当AI培训结束之后,真正的问题才刚开始

虹顾问手记001

当AI培训结束之后，真正的问题才刚开始

——从学习迁移看AI能力为什么难以进入真实工作

我最近在学习与项目讨论中，反复观察到一个现象：企业已经投入资源开展AI培训，课堂气氛也很积极，但员工回到岗位以后，工作方式往往没有明显变化。

一次交流中，一位学习发展负责人谈起公司的AI培训。

课程安排得很完整：有工具介绍、有提示词练习，也有现场演示。课堂上，大家频频点头，结束时的满意度也很高。可两周后再问，真正把AI放进日常工作的人并不多。

有人说：“最近太忙，还是用原来的方式最快。”

有人担心：“公司的数据能不能放进去，我也不确定。”

还有管理者一边鼓励团队学AI，一边继续用原来的流程、审批方式和绩效标准管理工作。

于是，一个很熟悉的场景出现了：培训发生了，知识也可能被记住了，但工作没有改变。

这让我重新思考，企业谈AI学习时，经常把问题问成：“员工学会了吗？”但真正决定转型能否发生的问题也许是：员工回到工作岗位以后，有没有条件把学到的东西持续用出来？

Reflection

High participation and positive course feedback do not necessarily indicate workplace adoption. The more useful question is whether employees return to an environment that provides clear use cases, safe boundaries, time to practise and managerial support for applying AI in real work.

一、我们看到的，也许只是表面症状

1. 表面上，是员工“没有用起来”

AI培训后使用率不高，最容易得到的解释是员工动力不足、年龄偏大、数字能力不够，或者课程不够实用。

这些因素可能存在，但如果我们太快把责任放到个人身上，就会错过更重要的组织信号。

员工不用AI，可能不是因为他没有学会，而是因为：

他找不到与岗位任务直接相关的使用场景；

他不知道哪些数据可以输入，哪些行为存在风险；

主管口头支持，实际却不给试错时间；

新方法节省了个人时间，却没有改变团队协作流程；

组织仍然只检查结果，没有关注新的工作方法如何形成。

2. 深层问题，是学习与工作被分成了两个系统

很多企业把培训看成一个独立项目：确定课程、组织报名、完成学习、收集满意度，然后结项。

我曾经也很容易把注意力放在课程本身：内容是否足够实用、讲师是否讲得清楚、学员是否掌握了工具。后来我发现，这些问题当然重要，却解释不了为什么同一场培训结束后，有些团队开始尝试新的工作方法，有些团队却很快回到原来的节奏。

但AI能力不是听完一门课就能稳定拥有的知识。它更像一种需要在真实任务中反复练习、校准和重构的工作能力。员工需要判断任务、选择工具、组织上下文、检查结果，并承担最终责任。

如果培训系统负责“教”，业务系统却没有为“用”提供空间，两套系统之间就会出现断点。

3. 最终后果，是组织把热情误当成了能力

培训现场的参与感、课后的满意度、账号的开通率，都可能让我们产生一种错觉：AI转型正在发生。

然而，真正的能力变化应该能在工作中被观察到：员工是否开始用AI重构任务？团队是否形成了新的协作规范？管理者是否能够判断哪些工作适合交给AI，哪些必须保留人的专业判断？

如果这些问题没有答案，企业拥有的可能只是一次学习活动，而不是新的组织能力。

Reflection

Low adoption should not be treated automatically as an employee motivation issue. It may signal a disconnect between the learning system and the operating environment, including work design, governance, performance expectations and opportunities to practise.

二、用“学习迁移”重新理解这个问题

这里所说的学习迁移（Learning Transfer: the application and sustained use of learning in the workplace），关注的不是一个人在课堂上是否听懂，而是学习成果能否真正进入工作，并在一段时间后继续被使用。

1988年，Timothy Baldwin 与 J. Kevin Ford 在《Personnel Psychology》发表关于培训迁移的综述。他们关注的核心不是学习者在课堂上是否掌握知识，而是学习成果能否被推广到工作场景，并在一段时间后持续保持。

这个模型把影响学习迁移的条件分成三组：

学习者特征：动机、能力、信心和对学习价值的判断；

培训设计：内容是否贴近任务，是否有练习、反馈和不同情境下的应用；

工作环境：主管和同事是否支持，员工是否有使用机会，制度与流程是否强化新行为。

当我把这个框架重新放回自己观察到的AI学习场景时，我才意识到：我原先关注的是“课程有没有教会”，而框架要求我继续追问“组织有没有让员工能够使用、愿意使用，并持续使用”。这两个问题看起来接近，实际上属于完全不同的设计责任。

学会，不等于会用；会用，也不等于持续使用

把这个框架放进AI学习，我们会看到三个不同层次：

课堂学习：员工知道AI能做什么，也能完成一次提示词练习；

工作应用：员工能把AI用于一项真实任务，并判断输出质量；

能力稳定：员工在不同任务中持续使用，团队也形成相应规范和流程。

很多项目停在第一层，却用“完成培训”来代表第三层。

AI培训尤其依赖工作环境

传统课程可能有相对稳定的标准答案，AI应用却高度依赖岗位、数据、流程和风险边界。同一个工具，在市场、财务、人力资源和客户服务中的使用方式完全不同。

这意味着，通用培训可以帮助员工跨过认知门槛，却很难独自完成迁移。真正的学习往往发生在课程之后：员工带着真实任务尝试，获得反馈，比较不同做法，再把有效方法沉淀为团队经验。

这个框架也有边界

学习迁移模型能帮助我们检查“为什么没有用起来”，但它不能替代AI战略、数据治理和业务流程设计。如果企业连希望AI解决什么业务问题都没有说清楚，再完善的迁移设计也可能只是在提高零散工具的使用率。

所以，学习部门不应该独自承担AI转型。它需要与业务、技术、信息安全和管理团队共同定义新的工作方式。

Reflection

Learning transfer depends on the interaction between learner readiness, programme design and workplace conditions. For AI capability building, business leaders, technology teams, risk functions and learning professionals must jointly design the conditions for application.

