Numu AI 赋能企业变革人才先行

引言

AI 的迅猛发展，正将全球经济推向新一轮技术革命的浪潮之巅。如同 90 年代的互联网革命和 2015 年后的移动互联网浪潮，这场 AI 驱动的变革预示着规模经济的兴起和商业模式的深刻变革。

麦肯锡最新研究表明，到 2030 年中国关键产业将通过 AI 创造逾 6000 亿美元经济价值。然而，这场技术革命所带来的价值红利呈现出显著的"马太效应"。

数据显示，2024 年 AI 在互联网行业的渗透率已高达 89%，而传统服务业的渗透率尚不足 50%。在企业层面，这种差异更为明显：率先布局 AI 的企业通过业务创新实现了利润增长，而迟滞转型的企业则面临被市场淘汰的风险。这种持续扩大的"数字鸿沟"，正在重构产业竞争格局。

值得注意的是，AI 转型的本质并非单纯的技术升级，而是人机协作模式的重构与组织能力的重塑。在这场变革中，人才既是 AI 的使用者，更是推动企业转型的核心引擎。唯有将人才置于 AI 转型的核心，构建组织和人才系统化应用 AI 的能力，才能实现 AI 与企业运营的深度融合，把握智能时代的战略先机。

核心洞察

大模型正从“能用”迈向“好用”和“实用，”从技术创新演变为推动组织变革的核心引擎，引领企业的智能化转型。

虽然 89% 的受访 CEO 认可 AI 的战略重要性，超半数的 CEO 表2 示正面临来自企业内部推动 AI 转型的迫切压力，但只有四分之一的CEO 表示其组织已经为全面整合 AI 做好充分准备。

无论是处于 AI 探索阶段还是已经开展 AI 应用的企业，最突出的痛点是组织缺乏 AI 专业知识或技能。这一问题正成为制约企业 AI 应用落地和战略转型的主要瓶颈。

在 AI 人才短缺的困境中，高管普遍低估了员工学习和接纳 AI 的意愿。这一认知偏差不仅限制了企业对现有人才的培养投入，也阻碍了AI 在企业内部的推广和应用。

面对 AI 的快速发展，企业对 AI 人才的需求已经发生质的转变，从早期单纯的技术人才扩展到具备 AI 思维和应用能力的复合型人才，我们必须重新思考大模型时代对人才的能力要求。这种转变既反映了 AI应用的深化，也体现了企业对人才能力的新要求。

AI 力，即与 AI 协作、驾驭 AI 的综合能力，正在成为继智商 (IQ)、情商(EQ)、团队合作力、领导力之后，影响组织和个人发展的关键指标。

具备高 AI 力的个体能够显著提升工作效率和质量。他们能够更好地理解 AI 的优势和局限性，更有效地利用 AI 工具完成任务，并从 AI的输出中获得更深入的洞察。

03 AI 赋能企业变革一人才先行

引言 01
核心洞察 02
01 AI 在企业中的应用现状
1.1 中国 AI 市场规模不断扩大，投资及应用 Al 的热情高涨 04
1.2 AI 在企业中的应用场景持续扩展，正在经历从点到面的深度变革 06
1.3 AI 在企业应用中"普及度"与"成熟度"的反差 07
02 AI 赋能企业的创新模式和应用场景
2.1 AI 在重点行业和细分场景的创新实践 08
2.1.1 AI 在医疗健康行业的应用 09
2.1.2 AI 在零售行业的应用 09
2.1.3 AI 在销售领域的应用 10
2.1.4 AI 在人力资源领域的应用 11
03 企业 AI 应用落地核心挑战：认知偏差与人才短缺
3.1 企业普遍缺乏对 Al 的专业认知和技能 12
3.2 AI 人才短缺 13
3.3 高管低估了员工学习和接纳 AI 的意愿 15
04 人才是变革的关键
4.1 引入大模型≠提升生产力 16
4.2 AI 力的诊断和测评
4.3 发展大模型时代的 AI 力 18
结论与展望 22

