为了解哪些数据与 AI 技能最为重要，我们与 YouGov 合作，调查了来自美国和英国的 500 多位企业领导者，请他们对特定的数据与 AI 能力的重要性进行排序。
结果揭示了清晰的模式，并提供了构建企业 AI 与数据素养的实用框架。
有关更广泛的定义和企业基准，请参阅我们完整的 2026 年综述。
2026 年的四层 AI 与数据素养框架
数据表明，企业能力可分为四个不同层级，且并非所有技能的权重相同。
第 1 层：决策与解读的基础技能（企业价值最高）
这些技能在各组织中排名最为稳定，以下为将其评为“重要”或“非常重要”的领导者占比：
- 数据驱动的决策制定 — 85%
- 解读数据可视化与仪表板 — 82%
- 数据分析与处理 — 81%
- 商业智能工具 — 75%
- 制作数据可视化 — 72%
- 数据叙事 — 71%
这些并非高度技术性的技能；它们更偏向解读与判断，决定了数据是能够影响决策，还是被困在报告中。
将这些技能视为任何有效 AI 或数据素养框架的核心。
第 2 层：AI 基础素养与负责任使用（正迅速成为基本要求）
对 AI 素养的预期正在迅速提升。领导者将以下 AI 技能评为“重要”或“非常重要”：
- 对 AI 概念的基本理解 — 78%
- 理解 AI 的业务应用 — 74%
- AI 伦理与负责任的 AI — 72%
- 使用 AI 副驾 — 70%
这一层反映了一个重要趋势：职场中的 AI 素养已不再是试验性质，而是强调负责任的实际应用。因此，任何现代 AI 素养框架都必须同时涵盖使用与治理。
第 3 层：核心技术基础（视角色而定）
以下技能对领导者而言仍然“重要”或“非常重要”，但并非普遍要求：
- 数据库 — 69%
- 数据工程 — 66%
- 使用 Python 或 R 编程 — 59%
当然，这些技能对特定岗位至关重要，但并非面向全体员工的要求。这个区分很重要，因为领导者认识到并非每位员工都需要搭建系统，然而大多数人确实需要对其进行解读与应用。
第 4 层：高级与新兴的 AI 开发技能
这些技能在战略上很重要，但只要求于较少的角色。同样，以下百分比代表将其评为与日常工作“重要”或“非常重要”的领导者占比：
- 机器学习 — 61%
- 开发 AI 软件产品 — 60%
- 创建 Agentic 工作流 — 59%
- 提示工程与引导 AI 系统 — 67%
- 使用深度推理 AI — 69%
这些代表了前沿能力，固然宝贵，但并非覆盖全体员工的 AI 素养基础。
这对企业领导者意味着什么
到 2026 年，最重要的 AI 与数据技能并非深度技术性，而是解读、应用与判断导向。这将直接影响组织如何设计技能提升项目。
许多 AI 培训项目过度侧重工具或编码，但在领导者中排名最高的技能是：
- 决策制定
- 解读能力
- 沟通表达
- 负责任使用
这些技能决定了 AI 是提升绩效，还是放大风险。
完整的排名细分与企业对比，详见《2026 年数据与 AI 素养报告》。
为何多数框架会误判重点
到 2026 年，60% 的领导者表示存在数据技能缺口，59% 表示存在 AI 技能缺口。
许多企业的数据或 AI 培训计划过度聚焦技术赋能，为专家构建或部署 AI 系统提供装备。对于技术岗位而言，这些投入至关重要。
然而，当面向全体员工的基础素养未能与技术能力同步扩展时，技能缺口便会显现。组织持续在如下主题上投入不足：
- 全员范围的基础流畅度
- 数据叙事
- 决策科学
- 应用型 AI 素养
AI 系统可以由中心团队构建，但价值的实现是广泛渗透的。若缺乏广泛的解读流畅度，技术投资的回报将受到限制。
设计一个务实的 AI 与数据素养框架
基于 2026 年的发现，一个有效的企业框架应当：
- 从决策制定与解读技能入手
- 叠加 AI 基础素养与负责任使用
- 区分岗位特定的技术路径
- 通过应用练习持续强化技能
- 衡量技能进展与业务影响
这种分层方法既契合领导者对重要性的排序，也契合绩效提升的实现路径。
从技能到绩效
领导者将强劲的数据与 AI 素养与可量化的成果联系在一起：
