随着AI培训的日益兴盛，市面上也出现了各种各样的AI老师，导致结果良莠不齐，这让很多客户在选择老师的时候开始变得谨慎和小心起来，近期在和不同客户做课前沟通的时候，客户都不约而同的问到了关于培训效果的问题。

一方面觉得这是好事情，客户开始慢慢的从最初的焦虑茫然变得理性起来，对于我而言有更多的机会去用专业争取到更多的更好的客户，但另一方面对于客户和我，都是一个巨大的时间成本的浪费，在聊的次数多了以后，作为专业的培训岗HR出身，后面投身业务，我也想把我现阶段的一些想法做一些梳理，作为前期的思考。

AI出现已经有几年时间，许多公司在导入AI过程中面临挑战，其中一项原因在于员工的AI技能有待提升。而许多领导者并未提供学习的资源与机会。BCG发现，仅6%的企业表示已协助员工提升AI技能。波士顿咨询公司（BCG）2024年的调查显示，多数高管重视AI和生成式AI技术，但62%的高管认为公司面临人才、技术短缺的挑战。为了解决人才短缺的问题，企业可能会先招募数据分析、AI建模等相关专业的人员，但仅靠这类人才，不一定能解决实际业务中的问题。

我接触到的一些公司，希望提升员工的工作效率，并希望指派一名AI专业人才负责，但因为不熟悉其他部门的业务，所以需要先了解某个岗位的工作内容，才知道如何通过AI提升效率。这个过程可能要耗费数周时间，效益并不高。因此企业除了聘用技术人才，也应提升非技术人员的AI技能。

理解员工需求，先实践再培训更有效

现阶段比较好的做法就是和外部的讲师合作，基于专业讲师大量行业客户的积累和对工具应用的经验，配合良好的额前期课程沟通调研，在成熟的课程体系基础上，基于企业现状进行重构和调整，让员工能够更好的进入学习状态。

避免一味的追求炫酷，用一些看起来很华丽学习起来很开心，但用起来不落地的东西，比如各种AI换脸/趣味短视频等，这种缺乏企业实际应用场景，课程内容和实际工作的关系不够紧密，就会导致培训现场效果很好但课后转化一般。

我认为比较理想的方式，是根据各部门员工的需求，安排相对应的AI技能课程。在前期和老师有足够的沟通和输入，通过问卷调研等方式了解员工的关注点和期待，同时结合老师的专业判断，确认现阶段AI的边界范围，然后进行良好的结合，这样员工才能够快速进入状态，现场能够学会，学会之后能够用好。

亦或者公司可以安排AI相关的基础课程，让非技术部门的员工学习简单的指令，能够快速上手并在工作中应用。另一种方式，则是以项目的形式，让技术部门的AI人才与某个部门的员工合作，梳理对方的工作流程，或是直接询问哪一项工作耗费大量人力，但创造的价值却不高，再运用AI解决。若成效不错，再开设课程，让部门全员学习，效果会更好。

但AI技术发展速度快，员工最终还是需要自主学习，如果等到其他人来教，才开始应用新技术，可能为时已晚。因此公司安排培训时，不仅需要教授具体的工具方法使用，更需要的是给到员工一套与AI相处的心法，而作为老师更要分享平时自学的方法，让员工也能够在后续的工作中自主学习。

像是在我的课程中，我总是会分享AI对我们未来工作可能带来的变化，让学员能够正确的认识到我们与AI的关系，同时也会分享给大家如何更好的用AI学习AI，来面对未来可能出现的层出不穷的新工具，初次只在也会给大家提供课后支持，通过在线AI知识库，随时随地给大家分享新内容，新信息，希望大家能够持续更上变化和发展。

当然除了通用的AI课程之外，对于有些工作需要特定场景的需要员工进行自我学习，例如用AI判断产品是否有瑕疵，所以企业可以让感兴趣者通过项目，用AI解决生产线上的问题，让他们有机会自主提升技能，企业内部也可是适度的设立一些激励措施，让他们有意愿学习。

从课程满意度到员工生产力变化，都可作为学习回报率指标

当然如果想了解培训的效果，可以计算学习的投资回报率（ROI）。与AI相关的学习投资回报率的指标，参考柯式评估体系，我认为可以分为4个等级：

• 第一级与课程最相关，例如课程满意度、完成率，课堂互动频率等，可以通过课后问卷，学习平台数据追踪等完成，最典型的问题就是：本课程对实际工作的指导性如何？
• 第二级就是衡量员工的AI技能有没有提升，比如可以通过技能认证通过率，类似于一些专业考试，实操项目完成质量，知识保留率（一周后测试的分的衰减率）等手段来实现，可以通过前后测对比，实战演练，360度能力评估（主管/同事/客户多维反馈）等完成。
• 第三级是衡量员工的生产力，最直接的是评估员工的工作流程优化，比如任务耗时降低率（如财务部RPA流程缩短60%工时）错误率下降幅度（质检AI模型使漏检率↓78%）创新提案数量（某银行AI创意大赛产出24个落地方案）.
• 第四级是企业绩效，像是人均产出变化，营收、利润或市场份额增长等，可以关注财务系统数据，人才梯队建设（关键人才表留率等），或者市场竞争力是否有提升（科研成果，专利数量等）。

第一级和第二级相对比较好把控，但是对于三四两级别但应注意这些指标不能一概而论，举例来说，研发人员与市场的关联度比较低，所以不适合用营收、市场份额增长来衡量培训效益。

目前会衡量学习投资回报率的企业仅占少数，但这未必是坏事，说明企业主愿意花钱让员工学习，而且不要求量化结果。缺点在于当人力资源部门希望获得更多培训预算时，如果高层觉得不重要，就不会同意。在这种情况下，人力资源部门需要让企业主看到潜在的效益，用量化的结果，例如学习投资回报率，说服企业主加强培训力度。

当公司引入像学习投资回报率这类指标时，需了解，指标能帮助公司了解培训有没有效果，但学习效果与公司营收，两者不一定直接相关。而且，学习投资回报率只能当作辅助，不能将其视为唯一的目标，认为数值高，就代表公司培训做得很好。

AI技能培训的评估绝非简单的”考试通过率”或”课程满意度”，而是需要建立贯穿”学习-应用-转化-创新”的全链条价值验证体系。未来三年，随着AI技术迭代加速，AI的应用会变得更加重要，作为一名从业者，我期待在未来我们除了关注’客户培训花了多少钱’之外，更应该和客户一起持续追踪’每个AI能力单元创造了多少客户价值’。”这或许正是AI时代组织能力建设的终极命题。

我是海涛，一名AI时代的先行者和培训师，期待在未来与你一起更好的迎接AGI的到来。