夜雨聆风
在职业院校待久了，我们其实对“教什么”是有底气的。理实一体的课堂里，原理和操作本就不是分开的；人才培养方案动态调整，始终跟着产业变化在走；考核也早已不只是一张试卷，理论之外还有实操、有作品、有真实任务的检验。这些，都是职业教育这些年踏踏实实积累下来的基础。
但即便如此，有一个问题仍然绕不开：当 AI 几乎什么都会，教师还要教什么？
一、一份报告
报告指出，随着 AI 与机器人能力不断提升，人类完成任务的方式正在发生变化，教育系统必须重新评估：在新的生活与工作情境中，学生究竟还需要哪些能力。报告也提醒，教育管理者不能只停留在零散的修补和工具使用指南上，而要重新思考几个更根本的问题：因为 AI，课程中不同能力的比重是否需要调整？哪些能力可能正在变得不那么重要？是否需要设置新的能力目标？学习内容的先后顺序、学习经历的组织方式，又是否需要重新安排？
这些问题，不只是普通教育需要面对，职业教育同样需要认真回应。因为职业教育离岗位最近，也最容易感受到技术变化对“能力结构”的影响。
提到 OECD 教育与技能司，就绕不开安德烈亚斯·施莱歇尔。他最为人熟知的，是发起并主导了 PISA 国际学生测评。除此之外，OECD 的成人技能调查、教师教学国际调查等，也都与他所在的团队密切相关。可以说，过去二十多年，他一直在推动教育质量变得更加可测量、可比较。
也正是这样一位长期研究测评的人，在 2018 年出版的《World Class》中写下过一段很重要的话。他说，在一个“容易教、也容易考”的东西同时也变得“容易被数字化、被自动化”的世界里，真正能帮助我们驾驭 21 世纪机会的，将是想象力、觉察力和责任感。
这句话值得细读。它并不是否定知识、否定考试，也不是说那些容易教、容易考的内容不再重要。它提醒的是：越是高度标准化、可重复、可量化的内容，越容易被技术替代或重组。教育不能只满足于让学生掌握那些最容易被复制的部分，而要进一步追问：什么能力才会在技术变化之后继续支撑一个人的发展。
这个追问，放到职业教育中尤其具体。因为职业教育不是抽象地谈能力，而是要落实到一个岗位、一门课、一项任务、一件作品之中。AI 到来以后，教师需要重新审视的，不是“还要不要教知识”，而是知识、技能、经验、判断和责任之间的关系，是否需要重新排序。
"In a world where the kind of things that are easy to teach and test have also become easy to digitise and automate, it will be our imagination, our awareness and our sense of responsibility that will enable us to harness the opportunities of the 21st century to shape the world for the better." （Schleicher, World Class, OECD, 2018）
但今天的问题是，许多原本需要反复训练才能获得的标准化内容，正在被 AI 快速生成和辅助完成。查规范、列步骤、生成模板、形成一个基本方案，已经不再是最稀缺的能力。学生真正需要形成的，不能停留在“得到一个标准答案”，而要进一步发展为：能判断这个答案是否适用，能根据现场条件作出调整，能解释为什么这样做，能对结果承担责任。
因此，AI 时代并不是不需要教基础，而是不能把教学的大部分力量停留在基础内容的机械重复上。职业教育要教的，仍然包括知识和规范，但更要把学生带到知识与真实任务相遇的地方，让他们学会在具体情境中使用知识、检验知识、修正方案，并形成自己的专业判断。
四、重新审视一门课
可以用三层问题来审视一门课。
第一层，这件事能不能被固定流程、明确规则或标准答案说清楚。比如查找规范、套用模板、整理步骤、生成一份初步方案。这一类内容，AI 的确能够提供很强的支持。对这类内容，教师不是不教，而是不宜再用大量时间进行低水平重复训练。更重要的是让学生理解规范背后的理由，学会调用工具，也学会核验工具给出的结果。
第二层，这件事到了真实现场，会不会出现大量标准答案之外的变化。真实岗位往往不是按教材条件展开的。材料可能不一致，设备可能有差异，客户需求可能临时调整，现场条件也可能与原方案不完全吻合。在这些变化中，学生需要的不是背诵一个答案，而是分析情况、判断取舍、调整方案的能力。这一层能力，很难只靠讲授或刷题形成，必须在任务中训练。
第三层，这件事如果出现偏差，谁来负责。凡是涉及安全、质量、成本、服务对象和职业伦理的判断，最终都不能只交给工具。AI 可以提供建议，但不能替学生理解后果，也不能替从业者承担责任。职业教育培养的不是只会执行指令的人，而是能够在岗位中作出判断、完成任务并承担相应责任的人。
这样审视之后，一门课里的教学重点就会发生变化。越是靠近第一层的内容，可以更多借助 AI 提高效率；越是靠近第二、第三层的内容，越需要教师投入真正的教学设计，把学生带入现场、任务、问题和责任之中。
五、显性知识与隐性知识
这个问题，也可以借用波兰尼关于显性知识和隐性知识的区分来理解。
显性知识，是能够被写出来、说清楚、整理成步骤、规范和标准答案的知识。隐性知识，则是那些难以完整表达，却在长期实践中形成的经验、分寸和判断。波兰尼有一句常被引用的话：我们知道的，比我们能够说出来的更多。
AI 最擅长处理的，主要是显性知识。凡是能够被写成文本、规范、案例和流程的内容，AI 都可以快速学习、整合和生成。正因如此，许多原来需要教师反复讲解的基础知识、步骤说明和范例展示，现在可以有新的组织方式。