- 54% 报告称数据素养带来了更快的决策，49% 报告称决策准确性提升
- 48% 报告称 AI 素养带来了更快的决策，46% 报告称创新能力增强
这些收益并非源自孤立的技能，而是来自一体化的能力体系。
DataCamp for Business 围绕分层能力模型设计，从基础的决策制定与数据解读，到高级 AI 专项化。
通过基于角色的学习路径、动手项目与技能基准评估，组织可以构建与企业优先事项相一致的实用 AI 与数据素养框架。
如果您正在评估如何在大规模上构建 AI 与数据素养，了解 DataCamp for Business 如何支持企业技能提升。
为了解哪些数据与 AI 技能最为重要，我们与 YouGov 合作，调查了来自美国和英国的 500 多位企业领导者，请他们对特定的数据与 AI 能力的重要性进行排序。
结果揭示了清晰的模式，并提供了构建企业 AI 与数据素养的实用框架。
有关更广泛的定义和企业基准，请参阅我们完整的 2026 年综述。
2026 年的四层 AI 与数据素养框架
数据表明，企业能力可分为四个不同层级，且并非所有技能的权重相同。
第 1 层：决策与解读的基础技能（企业价值最高）
这些技能在各组织中排名最为稳定，以下为将其评为“重要”或“非常重要”的领导者占比：
这些并非高度技术性的技能；它们更偏向解读与判断，决定了数据是能够影响决策，还是被困在报告中。
将这些技能视为任何有效 AI 或数据素养框架的核心。
第 2 层：AI 基础素养与负责任使用（正迅速成为基本要求）
对 AI 素养的预期正在迅速提升。领导者将以下 AI 技能评为“重要”或“非常重要”：
这一层反映了一个重要趋势：职场中的 AI 素养已不再是试验性质，而是强调负责任的实际应用。因此，任何现代 AI 素养框架都必须同时涵盖使用与治理。
第 3 层：核心技术基础（视角色而定）
以下技能对领导者而言仍然“重要”或“非常重要”，但并非普遍要求：
当然，这些技能对特定岗位至关重要，但并非面向全体员工的要求。这个区分很重要，因为领导者认识到并非每位员工都需要搭建系统，然而大多数人确实需要对其进行解读与应用。
第 4 层：高级与新兴的 AI 开发技能
这些技能在战略上很重要，但只要求于较少的角色。同样，以下百分比代表将其评为与日常工作“重要”或“非常重要”的领导者占比：
这些代表了前沿能力，固然宝贵，但并非覆盖全体员工的 AI 素养基础。
这对企业领导者意味着什么
到 2026 年，最重要的 AI 与数据技能并非深度技术性，而是解读、应用与判断导向。这将直接影响组织如何设计技能提升项目。
许多 AI 培训项目过度侧重工具或编码，但在领导者中排名最高的技能是：
这些技能决定了 AI 是提升绩效，还是放大风险。
完整的排名细分与企业对比，详见《2026 年数据与 AI 素养报告》。
为何多数框架会误判重点
到 2026 年，60% 的领导者表示存在数据技能缺口，59% 表示存在 AI 技能缺口。
许多企业的数据或 AI 培训计划过度聚焦技术赋能，为专家构建或部署 AI 系统提供装备。对于技术岗位而言，这些投入至关重要。
然而，当面向全体员工的基础素养未能与技术能力同步扩展时，技能缺口便会显现。组织持续在如下主题上投入不足：
AI 系统可以由中心团队构建，但价值的实现是广泛渗透的。若缺乏广泛的解读流畅度，技术投资的回报将受到限制。
设计一个务实的 AI 与数据素养框架
基于 2026 年的发现，一个有效的企业框架应当：
这种分层方法既契合领导者对重要性的排序，也契合绩效提升的实现路径。
从技能到绩效
领导者将强劲的数据与 AI 素养与可量化的成果联系在一起：
这些收益并非源自孤立的技能，而是来自一体化的能力体系。
DataCamp for Business 围绕分层能力模型设计，从基础的决策制定与数据解读，到高级 AI 专项化。
通过基于角色的学习路径、动手项目与技能基准评估，组织可以构建与企业优先事项相一致的实用 AI 与数据素养框架。
如果您正在评估如何在大规模上构建 AI 与数据素养，了解 DataCamp for Business 如何支持企业技能提升。