AI 只成了擺設。在 Sternfels 看來，你不能只是買個工具，就指望一切改變。而這首先要解決的是：你有沒有真正會用 AI 的人？第二節｜招聘標準變了：三種能力比學歷更重要那什麼樣的人算會用？過去企業找人，看學歷、看履歷，最好是名校出身、實習經歷多、邏輯清晰。但在麥肯錫新一輪招聘試點裡，這套標準不夠了。Sternfels 在訪談中確認，麥肯錫正在嘗試一個新流程：讓候選人在面試中直接使用自家 AI 工具 Lilli。這不只是考你會不會用，而是要你：能不能清楚地下達指令（prompt）；能不能判斷 AI 給出的內容靠不靠譜；能不能結合實際情況，改寫、重構、提出更好的思路。換句話說，不再看你多會背知識點，而是看你能不能和 AI 一起解決問題。這套測試沒有標準答案，但有一個關鍵詞反覆被提到：好奇心和主見。因為在 Sternfels 看來，大模型雖然聰明，但它只會給出看上去差不多的回答。能脫穎而出的，是那些敢追問、也敢推翻的人。那這些人具備什麼能力？先說清楚一點：專業和知識依然是基礎，但光有這些已經不夠了。Sternfels 給出了一個清晰的框架。在他看來，AI 時代真正需要的是三種能力：第一是抱負。你是去近地軌道，去月球，還是去火星？模型給不出這個答案，但人可以。第二是判斷力。模型沒有對錯，但你要知道什麼是對的參數，什麼符合價值觀和場景。第三是創造力。模型只會給出下一步最可能的答案，但你要能想到那些不連續的、另闢蹊徑的解法。有了這三種能力，才算真正會用 AI。在麥肯錫內部，這種人被稱為“合作型專家”：既能理解問題，也能駕馭 AI，還能創造價值。第三節｜工具變了，組織不變，等於沒變但有了會用的人，就夠了嗎？還不夠。因為即使是會用的人，也可能把 AI 用錯位置。很多公司都開始配 AI 了：建模型、買工具、部署助手，看上去動作不小。但關鍵不在有沒有 AI，而在 AI 被安排做什麼。在麥肯錫，AI 不只是用來節省時間，而是直接參與交付成果。比如過去寫 PPT、整理資料、搜案例，需要助理顧問花幾天。現在，智能體能一小時內完成。諮詢顧問們轉而去搞定更複雜的客戶問題、主導方案方向。這就是“角色往上走”：人不再負責執行，而是負責整合和判斷。去年麥肯錫在搜尋和資料整理上節省了 150 萬小時。過去 6 個月，智能體生成了 250 萬張麥肯錫經典的 PPT 圖表。而顧問們沒有因此失業，反而開始做更需要判斷力和創造力的工作。而最能說明問題的，是“25 的平方”法則。麥肯錫計畫在未來一年將面向客戶的顧問增加 25%。而與此同時，後台人員已經減少了 25%，產出卻提升了 10%。Sternfels 說：“這在公司歷史上從未發生過。過去增長只能靠人數增長，現在人可以更少，增長反而更快。”過去一年半，麥肯錫內部的 AI 智能體數量從幾千個增加到了 2.5 萬個，目標是做到每人配一個。他們叫這模式 1:1 協作。而這個轉型不只發生在大公司。在創業公司裡，同樣的事情正在發生：十幾位創始人最近兩個月都在招人，但沒有一個用 HR 寫職位描述，全是 LLM 寫的。篩簡歷時，一半人用智能體。連 HR 這樣的職能部門，基礎工作都在被 AI 接管。但配上 AI，不代表用對了 AI。但真正的卡點不在 AI，在組織。很多企業表面上在用 AI，實際卻沒改變過組織架構、流程節奏、任務分工。AI 是進來了，人員和流程都沒變，那就是換了工具不改打法，最後只能做個演示，真到一線就卡住了。“我們在諮詢行業用了幾十年的交付模式，現在要重新設計。”工具變了，組織不變，等於沒變。結語｜真正危險的，是你以為沒事麥肯錫不是在做 AI 展示，而是在告訴所有人一個現實：AI 一旦進了組織，就不只是效率問題，而是組織問題。誰來做事、怎麼做事、協作方式，都得重新設計。所以危險不是你不會用 AI，而是你還在按舊方式組織人、設崗位、做流程，卻以為自己已經在用 AI。這才是 Sternfels 真正想說的：用不好不是沒效果，而是會讓組織空轉。2.5 萬個智能體，25% 的增與減，這就是麥肯錫的答案。 (AI 深度研究員)

