你问谁最会用AI,团队沉默了?评估框架ABCD2认为“善于使用AI”本身就是个错误说法

你可以在下一次团队会议上提一个问题:“咱们团队里谁最会用AI?”

现场很可能会出现片刻沉默。有人会想到那个用工具用得最多的人。有人会想到那个擅长写提示词的人。有人会想到那个最近用AI做出了看起来很厉害的东西的人。但这些答案都让人感到不那么信服。心里隐隐觉得有什么地方不太对——但谁也说不出到底该用什么标准来衡量才对。

几乎每家公司都正站在这堵看不见的墙前面。AI能力正在迅速上升到招聘和绩效考核的核心位置,但我们手里却还没有一把能衡量它的标尺。

本文试图提出这样一个标尺。简单来说,这套评估标准包含五个维度,我把它称作ABCD2框架。不过在此之前,我们需要先修正一下那个问题本身。

“善于使用AI”这个说法,从一开始就掉进了陷阱

本文标题里虽然写了“善于运用AI”,但这个说法本身恰恰就是一个陷阱。一提到“使用”这个词,它就悄悄植入了一种特定的认知框架:AI是一个工具,人是一个使用者。这种说法把AI放在了和Excel、Photoshop同一层货架上——把它看作某种你能通过反复练习来精通操作的技术工具。在这种框架之上,评估一个人“会不会用AI”,自然就变成了对工具熟练度的测量:你掌握了多少功能?你用起来多流畅?

但AI并不是一把锤子。AI是一个会判断、会执行的引擎。与其说它像工具,不如说它更像一个需要你来交代任务、可以对他授权部分工作的初级同事。

一旦你把AI看作一个初级同事,整个评估框架就立刻翻转了。在每一个表现优异的初级员工背后,毫无疑问都站着一位让他们能够表现优异的高级员工——这个人会讲清楚工作的背景,会点明评判工作的标准,会让提问和澄清模糊地带变得安全,会在事后核对工作成果。那个高级员工并不是在“使用”那个初级员工。他们是在帮助初级员工把工作做好。

AI的情况完全一样。那个真正从AI身上榨出最多价值的人,并不是那个最会“使用”AI的人,而是那个最善于帮助AI把工作做好的人。

他们到底帮了什么?两大能力:知识建设与上下文流水线

具体来说,这样的帮助体现在两大方面。

一个是知识建设——也就是为AI准备好它赖以工作的基础土壤:我们组织里的术语到底是什么意思,评判标准到底是什么,一个好的交付物和坏的交付物到底分界线在哪里,所有这些都被梳理成AI可以调取的形态。

另一个是上下文流水线——设计好整个流程,让那些在知识建设中整理出来的信息,能够在恰当时刻、以恰当的形态,抵达AI的手边。什么任务要附带什么上下文,产出物要拿什么标准去核验,核验不通过时要把问题回传到哪里去。这些都是上下文流水线要解决的问题。

从这个角度再来重新审视一下,到底什么叫做“提示词”?提示词仅只是一条更长的流水线的最后一行输出。一条优秀的提示词,是优秀的知识建设加上优秀的上下文流水线共同作用下的产物——而不是能力本身的实质所在。

敏锐的读者可能此刻已经察觉到了:这正是“本体论”开始变得重要起来的地方。把一个组织内部使用的术语和概念、它们之间的相互关系,以及组织的评判标准,结构化地整理成AI可以调取的形态——这恰恰就是本体论所做的事。从“知识建设”这个说法上掀开一层表皮,你就能看见本体论正在底下运转。

ABCD2:五根轴,一把重新校准的标尺

一旦我们接受这个框架转换——评估“擅长AI”不再是衡量工具熟练度,而是衡量一个人帮助AI完成工作的能力——接下来就可以引入那套具体的评估维度了,也就是ABCD2。

A是判断力。当AI给出一个看似合理、实际上却与实际情况脱节的建议时,这个人能不能立刻闻出不对劲?当AI生成的代码跑通了,但架构上却埋下了未来三个月的大坑,这个人能不能看出来?在AI时代,判断力不再只关乎对错,而更关乎边界——能不能知道在哪里停住、在哪里深挖、在哪里否决。

B是拆解。AI最怕的就是一下子被塞进一个一整头大象那么大的任务。优秀的人会帮AI把大象切成一口一片的大小,并且确保每一片都附带足够多的上下文,但又不会多到把AI淹死。这并不是传统意义上的“任务拆解”,而是基于对AI认知模式的深刻理解进行的能力向拆解——知道AI会在哪里出现逻辑短路、在哪里会过度联想、在哪里需要你给它划出精确的推理边界。

第一个C是核对。初级同事交上来的东西需要验,AI产出的东西同样需要验。但这里有一个细微而重要的差异:一个真正擅长帮助AI工作的人,会设计出一套让核验本身变得高效可复用的机制。他们不会每次都从头逐行检查输出结果,而是在交付结构里预先埋下核验点,在流程中设置自动比对逻辑,让核对动作尽可能前置到出错成本最低的环节。

第二个C是上下文设计。这是ABCD2当中和知识建设、上下文流水线直接相对应的那个轴。这个人是否有能力把散落在组织各个角落里的隐性知识、不成文的决策逻辑、只在邮件里说过的例外规则,都提炼成AI可以消费的上下文单元?他们有没有意识去设计上下文的分层——哪些是应该随着每一次任务下发而携带的“基础上下文”,哪些是只有在触发特定条件时才需要注入的“条件上下文”?这种能力直接决定了一个团队能不能把AI从个人生产力玩具,真正变成组织的工程系统。

D是领域适配。AI在医疗领域的回答风格,和它在电商客服场景里应该给出的回答风格,应该是完全不同的。但更关键的不是感知到这种差异,而是能系统性地定义出差异到底是什么,并把它落实为AI可执行的约束条件。这是一种把行业直觉翻译成工程参数的能力,也是当前整个市场上最稀缺的AI人才特质之一。

最后的D是数据敏感度。这不仅是指能不能看懂数据,更多的是指能不能从AI的输出波动中,反向嗅出上游数据或者上下文结构可能哪里出了问题。当模型开始在某些任务上输出质量出现系统性漂移的时候,这个人能不能第一时间意识到这不是“模型变笨了”,而更可能是上下文被污染了、领域知识需要更新了、或者某个遥测指标已经悄悄偏移了两周。

重写评估标准,其实是在重写组织对AI的想象

现在回到文章开头那个团队会议的场景。“我们团队谁最会用AI”这个问题之所以会带来令人不安的沉默,不是因为大家真的不知道答案,而是因为这个问题本身就设定错了坐标。它在邀请大家用一套关于锤子和扳手的想象,去评估一个关于协作系统和认知分工的复杂现实。

ABCD2并不是一份终极的、闭合的答案。它是一个起点,帮助组织从“我们该雇一个提示词工程师”的错觉中醒过来,转而开始追问更根本的问题:谁有能力为AI建立起判断标准?谁有能力把组织的知识整理成AI可以消化的结构?谁有能力让AI的输出进入一套可验证、可迭代的工作流?这才是评估一个人“擅长AI”时,真正应该被放在秤上的东西。