数智学习，敏捷协同 ｜ 传习社第二期第二次活动精华
- 2025-08-04
- 传习社
传习社，是一个由四位培训行业资深前辈共同发起的公益社群，致力于陪伴和助力培训行业年轻从业者的成长与发展，提升培训人在组织中的专业性和影响力。
传习社于 2024 年 6 月 2 日正式启航，首期共招募了 10 位来自各行业的培训骨干，围绕“培训对组织与业务的影响”展开了深入探讨。一年以来，学员在专业能力方面获得显著提升，不仅得到了行业前辈的一对一指导，还通过社群互动获得了持续的支持与启发。参与项目的学员在组织中进一步提升了战略影响力，其所支持的业务单元的绩效也呈现出积极变化。传习社第一期活动精彩内容回顾：
2025 年 5 月 18 日，传习社第二期活动正式开营，共招募来自医疗、汽车、金融、科技等行业的 20 位学员参与。在 AI 迅猛发展、市场环境日益复杂的当下，组织架构与人才战略正面临前所未有的挑战与重构。传习社致力于携手行业从业者，共同探索数智时代下组织与个人协同发展的新路径，推动人才成长与组织战略的深度融合，助力实现敏捷学习型组织的构建与个体与组织的双向重塑。今年的主题定义为企业学习的 5 个趋势，即：
高度——聚焦战略，紧密链接
速度——数智学习，敏捷协同
深度——训战一体，助力绩效
温度——知识创造，卓越运营
宽度——多维拓展，超越价值
5 月 18 日，传习社第二期进行了第一次活动，活动从”战略“开始，主题是「聚焦战略，紧密链接」。内容回顾：📖传习社二期万字思辨：破局与重塑，培训人「对接战略」叩问「存在意义」之路
7 月 20 日，传习社迎来了第二次活动。活动分为上午和下午两个场次。上午的环节中，会员们围绕上期主题“战略”展开深入交流，重点分享了从组织视角出发的战略分解思路，以及培训工作如何有效承接战略目标。真诚而务实的分享赢得了四位导师的精准点评与专业反馈。
下午是分享环节。传习社邀请到混沌大学领教李桢与 UMU 创始人李东朔围绕第二期主题《数智学习，敏捷协同》联袂开讲，以下内容由两位老师的分享整理而成。
1. 躬身入局：从工具效用到组织变革，HR 如何激活企业智能潜力
李桢
2025 年初，DeepSeek 等 AI 产品在短视频平台上爆火，被冠以各种“王炸组合”的称号。企业跟风部署 AI 后却发现“并不好用”，陷入了追求“超级应用”的困境。这更像是回到互联网时代的外包模式，而非真正将技术内化。企业不应仅仅盯着 AI 工具本身，而是要审视现有的工具链，将 AI 融入实际业务流程中。回归业务本质，需要双“量（亮）化”：
工作量化：明确并量化哪些工作最为繁琐、耗时，为 AI 的介入找到精准切入点。
流程量化：清晰梳理业务流程的每一个步骤，以便让 AI 能够有效参与并优化其中的环节。
李桢老师指出，企业使用 AI 效果不佳，原因不在于工具本身，而是在于企业缺乏将 AI 真正落地的两大关键要素：
缺乏“会说话的人”：员工缺乏编写提示词的能力，无法与 AI 进行有效沟通，需要提升使用 AI 工具的思维和素养。
缺乏适合 AI 的工作流程：即使员工个人掌握了 AI 工具，企业也需要进行流程创新和组织重塑，否则 AI 在企业层面的效能将难以体现。
一、从对话到深度思考，赋能业务洞察者
许多人对提示词存在一个误解，认为提示词就是简单的对话。李桢老师指出，这是一种“知识的诅咒”——我们以为自己知道，却未能在与 AI 的对话框中清晰表达。真正的企业级提示词复杂而严谨，常常长达数百行。提示词不仅仅是简单的“沟通”，它更像是一种“编程”，只不过是用自然语言来编写代码。如果缺乏清晰的结构和明确的目标，就无法获得有效的输出。
使用 AI 的目标，不应仅仅是获取一个所谓的“正确答案”。AI 的真正价值在于开启员工一套全新的思考方式，成为思考的陪伴伙伴和教练，深度改变员工处理业务的思维习惯和价值取向。AI 的真正作用，不是替代我们的工作，而是让我们思考得更全面、更深刻。
与 AI 的有效互动，能够帮助员工完善对最佳实践（best practice）的认知。如果能将员工完整、最优的思考成果和实践经验反馈给 AI，并让 AI 在此基础上进行补充和优化，才是真正有效的应用。
因此，AI 真正赋能的是那些对业务有深度洞察力、能够将 AI 融入实际场景的人。这类人才通常具备以下能力：
能够巧妙运用 AI 放大自身的业务能力。