人生有很多窗口期。考大學的窗口期是18歲前後幾年，錯過了就要付出數倍的代價。買房的窗口期是某個城市起飛前的幾年，錯過了可能一輩子追不上。創業的窗口期是某個行業紅利爆發的前夜，晚一步就只能看別人吃肉。窗口期最殘酷的地方不在於它會關閉，而在於：當它正在關閉時，大多數人渾然不覺。國家經濟也有窗口期，叫做"人口紅利"——當勞動力充沛且年輕時，即便生產效率不高，也能靠"雇更多的人"來實現增長。很多開發中國家都享受過這個紅利期：中國用了30年，日韓用了40年，而拉丁美洲已經用了60年。但2023年，麥肯錫發佈了一張圖，用91年的資料告訴拉美一個殘酷的事實：你們的窗口期，還剩不到20年。今天，讓我們深度拆解這張看似簡單的時間序列圖，看看麥肯錫如何用最樸素的柱狀圖，製造出最強烈的緊迫感。01. 這張圖在講一個什麼故事？圖表的基本構成這是一張橫跨91年（1960-2051）的勞動力時間序列柱狀圖。核心元素：深藍色實心柱：1960-2020年的歷史勞動力資料（從76M增長到286M）淺藍色空心柱：2025-2051年的預測勞動力資料（從315M緩慢增至333M）分段增長率標註：用箭頭和數字標註不同時期的年均複合增長率1960-2000: 2.7%2000-2020: 1.0%2020-2040: 0.6%2040-2051: -0.2%三個時代的斷層但這張圖真正講的不是數字，而是三個截然不同的時代：黃金時代（1960-2000）年均增長2.7%，40年時間勞動力從76M增長到246M，翻了3.2倍。這是拉美"躺著都能增長"的時代——只要把年輕人招進工廠，GDP就能漲。減速時代（2000-2020）年均增長1.0%，增速暴跌63%。雖然勞動力還在增加（從246M到286M），但增長動力已經明顯衰竭。這是警鐘敲響的20年，但很多人沒有警覺。停滯時代（2020-2051）年均增長0.6%，31年時間只增加47M。更要命的是，2040年後增長率轉負（-0.2%），這意味著勞動力開始淨流失——不是"增長慢"，而是"開始萎縮"。最致命的不是現在，而是拐點這張圖最觸目驚心的地方，不是某個具體數字，而是2040年那個從正轉負的拐點。在此之前，無論增長多慢，至少勞動力還在增加。你可以安慰自己"雖然慢一點，但方向是對的"。但2040年後，增長率變成-0.2%，這是一個質變：勞動力從"增長緩慢"變成"淨流失""靠加人實現增長"的模式徹底失效人口老齡化從"趨勢"變成"危機"從"增長放緩"到"開始萎縮"，只需要一個拐點。而這個拐點，就在17年後。這就是麥肯錫要傳遞的核心資訊：時間窗口正在關閉，而且關閉的速度比你想像的快。02. 為什麼必須用時間序列柱狀圖？現在進入關鍵問題：麥肯錫為什麼選擇柱狀圖來呈現這個故事？圖形選擇的戰略邏輯麥肯錫要傳遞的不是"勞動力有多少"（這是資料），而是"窗口期還有多久"（這是敘事）。要講好這個"倒計時"的故事，圖形必須滿足四個條件：能展示長時間跨度的趨勢能突出"階段性轉折"而非平滑變化能清晰區分"歷史事實"和"未來預測"能標註關鍵拐點和增長率變化只有時間序列柱狀圖能同時滿足這四個條件。為什麼不用折線圖？折線圖是展示時間序列最常見的選擇，為什麼麥肯錫沒用？因為折線圖會"平滑"掉麥肯錫最想強調的東西：斷層感。想像一下，如果把這91年的資料用一條連續的曲線呈現：你會看到一條從左下到右上、逐漸趨平的拋物線視覺上是"自然的減速"，就像汽車慢慢停下來2040年的負增長只是曲線的一個小拐彎但用柱狀圖：每一根柱子是一個獨立的"時間刻度"從深藍到淺藍的顏色切換，像地質斷層一樣2040年後柱子高度的微降，在視覺上被放大成"萎縮的開始"柱狀圖把"時間"離散化，讓每一年都成為一個可見的"倒計時刻度"。這就像倒計時器：折線圖是鐘錶的指針，平滑地轉動柱狀圖是數字跳動的秒錶，每一跳都提醒你"又少了一秒"當你要製造緊迫感時，後者的心理衝擊力遠大於前者。深藍vs淺藍：歷史與預測的視覺對話這張圖最微妙的設計在於顏色的選擇和轉換。深藍色（實心柱）= 歷史 = 已經失去的機會從1960到2020，60根柱子持續攀升視覺上是"蓬勃向上"的繁榮景象但這個時代已經結束，無法回頭淺藍色（空心柱）= 預測 = 還能抓住的窗口從2025到2051，26根柱子幾乎持平視覺上是"停滯"甚至"衰退"但它是空心的，暗示"這還不是宿命，你還能改變"這種視覺對比製造了強烈的情緒張力：你習慣了過去60年的快速增長（深藍色的陡峭上升）但未來31年將是完全不同的遊戲（淺藍色的平緩停滯）過去的成功經驗，在未來會成為致命的路徑依賴更重要的是，空心柱的設計傳遞了一個微妙的訊號：這是預測，不是宿命。如果你現在改變策略，還有機會改寫這條曲線。這就是麥肯錫的高明之處：既要製造危機感，又要留出"解決方案"的空間（而解決方案恰好是他們的諮詢服務）。增長率標註：把"加速度"可視化很多人做時間序列圖，只標註具體數值（76M、100M、132M……），但麥肯錫做了一個關鍵的設計：在圖表頂部標註分段增長率。2.7% → 1.0% → 0.6% → -0.2%這四個數字用箭頭連接，像一條下墜的軌跡。