AI 在企业中的应用现状

2024 年被业界公认为“大模型落地元年”。经过 2023 年的技术爆发期，大语言模型正在经历从“实验室奇迹”到“商业变现”的关键转折：

技术门槛的显著降低

各类便捷的 AI 落地工具和解决方案不断涌现，使 AI 应用从少数科技巨头的"专利"转变为广大企业可及的生产力工具。

成本结构的根本改善

随着算力成本的持续下降和训练效率的提升，越来越多的企业开始构建专属大语言模型，推动 AI 技术加速普及。

应用场景的快速拓展

从互联网到金融，从医疗到制造，各行各业正在探索并实践大模型的落地应用，将 AI 从概念真正转化为解决业务问题的有效工具。

政策环境的日趋完善

全球范围内 AI 监管框架的逐步构建，不仅为大模型的规范化应用扫清了障碍，更为行业的可持续发展提供了制度保障。

种种迹象表明，大模型正从“能用”迈向“好用”和“实用，”开启了 AI 真正创造商业价值的新纪元。在这一进程中，AI 已超越单纯的技术创新，演变为推动组织变革的核心引擎，成为企业智能化转型的关键驱动力。

中国 AI 市场规模不断扩大，投资及应用 Al 的热情高涨

中国 AI 市场正在经历一个快速发展的黄金期。根据最新数据，中国 AI 市场规模从 2018年的 1,372 亿元增长至 2025 年预计的 10,457 亿元，短短七年间实现近 8 倍的跨越式增长，展现出强劲的增长势头。

在全球 AI 竞争版图中，中国的地位正在发生根本性转变。2018 年中国 AI 市场在全球的占比为 9.2%，预计到 2025 年这一比例将大幅提升至 20.9%，标志着中国正从 AI 市场的参与者，逐步升级为不可或缺的关键玩家。

从增长态势来看，中国 AI 市场在 2023 年同比增长达到峰值 43%，此后增速虽有回落，但仍保持在 40% 左右的较高水平。这种高位运行的增长态势，不仅展现出市场的蓬勃活力，更凸显出中国 AI 产业发展的活力和韧性，未来发展前景值得期待。

2018–2025年中国人工智能市场规模及预测

数据来源：国海证券、中国信息通信研究院 (CAICT)、艾媒数据中心

在全球范围内，中国企业不仅展现出强劲的投资热情，更以实际行动推动 AI 技术的商业落地，正在快速确立全球领先地位。根据 IBM 最新发布的《2023 年全球 AI 采用指数》，有超过 85% 的中国企业在加速其 Al 投入，并有超过 63% 的中国企业在积极应用生成式 Al，显著领先于其他国家的企业。

生成式AI的企业应用现状

AI 在企业中的应用场景持续扩展，1.2正在经历从点到面的深度变革

为了充分把握大模型带来的商业机遇，越来越多的企业正积极探索 AI 与业务深度融合的创新模式，打造符合自身发展战略的 AI 应用实践。

企业应用 AI 往往是点到面、循序渐进的过程，通常遵循从低风险、高价值的领域开始，逐渐向更复杂、容错率低的领域扩展。这一路径不仅降低了初期投入的风险，也为后续的全面推广积累了经验和信心。

试点验证阶段：AI 的工具化应用

阶段特点：

快速见效、风险可控

投入成本相对较低

应用范围局部性强

以效率提升为主要目标

典型案例：

营销领域：利用 AI 生成营销文案、个性化推荐

客服领域：智能客服机器人初步应用

运营领域：数据分析和预测性维护

行政领域：智能会议纪要、文档处理自动化

扩展深化阶段：AI 的产品化整合

阶段特点：

系统性应用部署

技术深度集成

跨部门协同

典型案例：

研发领域：AI 辅助产品设计、智能代码生成

生产领域：智能质检系统、预测性维护

以业务创新为核心诉求

供应链：智能库存管理、需求预测优化

人力资源：AI 驱动的人才筛选与管理

全面推广阶段：AI 的战略化布局

阶段特点：

组织架构重塑

典型案例：

商业模式创新

战略层面：成立 AI 创新中心，设立首席 AI 官

全域数智化转型

产品层面：推出 AI 原生产品线

生态系统构建

运营层面：构建智能化业务中台

文化层面：建立数智化人才培养体系

AI 在企业应用中"普及度"1.3与"成熟度"的反差

腾讯研究院发布的《2025 年 AI 转型的进展洞察报告》调研了全国近 3000 家企业，揭示了企业 AI 转型过程中战略与现实的博弈：生成式 AI 在企业应用中呈现出"普及度"与"成熟度"不完全匹配的特点。

从应用分布来看，企业更愿意将生成式 AI 优先应用在核心业务环节。在销售和客户服务、生产/制造/供应链、产品研发以及市场营销等业务部门中，应用生成式 AI 的比例均超过 30%。在 IT 与网络安全、企业战略财务、人力资源以及法务合规等职能部门中，生成式 AI 的应用占比则普遍低于 30%。

