企业需要怎样的 AI 培训：来自国际劳工组织（ILO）员工深度访谈的实践指南
- 2025-11-26
- AI 力论文解读
当前，企业正以前所未有的速度将 AI 工具部署到工作流程中。然而，一个普遍的困境是：这些强大的技术并未自动转化为预期的生产力。相反，不充分的培训可能导致员工因不理解而放弃工具，或因误用而固化偏见，让 AI 的巨大潜力付诸东流。这引出了一个关键问题：决定企业 AI 培训能否成功的根本因素究竟是什么？
来自德克萨斯大学奥斯汀分校的学者，在一篇即将发表于 ACM CHI 2025 会议的最新研究中，从一线员工的视角入手，提出了一个新的思考路径：企业能否成功推行 AI，需要考虑培训内容是否回应了员工的真实需求与担忧。
这项研究基于对来自 26 个国家的 39 名知识型员工（涵盖人力资源、劳动法、标准制定和员工培训等领域）的深度研讨和访谈，系统地揭示了员工视角下的 AI 培训需求。本文将深度解读这项研究的核心发现，为企业管理者落地 AI 培训提供科学的洞见与实践指南。
1. 研究背景：面向员工的 AI 培训需求
长久以来，企业界在探讨“AI 时代所需技能”时，大多遵循一种“自上而下”的视角。研究报告和咨询方案往往由领导层基于战略目标，决定引进何种技术，并假定员工需要的是技术操作培训。
然而，本文作者敏锐地指出，这种视角存在明显局限性。许多罗列技能和培训需求的报告，其视角和期望都集中在领导层或高级管理层（leadership or senior management）。它们回答了“高管希望员工学什么”，却较少考虑到“员工自己需要学什么”。
因此，本研究创新性地提出，要想理解 AI 培训的真正需求，需要考虑“员工导向”（worker-oriented），直接探究那些被期望在日常工作中实际使用 AI 的员工的真实看法，详细了解员工使用 AI 的真实经历、担忧和他们对培训的想法。这一视角的转换，构成了本次研究的核心理论贡献。
2. 研究方法：来自 26 国 39 名一线专家的深度研究
研究聚焦知识型员工（knowledge worker，后文统称“员工”）对企业 AI 培训的看法，为了系统性地衡量员工的真实需求，研究定义了两个核心研究问题：
员工目前是如何在工作中获得 AI 培训和支持的？
员工认为他们需要哪些培训主题和技能，才能有效且安全地在工作中使用 AI？
研究采用定性方法，分为两个主要阶段：一次互动线上研讨会（Workshop）和随后的半结构化访谈（Follow-Up Interviews）。
第一阶段的线上研讨会是联合国国际劳工组织（ILO）旗下的国际培训中心（ITCILO） 主办的“工作场所的 AI”系列培训活动的一部分。这场研讨会汇集了来自 26 个国家的 39 名人力资源、劳动法、标准制定和员工培训等领域的专家。
研讨会采用基于情景的活动（scenario-based activity）形式，参与者被分为三个小组，讨论基于真实 AI 产品的特定情景。这些情景通过引导性问题来激发讨论。例如，对 AI 工作方式的担忧、想向供应商询问的问题、改进设计的想法。
随后，研究团队从这批专家中选取了 17 人，进行了为期一小时的半结构化访谈。访谈深入探讨了他们使用 AI 的个人经验、现有的 AI 培训实践，以及他们认为员工真正需要的培训主题和技能。
最终，研究团队从访谈和研讨会的文字记录中，系统性地提炼出了员工在工作中使用 AI 时面临的四大挑战和八大关键培训需求。
3. 关键发现：四大挑战与八大培训需求
挑战一：基础 AI 认知及素养缺失
研究发现，许多企业假设员工已经了解 AI。但事实是，许多员工对 AI 的基本概念的了解非常有限。一些员工甚至不清楚哪些内容是 AI 生成的，更不用说“如何生成”。这种基础认知缺失，会让他们在技能快速迭代的劳动力市场中错失机会。
针对“AI 是什么”以及“AI 如何帮助员工”的问题，培训需包含：
培训一：建立基础认知（Foundational Understanding）。
培训必须从最基础的“AI 是什么”以及“它能如何帮助我”开始，这是建立学习和使用 AI 的信心、消除恐惧的第一步。
受访者表示，许多员工对现有 AI 工具的广度和能力了解不足。他们需要了解更多现有的 AI 工具，以判断哪些工作情境下可以使用 AI 工具来真正提升效率。此外，接触更多的 AI 工具，有助于他们反向识别出工作中需要培训的相应技能。
因此，研究者建议，在基础认知培训之后，应提供深入的、可选择的后续培训模块，专注于特定的工具或任务。
培训二：拓宽工具视野（Exposure to Tools）。
培训应展示一系列新兴的 AI 工具，帮助员工了解不同工具的能力边界，并找到适合自己工作的 AI 工具及特定技能。
挑战二：过度依赖 AI，缺乏批判性思维
研究确定的第二个核心挑战是，员工面临着过度依赖 AI 并盲目信任其输出的风险。“过度依赖”的根本原因在于，员工难以将 AI 定位为“辅助工具”，而是错误地将其视为“最终答案”。员工盲目信任“AI 幻觉”，不仅会带来风险，而且会削弱员工自身的批判性思维能力。
为了更好地验证大模型生成的内容，员工需要具备多种核心能力及素养。如果毫无思考地频繁使用 AI 工具，员工将失去培养这些核心能力的机会。基于此，研究者提出以下培训主题：
培训三：重塑批判性思维（Refresh Critical Thinking）。
AI 培训不应只是技术培训，更应是“批判性思维”和“信息素养”的复习与巩固课程。需要向员工强化以下认知：AI 是一个辅助工具，而不是最终的解决方案。
