“能使用AI工具，远远不够。”
11月3日，Tencent Cloud Day Singapore 2026 在新加坡举行。大会聚焦AI技术创新、云计算发展及企业应用。新加坡眼出席现场，并关注了其中一场关于未来劳动力的圆桌讨论——“AI赋能的未来劳动力：技术、人才与组织的协同进化”。
这场讨论的三位嘉宾来自不同领域：腾讯云副总裁和亚太区负责人赵剑南，新加坡国立大学（NUS）信息技术部企业服务负责人 Irving Neil Kwok，以及新加坡全国人工智能核心（AI Singapore）人工智能产业创新总监廖永健。
从企业如何把AI真正用进业务，到大学如何在创新和安全之间取得平衡，再到新加坡如何培养下一代AI人才，三位嘉宾的分享指向一个共同问题：当AI工具越来越容易获得，人与企业真正的竞争力究竟来自哪里？
腾讯集团高级执行副总裁、云与智慧产业事业群CEO汤道生（Dowson Tong）
腾讯云：企业最大的瓶颈不是技术，而是技能缺口
赵剑南在讨论一开始就给出了明确判断：仅仅能够操作AI工具，远远不够。
他认为，未来真正具备AI能力的员工，应该能够“构建、适配，并交付真实的商业价值”（build, adapt, and deliver real business value）。
这背后是企业AI应用阶段的变化。早期企业可能更关注AI能不能生成内容、回答问题、完成简单任务；但当AI从试点走向真实生产环境，企业需要的就不只是一个看起来不错的答案，而是稳定、可靠、能够衡量结果的解决方案。
赵剑南指出，企业需要能够训练AI Agent，并根据实际业务指标评估其表现的人才。腾讯的CodeBuddy和WorkBuddy等工具，通过自然语言交互降低了开发门槛，但工具变得容易使用，并不意味着企业就能顺利完成AI转型。
他特别提到，腾讯在企业服务中的一个观察是：企业最大的瓶颈是技能缺口，而不是技术本身。
什么样的人才能弥补这个缺口？赵剑南认为，关键是既理解行业业务，又懂得如何应用AI的人。单纯掌握工具不够，员工还需要理解企业的流程、客户的需求，以及一个具体问题应该如何被解决。
他分享了一个新加坡本地合作伙伴的例子。这家云与AI解决方案合作伙伴派出约20人的团队参与相关工作。团队中，年轻员工学习和掌握腾讯AI工具的速度很快；而一些资深行业专家则拥有丰富的传统行业经验，曾与德国BMW、日本Toyota等企业合作，擅长识别行业问题、定义真正需要解决的业务需求。
两类人的能力并不相同，却恰好能够互补。
年轻员工熟悉AI工具，资深专家理解行业问题。CodeBuddy和WorkBuddy在其中发挥桥梁作用，让技术能力与行业经验结合起来。
赵剑南还提到腾讯举办的“AI can do it”黑客松。参与者不是围绕AI进行纯理论讨论，而是直接面对银行、医疗、房地产等行业的实际问题，尝试用AI提出解决方案。
在他看来，企业不应该停留在基础AI体验和简单工具使用上，而应该主动走进传统业务流程，与行业负责人沟通，找到真正值得解决的问题。
NUS：大学不应该简单限制AI，而要教会人如何负责任地使用
如果说产业界关注的是AI能否创造业务价值，那么大学面对的挑战则更复杂：既要鼓励创新，也要保护数据和研究环境。
Irving Neil Kwok介绍，新加坡国立大学拥有约120年历史，在新加坡设有3个校区、15个学院和学部，约有3万名本科生、1.7万名研究生，以及1.2万至1.3万名员工。
这样规模庞大、职能多元的机构，很难采用同一套AI管理方式。
研究人员需要使用不同的工具进行实验和学术合作；教师需要探索AI如何帮助教学；行政和专业职员则可能接触人力资源、财务、学生记录等敏感资料。不同岗位的需求和风险并不一样。
Irving透露，NUS从生成式AI兴起至今，已经走过约三年的实践历程。学校很早就开始为师生提供AI工具，但他强调，“提供工具只是拼图的一部分。”
在他看来，NUS的AI战略不只是技术战略，更是人的战略和文化战略。学校需要让师生知道如何使用工具，也需要通过培训和政策，让大家理解哪些场景可以使用AI、应该如何使用。
一个值得关注的细节是，生成式AI刚开始普及时，NUS并没有选择全面禁止学生在评估中使用AI。Irving表示，学校从一开始就明确允许学生在评估中使用AI，也允许教育者运用AI实现教学目标。
这并不意味着没有规则，而是学校希望在鼓励实验和维护学术自由之间找到平衡。
随着AI能力提升，安全问题也发生了变化。过去，应用程序开发通常需要专业IT人员参与；如今，没有软件开发背景的普通职员，也可能借助AI构建应用、设计自动化流程，甚至部署Agent。
这让更多人有机会参与技术创新，但也带来了新的风险。
Irving举例，AI Agent可能突破原有沙箱环境，甚至为了完成任务采取一些过去难以想象的行动。普通员工即使能够借助AI开发解决方案，也未必了解数据保护、系统安全和部署管理方面的风险。