為什麼這個設計如此重要？因為人類的認知系統對"絕對值"不敏感，但對"變化率"非常敏感。如果只看柱子高度：從286M到333M，增加了47M讀者會想："嗯，還在增長，雖然慢一點，但也不算太差吧。"有了增長率標註：從2.7%暴跌到-0.2%讀者立刻意識到："這不是緩慢增長，這是從高速公路衝向懸崖的剎車失靈。"這就是從"量變"到"質變"的認知轉換。更妙的是，這個標註不是平鋪直敘，而是用箭頭連接。箭頭在視覺語言中代表"方向"和"運動"，當四個箭頭組成一條下墜的軌跡時，它在暗示：這是一個不可逆的衰退過程，除非你主動干預。03. 如果換圖形會怎樣？讓我們做一個思想實驗：如果麥肯錫用其他圖形，能達到同樣的效果嗎？方案A：折線圖把勞動力數量用一條連續的曲線表示，歷史資料用實線，預測資料用虛線。優勢：能清晰展示整體趨勢連續性強，適合看長期變化致命問題：平滑曲線掩蓋了"階段性斷層"：從2.7%到-0.2%的斷崖式變化被溫和的曲線弱化缺乏"倒計時"的緊迫感：連續的曲線讓人覺得"這只是自然的趨勢演化"拐點不夠觸目驚心：2040年的負增長只是曲線上的一個小轉折，視覺衝擊力弱適用場景： 當你要強調"長期趨勢的連續性"而非"階段轉折的緊迫性"時，用折線圖。方案B：面積圖用填充的面積展示勞動力規模的累積。優勢：能展示"總量的積累"視覺上有"體量感"致命問題：過於臃腫，弱化了增長率變化：大面積的填充色讓人關注"有多少勞動力"，而非"增長速度在變化"難以標註分段增長率：箭頭和百分比沒有合適的位置失去"倒計時刻度"的感覺：面積圖是連續的，缺乏柱狀圖的"一年一個刻度"的儀式感適用場景： 當你要強調"規模的龐大"或"累積效應"時，用面積圖。方案C：散點圖每一年用一個點表示勞動力數量，可以用不同顏色區分歷史和預測。優勢：資料點清晰，不受連線干擾可以突出個別異常年份（如2020年COVID-19沖擊）致命問題：失去時間敘事的連續性：幾十個散落的點，視覺上是"碎片"而非"趨勢"缺乏"從繁榮到停滯"的對比：散點圖不能像柱狀圖那樣製造"攀升vs平緩"的視覺落差難以製造"倒計時"感：點是離散的，但缺乏柱狀圖那種"一格一格往下數"的儀式感適用場景： 當你要探索"資料點的分佈規律"或"異常值"時，用散點圖。方案D：堆疊面積圖把勞動力分為"年輕勞動力（15-40歲）"和"中老年勞動力（40-65歲）"，用堆疊面積展示結構變化。優勢：能同時展示總量和結構可以揭示"老齡化"的內部機制致命問題：偏離核心論點：麥肯錫的論點是"勞動力總量增長在放緩"，而非"勞動力結構在惡化"資訊過載：引入年齡結構會分散讀者注意力，削弱"2040年負增長"這個關鍵資訊的衝擊力適用場景： 當你的論點是"人口老齡化"或"結構性矛盾"時，用堆疊面積圖。小結：為什麼柱狀圖是唯一解？當你的核心論點是"時間窗口正在關閉"時，只有柱狀圖能把時間"離散化"，讓每一根柱子都成為一個"倒計時刻度"。 (諮詢與管理)

為什麼聽話的員工最先被裁?麥肯錫揭秘:你的崗位正在死去周五下午4點，會議室的空氣凝固了！張某某，一位在公司兢兢業業幹了8年的技術骨幹，看著手中的裁員通知單，手在微微顫抖。他憤怒地質問HR：“我嚴格遵守了崗位說明書（JD）上的每一條要求，從不遲到早退，程式碼出錯率全組最低，績效年年B+，憑什麼走的是我？”而隔壁工位，那個平時看起來"不務正業"、經常在跨部門會議上"多管閒事"、甚至連本職程式碼量都不如他的95後，不僅留下了，還被提拔為新項目的負責人。這並非孤例，而是一個正在全行業蔓延的殘酷現實：在這個時代，"聽話"的螺絲釘，正在成批淪為廢鐵。為什麼會這樣？答案藏在一份剛剛發佈的重磅檔案中。2025年11月25日,麥肯錫全球研究院(MGI)發佈了一份長達60頁的重磅報告——《Agents, robots, and us: Skill partnerships in the age of AI》(智能體、機器人與我們:AI時代的技能夥伴關係)。這份報告基於對美國800種職業、1100萬條招聘資訊和6800個技能項的深度復盤，揭示了一個顛覆性的結論：AI時代，你的職業安全感不再來自"位置"（Position），而是來自"價值"（Value）。報告還拋出了兩個令人咋舌的資料：如果不重構工作流程，全球將有2.9兆美元的經濟價值化為泡影；而對"AI流利度"技能的需求，已在兩年內暴增了7倍。57%的"位置"正在消失過去，我們以為安全感來自於佔據一個"崗位"——那個規定了職責、薪水和匯報關係的"坑"。但麥肯錫的報告無情地撕開了這層保護膜：57%的員工工作時間已經可以被完全自動化接管。