在团队中培养人工智能素养，听起来像是一项培训任务。订一场工作坊，展示几个工具，再分发一份优秀提示词合集。但真正的关键在别处：在于正确评估机器产出结果的能力。无法判断一段文字、一张图片或一份分析是否优秀的人，即使用最好的工具也得不到好结果。
这种转变常常被低估。AI 让许多工作步骤变快了，也因此把重心从制作转移到了评估。在一个大量生产内容的营销部门里，判断力成为最稀缺的资源。不有意识地在团队中强化这种能力的人，会生产得更多、理解得更少。长此以往，受损的不仅是工作质量，还有完成这些工作的人对自身的认同。
- 人工智能素养首先意味着判断力，而不是操作知识。
- 欧盟《人工智能法案》要求企业确保员工具备使用 AI 的充分知识。
- 一次性培训是不够的，能力是在日常工作中形成的。
- 管理者必须亲自实际使用 AI，才能做出好的决定。
- 关于品牌和专业手艺的知识，始终是一切良好评估的基础。
目录
团队中的人工智能素养到底意味着什么
人工智能素养有好几个层次。最上面的一层是操作知识：有哪些工具，如何表述一项任务，如何打磨结果？这一层清晰可见，也容易培训。但它过时得也快，因为工具在不断变化。今天被视为最佳做法的东西，几个月后可能就又不一样了。
其下是对这些系统如何运作以及其局限所在的理解。知道语言模型生成的是合理而非真实的句子的人，会以不同的方式对待结果。理解图像源于模式的人，会更仔细地检查细节是否正确。这种知识既能防止天真的信任，也能防止过度的怀疑，后者会轻率地否定有用的可能性。
最深的一层是专业判断力。它决定一个结果是否符合品牌，一个说法是否站得住脚，一张图片是否展现了正确的态度。这种能力不是来自 AI，而是来自在自身手艺中积累的经验。它慢慢成长，经过许多成功与失败的尝试，任何工具都无法缩短这个过程。良好的人工智能素养连接起这三个层次，并正确地衡量它们：判断在先，操作知识在后。
判断力如何在团队中发展，我是在 oddity 广告公司学到的。2013 年至 2017 年间，我在那里为 dm-drogerie markt 把创意团队从 7 名艺术总监扩展到 22 名，并负责招聘和人才发展。在此过程中，我确立了一个原则：软件几周就能学会，而对质量的可靠判断需要多年。因此，培养人才时最值得投入的是他们识别好作品的眼光。这种侧重同样适用于今天的 AI。工具会变，判断始终是能力的核心。
立法者也看到了这个问题。欧盟《人工智能法案》第 4 条要求，AI 系统的提供者和部署者采取措施，确保其员工具备使用这些系统的充分人工智能素养。因此，培养这种能力已不再是可有可无的附加项。
培养人工智能素养在实践中为何失败
最常见的错误是一次性培训。工作坊可以激发好奇心，却很少改变日常工作。几周之后，有些人大量使用工具，有些人完全不用，团队的知识水平逐渐拉开。一个共同的起点就这样在短时间内变成了截然不同、几乎无法相互比较的工作方式。
第二个错误是只关注技巧。所谓完美提示词的合集承诺带来快速结果。但它们训练的更多是模仿而不是思考。不理解某种表述为什么有效的人，无法把它迁移到新任务上。一旦工具变化，辛苦积累的知识往往就一文不值了。
第三，常常缺少管理层的表率。当管理者谈论 AI 却自己不用时，就会产生一种奇怪的距离感。他们既无法判断什么是现实的，也提不出好问题。我经常看到，团队会非常留意自己的领导是否也在学习。
最后，恐惧被低估了。许多人都在想 AI 对自己的角色意味着什么。不公开讨论这个问题的人，收获的是保留而不是好奇。在这里，坦诚比安抚更有帮助，即使并非每个答案都已确定。
人工智能素养对品牌意味着什么
对品牌而言，人工智能素养是一个质量保证的问题。每一位使用 AI 的团队成员都会成为一种守门人。他们决定哪些结果被传递下去，哪些不被传递。这种判断越好，即使内容数量增长，品牌也越能保持一致。
这意味着品牌知识与 AI 知识密不可分。不了解品牌声音的人，无法判断一段生成的文字是否切中它。没有内化视觉规范的人，察觉不到一张图片何时偏离了规范。时尚行业的 AI 图像生成的经验非常清楚地说明了这一点。
这也意味着好作品的标准必须清晰。在团队中负责评估创意作品的人，需要一个共同的标尺。这把标尺既适用于人创作的内容，也适用于借助 AI 生成的内容。
最后，人工智能素养带来独立性。一个懂技术的团队能更好地与广告公司、服务商和软件供应商沟通，不那么依赖他们的承诺。它能更有针对性地采购，更现实地规划，也更能看出一个方案何时许诺的比能做到的更多。
我会做出哪些不同
我不会把人工智能素养当作一个项目来对待，而是把它当作日常工作的一部分。小型、定期的形式比大型活动更有帮助：一次简短的交流，有人展示什么有效、什么无效，或者一次共同的结果讨论，让团队学会仔细审视。
我还会有意让经验不同的人一起工作。年轻的同事往往更快掌握新工具。有经验的人对质量有更好的判断。当双方互相学习时，就会形成团队所需要的恰当组合。在组建内部创意团队时，这个原则本来就适用。
我还会制定清晰的规则，同时不扒杀好奇心。哪些数据可以使用，哪些结果需要审批，责任在谁？在这个框架内，团队应该可以自由尝试。人工智能素养在人们足够安心地犯错、足够聪明地从错误中学习的地方成长。
对我来说最重要的，是把评估本身变成学习内容。与其只展示如何生成结果，我会定期和团队讨论一个结果为什么好或不好。这段文字哪里不对？这张图片为什么让人感到陌生？这样的对话比任何说明书都更快地磨炼眼力。它们让人看到，人工智能素养归根到底是一种细致，而细致是可以练习的。