最近在帮团队梳理校招标准，花了不少时间调研"AI 时代企业到底需要什么人才"这个问题。调研做完，我最大的感触不是哪个框架多漂亮，而是一个很简单但容易被忽略的判断——
校招选人，特质（Trait）比技能（Skill）重要得多。
这话说起来像老生常谈，但放在 2026 年的背景下，它的含义发生了根本性变化。
一个反直觉的数据
Korn Ferry 在 2026 年初做了一个覆盖 1600 名全球人才获取领导者的调研，结论是：73% 的 TA Leaders 把批判性思维列为第一招聘优先级，而 AI 技能仅排第五。
这个排名让很多人意外。CEO 和董事会通常认为 AI 技能是第一优先级，但每天面对候选人的一线招聘负责人，给出了完全不同的答案。
Korn Ferry 的解释很直接：
"Anyone can learn to use ChatGPT in a few weeks. But knowing when it's giving you unreliable information? Spotting the difference between helpful insights and convincing but flawed output? That requires critical thinking. Most people can learn AI in less than a month. Developing critical thinking? That takes years."
学会用 AI 工具，几周就够了。但判断 AI 什么时候在给你一个"看起来很对但其实有问题"的答案？这需要批判性思维，而批判性思维需要数年培养。
哈佛商学院的研究进一步佐证了这一点——将近 80% 的"特定技能薪资溢价"，其实依赖于底层的基础能力：阅读理解、口头表达、批判性思维、领导力和团队协作。技能是叶子，特质是根。叶子可以长出来，根坏了就全完了。
企业真正需要的人才长什么样
综合 WEF、MIT Sloan、麦肯锡、Anthropic 等多个来源，我试着画一个更清晰的画像。
WEF 2025 年对 2030 年核心技能的预测，传递了一个清晰信号：增长最快的 10 项技能中，只有 3 项是纯技术技能，其余 7 项全部是人类认知和特质类技能——创造性思维、韧性与敏捷、好奇心与终身学习、领导力与社会影响力。
MIT Sloan 对美国约 950 种职业、19000 项工作任务的逐一评估后，结论更加直接：AI 最不可能替代的任务，恰恰是那些依赖同理心、判断力、伦理和希望等"人类独有能力"的任务。
如果要给 AI 时代的人才竞争力写一个公式，我会这样写：
AI 素养（Baseline）× 批判性思维（Multiplier）× 跨学科整合力（Differentiator）× 人类独有特质（Moat）
AI 素养是入场券，不是比谁会用更多工具，而是理解 AI 的能力边界、能设计人机协作的工作流、能验证 AI 的输出质量。但真正拉开差距的，是后面三项——它们很难在短期内训练出来，也很难被 AI 伪造。
各岗位到底变了什么
变化最剧烈的是开发岗。有人在 Dev.to 上写了一句话，我觉得比任何长篇分析都精辟：
"The most valuable skill in 2026 isn't writing code. It is deleting it. Writing code is creation. Deleting code is judgment."