当视角转向 AI 的应用成熟度（深入融合程度）时，IT 与网络安全、人力资源以及企业战略财务等职能部门 AI 应用"成熟"和"非常成熟"的占比总和均超过 70%。相比之下，在生产/制造/供应链、销售和客户服务、市场营销以及产品研发等核心业务部门，尽管应用普及率较高，但其成熟度水平却相对较低。

由此可以看出，在 AI 转型进程中，企业普遍采取"重点突破、全面推进"的战略布局和实用主义思维，优先将 AI 技术部署在核心业务部门，希望快速获得业务价值回报。

然而，职能部门虽然在 AI 应用规模上相对较小，但由于其业务流程更加标准化和规范化，反而更容易实现 AI 的深度整合，从而达到较高的应用成熟度。而核心业务部门尽管应用普及率较高，由于业务场景复杂和跨部门协同困难，AI 的应用成熟度较低。

企业将生成式 AI 应用在哪些环节

生成式 AI 在企业各环节应用的成熟度

数据来源：腾讯研究院《2025 年 AI 转型的进展洞察报告》，样本数量：2887 家企业

2 AI 赋能企业的创新模式和应用场景

"君子生非异也，善假于物也。"两千余年前，荀子在《劝学》中道出“借外物以成事”的生存智慧，在数字文明时代正演绎出新的战略内涵。

以大语言模型为代表的新一代 AI ，早已突破了简单的效率提升，正在为企业带来全方位的革新动能和效益提升，涵盖客户体验优化、流程自动化、决策支持、商业模式创新等诸多方面。未来的商业竞争，比拼的将是企业运用 AI 这一"利器"的战术与策略。

根据 IDC 2024 年 8 月对 100 家 AI 转型企业的调研，大模型正在重塑企业的运营模式，成为企业提升核心竞争力的新引擎。

价值创造

近六成 (57%) 的企业实现了用户体验显著提升

超过三成 (32%) 的企业带动了产品创新和业务价值增长

运营效能

超过一半 (53%) 的企业加速了决策流程，减少重复劳动

超过三成 (34%) 的企业优化了工作流程整合

近一半 (46%) 的企业提升了整体工作效率

人才赋能

近三成 (29%) 的企业实现员工能力定制化提升

14% 的企业优化了员工工作体验

采用 AI 大模型给企业带来的价值

数据来源:IDC大模型企业落地进展调研,N=100,2024年8月

2.1 AI 在重点行业和细分场景的创新实践

随着大语言模型从技术竞争向商业化的拓展，生成式 AI 的应用正逐步聚焦于满足具体行业的独特需求和特定业务场景的赋能。通过在实际应用中积累丰富的行业数据和实践经验，AI 不断优化自身的适应性和效率，进而在企业级场景和行业级应用中展现出更为卓越的表现。

