夜雨聆风AI时代组织管理 · 每日连载｜本周主题：学习发展如何拥抱 AI · Day 7
概述：这一周谈了三个问题：员工要学什么，人才怎么发展，我们凭什么判断。今天把这三个问题收在一起，回答一个更大的问题：当学习越来越多地发生在 L&D 看不见的地方，这个部门的位置究竟在哪里？
回到周一的那位负责人。
一周之前，他的处境是这样的：
领导在会上问：“我们 AI 用起来了没有？”
收件箱里躺着几封“AI 赋能人才发展”的邮件。
朋友圈刷到第八条“再不学 AI 就被淘汰”。
一位朋友转来一门课，问要不要引进。
到了周五，他还是没想清楚该从哪里下手。
现在再看同样的处境，他至少能回答几个问题了。
领导再问“用起来了没有”，他的回答不必只有参训人数和完成率，而是可以说清楚：我们哪些岗位要改变哪些具体行为，现在推进到了哪一步。
收到卖方材料，他知道先分清 AI 在其中是学习内容、练习工具，还是学习技术。
朋友转来的那门课，他知道怎样用几个问题检查一遍，也分得清“内容增量”和“机制增量”。
真要开展试点，他知道在开始之前就应该写下那六行。
这些都有用。
但我认为，这一周真正的收获，不是他多了几张清单。
而是他的位置变了。
· · ·
先看一个变化，在学习这件事上，L&D 已经不是唯一的供给方了。
员工遇到不懂的问题，会先问 AI，不再先等培训。
业务部门想让团队补上某项能力，往往自己就能找到工具和资料，先做起来再说。
一个人想学新技能，随手就能打开 AI 求助。
如果 L&D 仍然把自己定义为“课程的提供者”，这个位置在边缘化。
但换个角度看，有一件事反而变得更稀缺了。
当学习到处都在发生，判断“能力是否真的形成”就变得更难，也更重要。
到处都能学，不等于学到了。
工具铺下去，不等于能力长出来。
交付物变漂亮，不等于人变强了。
这一周引用的研究虽然场景不同，却反复提醒我们：表现提升和能力形成，可能是两回事。
而在组织里，需要有人专门为这件事负责。
L&D 不再是学习的唯一供给方，而要成为组织能力形成机制的设计者和证据纪律的把关者。
· · ·
这个位置具体是什么，可以用三项工作来说明。
它们正好对应这一周的三个问题。
第一，诊断问题，定义人要形成和保留什么能力。
“我们要不要上 AI 培训”不是问题，而是一个已经提前给出的答案。
真正的问题是：
业务上哪一段卡住了？
卡住是因为不会，还是因为没时间、没权限、没人要求？
如果是后者，再好的课程也解决不了。
这一问的价值，是先把能力问题与流程、权责和管理问题区分开来。
接下来还要回答：
AI 可以承担什么？
哪些判断、接管和担责的能力，必须由人保留？
第三天讲过三条线：
能被 AI 增强、能交给 AI 执行、责任能否转移，是三个不同的问题。
哪些任务可以交给 AI，哪些岗位上的人必须保有说“停”的资格，这是组织设计问题，不只是技术问题。
它需要有人把业务风险、专业责任和能力养成放在一起考虑。
这类判断很少由一个部门单独作出。
但 L&D 至少可以主动把问题提出来，推动业务、技术、风险与合规等相关角色坐到一起，而不是等别人想起来问。
· · ·
第二，设计能力怎样形成。
这一项最容易被跳过，却是“设计者”这个身份最实质的工作。
第四天说过，能力形成有一条链路：
围绕真实任务反复完成关键动作，获得基于专业标准的反馈，修正做法，再到新的情境里做出来。
因此，这一项要回答的是：
学员在哪里反复练习那个关键动作？
AI 替代了哪一步，又把哪一步认知活动保留给了人？
反馈由谁提供，依据什么专业标准？
这些练习怎样进入真实工作，并持续得到复盘？
这些问题不会自己产生答案。
课程可以买，工具可以接入，但一套让能力真正长出来的机制，必须与组织自己的业务流程、带教关系和评价方式连接起来。
· · ·
第三，组织证据，让结果真正改变决策。
这一项包括：
区分课程本身的价值与 AI 带来的增量；
同时观察人的能力变化、AI 机制的表现和新增风险；
允许试点得出扩大、调整、停止，或者暂时无法判断这四种结果。
需要说明的是，证据纪律不是为了把项目挡在门外。
它是为了让每一次试点真正产生知识：知道什么有效、对谁有效、在什么条件下有效，以及什么时候不该继续。
· · ·
这三项工作，尽管都可以借助外部力量完成。
供应商可以参与设计练习，AI 可以辅助诊断和分析，业务方可以定义什么行为真正有价值，数据和技术团队可以帮助评价。
但有一件事必须自己做：
把这些工作连接起来，并形成专业判断的责任。
AI 可以辅助分析，供应商可以提供方案。
但组织究竟要发展什么能力、这些能力怎样形成，以及什么证据足以改变决定，必须由L&D自己回答。
· · ·
到这里，有件事我想说明。
这一周的七篇文章，没有给出一份 AI 工具清单，没有推荐任何一个项目，也没有提供一张“AI 时代 L&D 转型路线图”。
这是有意的。
因为工具会过时，产品会迭代，通用路线图也不能替组织作出自己的判断。
这一周想给的是另一样东西：
当下一个新工具、新概念、新解决方案出现在你面前时，你能不能自己判断它值不值得。
这也是我对“拥抱 AI”的理解。
拥抱 AI，不是把手上的项目都换成 AI 版本，不是让全员考一张证书，也不是在方案里写满新词。
L&D 真正要拥抱的，不是某一批 AI 产品，而是一种新的专业工作方式：先诊断真正的问题，明确人要形成和保留什么能力，再设计 AI 应该进入哪一步，用证据检验，最后决定是否扩大。
· · ·
回到起点。
这一周开始时，我提到：
市场上贩卖的，常常是“再不学就晚了”的焦虑。
一周下来，我想再提一下。
焦虑推动的是购买，判断推动的是选择。
焦虑让人先做动作，再寻找理由。
判断让人知道什么值得做、拿什么验证，以及什么时候应该停下来。
真正的专业，不在于一味求快，而在于不让速度代替方向，也不让行动代替结果。
· · ·
这一周的七篇，到这里就结束了。
如果只带走一句话，我希望是：
先诊断真正的问题，明确人要形成和保留什么能力，再设计 AI 应该进入哪一步，用证据检验，最后决定是否扩大。
这套做法听起来并不新鲜。
但在一个人人都在追新的时刻，把它老老实实做完，本身就已经是一种稀缺的专业能力。
资料说明
文中提到的研究与指引，均已在本系列 Day 1 至 Day 6 中标注来源与适用边界。
文中关于 L&D 位置变化的判断，以及“三项工作”的划分，是作者依据本周讨论形成的分析框架，供读者结合自己的场景参考和检验。