這意味著，在一張標準的"崗位說明書"（Job Description）裡，有接近60%的內容——那些流程化、標準化、用來定義你"位置"的任務——已經不再需要人類來完成了。想一想你每天的工作內容：整理Excel表格？撰寫標準化的周報？按部就班地跑審批流程？回覆千篇一律的客戶郵件？當一個容器裡60%是空的，這個容器（崗位）本身就沒有存在的必要了。如果你還在試圖守住這些"聽話照做"的存量工作，那麼你正在守衛一座註定沉沒的孤島。生死跨越：從 Job（佔坑）到 Role（創造價值）這就是麥肯錫報告指出的核心變革：我們正在經歷從 “Job” 到 “Role” 的遷徙。💀 舊世界：Job（基於任務）——“位置思維”定義：一個靜態的清單。你只要聽懂指令，把清單上的任務勾完，你就是優秀員工。心態：“這是我的地盤，那不是我的事。”（佔坑）結局：AI完美覆蓋了所有基於規則的指令。 你的"執行力"在演算法面前一文不值。🚀 新世界：Role（基於結果）——“價值思維”定義：一個動態的目標。你需要定義問題、整合AI資源、對最終結果負責。心態：“為瞭解決這個問題，我需要如何指揮AI和調動資源？”（創造價值）結局：你成為了AI的指揮官（Pilot）。 你的價值不在於你佔據了什麼位置，而在於你能解決什麼問題。真正的安全感，不再來自於"由於我佔著這個位置，所以我有價值"，而來自於"因為我能創造機器無法計算的價值，所以我不可替代"。👉 不妨現在就問自己一句：回顧上個月的工作，你的成就是"完成了多少任務"，還是"解決了什麼問題"？別以為這只是理論，這場戰爭已經打響，戰場上正在血流成河。讓我們看兩個真實發生的生死局，看清這兩種思維的雲泥之別：📉 案例一：會計行業的"冰火兩重天"死守崗位的會計A： 每天沉迷於對帳、錄入發票、製作標準報表。結局： 報告顯示，這些屬於"資訊處理"技能，是受自動化衝擊最大的領域，列入裁員名單。創造價值的會計B： 利用AI一鍵生成報表，然後轉身變成"財務偵探"（發現資料異常）、“戰略顧問”（告訴老闆那裡該省錢）。結局： 他的工作內容從"生產資料"變成了"解釋資料"，薪資漲幅30%。📉 案例二：程式設計師的"降維打擊"傳統的"碼農"： 以寫程式碼行數（LOC）為榮，拒絕使用Copilot，認為那是"作弊"。結局： 他的效率被AI輔助的初級程式設計師碾壓，淪為"高成本低產出"人員。進化的"架構師"： 指揮AI生成基礎程式碼，自己專注於系統設計、安全審計、複雜邏輯攻關。結局： 他一個人活成了一支隊伍，成為不可替代的核心節點。真正的護城河：不拼"手速"，拼"腦力"你的名片上的Title救不了你，你在組織架構圖裡的位置也救不了你。麥肯錫的報告指出了未來技能的劇烈倒掛：📉 正在暴跌的資產：基礎認知技能（單純的讀寫算）體力和手動技能機械式執行能力📈 正在暴漲的紅利：社會和情感技能：同理心、談判、領導力。機器能處理資料，但處理不了人心。高級數字技能：不是會用Word，而是懂得如何與AI協作（Prompt Engineering & Agent Orchestration）。價值定義能力：在AI給出的一萬個方案中，判斷那一個是"對"的。給管理者的建議：別把人當機器用這句話不僅是說給員工聽的，更是說給老闆及管理者注意的！如果你的公司還在用KPI考核員工的"聽話"程度，還在通過監控打卡時長來衡量產出，那麼恭喜你，你正在駕駛一艘沉船。那些試圖用AI來簡單替代人工、繼續維持舊式科層制的公司，終將被淘汰。真正的智能體組織（Agentic Organization），是讓AI做AI該做的事（極致的執行與效率），讓人做人該做的事（創新、決策與關懷）。管理者必須醒悟：你需要的不再是聽話的下屬，而是有主見的合夥人。🚀 你的行動清單：今天就能做的3件事光有危機感不夠，你必須有手感。這裡有三件你馬上可以做的事：今晚回家前（清庫存）：列出你工作中最重複的3項任務（比如寫周報、回郵件），強迫自己找到並學會1個AI工具來徹底替代它。本周內（破邊界）：主動承擔一個跨部門的、需要解決複雜問題的小任務，測試你的"角色流動性"。下個月（重定義）：拿出你的簡歷，刪掉"負責XXX工作"這種描述，改成"作為XXX角色，解決了XXX問題，創造了XXX價值"。此時此刻，你必須行動AI時代不需要螺絲釘，它需要的是能夠設計機器、駕馭系統的"建築師"。不要等到裁員名單公佈的那一天才如夢初醒。你的崗位正在死去，但你的職業生涯可以重生。從今天開始，拒絕做一個只會"聽話"的執行者。每一次接到任務時，多問自己一句：“如果把這件事交給AI，我還能提供什麼它做不到的價值？”那個答案,不僅是你的生存之道,更是你的逆襲密碼。 (A12Tutor)