2.1.1 AI 在医疗健康行业的应用

医疗咨询：提升健康意识，初步诊断建议

以通俗易懂的方式回答患者问题，增强患者的健康素养

根据患者的症状描述和询症医学知识库，提供初步的健康建议和就医指导

医学教育与培训：虚拟病例训练，优化教学内容

模拟真实临床场景，为医学生和医生提供虚拟病例训练，提升他们的临床决策能力和实践技能

利用 AI 分析医学教育数据，为教学内容和方法的优化提供数据支持，提高教学质量

辅助诊断：提高诊断效率，减轻医生负担

分析患者的电子健康记录 (EHR)、医学图像 (如 X 光、CT、MRI) 和医学文献等数据，辅助医生识别疾病特征，并提供初步诊断建议，减轻医生的工作负担

临床决策支持：实时数据分析, 减少误诊漏诊

实时分析患者临床数据，结合最新的医学研究成果、临床指南及类似病例处理经验，为医生提供临床决策支持，辅助医生减少误诊和漏诊的风险，提高医疗安全。

2.1.2 AI 在零售行业的应用

市场分析和趋势预测：精准洞察市场，优化营销策略

利用 AI 分析消费者行为、社交媒体趋势、经济指标等数据，帮助零售商预测未来销售趋势

基于消费者购买趋势和偏好的变化，及时调整产品线和营销策略

供应链优化：提高库存效率，降低成本

AI 通过分析市场需求、库存水平和物流数据，优化供应链管理

预测商品销量，调整库存，减少过剩或短缺情况，提高供应链稳定性

智能客服与支持：提升客户满意度，降低运营成本

AI 驱动的智能客服提供全天候的即时服务，快速解答产品问题、处理退换货请求、提供购物咨询，提升响应速度和服务质量

AI 的多语言功能为不同地区的客户提供本土化的智能服务，减少人工客服依赖，降低运营成本

个性化推荐：精准推送，提升消费者体验

AI 基于消费者的购物历史、偏好和行为数据，提供个性化产品推荐

优化购物体验，增强消费者满意度和忠诚度，提升商家销售额和客户粘性

2.1.3 AI 在销售领域的应用

AI 驱动的获客与线索筛选：提升获客效率，缩短销售周期

AI 驱动的获客工具通过分析客户数据，精准识别潜在客户，并对线索进行高效筛选和优先级排序

根据客户的行为和偏好，发送个性化的营销信息，提升客户参与度和购买意愿，缩短销售周期

个性化销售策略与客户互动：提升客户满意度和销售业绩

分析客户的购买历史、行为数据和沟通风格，为销售团队提供量身定制的销售策略和互动建议

为销售人员提供实时的对话建议，帮助他们更好地与客户建立信任和关系，提升客户购买体验和复购率

销售预测与市场趋势洞察：数据驱动决策，优化资源配置

分析销售数据、市场趋势和宏观经济指标，为销售团队提供精准销售预测和市场洞察

预测销售趋势和需求变化，识别市场机会和风险，帮助销售团队优化资源配置和战略决策

客户关系管理：提升客户忠诚度，促进长期发展

深度分析客户数据和行为模式，为销售团队提供客户关系管理支持

评估客户忠诚度和潜在价值，及时发现潜在问题并采取措施，帮助企业留住高价值客户

2.1.4 AI 在人力资源领域的应用

高效招聘与精准筛选：提升招聘效率，提高人才选拔精准度

AI 驱动的招聘工具可以根据岗位描述和企业需求，快速筛选出符合岗位要求的候选人

分析简历、行为数据和社交网络信息，评估候选人的潜在能力和职业适应性

个性化培训计划：提高培训针对性，激发员工学习积极性

分析员工的岗位需求、技能水平、绩效数据和职业发展规划，制定个性化的培训计划

推荐最适合的培训课程和学习资源，实时跟踪学习进度，提供反馈和建议，提高培训的针对性和效果

人才预测与保留：预测人才流失风险，优化员工职业发展路径

分析员工的行为数据、绩效表现和离职趋势，预测人才流失风险，为管理者制定留才策略提供数据支持

提供人才发展规划建议，优化员工职业路径，提升员工忠诚度并满足企业未来的人才需求

提升员工满意度：营造积极的工作氛围，提升员工的整体体验

实时监测员工反馈和行为数据，收集员工的意见和建议，为企业提供即时的反馈渠道

通过定期的员工满意度调查和实时反馈机制，及时发现问题并采取措施，提升员工满意度

企业 AI 应用落地核心挑战：认知偏差与人才短缺

知名管理咨询公司科尔尼 (Kearney) 联合 Futurum Group 发布了研究报告《CEO 是否已准备好把握 AI 潜力？》，该报告调研了全球 200 多位企业年收入超 10 亿美元的CEO，揭示了企业 AI 落地的现状与挑战。

调研发现，虽然 89% 的受访 CEO 认可 AI 的战略重要性，超半数的 CEO 表示正面临来自企业内部推动 AI 转型的迫切压力，但只有四分之一的 CEO 表示其组织已经为全面整合 AI 做好充分准备。

这一调研结果反映出当前大部分企业在 AI 战略落地过程中面临的现实挑战：企业对 AI的认知与应用之间存在显著鸿沟。对企业来说，如何缩小这一差距，将成为未来发展的关键命题。

3.1 企业普遍缺乏对 Al 的专业认知和技能

根据 IBM 发布的《2023 年全球 Al 采用指数》，无论是处于 AI 探索阶段还是已经开展AI 应用的企业，最突出的痛点是组织缺乏 AI 专业知识/技能。这一问题正成为制约企业AI 应用落地和战略转型的主要瓶颈。

企业 AI 应用难点

数据来源：IBM，数据截取统计数据前 10 的选项

易观分析联合 CSDN 发起的一项企业 AI 应用调研进一步佐证了这一发现。

企业在 AI 规划和开发过程中遇到的主要问题

数据来源：易观分析联合 CSDN 发起 AI 应用开发者调研，调研实践2024年9–10月

调研显示，企业在 AI 规划和开发过程中遇到最突出的问题是“没有合适的流程和场景”部署大模型，这种"有枪没靶子"、"虽然引入 AI 但效益提升有限"的困境，深层原因在于企业对 AI 的认知误区和应用能力不足，不知道如何将 AI 融合进业务场景和工作流程。第二个最大的挑战是“企业和团队对于大模型和 AI 价值认知不足”，仍然是认知短缺的问题。