写代码是创造，删代码是判断力。腾讯超 90% 的工程师已经在用 AI 编码，GitHub 数据显示 80% 的新开发者第一周就开始使用 Copilot。当 AI 替你写了大部分代码，工程师的核心价值就从"能写"变成了"能判断"——系统架构怎么设计、AI 生成的代码哪里有坑、什么该留什么该删。
产品经理的变化同样深刻。传统 PM 的思维是"输入 A → 输出 B"，AI 时代的 PM 面对的是"输入 A → 输出 B/C/D"。核心任务不再是定义功能，而是构建一个能持续收敛、可评估、可干预的智能系统。中国 AI 产品经理岗位需求同比增长 240%，但 88% 声称在用 AI 的企业里，真正实现规模化变现的不足 7%。缺口不是"懂 AI 的人"，是"既懂 AI 又懂业务还能落地"的人。
运营岗最值得关注的变化是从 SEO 到 GEO（生成式引擎优化）的范式转移。AI 搜索用户渗透率已突破 78%，经过 GEO 优化的内容被 AI 引用的概率提升 8 倍。运营需要理解不同 AI 的"性格"——DeepSeek 注重事实准确性，豆包偏好通俗解答，Kimi 擅长长文本。这不是"学一个新工具"的问题，是整个内容策略的底层逻辑在变。
一个跨岗位的共同趋势：纯执行技能在贬值，问题定义能力在升值。"实现什么（What）"比"如何实现（How）"更稀缺。AI 编排能力正在成为类似当年 Excel 一样的基础技能——不会用，等于职场文盲。
校招面试的现实：作弊已成"新常态"
但选人之前，先要面对一个不那么光鲜的现实。
Fabric 平台对 19368 场面试的分析显示：38.5% 的候选人表现出作弊迹象。2025 年下半年，作弊率从 15% 飙升到 35%，半年翻了一倍多。
作弊工具已经形成了成熟的生态：Cluely（每月 20 美元）、Interview Coder、Final Round AI……提供隐形屏幕覆层、实时代码生成、音频转录加答案生成。Gartner 预测到 2028 年，四分之一的候选人资料将完全是 AI 伪造的。
简历同质化同样严重。有面试官在牛客上吐槽："面试的应届生多了之后，大家好像都没什么个性，简历上写着相似的项目，按相似的模板回答问题，再按相似的套路反问面试官。"
这是一个结构性的矛盾：AI 让候选人和简历都变得更"完美"了，但面试官反而更难看到真实的人。
怎么面试才有效：六个策略
既然作弊防不住，与其死盯对抗，不如换一种思路——设计让 AI 辅助失效的动态评估环境。几个我觉得特别有用的策略：
1. 动态追问，不给 AI 反应时间
静态、可预测的问题是作弊工具的温床。一旦候选人给出一个打磨得很漂亮的回答，立刻追问具体场景、追问失败经历、要求换一个上下文重新解释。作弊工具没法处理这种节奏。
2. "三层面试法"：结果 → 行为 → 动机
第一层问"你做了什么"，第二层问"你具体怎么做的、遇到什么困难"，第三层问"你为什么选这个方案而不是另一个"。第三层是区分度最高的——AI 可以帮候选人回答 What 和 How，但很难伪造 Why 背后的真实决策逻辑。
3. Knowledge Cutoff 钓鱼
捏造一个不存在的技术概念或框架版本，观察候选人反应。AI 工具可能生成自信的虚假回答，真正有经验的人会坦率地说"没听过"。
4. 现场实操，看过程不看结果
技术岗 live coding 加实时讲解思路。重点不是最终的代码对不对，而是候选人的思考路径——他怎么拆解问题、怎么决定从哪里开始、遇到卡壳怎么应对。
5. 追问失败经历
让候选人描述项目中最大的失败和学到了什么。AI 很难伪造一个逻辑自洽、细节丰富的真实失败经历。真的做过的人，讲起失败时的情绪和细节是装不出来的。
6. 麦肯锡范式：从"防 AI"到"测 AI 协作"
这是我认为 2026 年最值得关注的面试创新。麦肯锡不再对抗 AI，而是要求候选人在面试中使用它内部的 AI 工具 Lilli，然后评估候选人怎么向 AI 提问（问题设计能力）、怎么解读 AI 的回答（批判性思维）、怎么将 AI 输出放入业务场景（判断力和上下文理解力）。
评估的不是"能不能用 AI"，而是"用 AI 的方式暴露了什么"——好奇心、判断力、以及对 AI 边界的真实理解。