自 ChatGPT 引爆大模型時代以來，我們見證了科技史上最快的技術普及。今天，幾乎每家企業都將 AI 寫進了年度規劃。麥肯錫的報告也證實了這一點：高達 88% 的受訪企業表示，他們已經在至少一個業務職能中使用了 AI。但，狂熱之下隱藏著一個殘酷的真相。麥肯錫最新發佈的《2025年AI現狀報告：Agent、創新與轉型》指出，儘管 AI 的應用遍地開花，但只有 39% 的公司報告 AI 對其企業級息稅前利潤（EBIT）產生了實際影響。這意味著，近三分之二的公司在 AI 上的投入，尚未轉化為真實的財務價值。這種“廣泛採用”與“價值兌現”之間的巨大落差，就是擺在所有企業面前的AI 價值鴻溝（EBIT Gap）。我們必須承認：AI 免費的紅利期已經結束。現在，我們正從盲目“嘗鮮”階段，邁入艱難的“規模化兌現”階段。麥肯錫的報告，正是為我們揭示了如何跨越這道鴻溝的三大戰略方向。一、核心警報：AI規模化的“死亡之谷”與EBIT鴻溝為什麼人人都用，但大多數人賺不到錢？ 答案在於規模化的失敗。報告的核心資料顯示，儘管 AI 滲透率極高，但近三分之二的公司仍處於 試驗（Piloting）或 部署（Deploying）的早期階段，尚未開始在整個企業範圍內推廣 AI。1. 陷入“試點陷阱”許多企業滿足於在單個部門（如客服、IT）的小項目上看到成本節約，但缺乏將成功經驗跨部門、跨業務線複製的能力。這種“試點陷阱”導致 AI 的價值被碎片化，無法形成強大的網路效應，自然無法傳導至整體的 EBIT 層面。2. 價值衡量體系的錯位許多公司對 AI 的期望止步於“降本”。它們只關注效率提高，卻忽視了 AI 在營收增長和創新突破上的潛力。麥肯錫報告反覆強調：只有當企業將 AI 嵌入到核心業務流程，甚至創造全新商業模式時，AI 對 EBIT 的貢獻才會顯現。這需要將 AI 視為戰略資產，而非僅是效率工具。二、技術前沿：AI Agent的爆發與“黑匣子”挑戰AI Agent（智能體）是 2025 年報告中的另一個關鍵焦點。它代表著 AI 應用的未來方向——自主執行多步驟任務，極大解放人力。1. 驚人的普及率：Agent的快速滲透報告指出，高達 62% 的受訪企業已經至少開始試驗或擴展 AI Agent 系統。主要突破口： Agent 目前應用最廣泛的領域集中在 IT 和知識管理職能。例如，在 IT 服務台中自主診斷和解決常見問題；或在知識管理中，自主整合和撰寫內部研究報告。價值的初期體現： 在這些專業領域，Agent 已經開始展現出極高的效率潛力，因為它能將一系列複雜的 API 呼叫和邏輯判斷打包成一鍵式服務。2. 規模化 Agent 的三大瓶頸儘管 Agent 潛力巨大，但只有 23% 的公司報告正在擴展 Agent 系統，這說明 Agent 的規模化落地比基礎 AI 更難：資料孤島與治理： Agent 需要訪問和整合企業內分散在各處的資料。如果企業的資料治理和安全框架不完善，Agent 的行動能力就會受限，甚至引發安全風險。可解釋性與信任： Agent 的自主決策過程有時難以追溯（即“黑匣子”問題），尤其是在金融、醫療等高風險行業，這嚴重影響了業務人員對 Agent 的信任和合規性要求。工作流重塑成本： 部署 Agent 並非簡單地安裝軟體，而是需要重構現有的組織架構和協作流程，這是一個組織變革的過程，其成本往往高於技術部署本身。三、戰略分水嶺：高績效者的“增長-創新”飛輪麥肯錫將那些 AI 貢獻了超過 5% EBIT 的公司定義為 AI 高績效者（AI High Performers）。這些公司是跨越鴻溝的典範，他們的戰略選擇與普通公司截然不同。1. 目標：從“效率優先”到“增長驅動”普通公司：80% 的公司將“提高效率”設為 AI 倡議的首要目標。高績效者： 他們不僅追求效率，更傾向於將“增長”和“創新”作為 AI 目標。他們將 AI 視為創造新產品、開拓新市場、最佳化客戶體驗的增長引擎。案例： 不僅僅是讓客服機器人節省人工成本，而是利用 AI 驅動的個性化推薦引擎，為每個客戶提供定製化服務，從而提高客單價和復購率。2. 魄力：3.6倍的變革意願高績效者成功的最大秘密在於組織變革的魄力。他們比普通公司高出 3.6 倍的意願，利用 AI 對現有的工作流程進行“變革性改變”（Transformational Change）。