别止步于“熟练操作”：为什么高频使用 AI 不等于具备真正的 AI 素养？
- 2026-01-01
- AI 力论文解读
在 AI 技术不断取得突破的今天，AI 素养已经成为人才价值的关键变量。简单来说，AI 素养并不仅仅是指会写代码或操作软件，它被定义为个人理解和使用 AI 系统的整体能力，这包括识别 AI 的特征、理解其背后的推理过程，以及对 AI 的输出结果进行批判性评估的能力。
目前学界对 AI 素养的经典定义，主要基于 Pinski 和 Benlian (2023) 的研究框架。然而，该框架建立在生成式 AI 尚未普及的时期，那时的 AI 技术主要侧重于对结构化任务的自动化处理。
如今，生成式 AI 极大地拓展了 AI 素养的内涵。与传统 AI 相比，生成式 AI 在可触达性、适应性和互动性上存在显著差异 ，它不再只是自动执行工具，而是辅助创意生成和复杂问题解决的合作伙伴。这种从“自动化”到“共创”的转变，通过深刻改变知识工作者的核心任务，重塑了现代企业的工作场景。
基于这一变化的时代背景，来自法国、德国和荷兰的一支跨国研究团队，针对未来的知识工作者，提出了一套全新的 AI 素养形成框架。这一框架挑战了“只要多用 AI 就能掌握 AI”的朴素直觉，揭示了从零散的“感性体验”到系统的“理性素养”之间，必须经过“结构化知识”这一关键转化路径 ，对企业中的 AI 素养培训有重要的参考价值。
1. 重新定义 AI 素养：从经验到知识
在 Pinski 和 Benlian的 AI 素养模型中，AI 体验和多种 AI 知识直接构成了AI Lliteracy。所谓的 AI 体验，通常被细分为两个层面：
AI 使用体验（AI Usage Experience）：指与聊天机器人等工具的直接交互，这是最基础的应用层面。
AI 设计体验（AI Design Experience）：指参与模型训练、参数配置等更深层的活动。
然而，Pinski 和 Benlian 的框架是在生成式 AI 尚未大规模普及的背景下提出的，且并未专门针对知识工作者。当时的观点倾向于认为，“体验”和“知识”并行地直接构成了素养。
而本文的作者提出，对于未来的知识型工作者而言，光有使用 AI 的“体验”还不够，必须通过“知识”这个关键的桥梁，才能真正转化为“素养”。 基于前人研究，作者们提出了一个新的概念：AI 知识（AI Knowledge），这是一个综合性概念，包含三个子维度：
AI 技术知识（AI Technology Knowledge），即理解 AI 的基本原理和技术。比如说，只有当知识工作者理解 AI 生成内容基于的概率原理，才会明白什么 AI 有时会“一本正经”地编造事实——因为它不是在陈述事实，而是在进行概率预测。这种基于原理的理解，会促使工作者在使用中养成“核实关键数据”的习惯，而不是盲目信任输出结果。
AI 中的人类角色知识（Human Actors in AI Knowledge），即理解人类在 AI 协作、伦理和监管中的作用；例如，在会有社会后果的决策上，例如绩效评定，评估贷款风险等，不应该把决策权让渡给 AI。
AI 步骤知识（AI Steps Knowledge），关注的是对 AI 处理任务过程的理解。以让 AI 撰写一份项目计划为例，缺乏步骤知识的人可能只会输入一句简单的指令，然后得到一份空泛的回答。而具备“AI 步骤知识”的工作者明白，AI 的输出质量严格依赖于输入的上下文（Context）和逻辑约束。他们会知道 AI 处理信息需要经过“角色设定”、“背景理解”、“任务拆解”等隐性步骤。因此，他们会运用结构化的提示词，引导 AI 分步骤地进行思考。这不仅仅是掌握了操作技巧，更是因为深刻理解了数据是如何一步步被转化为最终内容的逻辑机制。
基于上述分析，作者提出了一个新的 AI 素养形成框架，提出：AI 知识不仅仅是 AI 素养的先导因素，更是连接“AI 体验”与“AI 素养”的关键桥梁。
2. 从“一手经验”到“结构化知识”的路径
这个框架相对于 Pinksi 和 Benlian 框架的最大贡献在于，提出了从 AI 经验到 AI 素养的形成路径：知识工作者 将“AI 体验”，无论是使用还是设计，通过反思沉淀为结构化的“AI 知识”（包括技术、人类角色和步骤三个维度），最终转化为了能够应对复杂工作的“AI 素养”。也就是在这个框架下，AI 知识起到了关键的转化器作用。