三、从AI高频使用者身上，我们能看到什么？

Microsoft 与 LinkedIn 在2024年发布了一项覆盖31个市场、31,000名知识工作者的研究。报告显示，当时75%的受访知识工作者已在工作中使用AI，但全球AI使用者中，只有39%表示接受过公司提供的AI培训。

更值得关注的不是使用人数，而是报告对“AI高频使用者”的观察。这些使用者不仅更常尝试不同方法，也更常在任务开始前思考AI能否提供帮助，并在第一次结果不理想时继续调整。

研究还发现，他们所在的组织往往具备几项共同条件：高层持续传递AI的重要性，领导鼓励员工思考AI如何改变职能，培训更贴近岗位和具体使用场景。

报告中，Honeywell 首席数字技术官 Sheila Jordan 提到，公司把AI培训列为重点，并启动了 GenAI Academy，希望培养更多内部推广者和AI高频使用者。

这里需要保持谨慎：这段公开信息可以作为案例线索，说明企业正在把“课程、内部推广者与工作应用”结合起来，但它不足以单独证明项目已经产生了某种确定的业务结果。

对我而言，这个案例最有价值的地方，不是“办一所AI学院”这个形式，而是它让我重新思考企业学习项目的边界。课程结束不应该意味着项目结束，真正困难的部分可能才刚开始：谁来示范、谁来支持、员工在哪里练习，以及经验如何在组织内部持续扩散。

Reflection

An academy can provide structure, but sustained capability requires internal advocates, relevant practice opportunities and mechanisms for sharing effective work practices. The institutional form matters less than how learning is embedded in everyday work.

四、我现在更关注什么

我越来越相信，AI转型首先不是工具部署问题，也不只是培训问题，而是一个组织学习问题。

真正值得追问的，不是员工有没有参加课程，而是组织有没有允许大家重新理解任务：哪些工作只是重复劳动？哪些判断必须由人承担？哪些流程可以重新设计？什么样的错误可以被看见、被讨论、被转化为共同经验？

如果员工学习AI之后，仍然必须在旧流程里工作、用旧标准证明自己、独自承担尝试失败的风险，那么“不使用”反而可能是一个理性的选择。

组织不能一边期待员工创新，一边只奖励不出错；不能一边要求使用AI，一边不明确数据边界；也不能把工作方式的改变，全部交给员工下班后自行摸索。

AI学习真正发生的标志，不是大家会写多少提示词，而是组织开始形成新的判断、新的协作和新的工作习惯。

Reflection

AI transformation becomes organisational when new tools influence how work is framed, decisions are made and teams collaborate. Capability should therefore be assessed through observable work practices rather than training completion alone.

五、企业可以从这三件事开始

建议一：从真实任务出发，而不是从工具目录出发

具体动作：每个业务团队选择1-2个高频、耗时、风险可控的任务，明确现状、质量要求和AI可参与的环节，再围绕任务组织学习。

主要责任人：业务负责人和学习发展负责人共同负责，技术或信息安全团队参与边界确认。

观察指标：任务完成时间、返工率、输出质量，以及员工是否能解释AI在任务中的作用和限制。

建议二：为学习迁移设计一个30天练习周期

具体动作：培训结束后安排每周一次真实任务练习、同伴分享和短复盘；记录有效提示、失败案例和质量检查方法。

主要责任人：直属主管负责提供使用机会，内部AI推广者负责答疑和经验沉淀。

观察指标：实际使用次数、持续使用人数、复用案例数量，以及30天后仍在使用的任务比例。

建议三：让管理者先改变工作设计与反馈方式

具体动作：要求管理者在分配任务时说明是否允许使用AI、数据边界和质量责任；在复盘中讨论工作方法，而不仅是最终结果。

主要责任人：部门负责人、HRBP和风险治理团队。

观察指标：管理者反馈频率、可安全使用AI的任务清单、流程调整数量，以及员工对试错安全感的反馈。

Reflection

A practical starting point is to connect learning with selected work tasks, provide a structured practice period and equip managers to give relevant feedback. Measures should focus on sustained application, work quality and process improvement.

虹顾问观察

回到开头那场热闹的培训，也许我们不该急着问：“为什么员工学完不用？”

我更愿意换一个问题：“课程结束后，组织为新能力进入工作准备了什么？”

当培训、任务、管理支持和反馈机制开始连接，学习才不再是一场活动，而会慢慢变成组织处理问题的新方式。

AI培训的终点不是员工学会了一个工具，而是组织学会了用新的方式完成工作。

本篇关键词

#AI转型#组织学习#学习迁移#工作场所学习