但职业教育中很重要的一部分能力，并不完全属于显性知识。比如师傅看一眼就知道作品哪里不对，教师能判断学生的操作为什么变形，实训教师能根据现场状态提醒学生下一步可能出问题。这些能力往往来自长期实践，不只是文字知识，也包含身体经验、现场观察、专业直觉和责任意识。
这也解释了为什么“师带徒”“做中学”“现场指导”在 AI 时代并没有失去意义。相反，当显性知识越来越容易获得，隐性知识的传递反而更加重要。职业教育中的很多关键能力，正是在教师的示范、观察、提醒、追问和反馈中一点点形成的。
当然，说 AI 不擅长隐性知识，并不意味着 AI 永远无法帮助隐性知识的教学。近几年，在工业制造、工程训练、医疗技能等领域，已经有研究尝试借助动作捕捉、操作视频分析、知识图谱和深度学习，把专家的操作经验转化为可观察、可记录、可反馈的学习资源。一部分原本依赖师傅经验的内容，正在被技术逐步显性化。
但这恰恰说明隐性知识的复杂。它不是写成步骤就算学会，也不是看完视频就能掌握。AI 可以帮助我们把一部分经验记录下来、分析出来、教学化呈现出来，却不能替学生完成身体练习、情境判断和责任承担。就目前而言，越是依赖身体、现场、经验和判断的能力，越难被 AI 独立替代；而这一带，恰恰是职业教育最应该重视的核心区域。
OECD 报告还提醒，教育系统需要重新思考的不只是“教什么”，还包括内容的顺序和学习经历的安排。这一点，对职业教育同样重要。
不少课程的基本结构，仍然是先系统讲原理、讲规范、讲步骤，再安排学生完成任务。这种顺序背后，有一个隐含前提：知识相对稀缺，学生必须先把知识装进头脑，之后才能去完成任务。
但如果今天 AI 可以随时提供原理解释、规范说明和案例参考，学习顺序是否还可以重新设计？也许在一些课程中，可以让问题先出现，让任务先发生。学生先面对一个真实的、有一定复杂度的任务，在尝试中发现自己缺什么、哪里卡住、为什么做不下去，然后再带着问题回到知识学习中。
这样的学习，不是削弱知识，而是让知识长在问题上。学生不是为了应付考试而临时记住一段内容，而是在完成任务的过程中真正理解：这段知识为什么重要，规范为什么不能省略，判断为什么不能草率。
AI 在这里可以成为一种支持。学生需要补充某个概念、查找某项规范、比较不同方案时，AI 可以提供即时帮助。教师则可以把更多精力放在更重要的地方：观察学生在任务中的判断过程，发现他们理解上的偏差，追问他们选择背后的理由，引导他们把“做出来”推进到“想明白”。
对职业教育来说，答案并不是放弃知识，也不是简单地把 AI 当作一个新工具。更重要的是重新判断：哪些内容可以由 AI 提高效率，哪些能力必须通过真实任务、教师指导和长期实践来形成。
职业教育真正要培养的，从来不只是会给出标准答案的人，而是能够在真实岗位中理解任务、分析问题、调整方案、完成作品，并对结果负责的人。这里面有知识，有技能，也有经验、判断和责任。
AI 的出现，让标准化内容变得更容易获得，也让教师有机会把教学重心进一步转向那些更深层的能力。把基础知识讲清楚，仍然重要；但更重要的是，让学生在真实问题中学会使用知识，在复杂情境中形成判断，在专业实践中理解责任。
说到底，教师选择把时间花在哪里，就是在告诉学生：这个专业里，什么才是真正重要的。AI 越强大，这个选择越需要清醒。职业教育的价值，也正在这个选择中变得更加清楚。
OECD (2025).What should teachers teach and students learn in a future of powerful AI?OECD Education Spotlights, No. 20. OECD Publishing, Paris. https://doi.org/10.1787/ca56c7d6-en Schleicher, A. (2018).World Class: How to Build a 21st-Century School System.OECD Publishing, Paris. https://doi.org/10.1787/9789264300002-en OECD.OECD Learning Compass 2030.（OECD 学习指南针 2030 框架） Polanyi, M. (1966/2009). The Tacit Dimension. University of Chicago Press.
Fenoglio, E., Kazim, E., Latapie, H., & Koshiyama, A. (2022). Tacit knowledge elicitation process for Industry 4.0. Discover Artificial Intelligence.
文章来源于职教学人
注：本公众号文章仅用作分享交流，版权与观点均属原创作者。如有错漏或侵犯您的权益，联系我们进行更正或删除。
暑假各地研修班准时开班，欢迎老师们咨询！ 
成都人工智能赋能教育教学新生态人社部《高级人工智能训练师》职业技能等级证书高级师资研修班.docx 泉州AI视频+AI数字人实战工作坊暨人社部高级人工智能训练师职业技能等级证书培训文件.docx 宁波AI智能体赋能教学创新实训营暨人社部高级职业培训师职业技能等级证书培训文件.docx 青岛、广州、北京-数字化赋能教学实践创新与技能提升师资研修班文件.docx 线上暑假数字化赋能教学实践创新与技能提升师资研修班文件.docx 北京、南京、重庆、贵阳、桂林全国高校数字技术教学能力提升骨干师资研修班文件.docx