在成本和资源投入方面，AI 项目通常需要大额的初期投资和持续的资源投入。企业需要对成本进行准确估算，并确保有足够的资源来支持项目的实施。这部分的挑战，表面是“成本”问题，背后反映出企业在 AI 价值评估体系上的短板，以及对 AI 创造价值的路径认知不清。

法律和政策、伦理和社会层面的挑战，比如隐私、安全控制、责任归属等，也是企业在 AI应用过程中面临的一大挑战类型。企业需要确保 AI 项目的合法性和合规性，充分考量 AI技术对社会和伦理的影响，并采取措施来减轻潜在的负面影响。

3.2 AI 人才短缺

随着 AI 在各行各业的广泛应用，企业对 AI 人才的需求呈现爆发式增长。这种增长不仅体现在数量上，更体现在对人才质量和多样性的要求上。

然而，人才供给端却面临着严峻挑战。虽然高校纷纷开设人工智能相关专业，但受制于人才培养周期较长的客观限制，短期内难以满足市场的迫切需求。更为棘手的是，现有人才

培养体系与企业实际需求之间存在明显脱节。

面对 AI 的快速发展，企业对 AI 人才的需求已经发生质的转变，从早期单纯的技术人才扩展到现在需要具备 AI 思维和应用能力的复合型人才。这种转变促使我们必须重新思考AI 人才的角色定位和能力要求。

基于对市场需求的深入分析，我们可以将企业所需的 AI 人才划分为四个层次，形成完整的人才梯队。

AI 实践领导者（战略层）

定位：组织高层决策者

人员构成：CEO、CTO、CIO、COO、CDO、CPO等

核心职责：制定组织 AI 战略、推动 AI 与业务融合、负责 AI 团队建设

关键能力：具备 AI 思维，理解 AI 对业务决策和战略规划的影响

AI 应用践行者（业务层）

定位：一线业务执行者

人员构成：产品经理、设计师、运营、营销等业务岗位

核心职责：参与 AI 业务场景应用、整合 AI 到工作流程

关键能力：理解并应用 AI 工具，提升工作效率

AI 技术赋能者（连接层）

定位：技术与业务的桥梁

人员构成：业务架构师、AI 产品经理、AI 研究员等

核心职责：将 AI 技术转化为业务方案、推动业务创新与增长

关键能力：具备技术背景，理解业务需求

AI 技术领航者（技术层）

定位：技术研发核心

人员构成：数据科学家、算法工程师、开发工程师等

核心职责：开发优化 AI 算法和系统、提供技术支持

关键能力：精通 AI 技术开发与应用

作为组织的决策者，AI 实践领导者是企业 AI 转型的掌舵人。这类人才通常由 CEO、CTO、CIO 等高管担任，其核心职责包括制定组织 AI 战略、推动 AI 与业务融合以及负责 AI 团队建设。他们需要具备 AI 思维，深刻理解 AI 对业务决策和战略规划的影响。

在业务层面，AI 应用践行者作为连接 AI 与具体业务的桥梁，是企业 AI 落地的实践者。这个群体主要包括产品经理、设计师、运营人员等，他们需要深入参与 AI 业务场景应用，将AI 整合到日常工作流程中，通过理解和应用 AI 工具来提升工作效率。

介于技术与业务之间的 AI 技术赋能者，是企业 AI 创新的重要推动力。这个群体通常由业务架构师、AI 产品经理等组成，他们的主要职责是将AI技术转化为切实可行的业务方案，推动业务创新与增长。这要求他们既要具备扎实的技术背景，又要对业务有深刻的理解。

作为技术基础的奠定者，AI 技术领航者是企业 AI 能力的重要保障。这个群体主要包括数据科学家、算法工程师等技术专家，负责开发和优化 AI 算法系统，为企业提供坚实的技术支持。他们需要精通 AI 技术开发与应用，持续推动技术创新。

