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"。