2030年必須掌握的3項核心工作技能

人類一直在努力地提高生產力。從第一次使用動物作為工具到工廠生產線的創建，我們一直希望讓事情變得更好、更快並且更便宜。但是自動化時代的每一次更新迭代都會使得人們有所擔心，不知疲倦並且容易更換的機器可能會取代人類的工作。

自動化時代將會帶來人們進入勞動力市場所需要技能的根本轉變。

圖片來源: Reuters/Jim Young

麥肯錫(McKinsey)全球研究所的最新報告中強調，一系列傳統工作很可能受到人工智慧和自動化的影響。這份報告同時強調：如果工人不想被時代拋棄，那麼從現在到2030年，他們需要三項核心技能。

自動化時代的贏家和輸家

報告將工作技能分為五個不同的類別，即：體力和手工；基本認知；高級認知；社會情感和技術。

在廣泛的工作領域中，我們會使用其中的一系列技能。例如司機和裝配線工人，以及技術工人，包括護士、電工和工匠等需要完成的任務均需要體力和手工技能。

圖片來源: 麥肯錫McKinsey全球研究所

收銀員、客服人員以及從事低端數據輸入處理的人員，例如打字員和辦事員等需要基本的識字和算術等認知能力。但是報告中強調：儘管並非每種職業都是如此，但是受其影響最大的是同時擁有這兩種技能的職員。

報告中指出：各行業所需技能的轉變將會以不同的方式進行。比如，醫療服務行業對體力技能的需求不再增加，但是製造業和其他部門對其的需求卻在下降。

麥肯錫(McKinsey)全球研究所經研究發現：目前在美國和14個西歐國家中，對於專業從事不同技能的職員，其所執行的各種任務仍有可能實現自動化。

圖片來源: 麥肯錫McKinsey全球研究所

在美國，體力勞動者的工作時間相比於2016年的900億個小時，預計2030年會相應減少11%，而在西歐國家，相比於2016年的1130億小時，預計2030年將會減少16%。

在美國，勞動者的基本認知技能的工作時間相比於2016年的 530億個小時，預計2030年會相應減少14%，而在西歐國家，相比於2016年的620億小時，預計2030年將會減少17%。

報告指出：三項技能對職員工作時間的需求將會大幅度增加。

這些技能包括高級認知能力：這些技能包括高級識字和寫作、定量和統計技能、批判性思維和複雜信息處理技能。醫生、會計師、研究分析師、作家和編輯通常使用這些技能。

社會和情感，或者所謂的「軟技能」：這些技能包括前沿的溝通和談判、同情心、不斷學習、管理他人和適應能力技能。業務發展、方案擬訂、應急和諮詢都需要這些技能。

技術：這些技能包括從基礎到高級IT技能、數據分析、工程和研究的所有內容。隨著企業尋求更多的軟體開發人員、工程師、機器人和科學專家，擁有這些技能的職員可能是最有回報的。

到2030年，對創造力、批判性思維和決策等高級認知技能的需求將會增加。

來源數據: REUTERS/Robert Pratta

技能的轉換

報告的作者指出：從只需要基本認知技能的工作，轉向使用較高認知技能的工作，在此過程中存在技能的轉換。事實上，基本認知技能在五個類別中佔據份額是最大的。

報告補充說道：到 2030年，對創造力、批判性思維和決策以及複雜信息處理等高級認知技能的需求將會以兩位數的速度累積增長。

大多數工作都表明其對創造力的需求會越來越大，其中包括高質量營銷策略的制定，複雜化信息的處理，市場趨勢和影響公司運營的監管環境的了解，或者向客戶解釋公司的技術細節、產品和相關服務。

2030年美國對高級認知技能的需求將會在2016年的620億小時基礎上增加9%，而西歐國家在2016的780億小時基礎上不會再增加7%。

2030年美國對社會情感技能的需求將在2016年的520億小時基礎上增加 26%，而西歐國家的需求將會在兩年前的670億小時基礎上增加26%。

到了2030年，擁有技術技能的職員需求比例將會有大幅度的增長：美國2016年310億小時的工作時間基礎上增加了 60%，西歐國家2016年的420億小時增加了52%。

報告中指出：對高技能工人的競爭將會加劇，而流離失所的人(指代：失去工作或轉換工作，或工作經驗不足的人)主要是低技能工人，這延續並加劇了收入不平等以及中等薪資工作減少的趨勢。公司表示高技能員工最有可能被僱用以及再培訓，並且擁有漲工資的機會。

2030年是屬於人工智慧的時代，若想不被時代所淘汰必須懂點編程語言，編程有助於提高孩子的想像力，創造力以及邏輯思維能力,學編程讓孩子輕鬆擁抱人工智慧，走在時代的前沿。

立樂教育專註於青少年兒童編程教育，用趣味化的方式來激發孩子在程序創造的興趣和熱情，提供包括Scratch、Python、C++等語言在內的青少兒編程教育及NOIP,NOI等高級別比賽指導。

學編程讓孩子贏在未來！

識別下方二維碼，在線免費試聽

http://activity.leaplearner.com/LLCourse/index.html (二維碼自動識別)

推薦閱讀：