麥肯錫最新報告：未來五年，這個能力正在瘋狂升值

我坦白，看到麥肯錫那份報告的時候，我心里咯噔了一下。
報告里有個數據，讓我后背有點發(fā)涼——數字素養(yǎng)（digitalliteracy），從去年的第20位，飆升到今年第6位。一年時間升14個名次。整個榜單上，它是漲幅最大，沒有之一。
按這個速度，明年它可能沖進前三。而那些不具備這項能力的人，會在三年內被擋在決策層門外。
你可能會問：數字素養(yǎng)不就是會用電腦、會用AI、會寫提示詞嗎？
還真不是。
麥肯錫對它的定義跟我們想的不太一樣。它說的是——它不是使用工具，而是判斷工具給出的結果是否可信的能力。
一個是“會用”，一個是“會判斷”。這兩件事，差別大了去了。
今天這篇，咱們把這個事徹底聊透。

01工具人人會用，判斷力才是稀缺品
先看一組數據：麥肯錫《2026年人力資源監(jiān)測報告》調研了歐洲、美國、中國等10個國家，訪談了約1300位HR從業(yè)者和5500名員工。
報告的核心結論只有一句話：Futureskillswillshiftfromroutinetask-basedcapabilitiestoskillsfocusedonanalyzingandinterpretingAIoutputs.
翻譯過來：未來技能，會從完成日常任務的能力，轉向分析和解釋AI輸出的能力。即過去你值錢，是因為你能把事情做完。未來你值錢，是因為你能判斷：AI做出來的東西，到底能不能用。
報告里還有一個細節(jié)很有意思。有個跟“數字素養(yǎng)”長得很像的能力，叫“數字化學習能力”——就是會用AI工具、會用各種數字化產品的能力。它的排名是下降的。
這說明什么？
“會用”這件事，正在變成一種基礎設施。就像10年前有人在簡歷上寫熟練使用Word會被笑話一樣，我估摸著，再過兩三年，會用AI也會成為壓根不該寫進簡歷的詞。
工具人人都會用，但判斷力不是人人都有。而判斷力這東西，本身就是所有能力的元能力。過去，信息是稀缺品。誰能拿到更多信息，誰就值錢?，F在，信息是過剩品。誰能從海量信息里撈出對的，誰才值錢。
AI解決的是獲取問題，你解決的是取舍問題。這兩件事，前者越來越便宜，后者越來越貴。
而且，說這話的不止麥肯錫一家。世界經濟論壇《2025年未來就業(yè)報告》預測，到2030年，近40%勞動者的核心技能需要更新，AI將改變近90%企業(yè)的運營方式。屆時6900萬個新崗位將被創(chuàng)造，8300萬個崗位被淘汰，凈減少1400萬個。
不是AI替代了人，是會用AI判斷的人，替代了不會用的人。
與此同時，近三分之一的美國勞動人口缺乏或完全不具備數字素養(yǎng)技能。供需之間的缺口有多大，不用我多說了。
再看一組數據：在歐洲，只有36%的組織在定期使用AI，而在美國，這個數字是76%——整整40個百分點的差距。數字素養(yǎng)的差距，正在變成企業(yè)之間、國家之間的競爭力差距。
那些率先補上這一課的人，正在拉開和那些還沒醒過來的人之間的距離。

02很多領導，正在用舊腦子做新決策
說到這，你可能覺得，判斷AI這事，應該讓技術人員或者數據分析師來做吧？
錯了。管理者比員工更需要這項能力。
為什么？因為管理者做的是決策，而決策一旦建立在錯誤信息上，損失是成倍的。
員工用AI寫一份報告，錯了最多重寫。管理者用AI的信息拍一個板，錯了可能是一個部門的預算、半年的時間、整個團隊的心血。
麥肯錫2025年有個調研，覆蓋了30多個行業(yè)、2000多家企業(yè)-。數據顯示：35%的基礎管理工作已經被AI接管了，超過60%的管理者存在能力替代焦慮，但只有12%的管理者完成了適配AI時代的能力升級-。
換句話說——絕大多數管理者，正在用舊時代的腦子，做新時代的決策。
更扎心的是另一組數據：86%的領導者認為自己的組織在日常運營中采用AI的準備不足。
你以為是技術沒準備好？是人沒準備好。
當一位決策者缺了這項能力，團隊就算手上有工具也不敢往前推——所有項目都得排隊等老板點頭。而老板點頭的依據，可能只是一份AI生成的、錯漏百出的報告。