深度整合： 他們不是在現有流程上打補丁，而是徹底推倒重來，將 AI 深度整合到企業文化、組織架構和關鍵決策點中。3. 人才：雙管齊下的AI人才戰略儘管 32% 的公司擔心 AI 會導致裁員，但高績效公司正在加速招聘。他們明白，AI 驅動的轉型需要人類的智慧來引導。外部招聘：軟體工程師、資料工程師和 AI/ML 專家仍然是全球範圍內的搶手貨。內部重塑： 更重要的是，他們大力投入於內部員工的“AI 素養”和“重塑技能”（Reskilling）。他們相信，最好的 AI 戰略是讓現有員工具備操作、理解和利用 AI 的能力。四、組織大遷徙：跨越鴻溝的三大基石要實現 5% 以上的 EBIT 提升，企業必須在組織層面進行系統性重建。麥肯錫報告指出了支撐 AI 規模化的三大基石：1. 基石一：資料治理與 MLOpsAI 的價值源於資料。高績效者在資料治理上投入更多，確保資料質量、可訪問性和安全性。• MLOps 成為標配： 他們將 MLOps（機器學習維運）視為標準實踐，確保模型從實驗到生產的平穩過渡，解決模型漂移、性能監控和版本控制等問題。• 統一資料湖： 打破資料孤島，建立統一的雲原生資料湖或資料網格，為 Agent 和模型提供可靠的“燃料”。2. 基石二：重塑工作流（Workflow Redesign）這是最難也是最關鍵的一步。• AI 優先的工作設計： 工作流不再圍繞人類能力設計，而是圍繞 AI 的能力和優勢來重新設計。例如，客服不再是接聽電話，而是成為AI 助手的訓練師和最終決策者。• 人機協作模式： 明確 AI 和人類的角色邊界，將重複性、資料處理的工作交給 Agent，將創造性、情感交流、複雜決策的工作留給人類。3. 基石三：高層領導的“全情投入”麥肯錫發現，高績效公司的高層領導對 AI 的所有權和承諾是其成功的關鍵。• C 級推動力： 首席執行長（CEO）和首席技術官（CTO）需要親自擔任 AI 轉型項目的主席，並提供持續的資金和戰略支援，確保 AI 項目不會被短期業績壓力中斷。結論與行動：未來三年，個人與企業的五大落地清單麥肯錫的報告為我們描繪了一個清晰的未來：AI 的贏家將是那些把 AI 視為增長戰略核心，並有勇氣進行組織變革的公司。💼 企業決策者：設立增長目標： 將 AI 項目的目標從“降本 X%”升級為“營收增長 Y%”，並將 AI 投入與年度財報掛鉤。投資 MLOps 基礎設施： 將 AI 模型部署流程化、自動化，確保 Pilot 成功案例能快速複製到全企業。啟動工作流重塑項目： 聘請專業的流程顧問或內部團隊，設計全新的 AI-Human 協作工作模式。🧑‍💻 職場個體：學習 Agent 協作： 掌握如何使用 Prompt Engineering 和 Agent 編排工具，將你的日常工作流程自動化。建構 AI 素養： 不僅學習如何使用 AI 工具，更要理解 AI 模型的基本原理、能力邊界和潛在風險。從“使用者”升級為“AI 的設計師和評估師”。 (AI智匯派)

11 月 25 日，麥肯錫全球研究院（MGI）發佈了一份60 頁的新報告——《Agents, robots, and us: Skill partnerships in the age of AI》。（AI技能夥伴）這份報告關注的不是“AI 會不會讓人失業”這種老話題，而是一個更本質的問題：在 AI 主導的新一輪生產力躍遷中，工作是如何被重新拆解、組合與分工的？人、AI 智能體（agents）和機器人，將如何形成新的“技能夥伴關係”？一、報告主要研究目標從問題上看，它圍繞三件事展開：1.AI 能做多少原本由人完成的工作？以“技術可行的自動化潛力”為基準，評估今天的 AI/機器人，理論上能接手多少美國現有工作時長（答案是：57% 的工時可以被自動化，但這不是裁員預測，而是任務結構重排）。2.在人–機協作下，那些技能會被“放大”，那些會被“擠壓”？報告通過一個新的 Skill Change Index（技能變化指數），測算未來 5 年裡不同技能被自動化影響的程度，識別出：會被衝擊最大的：數字技能、資訊處理類技能變化最小的：照護、服務、陪伴等“助人類技能”組織需要怎樣重設計工作流，才能真正把 AI 的價值“兌現”為生產率和經濟價值？核心結論之一是：到 2030 年，如果企業圍繞「人–智能體–機器人協作」重構工作流，而不僅是零散做工具替換，美國有望額外釋放 約 2.9 兆美元的經濟價值。二、報告的研究方法和樣本：這份報告的“底層資料”和“分析方法”都比較硬核，可以簡單理解為三層：任務與職業層面：結合美國勞工統計局、O*NET 等資料庫，對約 800 種職業進行“任務拆解”，判斷每一類任務被 AI/機器人自動化的技術可行性。