摘要：然而，在这场技术变革中，一个明显的差距正在扩大：AI能力正以指数级增长，但企业的团队建设思路却停滞不前。

每当新的技术革命到来，对行业的冲击都是颠覆性的。浪潮中，有的企业能够借势腾飞，而有的企业却淘汰出局。

不过，技术从来不是限制企业成功的瓶颈，如何使用技术才是。

AI 时代同样如此。

然而，在这场技术变革中，一个明显的差距正在扩大：AI能力正以指数级增长，但企业的团队建设思路却停滞不前。

最近看到Wisdocs机器学习团队负责人Denys Linkov在一次技术分析中探讨了这个现象。他指出：问题从来不在于技术本身，而在于我们如何组织团队来驾驭技术。

现实往往比理想残酷。如今，当很多企业决策者宣布“全面向AI转型”时，执行层面临的却是期望与资源的鸿沟、现有技能与未来需求的断层。

这不仅是技术挑战，更是组织变革的考验。在Denys Linkov的分享中，90%企业在AI团队建设上陷入误区，并给出可行建议。

企业AI团队的构成，不能盲目

Denys Linkov分享中提出，不同类型的公司需要完全不同的AI团队结构。

他将公司分为三大类：技术公司、垂直化解决方案或服务公司，以及技术赋能公司。

这个分类看似简单，但背后蕴含的团队构建逻辑却完全不同。

许多企业陷入的误区是盲目模仿科技巨头的团队配置——看到谷歌拥有数千名AI科学家，就认为必须招募博士级研究人员；听闻OpenAI训练大模型投入巨资，就认为必须从零开始构建模型......

实际上，大多数企业需要的是“应用创新”而非“基础创新”。

Denys Linkov分享了一个令人震惊的数字是：传真机市场至今仍保持着数十亿美元规模，且持续增长。2017年，美国仅有3%的支付采用无接触方式，支票仍然占据主导地位。在个人计算机和互联网问世40年后，医疗系统的电子病历才开始普及。

这些事实揭示了一个残酷真相：技术从来不是限制因素，应用能力才是。

所以，企业的AI团队需要的不是研究人员，而是能够理解业务需求、整合现有技术、并将AI能力转化为商业价值的复合型人才。

全能型工程师：被低估的竞争壁垒

2021年，Denys Linkov在组建第一个机器学习团队时采取了反常规策略：放弃招募专业研究人员，转而培养全栈工程师并配以自动化工具支持。

这些工程师需要掌握的技能包括：模型微调、数据工程、HuggingFace等工具使用，以及与客户直接沟通的能力。

这种配置的智慧在于认识到：商业环境中的AI应用更多是关于系统集成和解决方案优化，而非算法突破。团队领导人承担了底层架构的复杂性，为成员提供了简化的抽象接口，使工程师无需深入掌握Kubernetes等工具细节，却能理解系统整体的权衡与取舍。

到2024年，随着开源工具的成熟和商业API的强化，这种团队配置展现出更强适应性。

在模型训练方面，重点转向商业API使用、提示词优化和模型微调；在服务部署方面，开源解决方案减少了对底层平台的需求；而在领域知识方面，由于专注特定垂直领域，对业务理解的要求反而提高了。

这种演进过程，可以看到全才型工程师的价值。他们不是什么都懂一点的“万金油”，而是能够快速学习新工具、适应变化环境、并在不同技能领域之间建立连接的复合型人才。

在AI技术快速演进的今天，这种适应性可能比深度专业化更加重要。

技能重构三大核心：建构能力、领域知识与人性化交互

Denys Linkov指出，在AI时代，团队成员需要重塑三大核心能力：

首先是“学会建构”，即从静态需求文档转向功能性原型开发。这消除了产品经理与工程师之间关于“需求范围”的传统争执，通过快速原型缩短反馈循环。

其次是成为领域专家。这意味着业务专家不再只是提供需求输入，而是能够直接定义用例、编写需求，甚至直接与大型语言模型交互。技术与业务之间的界限正在模糊，双向渗透成为常态。