3.3 高管低估了员工学习和接纳 AI 的意愿

然而，在 AI 人才短缺的困境中，企业似乎忽略了一个重要事实：解决方案可能就在眼前，只是管理层的认知偏差正在阻碍这一潜力的释放。

埃森哲在《高管和员工，谁对“智能企业”更向往？》报告中揭示了一个引人深思的现象，高管普遍低估了员工学习和接纳 AI 的意愿。数据显示，仅 26% 的高管认为员工已准备好接受 AI，而事实上 67% 的员工认为提升 AI 技能对未来工作至关重要，75% 的千禧一代对 AI 持积极态度，56% 的婴儿潮一代也对 AI 技术表示认同。

这一显著的数据差异表明，员工对 AI 的接受度和学习热情远高于管理层预期。员工普遍渴望掌握 AI 素养以提升工作效率，但企业管理层的认知偏差不仅限制了对现有人才的培养投入，更在无形中阻碍了 AI 在企业内部的推广和应用。

与此同时，埃森哲在报告《在生成式 AI 时代重塑工作》中指出了更令人担忧的现状：

高达 75% 的企业尚未制定“以人为本”的生成式 AI 变革计划，反映出企业在战略层面的准备严重不足

超过 60% 的企业领导者承认缺乏足够信心来推动 AI 变革，凸显出高层在 AI转型领导力方面的明显短板

仅 5% 的企业开展了大规模的生成式 AI 员工培训，显示出企业在人才赋能方面的投入严重不足

在大模型时代，企业的竞争优势很大程度上取决于人才对 AI 的应用能力。企业领导者需要改变固有认知，正视并充分利用内部员工的学习热情，通过系统性的人才发展计划，推动企业在 AI 时代实现持续创新与发展。只有打破认知偏差的束缚，企业才能真正释放人才潜能，在 AI 转型的浪潮中占据先机。

4 人才是变革的关键

AI 转型的本质并非单纯的技术升级，而是人机协作的重构与组织能力的重塑。在这场变革中，人才既是 AI 的使用者，更是推动企业转型的核心引擎。面对 AI 的快速发展，企业对 AI 人才的需求已经发生质的转变，从早期单纯的技术人才扩展到具备 AI 思维和应用能力的复合型人才，我们必须重新思考大模型时代对人才的能力要求。

4.1 引入大模型 ≠ 提升生产力

许多全球 500 强企业引入大模型的过程并不理想。尽管一开始企业热情高涨，但随着时间的推移，员工对大模型的使用量和满意度却大幅下滑。主要原因是员工普遍缺乏在实际工作场景中有效应用大模型的能力：他们不清楚如何与 AI 协作，不了解如何评估 AI 的输出结果，甚至误认为大模型不实用，最终选择放弃使用。这不仅造成了企业技术投资的浪费，也错失了利用AI提升生产力的宝贵机会。

不同于蒸汽机等传统工具，AI 本身并不能直接带来生产力的变革和效率的提升。因为 AI没有特定的目的性，需要人类的引导和驾驭才能发挥其真正的潜能。如果说 AI 是人类能力的延伸，那么人类则是 AI 潜能的放大器。

因此，个体的 AI 应用能力是才是这场生产力革命的关键。只有当员工能够有效利用 AI 工具，才能真正释放 AI 的专业潜力，实现生产力的飞跃。

为了帮助组织中的每个人都能通过 AI 提升自己的生产力、创造力和工作体验，UMU 提出了「发展大模型时代的 AI 力」的理念。

为什么我使用 AI 大模型感觉比较笨？

什么是 AI 力？

AI 力也是 AI 素养 - AI literacy。AI 力指的是一系列的能力，具备这些能力的个人能够批判性地评估 AI 技术，与 AI 进行有效的沟通和协作，并且可以在工作和其他场景中将 AI 作为工具来使用。

提升员工的 AI 力，能够帮助员工更好地理解和利用 AI技术，在工作中获得更好的表现，提升组织生产力。

组织需跟上对人才的培养，确保人才与 AI 更好地互动与协作，从而提升个体与组织的生产力。

AI 力，即与 AI 协作、驾驭 AI 的综合能力，正在成为继智商 (IQ)、情商 (EQ)、团队合作力、领导力之后，影响组织和个人发展的关键指标。

就像驾驶汽车需要掌握方向盘操作、路况判断和行驶规则一样，应用 AI 也需要全方位的技能储备。掌握 AI 力不仅意味着理解 AI 的基本原理和能力边界，还可以敏捷、高效地与 AI 互动和协作，利用 AI 解决问题，交付有价值的业务结果。

