- 培训如果和实际工作脱节，结束后不出两周，大家就会回到老办法。
- 从真正在变化的工作入手，围绕这些工作设计学习内容，别从课程日程表开始排。
- 能证明员工进步了的，是可以对比前后差异的实际工作成果，证书证明不了。
第 0 个月到第一季度：从战略和工作出发打基础
让全公司员工都参加同样的一天培训，组织起来最省事，效果也最差。因为员工培训回来，如果没有马上能用上的工作，两周内就会忘掉。正确的起点，是先看哪些工作即将改变，再去教做这些工作的人。
写给开发团队 · 技术细节
从业务目标出发，比如提升产能、缩短交付周期、减少不良品或开辟新收入，然后做任务盘点（Task Inventory），把工作分成增强（Augment）、自动化（Automate）、只能由人做（Human-only）和停止（Stop）四类。再建立人力情景（Workforce Scenario），看哪些工作会增加、哪些会减少、缺哪些技能。没有明确的目标工作流，就别定“培训覆盖率 100%”这种目标。
写给开发团队 · 技术指标
第一季度，用公司自己的题目，让每个人都完成 AI 素养（AI Literacy）、结果核查（Verification）、数据安全（Data Safety）和事故上报渠道的培训。公开工具目录（Tool Catalog），设固定答疑时间（Office Hour），减少影子 AI（Shadow AI）。采集技能基线和现有工作指标。选 3–5 个试点项目，每个都配齐发起人（Sponsor）、流程负责人、HR、IT/安全团队和员工代表。
第二季度：岗位学院（Role Academy）和结业项目（Capstone）
证明谁真的会做，用的是和招聘一样的原则：看作品。让每个人拿自己的实际工作重新做一遍，再衡量前后差多少。
| 角色 | 必须会做 | 合格成果 |
|---|---|---|
| AI 使用者 | 写清任务简报、核查结果、保护数据 | 实际工作通过检查清单 |
| 实践者 | 模板和工作流 | 质量不变，用时缩短 |
| 审核者 | 审查风险和例外情况 | 测试集和升级处理（Escalation）标准 |
| 构建者 | 系统对接、评测、监控 | 带日志和后备方案（Fallback）的试点 |
| 负责人 | KPI、SOP、预算、事故处理 | 经得起审核的商业论证 |
学员用自己的工作完成结业项目，对比改进前后的结果，并交付模板、检查清单或 SOP 供其他人使用。认证凭成果发放，与出勤无关。每个部门培养一名推广带头人（Champion），把公司统一的标准落到本部门的具体情况里。
第三到第四季度：调整人事制度，推广已验证的做法
写给开发团队 · 技术指标
第三季度调整岗位说明书、KPI 和职业发展路径（Career Path），增设审核者（Reviewer）、流程负责人（Process Owner）、知识管理员（Knowledge Curator）和自动化带头人（Automation Champion）等角色。开放内部机会平台（Internal Marketplace），让完成结业项目的人参加跨部门项目。为改进工作安排正式的工作时间，不要把学习全推到下班以后。
写给开发团队 · 技术细节
第四季度用同一套实施手册（Playbook）推广应用场景（Use Case），涵盖流程、数据、风险、评测、培训、支持和价值衡量。淘汰重复的工具和不划算的项目。根据实际数据重新做人力情景，按缺口安排转岗（Redeploy）、技能重塑、自然减员（Natural Attrition）或招聘，过程要公平合法。
扩大规模之前要准备好的事
- 工作流持续达到质量要求，并且有负责人
- 人与 AI 的分工、升级处理路径都很清楚
- 支持、监控和运行预算都已到位
- 岗位职责和 KPI 与新的工作方式不冲突
- 员工有转岗和提升技能的通道
透明度、治理和计分卡
向员工说明：公司在试验什么，收集哪些使用数据，谁能查看，是否用来评价个人。AI 影响到员工时，要提供申诉渠道。让团队可以分享失败而不受惩罚。组织控制不了的人员编制问题，不要作出承诺。坦诚相告，比一句“什么都不会变”更能赢得信任。