培训四：注重专家验证（Validate with Expertise）。
必须培训员工使用自己已有的专业经验和知识，“批判性地审查、解释和验证 AI 的成果”。
挑战三：对 AI 隐含的偏见与风险意识不足
研究指出的第三个挑战是，员工可能没有充分意识到 AI 如何加剧算法偏见。例如，AI 在不同语言间的表现存在差异，或者在回答问题时明显偏向于某一特定视角，而忽视了组织中其他干系人的视角。
然而，目前大多数企业缺乏关于 AI 偏见与风险的正式培训。现有的培训通常只关注如何操作界面，而不是如何识别风险，让员工更安全、负责任地使用 AI。
因此研究建议，将提升员工对 AI 偏见与风险的意识的培训设为必修：
培训五：识别潜在风险（Recognizing Potential Harms）。
企业需要必修的培训模块，专门指导员工识别 AI 在一些涉及多干系人或者敏感话题的任务中可能带来的偏见与风险。
培训六：普及数据集偏见知识（Recognizing Dataset Biases）。
必须让所有员工（而不仅是技术人员）认识到“数据集中的代表性局限”及其可能导致的偏见。
挑战四：对数据隐私与合规要求认知不足
研究指出的第四个核心挑战是，员工对 AI 使用的合规边界不明确，以及对数据隐私泄漏隐患的认知不足。
当企业未能清晰解释 AI 的采纳目的时，员工的“技术恐惧”和犹豫感就会增加。因此，研究者提出必须主动对员工进行 AI 合规与数据隐私培训，强化员工的合规意识，并有效地保护企业及个人数据。
为此，培训必须包括以下两大主题：
培训七：普及 AI 合规性使用教育（AI compliance training）。
让员工了解公司正在使用的 AI 的及相关合规性政策。
培训八：保护数据隐私（Protect Data Privacy）。
让员工有意识地保护公司数据及个人数据隐私。
4. 研究洞察：影响培训实施的关键因素
这项研究进一步指出，AI 培训的成功与否，高度依赖于组织进行变革管理时是否进行了有效沟通。 如果缺乏清晰的沟通，AI 相关变革管理会滋生恐惧，导致员工抵制 AI。如果企业在推行 AI 时不解释“为什么”，不说明“对员工有什么好处”，那么培训将会难以推进。
其次，员工需要的是“咨询”（Consultation），而不是“灌输”（Teaching functionality）。受访者指出，他们不希望只是被动地学习软件功能，他们更希望有机会“提供反馈”，告诉管理者 AI 如何才能真正帮助到自己。然而，目前组织内的反馈渠道往往只是摆设，无法真正实现双向沟通。
5. 实践启发：如何构建关注员工需求的 AI 培训体系？
这项研究的发现为企业管理者、人力资源专家和培训从业者提供了极具价值的实践指南。
启动“自下而上”的需求洞察。 企业在投入巨资为全员引入 AI 之前，HR 部门和业务部门的管理者应首先对员工进行一次“AI 需求诊断”。本研究的“四大挑战”和“八大培训主题”提供了可参考的培训框架。了解员工的真实痛点、焦虑和需求，再反向定制培训和引入工具，才能事半功倍。
将 AI 素养培训从“技术课”升级为“能力课”。 企业必须认识到，AI 培训绝不仅仅是“如何使用一个软件”。它是一门涵盖“批判性思维”、“伦理与偏见”和“权利与责任”的“通识课”。如果员工不具备批判性看待 AI 输出的能力，或不了解其伦理风险，那么 AI 工具越强大，给组织带来的风险就越大。
让“AI 赋能人”真正在组织落地
Zhang & Lee 的研究以严谨的证据，向我们展示了来自员工视角的 AI 培训需求：AI 培训不止是技术培训，更需要底层素养的支撑及安全合规的边界作为保障。赋能需要理解和满足“人”的真实需求。如果“赋能”不能只停留在提供工具和提升效率，还应提供建构式使用 AI 的训练，更应包含伦理边界和权益保障。
这与 UMU 倡导的理念不谋而合：AI 是来增强人、赋能人的，不是来取代人的。真正的 AI 转型，始于对“人”的投资。UMU 作为企业学习与发展的战略伙伴，致力于将前沿的学术洞察转化为企业可落地的实践。
UMU 出品的 AI 人才发展系列课程，正是围绕这项研究所揭示的核心需求而构建。课程不仅讲授如何使用 AI，更致力于帮助员工如何负责任地、安全地使用 AI。
UMU ALT 团队由来自清华大学、北京大学、中国人民大学、康奈尔大学、佛罗里达大学等全球知名高校的博士组成，专注于深入解析 AI 与组织、管理、人力资源等领域的交叉研究。我们系统梳理大量相关学术论文，提炼其中的研究方法与核心洞见，并将其转化为企业可实际应用的知识资源。欢迎关注 AI 力论文研究合集。同时，我们结合学术成果、行业领袖建议及最佳实践访谈，推出了《发展大模型时代的 AI 力》在线系列课程。该课程旨在帮助企业全面理解 AI 技术演进对组织架构、管理模式及员工能力所带来的深远影响，助力组织构建面向未来的 AI 竞争力。欢迎点击文末“阅读原文”，深入了解课程内容，或联系 UMU 专属顾问，开启您的 AI 转型之旅。
参考文献：
Zhang, A., & Lee, M. K. (2025, April). Knowledge Workers’ Perspectives on AI Training for Responsible AI Use. In Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems (pp. 1-18).