Meta创始人兼首席执行官马克·扎克伯格近期透露，该公司将于年内启动中级软件工程师编程工作的自动化进程，此举被业界解读为裁员的前奏。
“预计到2025年，我们在Meta及其他深耕该领域的科技企业，都会配备一套AI，它的能力相当于公司里的中级工程师，可自主完成代码编写工作。”他预测道。对企业而言这意味着运营成本的精简，但对从业人员而言，可能就是岗位流失。
AI的迅猛普及正在引发职场群体的普遍忧虑——未来职业形态将如何演变？目前，AI发展的速度远远快于企业在再培训与技能提升方面的应对效率。诚然，将计算推演、流程优化、智能推荐等机器更擅长的任务交由AI处理具有经济合理性，但机器仍无法替代人类特有的优势：情感交互、共情能力、活动策划与体验营造。正是在这一点上，AI可能成为ESG（环境、社会与治理）框架的机遇，也可能成为隐患。尽管AI训练与运行的高能耗问题及环保成本控制已是行业焦点，本文更着眼于如何通过社会协同效应显著提升环境治理成效。
对于工业企业而言，共享数据可以帮助应对人才与能源转型挑战
AI对个人与组织的影响
谈到就业，AI并非一定是“敌人”。西门子最新发布的《A New Pace of Change: Industrial AI x Sustainability》报告指出：“全球工业企业正面临相似挑战：人口老龄化、技术人才短缺……”AI的价值在于帮助企业用数据驱动更高的资源效率、更高的生产力与更强的可持续性。特别是在工业AI领域，存在重塑产业格局、规模化推进可持续发展的巨大潜能。
该报告强调，AI将成为工业转型的"涡轮增压器"，加速企业在可再生能源、节能制造、电动汽车等清洁技术领域的布局。
但报告同时警示，企业必须平衡环境责任、社会诉求与盈利需求之间的辩证关系——未来数年，协调碳预算与财务盈亏将成为核心挑战。这不仅是环境与经济的博弈，更是AI社会影响的平衡艺术。
用数据协同，推动节能与可持续转型
鉴于AI对ESG中环境(E)与社会(S)维度的复杂影响，建立协同治理机制势在必行。对于工业企业而言，共享数据可以帮助应对人才与能源转型挑战。并且，这种共享并不意味着泄露机密，借助联邦学习（在无需共享原始数据的前提下聚合多方数据训练模型）等隐私计算技术，以及先进的数据加密方案，企业完全能在保障数据安全的前提下实现协同创新。
协作提升数据质量，优化能源管理
通过整合大数据与AI技术，企业能够构建更智能的能源管理体系，在提升资源利用效率的同时，显著降低碳排放。实现这一点的方式之一，就是建立安全可靠的数据协作平台，各企业可通过该平台实时共享能源消耗数据、生产工艺参数和供应链运行信息。例如，一家制造企业可以与电力公司共享用能模式，让后者更精准地预测用电需求，从而优化电力调配方案。这不仅能提升运营效率，还能支持可再生能源的接入。
跨行业合作也能催生能源创新。例如，钢铁企业与可再生能源公司合作，制定智能调度策略，在用电低谷时充分利用富余绿电，减少对传统化石能源的依赖。
数据协作还能助力开发预测能源消耗趋势的AI模型，使各行业能够根据可持续发展目标调整运营策略。通 过这种“系统中的系统”（systems of systems）式合作，将分散的数据孤岛转化为具有决策价值的行业洞察，既推动了企业可持续发展实践，也为实现更宏大的气候目标提供了数据支撑。最终，这类协作将加速能源结构转型，提升工业体系的适应性与抗风险能力。
数据协作：开创互利共赢新格局
AI系统的效能取决于数据的质量。随着AI在工业领域的应用日益深入，具有完整上下文的高质量数据正成为稀缺的战略资源。数据资产化趋势下，企业必须重点考量：
- 如何建立合理的数据贡献回报机制？
- 如何将这些数据进行组织与整合，以便为整个行业提供洞见？
数据合作社（Data Collectives）为此提供了解决方案，通过聚合个人数据形成集体议价能力，在为数据提供者创造收益的同时，也为企业输送持续更新、高价值的数据资源。当这些经过场景验证的数据在行业内安全流通时，所产生的洞察将使所有参与者受益。
此外，合理的数据回报机制会激励员工优化数据采集流程，进而提升企业AI系统的准确性。要实现这种良性循环，企业需要提升管理层与员工的“数据素养”，让他们具备与AI协作并产出最佳洞见的能力。这不仅会重塑我们的工作方式，也会改变我们在数字时代对“员工价值”的定义：过去，员工的贡献是劳动；而在AI驱动的职场中，员工最宝贵的贡献，或许将是数据。
数据素养赋能员工深入理解技术系统，使其能够精准判断哪些任务应交由AI处理，哪些仍需人力主导。
跨组织提升数据素养：AI时代的核心竞争力
为应对数字化转型挑战，企业需要双管齐下：一方面赋能员工掌握人机协作技能，另一方面明确划分人机职责边界。
过渡阶段：赋能
在这 一阶段，数据素养赋能员工深入理解技术系统，使其能够精准判断哪些任务应交由AI处理，哪些仍需人力主导。
成熟阶段：分工优化
进入成熟阶段，企业将实现人机任务的清晰界定：
机器负责繁重、重复、可量化的工作；
人类专注于情感驱动、体验导向和创造性的任务。
换句话说，重体力活由机器人承担，竞争性筛选与创意构思由软件完成，而人类则释放精力，去打造更有温度的价值。
在这种范式下，质量更高的数据将训练出更智能的AI系统。数据合作社（Data Collectives）有望成为重构数字经济时代生产关系的重要载体，为我们共同描绘更具包容性的发展蓝图。
本文翻译自I by IMD，中文版本仅供参考。
关于作者
关于瑞士IMD国际管理发展学院
瑞士IMD国际管理发展学院（International Institute for Management Development，IMD）已有75年以上历史，始终致力于培养能够推动世界更加繁荣、可持续与包容的领导者与组织。IMD由一支专业且多元化的教师队伍领导，在瑞士洛桑和新加坡设有校区，并在中国深圳设有管理发展中心，致力于成为全球有志个人和组织最值得信赖的学习伙伴。IMD的高管教育和学位项目长期位居全球领先地位。这一持续领先源于IMD独特的“真实学习，真实影响（Real Learning, Real Impact）”教育理念。通过高管教育课程、工商管理硕士（MBA）、高级管理人员工商管理硕士（EMBA）项目及专业咨询服务，我们助力商业领袖找到更新更好的解决方案，挑战现状，启迪未来。
本文来自微信公众号“瑞士IMD国际管理发展学院深圳”，作者：IbyIMD，36氪经授权发布。
