- 用五个部分教非技术团队：找出一个合适的任务，给 AI 足够有用的背景，从 chat 走到工作流，核对结果，再加上数据和审批的护栏。
- 从员工每周都在做的任务讲起，而非从 AI 产品的导览讲起：「根据这些批准过的笔记整理一份五点简报」能教，「帮我管整个部门」不能。
- 核对是练习的一部分：至少放进一个故意做错的结果，找出这个错比再看一遍完美演示教得更多。
- 两周之后，用「工作流有没有被试过、留下来」来衡量培训，而非出勤率或满意度。
课程原则：先看任务，再看工具
这套 AI 培训课程分五个模块：找出一个合适的任务，给 AI 足够有用的背景，把 chat 和多步骤工作流放在一起对比，核对结果，再把一套可复用的流程写成文档。结课时留一个小的、贴着实际工作的练习，而非一场产品知识测验。
非技术员工来的时候，通常带着两个问题之一。有的人被 AI 产品的数量压得喘不过气。还有的人试过 chatbot，拿到过一个挺唬人的答案，却还是不知道它跟自己的工作有啥关系。一堂以产品为中心的课，只会让这两个问题都更糟。
从这样一个任务讲起：它经常发生、要用到信息、能产出一个明确的结果、还能由人来检查。起草一封常规回复、给一份文档做摘要、整理会议笔记、或者调研一个客户，都比一句没边界的「用用 AI」更适合拿来教。这个想法的短版本在给员工做 AI 培训：从一项任务开始。
模块一：选一个合适的任务
让学员列出三个自己每周都要重复做的任务。用四个问题给每个任务打分：
- 它发生得够不够频繁，值不值得动手？
- 输入和想要的结果，能不能说清楚？
- 懂行的人能不能很快检查结果？
- 能不能在不泄露敏感信息的前提下试一试？
最好的第一个用例，通常都很窄。「根据这些批准过的笔记，整理一份五点的会议简报」，这能教；「帮我管整个部门」，这不能。
模块二：给 AI 足够有用的背景
把 prompt 当成一份工作交办说明来教，而非什么秘诀。一份靠谱的交办说明，包含：
- 目标：要什么结果、为什么要。
- 来源：工具该用的、被批准过的信息。
- 约束：语气、篇幅、读者、要排除什么，或者相关规定。
- 格式：表格、要点、邮件、清单，或者别的能直接用的结构。
- 核对：工具该标出哪些地方，人又必须核实哪些地方。
学员拿一条写得不好的交办说明改一改，跑一遍，对比结果，再说清楚改后为什么更好。
模块三：从 chat 走到工作流
chat 给出的是一个答案。工作流描述的是信息怎样流过好几个步骤。比如：收集批准过的会议笔记，抽取出决议，认出各项的负责人，起草跟进的动作，再把结果放进一个待审核的队列。
团队也正是在这里，学会 chatbot 和 agent 的区别。用ChatGPT 和 AI agent 的对比来判断：这个任务只需要一个回应，还是需要给出采取行动的权限。
模块四：核对结果
核对必须是练习的一部分，而非最后一张幻灯片上的一句提醒。给学员一份清单：
- 每一处事实说法，能不能追回到来源？
- 结果有没有照着要求的格式来？
- 可能漏掉了哪些重要的背景？
- 如果这个答案是错的，会不会伤到某个客户、员工，或某个决定？
- 在结果被用之前，由谁来批准？
至少放进一个故意做错的结果。找出这个错，比再看一遍完美的演示教得更多。
模块五：加上数据和审批的护栏
三个问题，学员得有清楚的答案：哪些工具是批准过的，哪些信息是禁止的，哪些地方必须有人来批准。在任何人把工作里的信息复制进某个工具之前，先用一遍AI 数据边界一页纸。
一份实操议程示例
| 环节 | 活动 | 学员产出 |
|---|---|---|
| 共同的基础 | AI 能可靠做什么、不能做什么 | 一条切合实际的预期 |
| 选任务 | 用四条标准给重复性工作打分 | 一个合适的用例 |
| 设计交办说明 | 改写并测试一条写得不好的 prompt | 一条能复用的交办说明 |
| 梳理工作流 | 画出输入、AI 环节、审核和去向 | 一条简单的工作流 |
| 核对 | 审查一个有问题的结果 | 一份质量清单 |
| 下一步 | 记下负责人、工具和第一次测试 | 一份小的试点计划 |
这就是我们企业 AI 培训的骨架：每位学员带一项自己本来就在做的任务来，带一条工作流和一套核验方法走。
这套课程不适合的情况
它不适合压成一小时的讲座。这几个模块都靠学员带着真实任务、在课上跑一遍；没有动手的时间，人带走的是观点，而非工作流。公司对模块五给不出答案时，它也不管用：如果没人能说清哪些工具是批准过的、哪些数据不能碰，学员培训完做的第一件事，就是把不该贴的东西贴进去。
它也不适合想自己做软件的团队。这套课程是给在现有岗位上用 AI 的人准备的，不是给开发者的。
怎么衡量这次培训有没有效果
别只拿出勤率或满意度来衡量成效。微软 2024 年 Work Trend Index 的发现是：员工在公司拿出任何计划之前，就已经自带 AI 工具上班了，而一次有衡量的试点，补的正是这个缺口。两周之后，去问：学员有没有真的去试那条工作流，结果准不准、够不够拿来用，审核在哪一步花的时间太长，以及这个任务该继续、该改，还是该停。
一条小小的、写成文档、又经得起实际使用的工作流，比一屋子看演示看得很开心的人，是更好的结果。
接下来 14 天可以做的事
- 让每位同事列出自己每周重复做的三个任务，每人挑一个。
- 把公司对模块五的答案写成一页纸，草稿也行。
- 在预约任何外部培训之前，先在内部用 45 分钟把模块一和模块二跑一遍。
本文介绍的方法，正是我们在企业 AI 培训中讲授的内容。
常见问题
给非技术员工的 AI 培训要多长？
长到能真的跑一遍任务，而非只看一遍演示。如果每个人都带着任务来，一节课能覆盖模块一和模块二；整套课程要分几次上，中间留练习时间，因为模块三到五要建立在第一次尝试的收获之上。
员工 AI 培训课程应该包含什么？
按顺序五件事：怎么选一个合适的任务，怎么给 AI 有用的背景，怎么从一次 chat 走到可复用的工作流，怎么核对结果，以及哪些数据和审批规则适用。结课留一个工作场景里的练习，而非产品知识测验。
非技术团队需要学 prompt engineering 吗？
他们需要学的是写一份清楚的工作交办说明：目标、来源、约束、格式、要核对什么。这就是去掉神秘感的 prompt 写法。只在某一个工具里管用的技巧，不值得占课堂时间。
怎么衡量 AI 培训有没有用？
课后两周去问：工作流有没有被试过，产出准不准、够不够拿来用，审核在哪一步花的时间太长，这个任务该继续、该改还是该停。出勤率和满意度回答不了这些。