懂得萃取隐性知识，将经验转化为可复用的资产。
能够将 AI 嵌入到组织流程中，推动绩效提升。
二、流程再造：HR 在组织变革中的角色
即使所有员工都学会了使用 AI 工具，组织层面的 AI 转型也未必能成功。这是源于企业在引入 AI 时，往往未能同步构建新的流程或考核标准。这种机制的缺失，反映出流程驱动力的不足和奖惩机制的缺位。当员工学习 AI 的付出得不到相应的激励或认可时，AI 的推行就会举步维艰。因此，企业必须愿意改变现有的工作流程，或创造一套全新的 AI 工作流程协议。
将 AI 引入企业，并非仅仅是为了纠正显而易见的坏习惯。更深层的价值在于，它能将企业中那些优秀的习惯和经验的沉淀下来，从而全面提升企业的整体效率和创新能力。然而，改变“好习惯”往往比改变“坏习惯”更令人费解，因为它冲击的是我们根深蒂固的思维模式和行为惯性。
这种改变之所以困难，在于 AI 的嵌入将引发组织结构的重大变化，进而深刻影响企业运行的“思维链”。这条思维链最精髓的部分，往往掌握在那些最优秀的业务终端手中。他们的卓越之处，不是源于文档中的显性知识，而是凭借着需要萃取的反共识认知、数据背后的真相、经年累月沉淀的实践经验，以及那些“莫名其妙”却又精准无比的直觉。
面对 AI 带来的深刻变革，HR 的角色需要从传统的组织培训者向更具战略性的角色转变，承担起以下关键职责：
萃取业务专家的隐性知识，并将其沉淀为可供 AI 学习和应用的提示词。
梳理和优化适合 AI 介入的业务流程，为 AI 的应用创造空间。
激活组织中真正能用好 AI 的人才，确保 AI 潜能得到充分释放。
三、AI 不是教出来的，是练出来的
未来的竞争，是会用 AI 的人，和不会用 AI 的人之间的竞争。为了真正提升使用 AI 的素养，员工需要理解使用 AI 工具的基本原理，掌握编写提示词的方法，并且通过练习和反馈强化思维模式。
为了让企业的 AI 培训达到实效，一方面需要提供企业层面的支持和引领，另一方面则要关注员工个人的实际感知。为此，需要从以下关键要素入手：
诱因与社交货币： 成功的 AI 培训需要高频的接触点，例如通过高密度的网课、直播、沙龙和工作坊，以及比赛机制，实现员工的高强度学习与激活。当员工认为 AI 能让自己看上去更优秀、更与众不同时，AI 培训才能真正激励员工参与进来。
真实价值公共化： 所有真正有价值的东西最终都要走向公共化。当员工使用 AI 发现并显化那些隐藏的能力时，需要将其产品化以供所有人使用。例如，企业中的业务专家即使没有 IT 背景，也能通过 AI 打造出各种智能流程和应用。
情绪与故事： AI 的落地需要情绪的激发。通过构建 AI 与人结合的故事，例如没有技术背景的员工利用 AI 成功搭建智能知识库。这些跨越认知的边界的故事，具有极强的感染力，能推动整个企业 AI 化升级。
AI 的落地，无论是面向企业（To B）、消费者（To C）还是政府（To G），都应该首先从“To Me”开始。每个人都应该先让自己行动起来，从小场景入手，解决一个真实的业务问题。只有这样，才能真正体验到 AI 带来的改变，并为企业带来实实在在的价值。
2. 发展大模型时代的 AI 力
UMU 李东朔
AI 已成为人才和发展领域的核心议题。ATD 大会的数据也充分印示了这一趋势：AI 在人才发展、学习技术及高管领域的关注度上均占据首位。提升组织的 AI 能力已不再是可选项，而是适应竞争格局的必然选择。
AI 素养（AI literacy）的概念最早在 2013 年提出，那时的 AI 主要指机器学习和深度学习，并非如今的大模型。随着 AI 的快速迭代，其内涵和外延每半年都会发生实质性的显著改变。发展 AI 素养，意味着熟练运用 AI、了解 AI 边界、利用 AI 优势、避免其潜在负面影响，并在此过程中提升每个人的生产力、创造力以及个人工作体验。
对于组织来说，发展 AI 力具有以下必要性：
提升竞争力与生产力： 组织发展 AI 力是应对激烈竞争的关键。如果竞争对手利用 AI 提高生产力，未采用 AI 的组织将面临劣势。
规避 AI 风险：AI 虽已非常可用，但远未完美，伴随着潜在危害。管理者若不能深入理解 AI ，就可能被其误导。最大的风险在于，将 AI 的错误输出误认为可用于商业输入。
