用岗位任务反推 AI 能力模型
不要从知识体系出发，从这个人每天要做的事出发
很多企业的 AI 能力培养之所以效果有限，是因为起点选错了：从「AI 知识体系」出发，而不是从岗位任务出发。本文给出一个反推方法：盘点任务、给任务分类、定义能力项、写清评估方式。
我们看过不少企业的 AI 培训计划，内容都很完整：模型原理、提示词技巧、工具清单。但几个季度过去，团队的工作方式没有变化。
问题往往出在起点。从「AI 知识体系」出发，得到的是课程表；从岗位任务出发，才能得到能力模型。
第一步：盘点任务，而不是盘点技能
找一位在这个岗位上做得不错的同事，让他列出近两周实际做过的事。要求具体，例如「整理上周的客户反馈并分类」而不是「沟通协调」。
这一步常见的偏差是列得太粗。任务粒度建议控制在「半天以内能完成」这个量级。
第二步：给任务分类
把盘点出的任务按 AI 的影响方式分成四类。这个分类决定了后续的培养重点。
| 任务类型 | 特征 | 培养重点 |
|---|---|---|
| 可以直接交给 AI | 输入输出清晰、有明确验收标准 | 会写规范、会判断结果 |
| AI 辅助、人定稿 | 需要判断力，AI 提供初稿或选项 | 会拆解需求、会复核修改 |
| 暂时不适合 | 依赖复杂上下文或高频人际判断 | 不强行引入 |
| 不受影响 | 与内容生成无关 | 无需调整 |
这张表的价值在于：它明确了培养范围。不是所有任务都需要学 AI，把范围收窄，学习成本才能降下来。
第三步：从任务反推能力项
能力项要能对应到具体动作。以内容类岗位为例：
- 能把一个模糊需求拆成 AI 可以执行的任务说明
- 能为常见任务选择合适的输入资料，并判断资料是否充分
- 能按检查清单复核产出，识别事实与口径问题
- 能调整提示词资产，并把改进记录下来
这四条都可以在真实任务里被观察到，也都可以被写成评估方式。
第四步：把培养放进真实任务
能力是在任务里练出来的，所以培养方式应该围绕任务设计，而不是围绕课程设计。
比较有效的做法是：
- 先做一个完整的小任务：从需求到交付走一遍，暴露真实困难
- 带着问题学方法：在遇到具体卡点之后讲对应的做法，接受度会高很多
- 重复同类任务并逐步提高要求：第二次要求更快，第三次要求更稳定
- 换一个没做过的类似任务：验证能力是否迁移，而不只是背下了步骤
和能力评估、招聘的衔接
能力模型确定之后，它的用途不只是培训。
- 评估：用任务产出作为评估材料，而不是用考试成绩
- 招聘：把能力项写进岗位描述，明确这个岗位需要什么样的 AI 协作能力
- 协作：把任务清单与能力项对应起来，能看出哪一段需要外部支持
结语
能力模型的检验方式很简单：拿它去对照一位真实同事的日常工作，看每一条能力项是否都能在任务里找到对应的观察点。
如果大部分条目找不到对应任务，说明模型是从知识体系出发设计的，需要推倒重来。
常见问题
从岗位任务开始。先盘点这个岗位每天实际在做的事，再判断哪些任务会被 AI 改变、改变成什么样，然后才定义需要的能力项。从知识体系出发容易做出好看但用不上的模型。
用任务产出来评估，而不是用考试。例如「能独立完成一次内容工作流并产出可交付结果」就是一个可以观察、可以重复验证的评估方式。