这符合经典的体验式学习（Experiential Learning Theory) 的逻辑：我们先是上手试用（对应 AI体验），然后思考它为什么能这么做（反思），接着总结出规律（抽象化），最后尝试用它解决新问题（实验）。在这个循环中，单纯的试用如果不能升华为“理解”，就无法真正掌握这项技能。
在这个使用——反思——提炼——再实践的循环中，信息处理起到把经验转化成知识的关键作用。根据信息处理理论，信息处理包括了：解码、存储，检索信息的过程。缺少了这种对信息结构化处理的努力，经验便很难转化成知识和洞见。这也是为什么本文作者提出 AI 知识应该作为 一个关键的中介变量。
为了测试这个 AI 素养形成框架的有效性，研究者们提出了三个假设：
H1：AI 使用体验能够增进 AI 素养
H2：AI 设计体验能够增进 AI 素养
H3：AI 知识起到了关键的中介作用，即 AI 体验主要通过转化为 AI 知识，进而提升 AI 素养
本研究采用了定量研究方法，通过问卷调查法国一所商学院的 352 名硕士生，这些学生因同时参与学术课程和企业实践，被视为未来知识型工作者的理想代表。研究采用了 Pinski 和 Benlian（2023）开发的经过验证的量表来测量 AI 素养的各个维度，并控制了年龄、性别、工作经验等变量，以确保结果的稳健性。
3. 研究数据揭示：单纯的“高频使用”并不等于“能力提升”
首先，研究证实了 AI 体验能直接提升 AI 素养（H1, H2）。数据显示 AI 使用体验强烈正向影响 AI 知识。同时，AI 设计体验也正向影响 AI 知识。AI 知识作为一个整体，显著正向影响最终的 AI 素养。也就是说，越频繁地使用 AI 工具，越能积累 AI 知识，从而大幅提升 AI 素养。直接参与和接触 AI 的行为本身就是培养素养的基础环节。
但更重要的发现是，数据表明 AI 使用体验对 AI 知识有极强的促进作用，进而通过知识间接提升素养（中介效应），从“体验”到“知识”再到“素养”的间接链条是显著存在的（H3）。例如，文章发现，AI 使用体验对 AI 知识的影响，远高于它直接对 AI 素养的影响。这表明，简单的日常使用虽然有用，但如果没有经过“知识化”的提炼——即理解背后的原理和步骤——它对提升素养的直接帮助其实非常有限。
比如，如果使用者只是把 AI 当作一个黑盒子，比如只会问“帮我写个文档”，那用一万次也只是一个熟练的“操作工”。但是当使用者开始思考“为什么它这次写得好，上次写得不好？”，并试图去理解“原来它需要明确的上下文”，下一次使用才会更高级。获取知识的步骤，就是帮助使用者从失败和成功的经验中，提炼出可复现能力的机制。
研究也发现，AI 设计体验直接对 AI 素养的影响，远高于 AI 使用体验对于 AI 素养的直接影响。虽然 AI 设计体验也会通过 AI 知识来影响 AI 素养，但是 AI 设计本身作为一种深度的实践活动，直接就能极大地增强个体的素养水平，这体现在两方面：
深层理解：设计体验，如训练模型、调整参数、配置行为等，能让个体接触到 AI 的“内部运作机制”。这种“主动实验”能帮助人们从概念上理解 AI 的能力与局限，这是单纯的被动使用难以达到的深度。
直接影响显著：统计结果显示，AI 设计体验对 AI 素养的直接影响系数，远高于 AI 使用体验。这意味着，有过设计经历的人，其整体素养水平往往更高。
4. 提升 AI 素养：培训不能止于“给工具”，更要建立“反馈闭环”
本篇文章提出的 AI 素养框架，对于正在将 AI 引入工作流的企业和知识工作者而言，具有极强的现实指导意义。
1. 重新定义知识工作者的 AI 需求
以往的 AI 素养模型主要关注普通大众或技术专家，往往忽视了知识工作者的特殊需求。生成式 AI（GenAI）的出现不仅仅是自动化工具的升级，它具有生成新内容的能力，这从根本上改变了任务的处理方式。本文提出的框架专门针对生成式 AI 时代的知识工作环境，指出了在该环境下，工作者不仅需要技术知识，还需要理解人机协作中的人类角色以及 AI 的处理步骤，这更符合当前职场对高阶认知能力的要求。
2. 规避 “双重风险”
