一堂培训结束的时候，通常会留下三样东西。
一张合影，一本证书，一个课件包。
三个月后你回去看，三样都还在。合影躺在群相册里，证书压在抽屉底下，课件包在某个共享盘里，文件名后面挂着"final_最终版_v3"。
只有一样东西不在了——能力。
我做企业培训和陪跑这几年，最不敢问甲方的一句话是："上次那堂课，现在还有几个人在用？"
问了，双方都尴尬。
但今年有几件事凑到了一起，让我觉得这个尴尬有解了。而且解法不在"课讲得更好"上，在交付物本身上。
01
先看一组不太体面的数字
77%的组织提供了某种形式的AI培训。
同时，59%的组织仍然报告存在AI技能缺口。
这两个数字放在一起，就是一句大白话：培训在发生，技能没留下。
还有更扎心的。26%的高管承认，自己根本没办法度量培训的ROI。只有29%的高管，能有信心地说清AI投入的回报（IBM数据）。
那大家平时在测什么？
完课率。
DataCamp和YouGov今年调研了500多位企业高管，报告里有一句话：
"Completion rates tell you who showed up. They don't tell you who got better." 完课率告诉你谁到场了，不告诉你谁变强了。
同一份调研还给出了2026年最值钱的一组对比——
只有 21% 的企业能说出AI投资带来了显著回报。
但那些建立了"成熟的、覆盖全员的能力提升项目"的企业，这个数字直接翻倍到42%。
翻倍。不是提升几个点，是翻倍。
而拥有这种成熟项目的企业，只占 35%。剩下那65%，在干一件很诚实的事：只买工具，不建能力。
BCG的拆法更狠：AI转型的价值，70%来自"重新思考人的部分"，20%来自实施技术，只有10%来自算法本身。
所以问题从来不是"要不要培训"，是——培训完，到底留下了什么可以被反复使用的东西？
02
Karpathy把这句话说透了：把课程写成Skill
7月底，Karpathy 上了 No Priors 播客。
他说了一句在我看来会被反复引用的话：
"skill 的本质，是如何教 agent 去教人的脚本。""把 curriculum 写成 skill。"
第一遍读，像技术圈黑话。第二遍读，你会发现他在重新定义"课程"这两个字。
传统意义上，课程是什么？是一堆内容——PPT、讲义、案例、视频。它是给人看的。
Karpathy 说的课程是什么？是一段能被执行的脚本。它规定了：教到什么水平算过、遇到什么情况该怎么补、学员卡在哪一步要换什么例子、最后必须交出什么东西。
它不是给人看的。它是给AI跑的。
他为什么会往这个方向想？
因为有一个被反复验证的教育学结论：一对一辅导，能让学生成绩提升一个标准差。这是实打实的效果。
但这种"完美家教"，过去只有富人请得起——硅谷精英家庭一年几万美金的私教费。
AI能把这件事的成本，打到接近零。
这就是他做Eureka Labs的原因，第一门课叫LLM101n，本科技术方向的水平，面向全球80亿人，支持多语言。不是入门科普，是正经教你从零训练一个自己的大模型。
最让我服气的是他对人机分工的坦白。他直说：目前AI还没能力独立生成优质课程。
所以他的做法是——人类教师在后台设计课程和教学材料，AI在前端对接学生，适配不同语言、不同水平。
不吹牛，不画饼。这句话我建议每个做培训的人抄一遍。
因为它把讲师的位置钉死了：你的价值不在"讲"，在"设计那个脚本"。
讲，是可以被复制的。设计脚本的判断力，不行。
03
没有尺子，学员不知道自己在第几层
方法论有了，还缺一把尺子。
腾讯云和信通院办的运营商数智升级课堂上，给出了目前我见过最清楚的一把。
他们把 AI Coding 借鉴自动驾驶做了分级：
L1 文件级代码生成 → L2 任务级自动化 → L3 项目级自动化 → L4 AI软件工程师 → L5 AI开发团队。