| 维度 | 指标 |
|---|---|
| 能力 | 按岗位要求通过实际工作考核的人数 |
| 采用情况 | 持续使用的工作流 |
| 业务 | 成本、周期、质量、产能 |
| 人才 | 内部流动、达到熟练所需时间 |
| 信任与风险 | 事故、人工改判、员工信心 |
每季度复盘哪些该扩大、改进或停止，并根据新发生的事故和新的工作流更新课程。技能重塑到第 12 个月并不会结束，但第一年应该建立一套能从实际工作中自我学习的机制：有负责人，有学习社群，有标准库，也有持续改进的预算。
CHANGE NOTE · 员工抵触的不一定是 AI
有时员工抵触的，是打着 AI 旗号多出来的重复工作
如果员工下班后要学习，白天要用新系统，为了保险还得继续填原来的 Excel，那么他们不愿采用新系统也情有可原。技能重塑计划必须包含停用计划（Decommission Plan），写明旧方法什么时候停用、过渡期由谁协助，以及哪些 KPI 要调整。
60–30–10 法则
60% 来自基于实际工作的结业项目，30% 来自辅导和学习社群，10% 来自基础课程内容。课程提供共同的语言和安全规范，熟练程度则要靠员工解决自己的问题、并得到反馈才能练出来。
提示：每个季度分开问两个问题：“您用不用这个工具？”和“哪部分工作真的变好了？”前一个答案衡量采用情况，后一个衡量价值，两者不要混在一起。
从知识到真正能解决问题的系统
问题的根源
如果原来的岗位职责、KPI 和工作流原封不动，技能重塑就不会成功。学习必须通向新的角色和新的工作方式。
分步解决方案
- 把业务战略与任务盘点、人力情景连起来
- 按 60–30–10 建立岗位学院，配上结业项目和经理辅导
- 调整岗位职责、KPI 和职业发展路径，只扩大业务效果达标的工作流
搭建数字化基础设施，让学习回到工作和职业发展中去
技能重塑不应该是一个和日常工作脱节的培训项目。DNA Maker 和管理层、HR 以及一线主管一起，把任务盘点、角色、结业项目和反馈串起来，让大家看清员工学习是为了把哪项工作做得更好。人才和职业发展方面的专业判断仍然由企业掌握，我们帮忙设计学习路径（Learning Journey）和工作流，让员工知道该学什么、在哪里练、由谁审核，合格的成果之后又怎样继续使用。
解决方案可以是学习与工作流门户、AI 练习沙箱、知识中心，或者跟踪结业项目和采用情况的仪表盘，并与企业已批准的工具对接。DNA Maker 可以从体验设计、原型、Web 和移动端开发、AI 智能体（AI Agent）、系统集成和数据分析，一直做到用 AI 自主开发（AI Autonomous Development）加快交付，同时保留人工审查。如果您已经有人才发展路线图，却还想象不出需要什么系统来支撑，我们可以一起设计一个从单个角色小规模起步、成果得到验证后再扩展的架构。
SOFTWARE ENGINEERING GLOSSARY
软件工程术语表
这张表用不着背。它的用处是让管理层、工作负责人和开发团队沟通时，对同一个词不会有两种理解。请把释义、示例和右侧的问题一起看，这些问题常常能在开发开始之前，把隐藏的范围、风险和成本揭示出来。
| 术语 | 是什么 | 通俗示例 | 高管应问开发团队的问题 |
|---|---|---|---|
| Learning Platform | 安排课程并跟踪员工成长的系统 | 员工能看到按自己岗位设计的学习路径 | 系统怎样把学习和实际工作连起来？ |
| Sandbox | 与正式系统隔离的试验环境 | 练习使用智能体，不碰生产环境的数据 | 试验数据怎样与生产环境隔离？怎样清除？ |
| Capstone | 用来证明技能的真实项目 | 缩短写报告的时间，同时质量达标 | 哪些成果能证明技能真的用得上？ |
| Adoption Analytics | 关于员工如何使用系统的数据 | 看重复使用的工作流，光看登录次数不够 | 我们衡量的是使用量，还是使用带来的价值？ |
| Decommission | 有计划地停用旧系统或旧方法 | 新工作流稳定后，关掉原来的 Excel | 什么时候停用旧方法？有没有回退方案？ |