因此，NUS不仅需要技术团队管理基础设施，还配备了数字化专家，负责教育整个大学社区安全、负责任地使用AI工具。
Irving有一句话值得企业管理者留意：“最终的失败点，其实是个人。”
工具、政策和流程都很重要，但如果使用者缺乏必要的知识，不能安全地部署自己构建的解决方案，再完善的制度也可能失效。
他也提醒，AI时代不能只关注工具和平台，更不能忽视人的优势。批判性思考、倾听、判断、建立关系和沟通能力，仍然是未来劳动力不可缺少的素质。
AI Singapore：600多名AI人才中，只有20%是计算机科班出身
相比企业和大学的实践，Laurence Liew分享的则是新加坡国家层面的人才培养经验。
AI Singapore成立于2017年，是新加坡国家级人工智能平台，支持AI研究、产业应用及人才能力建设。Laurence负责推动产业界、专业人士和中小企业进一步采用AI。
他提出一个与传统职业转型观念不同的看法：自己并不喜欢“Reskilling”（再技能化）这个词。
原因是，Reskilling容易让人觉得过去掌握的技能已经失去价值，需要重新学习一套全新的技能。但在AI时代，很多人的行业经验并没有过时，真正需要的是在原有专业能力上叠加AI技能。
无论是会计师、律师、教师还是工程师，都应该学习如何利用AI提升自己的专业工作能力，而不是所有人都转行成为AI工程师。
他分享了一个很有说服力的数据。
八年多前，Laurence参与创建了AI Apprenticeship Programme。这个计划至今已经培养超过600名AI工程师，但其中只有20%拥有计算机科学学位。
其余学员来自不同专业背景，包括教师、会计师、律师和人力资源经理。他们并非传统意义上的技术人才，而是在原有专业基础上学习AI技能，再进入AI相关领域。
Laurence认为，这正是新加坡需要的人才发展方向：不是让所有人重新成为AI人才，而是让各个行业的人都具备使用AI推动行业变化的能力。
他随后讲述了一位45至48岁资深工程师的经历。
这位工程师曾参与新加坡MRT系统建设，拥有多年的工程领域经验。提前退休后，他花了一年时间参加AI和数据科学课程，希望转型成为AI工程师，却一直找不到工作。
Laurence告诉他：“没有人会聘请你做AI工程师。”
这句话听起来有些直接，但Laurence的建议是：不要丢掉过去几十年的工程经验，应该回到自己熟悉的行业，用AI提升原有的专业价值。
这位工程师通过了AI学徒计划的技术测试，参加了为期六个月的培训。毕业后，他在一个星期四完成课程，到了下一个星期二，Laurence便安排他与一家公司的CEO见面。
面试结束后，对方当场给了他一份工作。
企业需要的并不是一个刚入门的AI工程师，而是一位拥有多年工程经验、同时掌握AI技能的高级管理人才。
这个案例也说明，AI带来的职业机会未必意味着从零开始。对很多有经验的专业人士来说，真正有价值的路径，是把AI能力叠加到原有的行业经验上。
企业要让70%至80%的员工成为“构建者”
谈到企业接下来应该如何培养AI人才，Laurence给出了一个具体的比例。
他认为，企业当然希望所有员工都能成为AI解决方案的构建者，但这并不现实。比较可行的目标是：让50%至60%的员工成为“AI Ready”，也就是具备基础构建能力的初学者；另外20%的员工则成为真正能够独立构建解决方案的人。
换句话说，企业应该争取让70%至80%的员工能够利用AI解决实际工作流程中的问题。
为什么不是简单地给所有员工配备AI工具？
Laurence举了一个很现实的例子：现在只需要花20至30美元，就可以获得与竞争对手相近水平的AI能力。
他认为，使用Copilot总结邮件、制作PPT，这些已经逐渐成为基础能力，不再是竞争优势。
真正重要的是，员工能否利用大语言模型和AI工具，解决完整的业务流程。
他以人力资源招聘为例。如果AI不只是帮HR整理简历、撰写招聘文案，而是能够参与并自动化整个招聘流程，那么它为企业带来的效率提升和业务价值就完全不同。
Laurence最后用一个词总结企业应该优先推动的方向：
“Build。”
不是只会使用AI，而是要学会构建解决方案。
这也呼应了整场讨论的核心：AI工具正在变得越来越普及，单纯拥有工具的差距会逐渐缩小，真正拉开差距的，是谁能把工具与自己的专业知识结合起来，解决具体问题。
回到新加坡的AI人才发展，三位嘉宾从不同角度给出了相似的判断。
产业界需要能够理解业务、推动AI落地的人；高校需要在开放创新和安全治理之间找到平衡；国家层面则需要让更多来自不同专业的人才掌握AI能力，而不是把AI发展局限在技术岗位。
正如Irving在讨论最后所提醒的，AI时代不能只投资技术，也要投资人和组织文化。批判性思考、良好判断、沟通能力，以及负责任地使用技术的意识，仍然决定着AI最终能发挥多大的价值。
AI时代真正稀缺的，可能不是会使用某个工具的人，而是既懂一个行业，又知道如何用AI改变这个行业的人。