企业实践分三个阶段：AI辅助开发（AI解决单点，人还是主要生产力）→ AI驱动开发（AI闭环单个环节，人从生产者变成监督者和规则制定者）→ AI原生开发（Agent Teams端到端跑，人只验收和修bug）。
腾讯自己的判断是：当前处于第一阶段。
同一场课里，他们公开了一组内部数据：90%的员工在用 CodeBuddy，50%的代码由AI生成，平均提效超20%，93%的用户认可提效效果。
90%的渗透率，还只算第一阶段。你可以掂量一下自己公司现在在哪。
但对我这种做培训的人来说，这场课里最有用的不是数据，是他们给出的两种范式：
Vibe Coding——氛围编程，门槛低，你说一句它做一个，适合个人做Demo、实现创意。
Spec Coding——规约编程，面向专业开发者和企业团队，人转型成AI工程师、AI团队的指挥者。
这两个词，一下解释清楚了我课上被问了几百遍的那个问题：
"老师，我课上做出来的东西挺酷的，为什么回去用不到工作里？"
因为你停在 Vibe 层了。
Vibe 产出的是可演示的。Spec 产出的才是可交付的。
中间那道坎，不是提示词写得好不好，是你有没有把"什么算做完"、"边界在哪"、"输出长什么样"提前写死。
这就绕回 Karpathy 那句话了——写死这些东西的载体，就叫 Skill。
信通院的桑柳在同一场泼了盆冷水，我觉得特别值钱。她说 AI Agent 已经跨过"能用"的门槛，但离企业级"好用"还有明显差距，挑战不在模型，在工程化和业务融合。
企业侧的痛点，她概括成六个字：
"接不进、用不好、跑不通。"
系统难集成，效果不稳定，业务难闭环。
这六个字，我建议直接印在你下次AI项目立项会的第一页。
04
两家企业的做法：一个把课下沉，一个给课接住
方法论和尺子都有了，落地长什么样？
今天正好看到两个不同路子的样本。都是公开信息，都是同行做法，我只看骨架，不谈效果——两家的通稿里都没给量化成效，我也不替他们吹。
第一个，一家大型能源央企的油库全员AI内训。
最大的变量不是内容，是对象。
不培训IT部门，培训油库一线——运营、安全、设备、调度。
两天的课，破的是三个观念："AI只是技术人员的事""智能化等于上系统""数据治理与我无关"。
课纲四个模块，全部贴着业务链路走：收油、储油、发油、计量、安全、设备。
第一模块讲前沿与场景重构，实训产出《油库AI场景清单》初稿；
第二模块讲收发存与计量，产出运营日报；
第三模块讲安全与设备运维，实训做隐患图片识别、巡检记录结构化；
第四模块讲智能体工具箱，实训搭一个制度问答助手，低代码配一个隐患整改助手，最后小组路演30天试点计划。
你注意最后那个动作没有——结课交付的不是笔记，是一份场景清单加一份30天试点计划。
这堂课还给了一份我很欣赏的清单，叫智能体落地"五项前提"：数据治理（液位、流量、报警、工单口径要统一）、系统集成（打通SCADA、ERP、视频平台、企微）、安全合规（防爆、脱敏、权限分级、人工复核）、知识库建设（制度规程应急预案要结构化可检索）、审计留痕（AI的每条建议都要附来源和复核记录）。
课上原话是：
"没有干净的数据和明确的业务边界，再强的模型也无法在油库安全环境中落地。"
开课第一天就把"你们为什么现在上不了智能体"讲清楚——这不是泼冷水，这是专业。省得三个月后甲方问你"当初不是说能落地吗"。
第二个，智邦科技（Accton）的做法，解的是另一个病。
他们做了四阶段培训计划，到今年6月底累计9堂课、1914人次，教材同步做成数字课程上架，供员工持续学。
但真正让我记住的是甲方自己说的一句话：
"课程培训只是赋能的第一步，如何让AI真正落地于企业内部的日常工作，才是整个赋能培训的重点。"
这句话由甲方说出来，比我们这些乙方说一百遍都有分量。
他们的动作是：培训完，立刻给一个内部AI平台接住。这平台叫 AccEngine，能做常规信息搜集整理，能串接内部系统和数据库，还进一步开放了个人 Agent 设定和 Vibe Coding 功能，让员工按自己的工作流搭专属自动化。IT部门根据各单位反馈持续扩功能——平台是活的，不是上线一次就完事。