03 AI不犯錯，犯錯的是盲目相信AI
先說個讓我印象挺深的案例。
一家公司用AI做了一份用戶洞察報告，里面引用了若干“權威數據”。老板覺得邏輯嚴密、數據詳實，當場拍板立項。
半年后，公司發(fā)現——當初那些數據，是AI從一份2019年的過時報告里撈出來的樣本。錢已經花了，人已經招了，生產線已經開了，產品已經做了。后悔，已經遲了。
還有更離譜的。，澳大利亞政府曾花44萬澳元委托德勤寫一份評估報告，結果專家發(fā)現報告里引用了根本不存在的學術文獻和虛構的法院判決。德勤承認使用了生成式AI工具，被迫退還部分費用。
政府都會犯錯，何況企業(yè)？這些基于錯誤材料做出的連鎖決策帶來的沉沒成本，就是數字素養(yǎng)不足的代價。
有人可能會說：這是AI的錯。不。AI不犯錯，犯錯的是盲目相信AI的人。
AI只是一個工具，它從一堆舊數據里撈出了看起來正確的答案。真正的問題在于——沒有人停下來問一句：這個數據，真的對嗎？

04怎么判斷AI給的東西能不能信？
說了這么多，你可能會問：那我到底該怎么判斷AI給的東西能不能信？
建議不管AI給了你什么，用這三句話過一遍。

1．“憑什么”：結論依據是什么？
AI給出一個數據、一個結論，你先別急著往下看。做三件事：

1）追來源。數據從哪來？樣本多大？時間范圍是什么？當前主流的大模型大多會提供溯源鏈接或引用文獻——你要主動去點、去看、去核實。確認引用內容的發(fā)布時間，判斷信息是否具備時效性。

2）交叉驗。同一個問題，換一個不同的大模型問一遍。如果兩個答案差異很大——至少有一個在“胡說”。如果多個模型指向同一個結論，可信度大幅提升。

3）反向問。順著AI的答案追細節(jié)。AI說“某類人群正快速轉向某新品類”——你就追問：這個快速具體是多快？數據覆蓋了哪幾個城市？樣本里有多少人？
2．“邏輯呢”：推理過程是什么？
AI最擅長的，是用“看起來很合理的邏輯”把錯誤包裝得滴水不漏。這時候你要做兩件事：

1）逼它攤牌。很多AI回答只給結論，不給推理鏈條。你要明確要求它把推理過程展開——每一步是怎么推導的？中間有沒有邏輯斷層？如果推理過程中有“說不通”的地方，結論就值得懷疑。

2）找打臉證據。別只看支持結論的證據?？桃鈫栆痪洌?ldquo;有沒有數據不支持這個結論？有沒有例外情況？”如果AI回答“沒有”或含糊其辭——那更要小心。

3．“可行嗎”：是否符合你的認知？
這是最容易被忽視，也最關鍵的一步。

1）直覺校驗。AI的結論再漂亮，也得過“常識關”。如果一個結論聽起來離譜，或者和你對業(yè)務的長期觀察嚴重沖突——別輕易放過。AI可能沒錯，但你多問一句，不虧。

2）業(yè)務落地。如果AI建議你“立刻做新品類”，得先問自己一句：這個建議放到我們公司的實際資源、實際客戶、實際競爭格局里，還成立嗎？這就是為什么AI永遠代替不了管理者——它管的是對不對，我們管的是能不能。

寫在最后
我最后想說：AI已經替我們跑完了90%的路。剩下的10%，恰恰是我們最值錢的部分。千萬別把最后10%，也交給AI。因為那是你唯一還值錢的地方。