企业中大多数的工作都属于知识性的工作。现在的知识工作者不再只是简单地使用工具，而是进入了与 AI “共创”的动态过程。如果没有足够的 AI 素养，知识工作者面临着双重风险：
一是被更擅长 AI 的同行或 AI 系统本身取代 ；
二是由于 AI 的“黑箱”性质，导致在未完全理解后果的情况下做出决策，从而引发伦理或者商业风险。
3. 揭示关键路径：从“体验”到“能力”的转化
本文提出的 AI 素养形成框架，揭示了从 AI 体验到 AI 素养的关键路径。这是该框架最独特的价值所在。对于知识工作者来说，单纯的“使用”或“上手” AI 工具并不自动等同于具备了 AI 素养，AI 知识在其中起到了关键的中介作用。这意味着，知识工作者必须通过学习将手中的实践经验转化为结构化的知识，包括技术原理、人类角色和处理步骤，才能真正形成应对复杂工作的 AI 素养。这一发现对于指导知识工作者的教育和培训至关重要，说明了不能只通过操作工具来学习，必须结合理论理解。
4. 对企业培训的启示：刻意练习与反馈闭环
对于企业来说，上述的洞见首先意味着，企业应当评估员工的 AI 素养水平，并着手解决能力差距问题。
更重要的是，企业提供的培训不能仅停留在工具的使用上，必须将 AI 使用体验与结构化的 AI 知识获取相结合。论文强调，对一手经验的反思是素养形成的关键。因此培训中应该融入“刻意练习”和“反馈回路”的环节：一方面，通过设定的结构化的、目的明确的练习任务，丰富员工的一手使用经验；同时，提供及时的原理性反馈，帮助员工理解“为什么成功”或“为什么失败”，从而促进反思，沉淀为结构化知识。
5. 三个维度的落地指引
从培训的内容上，企业培训不能只让员工会使用工具，而是应该在 AI 知识的三个维度上提供最佳实践和正确引导。
针对 AI 技术知识：不仅要引入工具本身，还应解释其原理。例如告诉员工：“AI 这里产生了幻觉，是因为它在进行概率预测，而不是在搜索事实。”
针对 AI 步骤知识：在聚焦 AI 与提示词的互动过程，包含提示词工程在内的设计体验应作为培训关键。这不仅能积累 AI 步骤知识（理解输入与输出的关系），更是一种高价值的实践。
针对 AI 中的人类角色知识：旨在厘清人机边界。企业需要引导员工清楚地知道，哪些任务是人类比 AI 处理得更好的（如涉及伦理判断、复杂情感理解），以及哪些方面人类不如 AI。确保知识工作者在掌握技术的同时，始终理解“人”在回路中的核心价值，从而避免盲目依赖，形成更全面、负责任的 AI 素养。
UMU 互动学习平台，致力于为企业培育 AI 人才
UMU 平台提供了基于学习科学的 AI Talent 解决方案。我们深知，唯有通过高质量的练习与反馈，才能实现知识的内化。在提供核心素养课与场景化业务课的同时，UMU 特别强化了 AI 实战演练与个性化反馈机制。该方案打破了传统培训“只学不练”的困局，构建了“教、学、练、测”的智能闭环。通过 AI 模拟实战与即时个性化反馈，学习者能够在应用中验证所学，在反馈中修正认知。这种高频互动的学习方式，有效地促进了经验向知识的转化，确保企业能真正培养出具备实战能力的 AI 人才。
UMU 出品的“AI 助你写”系列课程，旨在帮助员工在 AI 时代既高效沟通，又守住真诚，让技术真正服务于使用者的素养提升与企业的发展。
1. 一键生成 告别文字焦虑
专注于职场短消息与写邮件场景，帮你解决撰写中的构思慢、动笔难与修改耗时等问题。
2. 妙笔生花 提升你的表达力
帮你从内容深度、行文风格到逻辑准确性优化文本质量，助你掌握一套由 AI 驱动的专业内容生产新范式。
立即试学：《AI 助你写到位》《AI 助你改风格》《AI 助你写准确》
3. 多维视角 打造专业内容力
帮你借助 AI 提问激发深度构思，模拟客户、上级等多维视角提供反馈，助你持续提升沟通内容的专业性。
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：
Hönigsberg, S., Mallek, S., Watkowski, L. M. L., & Weritz, P. (2025). Measuring AI Literacy of Future Knowledge Workers: A Mediated Model of AI Experience and AI Knowledge.