课程里还刻意强调批判性思维，提醒员工独立评估AI给的信息对不对。
最有教学价值的是一位员工的原话：
"自己一定需先具备基本专业知识再使用AI，且需与AI反覆讨论修正方向及检视AI的回答，那个过程很折腾，但需经历过才能得到更完整且较合理性的答案。"
"很折腾，但需经历过"——这句话我准备直接放进以后的开场白。
学员自己说出来的，比讲师说"大家要多练"，有说服力一百倍。
两家凑在一起，正好补齐了培训失效的两个缺口：一个把课下沉到真正干活的人手里，一个给学完的人一块能立刻用起来的地。
学员训后没地方用，等于白讲。 这话不好听，但是真的。
05
一堂课写成Skill，长什么样
说了半天抽象的，落到纸面上给你看看。
把一门课写成教学脚本，大概是这么个东西：
---name: 部门AI场景挖掘工作坊description: 带一线团队在半天内产出本部门AI场景清单与30天试点计划model: 指定使用中档模型，不默认调用最贵的---# 部门AI场景挖掘工作坊## 交付物（不达成不算结课）- 一份《部门AI场景清单》，不少于8条- 一份30天试点计划，含负责人、验收标准- 每人至少提交一个可复用的个人Skill草稿## 学员起点判定- 问三句话定位：用过没 / 用来干过正事没 / 有没有做成过闭环- 对应到 L1—L3，起点不同，案例库不同## 教学步骤1. 业务链路拆解（把本部门的活拆成6—8个环节）2. 每个环节问三问：重复吗？规则清楚吗？结果好验证吗？3. 三个都"是"的，进候选清单4. 候选清单按"疼痛度×可行性"排序，取前三5. 现场跑通第一个，产出可运行的Skill## 硬约束（讲师必须提前说清）- 数据治理没做的场景，标注"暂缓"，不许写进试点- 涉及合规的，一律加人工复核环节- AI的每条建议必须可追溯到来源## 常见卡点与应对- 学员说"我们部门没什么能用AI的" → 让他讲上周最烦的三件事- 学员做出Demo很兴奋 → 追问"这个东西谁验收、错了谁负责"- 场景挑得太大 → 砍到一个人一周能跑完的颗粒度## 自检- 清单里有没有混进"听起来很酷但没人验收"的场景？- 30天计划里，第7天有没有可见产出？```
看出来了吗？
这里面没有一页PPT的内容。
它写的全是：教到什么算过、学员卡住怎么办、哪些坑必须提前堵、最后必须交出什么。
这才是一个老讲师身上最值钱的部分。PPT谁都能做，这些判断做不出来。
而这些东西一旦写下来，它就能被复用、被交接、被AI执行、被新人在第一天拿到。
06
反转：写成Skill，讲师会不会把自己写没了？
这个问题我被问过很多次。
不光讲师问，企业里的内部专家、老带教、业务骨干都问。潜台词都一样：我把方法全交出去了，我还剩什么？
我的回答分两层。
第一层，你交出去的，本来就是能被交出去的那部分。
一门课里，能写进Skill的是流程、检查点、边界、验收标准。写不进去的是什么？是学员讲了半句话你就知道他真正卡在哪的那种直觉，是现场气氛不对时你临时换个案例的判断，是甲方说"我们要全员AI"时你敢不敢当场说"你们数据治理没做完，先别全员"。
能写下来的，是骨架。写不下来的，才是本事。
而且骨架写下来之后，你的本事才有地方长。你不用每次都从头搭架子了。
第二层，也是更现实的一层——不写，你的交付量就是天花板。
一个讲师一年能站多少天台？
Anthropic 的一家官方合作伙伴，把"Skill化"做成了一条标准交付产品线，90天四个阶段。我看他们的方案时，被两句话砸中。
第一句：
"发给团队一张License，不叫战略。编码过的Skill才能改变活是怎么干的。"
第二句更狠：
"新人从已编码的水平起步，技能包由管理员配发，每个人Day 1就拿到。整个组织的地板，被抬高了。"
The floor rises org-wide.