AI 作为“魔力因子”： 大语言模型（LLM）是解决“既要又要还要”多重约束的“魔力因子”。它能在项目管理中优化成本、时间、质量，尤其在语言任务领域提升效率。
解锁 AI 最大能力： 掌握 AI 的使用技巧，就能解锁其最大潜力，达到特定 AI 服务的天花板高度。行业内 AI 模型迭代迅速，选择最新最优的工具至关重要。
一、提升 AI 素养的关键方法
全面发展 AI 力意味着构建完善的 AI 素养。UMU 将 AI 素养分为三个层级：
AI 力（AI Literacy）：对 AI 的整体理解和应用能力。
大语言模型素养（LLM Literacy）：针对当前主流的大语言模型，掌握其使用方法。
提示词素养（Prompt Literacy）：输出质量由输入（提示词）决定，有效使用提示词与大模型互动，才能解锁大模型最大能力。
提升 AI 输出质量，关键在于掌握四大方法：
方法一：RSTCC 提示词框架
RSTCC 是一个强大的结构化提示词框架，包含五个要素，能帮助你更清晰、精准地引导 AI ：
角色（Role）：明确 AI 应该扮演什么角色（例如，“你是一位资深市场专家”）。
技能（Skill）：赋予 AI 特定的技能或专长（例如，“你擅长撰写引人入胜的社交媒体文案”）。
任务（Task）：清晰地定义 AI 需要完成的具体任务（例如，“请为我撰写 5 条关于新产品发布的朋友圈文案”）。
上下文背景（Context）：提供必要的背景信息，让 AI 更好地理解任务（例如，“新产品是一款面向年轻白领的智能手表，主打健康监测功能”）。
限制规则（Constraint）：设定对 AI 输出的限制或要求（例如，“每条文案字数不超过 100 字，并包含一个表情符号”）。
通过系统地填充这些要素，可以更有效地利用 AI ，让其输出更符合预期。
方法二：角色扮演（Roleplay）
使用大模型进行角色扮演，可以让我们获得多面手的能力，模拟从干系人的多维视角获得反馈。这利用了大模型的两个能力：
角色扮演能力：扮演法务、财务、业务团队、执行团队等。
大模型的广度：大模型训练过大量的法务、财务知识和 CEO 与高管的语料，能够尝试从这些角度输出。
方法三：少样本提示词（Few-shot）
少样本提示词是一种高效的提示词技术，其核心在于通过提供高质量的示例来引导 AI 生成预期的输出。当你希望 AI 生成特定风格、格式或内容的文本时，提供相关的优秀范例，能显著提升 AI 的理解和生成能力。这些“少样本”是 AI 学习和模仿的参照，也是决定最终输出质量的关键。
方法四：DAD 管教模型
DAD 模型（The DAD Model）是提升大模型输出质量的另一方法，它强调对 AI 进行“管”和“教”：
授权（Delegate）：将 AI 视作下属，清晰、完整地委派任务。要求用户先想清楚、写清楚再进行对话，避免“隧道效应”导致输出质量下降，本质是向 AI 传递显性知识。
示范（Demonstrate）：向大模型提供示例，进行示范。类似于“我做你看”的教学方式，通过例子传递难以言明的隐性知识。
二、大模型的三大优势应用场景
大模型在当前 AI 应用有三大核心优势场景，能够显著提升组织效率：
场景一：语言任务
无论是撰写文案、总结报告、翻译文件，还是进行内容创作，只要涉及语言处理，大模型都能高效完成。在组织中，利用这一优势可以实现 AI 劳动力转型。其方法论可归结为三步：
流程映射（Process Mapping）：梳理现有业务流程。
识别语言任务：找出流程中所有涉及语言处理的环节。
整合大模型：将大模型融入这些语言任务，以增强现有步骤或直接替代部分工作。
通过这种方式，整个工作流能被大模型增强或优化，从而发现组织 AI 转型的巨大机会。
场景二：创意工作
人类在进行创意构思时常面临“启动效应”，大脑需要时间预热，导致拖延和内耗。大模型作为“魔力因子”，能有效解决这一问题。
通过让大模型初步生成大量创意（例如十个演讲点、文案标题），这些初始想法能够激活人脑，帮助我们绕过思考的启动阶段。这不仅能缩短启动时间、节省非必要精力，更能带来积极的情绪价值、减轻创意工作带来的焦虑，大幅提升生产力。
场景三：多角色扮演
角色扮演可以让大模型扮演任何你需要的角色，从而获得多方位的反馈和建议。例如，在制定一项培训计划后，你可以让 AI 分别扮演：
上：老板
下：一线伙伴团队
左：业务部门
右：职能部门
前：客户
后：职能团队