技能層面：基於 Lightcast 的招聘巨量資料，分析 1,100 萬條招聘資訊，提取出約 6,800 個技能項，看不同職業真實在招什麼技能、那些技能正在變“熱”、那些開始降溫。時間演化 + 場景建模：在“中位情景”的假設下，測算到 2030 年的自動化採用節奏，並通過 Skill Change Index衡量各類技能在 5 年內的“結構性位移”，再疊加對典型場景的工作流重構分析。報告也明確說明：這些都是對“工作內容”和“技能結構”的預測，而不是對就業總量的絕對判斷——歷史經驗告訴我們，技術每一輪都會擠掉一部分崗位，但也會在別處創造新的工作。注意：樣本主要基於美國勞動力市場，是否完全適用中國及全球市場需謹慎參考。三、報告給出的幾個關鍵結論：未來的工作形態 = 人 + Agents + 機器人今天的技術理論上可以自動化超過 一半的工作時間，但更大的變化不是“崗位消失”，而是工作被拆分、重組，越來越多崗位變成人機協作的混合體。70% 以上的人類技能會繼續被需要，但使用場景會遷移大部分今天企業在招聘的技能，其實同時存在於“可自動化工作”和“不可自動化工作”裡——意味著技能不會突然過時，而是從“自己做”變成“借助 AI 做得更多、更好”。Skill Change Index：誰被 AI 衝擊最大？受影響最大的：會計、編碼等高度專業、又高度可自動化的技能變化最小的：談判、教練、關懷等強依賴人際互動的技能AI 流利度（AI fluency）正在成為“第一新基礎技能”過去兩年，招聘啟事裡對 “AI 流利度”（使用與管理 AI 工具能力）的需求，增長了近 7 倍，是所有技能裡漲得最快的。到 2030 年，2.9 兆美元的價值取決於一件事：你是“裝 AI”，還是“重做工作流”簡單把 AI 當外掛，價值有限；只有圍繞 AI 重設流程、角色、指標與文化，才可能真正吃到這波紅利。四、完整整報告分為60頁（可後台私信發PDF/PPT），核心是四個章節，包括：第一章：Workforce of the future：未來勞動力的基本形態——人、智能體、機器人如何分工協作？第二章：How AI changes skills：技能結構如何重排？Skill Change Index 告訴我們什麼？第三章：Reimagining workflows：不再是“自動化幾個任務”，而是“圍繞 AI 重畫整條工作流”。第四章：Leadership challenges：領導者如何重新定義角色、重塑組織，並在安全、責任、信任之間取得平衡？五、今天這篇，是第一期：聚焦「未來勞動力」這一章未來勞動力將是「人 × Agents × 機器人」的協作夥伴關係AI 正在重新定義工作的邊界，並開啟新的生產力潛能。未來的工作模式，將被重構為由人類、AI 智能體（agents）和機器人共同組成的協作體系。1.1 AI 讓 Agents 與機器人更加自主、更具能力在過去的一個世紀裡，機器基本都是按照規則運作的：機器人執行固定的物理動作，例如裝配零件；軟體自動化處理可預測的文書和分析任務。這兩類機器都遵循預設程序，只能按照指令行事，難以超越規則。而如今 AI 的崛起，正在改變這一點，並顯著拓寬自動化能做到的事情。AI 讓 agents 與機器人具備了新的能力：可以從海量資料中學習可以模擬推理可以響應更廣泛的輸入（包括自然語言）可以根據情境變化自動調整，而非只執行預設流程因此，agents 與機器人能夠分別承擔 認知性任務與 物理性任務，且能力持續提升。1.2 AI 能影響所有類型的工作麥肯錫將工作分為兩類：物理性工作（需要機器人自動化）非物理性工作（需要 agents 自動化）雖然並非所有自動化都需要嚴格意義上的“AI 智能體”或“機器人”，但報告使用這兩個術語來概括所有能夠自動化工作的技術形態。在美國，非物理性工作佔總工作時長的三分之二。在這三分之二中：約三分之一依賴社會與情緒技能——目前仍主要超出 AI 能力範圍其餘部分包括推理、資訊處理等任務——這類任務更適合自動化這些更“可自動化”的活動：佔美國總工資的 約 40%分佈在教育、醫療、商業、法律等多類崗位中（對應報告 Exhibit 1 的結論）1.3 AI 驅動的自動化將重塑工作，但“人”仍然不可或缺以當前的技術能力來看，AI 智能體（agents）理論上能夠承擔 佔美國工作時長 44%的任務，而機器人能夠承擔 13%（見 Exhibit 2）。