这就是Skill和课的根本区别。课抬的是到场那批人的天花板，而且会随着遗忘掉回去。Skill抬的是整个组织的地板，而且新人进来就站在上面。
同样的事，阿里的千问办公也在做。他们公测演示里最关键的一个动作：一家律所的合伙人做完并购尽调后，把"资料筛选+条款识别+风险判断"整套过程存成一个叫「并购尽调Skill」的组织级技能。下次群里再来同类项目，同事直接调用，不用从头教AI干活。
微软的 SharePoint Skills 走得更远，它把Skill放进了站点现有的权限模型里跑。
这一步很关键。Skill跑在权限模型下，才算企业资产；跑在个人电脑里，那叫提示词收藏夹。
07
三件事，这周就能动手
第一件，把结课交付物换个定义。
下次不管你是组织培训还是自己讲课，把"结课"的标准从"课上完了"，改成"每个人手里有一个能跑的东西"。
可以是一个Skill，一份场景清单，一个试点计划。哪怕很粗糙。
标准就一条：这个东西下周还能被打开、被使用、被改。
👉 我陪跑过一个做连锁餐饮的朋友，团队二十来人。我们没搞大而全的AI培训，就挑了店长排班这一件最疼的事，跑通一个小闭环，把排班逻辑写成Skill。后来新店长照着做，不用再等区域经理带三个月。
第二件，训前先量一次基线。
这一步几乎所有企业都跳过了。不知道起点，你怎么证明后面那20%的提升是真的？
然后按四个维度、四个节奏去测，别一次全测：
采纳，周度看，好的标准是第4周有60%以上的受训员工每周在用；能力，月度看，好的标准是第3个月AI辅助任务的完成度提升20%以上；生产力，季度看，人均提效15—25%；业务影响，半年看，至少两项业务KPI出现可测改善。
测得太早是噪音，测得太晚预算已经烧完了。
第三件，给训后找个地方落脚。
问自己也问甲方三个问题：
学员训完在哪用？能不能连内部数据？谁负责持续迭代？
三个问题里有一个答不上来，这次培训的效果就会漏掉一大半。
顺手再做个自测，看你们的Skill在哪一级：个人收藏 → 团队共享 → 权限受控 → 强制指定模型 → 新人Day 1配发。
多数企业卡在第一级。能走到第三级的，已经开始拿组织复利了。
关于最后那个"强制指定模型"，多说一句。有个设计特别聪明：在Skill里直接写死用哪个模型，比如合同审查恒用中档模型而不是最贵的那个。
这样一来，成本控制就从"靠自觉"变成了"靠治理"。
08
最后说一句
我最近总在想Karpathy那句话。
他说，前AGI时代，学习是为了实用——好大学、好工作、往上走一层。学习是手段。
后AGI时代，学习会变成一种娱乐。"学习就像大脑的健身，它需要付出努力，但本身也是一种特定的乐趣。"
去健身房的人，不是为了活命，是享受变强的过程。
这话对个人成立。但对企业，我想加一句更现实的：
在企业里，学习必须留下资产，否则它就是一次性消耗。
一堂课，讲完就散了。一个Skill，写下来就一直在。
所以我做陪跑和卖课最大的区别，就在这一点上——我不追求你听懂了多少，我盯的是你手里有没有攒下一个能跑的东西。有人盯着你做，做完帮你改，改完带你继续。AI-OIT教学法（观察-植入-训练）做的就是这件事：让"会用AI"从一个知识点，长成团队身上的能力。
AI越强，人越重要。
因为写脚本的那个人、定验收标准的那个人、敢说"这个场景先别上"的那个人——只会更贵。
粤ICP备14082021号
免费POC，
零成本试错