通过这种方式，你的方案在提交给真实干系人之前，就已经经过了多轮 AI 的反馈和辅导，提升了方案的综合性和质量。
三、使用 AI 的挑战与应对策略
学术研究表明，AI 在带来巨大潜力的同时，也带来了有效性和准确性的挑战：
幻觉（Hallucinations）：生成不准确或虚假信息。
漂移（Drift）：模型性能随版本更新而动态变化。
偏见（Bias）：输出受训练数据和开发团队价值观影响，并非绝对客观。
伴随着这些潜藏的挑战，人类在使用大模型时可能面临三种认知误区：
探索广度的误区：你以为大模型已理解了所有事物的深度，但实际上大模型理解的深度是有限的。
研究范围的误区：你认为大模型能提供非常广的研究范围，能够搜罗所谓的“全网知识”，但实际上仅调用了搜索引擎返回的前二十条结果，并非全部结果。
客观性误区：大模型给出的回答并非完全客观，它反映了其开发团队当下的认知水平和文化观念。
应对这些挑战，用户应当注意避免“无脑使用”，即不经验证地盲目信任 AI 输出。为此，UMU 提出组织应遵循信任验证原则（Trust and Verify）：
个人层面：使用者需对 AI 输出负责，主动验证结果。
领导者层面：提升员工与大模型的协作能力及 AI 素养，并要求员工在工作中使用 AI 时提交提示词。这有助于了解员工与 AI 的互动方式，从而优化提示词、改进工作方式。
高管层面：关注 AI 的投资回报率（ROI）和与组织的有机整合，将沟通聚焦于人效提升、成本降低等具象的业务价值。
四、企业与人才发展的未来：人机协作与“十倍人才”
实现 AI 与组织的有机整合，首先应推动高管团队建立 AI 素养。所有高管在与业务部门讨论是否引入 AI 时，都既渴望又痛苦。他们渴望 AI 能解决组织面临的“既要又要”的瓶颈，但又痛苦于其下属一、二级管理者普遍不具备 AI 素养。
缺乏 AI 素养体现在两个极端：一个极端是完全不用 AI ，认为其毫无用处；另一个极端是认为 AI 无所不能，过度依赖。有些企业甚至认为有了 AI 编码，就不再需要工程师。若过度依赖 AI 编码，简单将 AI 编码的结果作为产品，企业将会面临巨大问题。因此，从高管到基层，自上而下的推动至关重要。
AI 在组织中可扮演教练（Coach）、导师（Mentor）、专家（Expert）、助理（Assistant）、伙伴（Peer）、实习生（Intern）等角色。对于企业来说，应用 AI 时聚焦于前五种角色。根据 P.C.A. 模型（Parent-Adult-Child），人与 AI 的关系应从独立使用、依赖性使用向互赖性使用发展。
在此基础上，根据 3H 模型（Head, Heart, Hand），应明确使用 AI 的不同层级：
脑（Head）：AI 协助思考，解决理性问题，实现高效协作。
心（Heart）：人类主导，负责感性思考和意义问题。
手（Hand）：AI 可替代或辅助执行具体的重复性任务。
东朔老师提出，需要建构式使用大模型：将大模型输出视为脚手架或思考支架，而非标准答案。尤其在面对职业生涯中的难题时，让 AI 提供思路、框架和模式，由自己来完成具体工作，将与 AI 互动的过程转变为学习之旅。
组织若能善用大模型，未来的人力结构将发生巨大变化：
初级员工显著增强：应届毕业生结合大模型，工作水平可媲美有三到五年经验的员工。
资深员工成为“十倍人才”：善用大模型的资深员工能大幅提升效率，成为高效率人才。
管理者的角色转变：AI 能力越强，管理者管理范围越大，行政管理需求可能减少，领导力将更为关键。
人才结构优化：组织倾向于招聘更多顶尖人才（T-shaped talent），即那些“一个人顶十个人用”的资深专业人士，而非简单增加初级员工数量。
使用 AI 的目的，不是替代人，而是增强人。UMU 致力于赋能高管、管理者和每一位员工提升 AI 力，让组织中涌现更多“十倍人才”，从而提升组织的市场竞争力，实现更好的生产力、创造力和工作体验。
活动最后，传习社第一期学员张若琴分享了阳光保险公司的 AI 产品创新实践，与在场老师学员交流了关于 AI + 工作流的思考。
关于传习社
“传习社”是由四位资深前辈共同发起的公益社群，致力于陪伴和助力培训行业年轻人的职场发展。四位导师将从自己的专精领域出发，举办主题分享、workshop，进行一对一交流，为年轻人传递经验、解答困惑。