研究表明，在人机协同的工作场景中，具备高 AI 力的个体能够显著提升工作效率和质量。他们能够更好地理解 AI 的优势和局限性，更有效地利用 AI 工具完成任务，并从AI的输出中获得更深入的洞察。

4.2 AI 力的诊断和测评

基于对 AI 赋能人才发展领域的深刻洞察，UMU 推出了创新性的 AI 力测评工具。这套系统通过科学的量化指标，全面评估企业员工的 AI 力，为企业的 AI 转型提供可靠的数据支撑。

UMU AI 力测评工具构建了全方位的量化评估体系，从五个关键维度精准解析员工的AI 力现状：

基础认知：评估对 AI 技术的理解深度

情感态度：衡量对 AI 的主观意愿和接受程度

提示词能力：衡量与 AI 高效互动和协作的能力

解决问题：考察用 AI 解决业务问题的能力

合规使用：评估 AI 应用的安全性和规范性

UMU 的 AI 力测评工具可以生成直观的可视化报告，清晰展现员工 AI 力的现状和不足，帮助管理层量化分析各个团队和部门在 AI 转型中的优势与短板，从而制定更针对性的人才赋能方案。

在实际应用层面，UMU 的 AI 力测评工具突破了传统一次性评估的局限，通过持续追踪员工 AI 力的提升轨迹，精准对比员工在 AI 赋能培训前后的变化，有效衡量培训效果与投资回报，确保企业的 AI 力的稳步提升。

在人才管理方面，AI 力测评正成为人才选拔的重要参考，以数据驱动的方式客观评估员工的 AI 力和发展潜力，尤其在甄选高潜人才时，为企业决策提供科学依据，助力打造适应数字化转型的人才梯队。

更具战略意义的是，该测评工具还具备组织变革诊断功能。通过评估员工对 AI 的认知水平、学习意愿和应用热情，管理层可以提前识别组织在 AI 转型过程中的潜在阻力，从而制定针对性措施，营造开放包容的组织氛围，确保 AI 转型战略的顺利落地。

扫码获取免费测评机会

4.3 发展大模型时代的 AI 力

作为企业数智化转型和人才发展领域的领军企业，UMU 基于 200 多篇顶级权威论文和企业 AI 战略转型的最佳实践，创新性地推出了《发展大模型时代的 AI 力》线上课程。

传统的企业培训多依赖线下集中授课，这种模式不仅耗费大量人力物力，学习效果也差强人意。由于学习负荷过重，学员注意力容易分散，知识吸收效率低下，且难以将理论快速转化为实践技能，最终制约了企业人才培养的质量与效率。

《发展大模型时代的AI力》线上课程颠覆了传统培训“先学后用”的低效模式，倡导“在实践中学习，在应用中成长”的敏捷赋能理念。课程通过系统讲解 AI 工作原理，结合 AI工具的实际操作和基于业务场景的提示词练习，帮助从 C-Level 高管、HR 专家、部门经理到一线员工，掌握在组织和工作场景中应用AI的核心素养和策略，快速提升「AI力」，构建完整的 AI 人才生态，从根本上赋能企业的 AI 战略转型。

4.3.1 课程目标

组织层面：释放团队创新动能

加速职场新人成长，助力资深员工保持领先地位

激发组织创新活力，推动团队提质增效

战略层面:打造企业增长引擎

智能化升级业务流程，提升运营效率

AI 驱动业务创新，建立可持续增长模式

人才层面：构建 AI 时代核心竞争力

掌握高级提示词技术，建构式地使用大模型

突破个人能力边界，快速在新领域建立优势

4.3.2 课程大纲

AI 发展脉络与大模型核心工作原理

AI 的发展历程

生成式 AI 的应用

大语言模型的工作原理

2 培养大模型时代的 AI 力

学术视角下大模型对组织和人才发展的重要意义

AI 力模型

什么是 AI 力

AI 力的重要意义

发展 AI 力的模型、框架

提升 AI 力的核心：提示词素养

RSTCC 提示词框架

12 个高级提示词技术

基于 RSTCC 的五级提示词框架

建构式地使用大模型

提示词的时空复杂度丰富的提示词练习，边学边练

? AI 原生的即时练习与反馈，与 AI 高效互动

. 基于真实的工作场景，从单一问题到复杂场景

撰写和润色商务邮件

项目管理文档

工作场景大模型应用最佳实践

利用大模型将音视频内容转换为阅读性内容

. 利用大模型卓越地完成翻译任务

? 利用大模型写出 “提示词的提示词”