最重要的是人性化交互能力。工程师必须参与客户沟通，直接听取反馈。AI解决方案需要持续迭代优化，而这一过程必须建立在真实用户洞察基础上。

Denys Linkov的团队每周都会安排30分钟的学习时间，由团队成员轮流分享新主题。这种做法看起来可能有些“内卷”，但正如他所说，不这样做的后果会更严重。

在AI技术日新月异的今天，停止学习就意味着被淘汰。

人才策略变革：上下文理解胜过算法能力

招聘理念正在发生根本性转变。传统技术面试中流行的LeetCode测试，在AI能轻松解决这类问题的今天，不仅失去筛选价值，更可能错失最适合AI时代的人才。

一个发人深省的问题：为什么顶级创业加速器仍在为年轻人举办AI培训，吸引数千人参与？如果初级工程师真的将被AI取代，这种投入意义何在？

事实上，在技术快速迭代的环境中，没有历史包袱、善于学习新工具的年轻人，可能比固守传统经验的资深专家更具价值。

Denys Linkov提出了一个根本性选择：你会选择五位来自顶级实验室的研究人员，还是一个具备领域知识、产品思维和客户共鸣的现成团队？

对大多数企业而言，后者才是更明智的选择。

这种选择反映了AI商业化的本质。学术研究和商业应用是两个完全不同的领域，需要完全不同的技能集合。

在商业环境中，能够快速将技术转化为客户价值的能力，远比发表顶级论文的能力更重要。

预算约束下的最优配置：直面现实

在资源有限的情况下，企业团队领导人需要在模型训练、服务部署和商业洞察三个维度做出战略取舍。

明智的做法是设定每个维度的最低可行标准，而非追求完美。

模型训练方面，要求团队掌握主流架构微调、数据工程和工具使用即可；服务部署方面，通过分层抽象隐藏技术复杂性；商业洞察方面，则要求团队成员具备客户对话能力和商业价值转化思维。

这种配置策略体现了一种成熟的管理哲学：

承认约束条件，在限定范围内寻找最优解，这比无视现实追求完美的理想主义更可能成功。

构建学习型组织：从个人能力到集体智慧

AI 时代，企业要构建学习机制：每周由团队成员轮流分享新技术、新趋势，聚焦公司核心优先事项。

这种做法不仅促进知识传递，更塑造了一种持续学习的文化基因。

在技术迭代加速的今天，个人知识的半衰期急剧缩短。六个月前的主流工具可能已被淘汰，一年前的最佳实践可能已经过时。比掌握具体知识更重要的是保持学习能力。

这种学习机制还促进了知识民主化。

在传统团队中，知识集中在少数专家手中；而在AI时代，每个人都需要具备技术决策能力。轮流分享机制使每个成员都有机会成为某个领域的“微专家”，形成网络状的知识共享生态。

企业AI团队的价值重构与进化

随着AI技术日益普及，团队的价值定位正在发生根本性转变。Denys表示，未来成功的AI团队将不再以技术能力为核心竞争力，而是以业务价值创造为衡量标准。

如今，我们正在从技术导向转向价值导向。

Denys解释说，这意味着团队的成功标准不再是算法的先进性或模型的复杂度，而是解决的问题数量、创造的商业价值和获得的用户满意度。

这种转变要求组织重新思考人才策略。未来需要的不是传统意义上的“AI专家”，而是具备AI素养的业务专家和具备业务理解能力的技术人才。

这些复合型人才将在技术可能性与商业需求之间架起桥梁，成为企业AI转型的关键推动力。

从组织架构角度看，AI团队将不再是与业务隔离的技术孤岛，而是与产品、销售、客户服务等部门深度集成的价值创造中心。工程师与客户的直接互动将成为常态，而非例外。

写在最后：AI转型的本质是管理革命

成功的AI转型不是技术竞赛，而是组织能力升级。那些能够巧妙重组现有资源、培养跨职能AI能力的企业，将在未来竞争中占据优势。

对于资源有限的团队领导者，可行的路径是：停止模仿科技巨头的团队结构，转而根据实际约束配置能力；投资于人员的成长性和适应性；建立嵌入式学习文化而非一次性培训。

最终制约企业AI转型的，从不是技术能力本身，而是组织能力、问题定义能力、价值衡量能力和变革适应能力。

AI技术提供了强大工具，但工具的价值永远取决于使用者的智慧。

在这个变革时代，需要的是既懂技术又懂业务、既能编码又能沟通、既有深度又有广度的新型人才。这不是更高要求，而是时代的基本要求。

来源：红熊AI