大厂都在怎么抢人
看看 2026 届校招的数据，能感受到这场人才战争有多激烈。
百度发了 4000 多个 offer，AI 岗位占比超 90%。字节的 Top Seed 计划面向博士生开出日薪 2000 到 5000 元的实习薪资。阿里星计划允许面试通过后反选项目和团队。快手的快 Star-X 计划年薪不设上限，已经开出过超 200 万的 offer。
海外更夸张。Meta 为了挖顶级 AI 研究员，单人 4 年薪酬包开到 3 亿美元。Databricks 的 VP 说了一句话："寻找 AI 人才就像寻找勒布朗·詹姆斯，全球能构建前沿 AI 模型的人不超过 1000 人。"
但薪资分化也极度剧烈——顶尖人才计划年薪 200 万，普通 AI 测试岗月薪 8500 元，差距 20 倍。这不是一般的两极分化，是K型分化：同样叫"AI 岗"，塔尖一将难求，塔底竞争惨烈。
更值得注意的变化是：AI 候选人不愿意和 HR 沟通，要求直接和技术负责人对话。这倒逼大厂技术专家大量下场做招聘。字节 Seed 邀请豆包视觉负责人做候选人的定制导师。校招的形态本身也在被重塑。
一个值得警惕的趋势
所有的热闹背后，有一个趋势让我真正担忧。
Fortune 500 的高管调研揭示了一个深层危机：AI 自动化了入门级的"grunt work"——那些重复性的基础工作，恰恰是培养深度思考能力的传统路径。金融和法律行业的新人，以前要靠做大量"苦力活"来积累行业认知和判断力。AI 把这层活干了，新人成长的阶梯被抽掉了。
"If AI is sort of replacing the entry-level typical positions, and I need people sort of in the middle, how do I prepare the future middle if I don't give them that ability at the base?"
如果入门级工作被 AI 替代了，中层管理者从哪里来？这不是一个校招问题，是一个人才供应链的结构性问题。企业如果不重新设计新人培养路径，几年后会面临中层断层。
麦肯锡对此给了一个反直觉的答案——重新优先考虑文科毕业生。理由是文科生拥有更多"真正新颖"的思维方式，能做出 AI 模型无法实现的"非连续性逻辑跳跃"。Anthropic 联合创始人 Daniela Amodei（文学专业出身）也持同样观点：那些让我们成为人类的特质——沟通力、情商、好奇心、善良——在 AI 时代会变得更重要，而不是更不重要。
我的结论
做完这轮调研，我对校招选人的判断浓缩成五句话：
- 重新定义岗位：从 Skill-based 到 Trait-based。在 JD 里明确列出期望的特质——好奇心、韧性、判断力、学习敏捷性，而不是只列技术栈清单。
- 升级面试流程：引入"三层面试法"+ AI 协作测试。放弃标准化技术问答，转向动态追问。对高潜力候选人，参考麦肯锡模式，测试与 AI 协作的能力。
- 降低学历权重，提升实战权重。前程无忧数据很清晰：企业招 AI 应届生时，实际项目经历（52.5%）远比名校学历（28.8%）重要。有大厂实习的 985 本科生比无实习的清北硕士更受欢迎。
- 实习是最好的面试。从集中校招季转向全年持续招聘。实习期本身就是最长、最真实的面试。
- 拥抱 AI，不要对抗 AI。面试防作弊是必要的，但更前瞻的做法是把"AI 协作能力"纳入评估维度。一个能高效使用 AI 并知道何时质疑 AI 的候选人，比一个"纯靠自己"的候选人更有价值。
回到开头那句话：AI 时代的校招，不是在找"最会用 AI 的人"，而是在找"AI 无法替代的人"——然后确保这些人也会用 AI。
这两件事缺一不可。只有第一个，你招了个不会用工具的理想主义者；只有第二个，你招了个 AI 的操作员。真正的人才，是两者的交集。
调研基于 WEF、Korn Ferry、MIT Sloan、McKinsey、Forbes、Anthropic、前程无忧、BOSS 直聘等 60+ 中英文权威来源，全文调研报告留在内部归档。