合乎道德和合规地使5用大模型

理解大模型的 “幻觉”和 “漂移”

. To B 领域应用大模型的规范

. 在组织内合规合法地使用大模型

4.3.3 课程特色

基于 200+ 篇顶级权威论文聚焦企业 AI 战略转型的最佳实践

掌握在组织和工作场景中高效应用 AI 的核心素养和策略

用精确、结构化且易于迭代的提示词解锁大模型的最大潜力

围绕业务场景的提示词练习提供 AI 原生的即时反馈

4.3.4 课程形式

模块化设计系统化学习

场景化练习 AI 实时反馈

在线课堂灵活安排进度

即学即测社群化交流

4.3.5 课程收益

构建企业 AI 能力矩阵

从基层到管理层系统培养 AI 实战能力

让每个员工都能敏捷运用、创新应用

实现 AI 与业务的深度融合、提质增效

赋能企业AI 转型升级

深入洞察 AI 前沿趋势与商业价值

制定清晰可行的 AI转型路线图

. 从工具应用升级到全面的战略转型

打造AI 时代领导力

. 培养具备 AI 思维的创新管理团队

重塑组织决策与管理运营模式

. 建立 AI 驱动的创新型组织架构

Numu AI 赋能企业变革人才先行

引言

核心洞察

目录

AI 在企业中的应用现状

技术门槛的显著降低

成本结构的根本改善

应用场景的快速拓展

政策环境的日趋完善

中国 AI 市场规模不断扩大，投资及应用 Al 的热情高涨

AI 在企业中的应用场景持续扩展，1.2正在经历从点到面的深度变革

试点验证阶段：AI 的工具化应用

扩展深化阶段：AI 的产品化整合

全面推广阶段：AI 的战略化布局

AI 在企业应用中"普及度"1.3与"成熟度"的反差

2 AI 赋能企业的创新模式和应用场景

价值创造

运营效能

人才赋能

2.1 AI 在重点行业和细分场景的创新实践

2.1.1 AI 在医疗健康行业的应用

医疗咨询：提升健康意识，初步诊断建议

医学教育与培训：虚拟病例训练，优化教学内容

辅助诊断：提高诊断效率，减轻医生负担

临床决策支持：实时数据分析, 减少误诊漏诊

2.1.2 AI 在零售行业的应用

市场分析和趋势预测：精准洞察市场，优化营销策略

供应链优化：提高库存效率，降低成本

智能客服与支持：提升客户满意度，降低运营成本

个性化推荐：精准推送，提升消费者体验

2.1.3 AI 在销售领域的应用

AI 驱动的获客与线索筛选：提升获客效率，缩短销售周期

个性化销售策略与客户互动：提升客户满意度和销售业绩

销售预测与市场趋势洞察：数据驱动决策，优化资源配置

客户关系管理：提升客户忠诚度，促进长期发展

2.1.4 AI 在人力资源领域的应用

高效招聘与精准筛选：提升招聘效率，提高人才选拔精准度

个性化培训计划：提高培训针对性，激发员工学习积极性

人才预测与保留：预测人才流失风险，优化员工职业发展路径

提升员工满意度：营造积极的工作氛围，提升员工的整体体验

企业 AI 应用落地核心挑战：认知偏差与人才短缺

3.1 企业普遍缺乏对 Al 的专业认知和技能

企业在 AI 规划和开发过程中遇到的主要问题

3.2 AI 人才短缺

AI 实践领导者（战略层）

AI 应用践行者（业务层）

AI 技术赋能者（连接层）

AI 技术领航者（技术层）

3.3 高管低估了员工学习和接纳 AI 的意愿

4 人才是变革的关键

4.1 引入大模型 ≠ 提升生产力

为什么我使用 AI 大模型感觉比较笨？

什么是 AI 力？

4.2 AI 力的诊断和测评

4.3 发展大模型时代的 AI 力

4.3.1 课程目标

组织层面：释放团队创新动能

战略层面:打造企业增长引擎

人才层面：构建 AI 时代核心竞争力

4.3.2 课程大纲

AI 发展脉络与大模型核心工作原理

2 培养大模型时代的 AI 力

提升 AI 力的核心：提示词素养

工作场景大模型应用最佳实践

合乎道德和合规地使5用大模型

4.3.3 课程特色

4.3.4 课程形式

4.3.5 课程收益

构建企业 AI 能力矩阵

赋能企业AI 转型升级

打造AI 时代领导力

UMU-人工智能行业：AI赋能企业变革人才先行-250414.pdf