要讓自動化進一步擴展，還需要突破一系列目前尚未被機器匹配的人類能力：對 agents 來說：必須能理解意圖、情緒等更細膩的人類線索；對機器人來說：必須掌握更高精度的精細動作控制，例如抓取易碎物品、或在手術中操控精密器械。換句話說，自動化能替代的部分會繼續擴大，但人類的判斷力、情緒理解力、精細動作能力，仍然是技術難以跨越的關鍵分界線。佔當前工作時長一半以上的任務在技術上都有可能被自動化，主要由 AI 智能體（agents）完成。但這並不意味著“一半的工作崗位會消失”。真正發生的是：具體任務被自動化，人類的工作內容會被重新組合，而不是被整體替代。此外，那些高度依賴 社會與情緒技能的工作，即便在“全面採用 AI 的極端場景下”，仍然難以被技術替代。原因在於，這類工作需要即時的人類洞察，例如：老師需要讀懂學生的表情反應銷售需要感受到客戶何時開始失去興趣人類還能提供：監督質量控制以及“客戶、學生、病患更願意與之互動”的人類存在感1.4 隨著技術進步，仍需人類參與的工作也在變化隨著技術的發展，屬於人類的工作也在不斷演化：有些角色會縮小有些會擴張或改變重點也會出現全新的崗位放射科就是一個典型案例。儘管 AI 在醫學影像領域的能力顯著提升，但 2017–2024 年間，放射科醫師就業仍以每年約 3% 的速度增長，並預計繼續增長。原因是：AI 提升了放射科的效率和精準性，讓醫生能專注於複雜判斷和患者關懷。例如：梅奧診所（Mayo Clinic）自 2016 年以來將放射科團隊擴充了 50% 以上同時部署了 數百個 AI 模型用於影像分析輔助1.5  AI 正在催生新型工作與角色——七大典型角色AI 不是只會“減少舊崗位”，它也在創造新崗位：軟體工程師正在開發、訓練、最佳化智能體設計師與內容創作者使用生成式 AI 生產新內容即：AI 既重塑舊職能，也在催生全新的技能需求。不同職業中“人、智能體（agents）與機器人”的組合形式，呈現出七種不同的典型模式。一個經濟體的整體就業水平和職業構成都取決於行業如何演進。而在具體職業內部，工作的配置方式也因對物理能力、認知能力以及社會與情緒能力的依賴程度不同而呈現顯著差異。為了理解這種差異，麥肯錫分析了約 800 個職業，並根據其物理與非物理任務的可自動化潛力進行分類。由此形成了七種原型，用以展示在人、智能體和機器人之間可能出現的協同方式。自動化潛力最低的職業被歸類為以人為中心（people-centric）；而那些包含大量可自動化任務的職業，則被劃為以智能體或機器人為中心（agent-centric 或 robot-centric）。此外，還有一些在三者之間比例更為均衡的角色，被歸入“混合型”原型，它們在工作中同時包含大量由人、智能體或機器人承擔的內容（見 Exhibit 3）。這一框架適用於各類勞動力市場，幫助領導者判斷那些崗位將率先受 AI 影響、勞動力轉型將如何發生，以及那些角色會演化為“人與智能體與機器人協作”的新型工作模式。對個人來說，它也提供了理解自身崗位未來變化的清晰視角。在職業軸的一端，是 以人為中心的職業（如醫療、建築、維修），佔美國崗位約三分之一，平均薪酬 71,000 美元。這些崗位中近一半的工時涉及當前技術無法複製的身體活動，因此難以自動化。在另一端，是 高度可自動化的職業，約佔 40% 的就業，平均薪酬 70,000 美元，主要屬於法律、行政等“智能體中心型”崗位，包含大量可由 AI 處理的認知任務。部分任務未來可能完全自動化，但仍需要人類監督和驗證。其中一部分是 機器人中心型崗位（如司機、裝置操作員），平均薪酬 42,000 美元，理論上幾乎可完全自動化，但現實成本與風險讓人類短期內仍難以完全退出。規模更小的 智能體–機器人混合崗位佔約 2%，主要在自動化製造、物流等場景，由 AI 軟體指揮物理系統。在兩個極端之間，是佔勞動力三分之一的 混合型崗位。這些崗位在人、AI 智能體和機器人之間的分工不同，但共同特點是：人類仍然不可或缺，只是角色將從“親自執行”轉向“指導與協調機器”。混合型崗位包括：人–智能體崗位（教師、工程師、金融專家），平均薪酬 74,000 美元，佔比 20%；人–機器人崗位（維修、建築），81% 為體力任務，平均薪酬 54,000 美元，佔比不足 1%；人–智能體–機器人崗位（交通、農業、餐飲），平均薪酬 60,000 美元，佔比 5%。總體而言，這些結論描述的是“技術上可能的未來”，而實際落地速度將因行業、成本與流程調整而顯著不同。但可以確定的是：人與智慧型手機器的協作，將在未來的所有工作場景中不斷深化。 (AI組織進化論)