员工对AI工具使用方法缺乏了解,这与企业在试点项目、部署和许可证上投入多少资金无关,Forrester的最新研究显示了这一问题。
Forrester使用人工智能商数(AIQ)来衡量员工对AI工具的理解程度,结果数据"令人震惊",Forrester副总裁兼首席分析师J.P. Gownder在一篇关于该研究的博客文章中表示。Gownder说,这些结果应该为"绝大多数雇主敲响警钟"。
作为研究人员之一的Gownder表示,这种学习停滞阻碍了生产力提升,而错误在于企业。"是你——雇主——还没有培养出足够的学习和参与环境来帮助员工获得这些技能,"Gownder说。
雇主无法成功地为员工提供理解、技能和道德规范培训,以便他们能够熟练使用AI工具,这已经成为"阻碍生产力和投资回报的瓶颈",Gownder表示。
举例来说,根据报告,理解提示工程的员工比例从2024年的22%仅增长到2025年的26%,仅上升了4个百分点,而提示工程是使用Microsoft 365 Copilot和Google Workspace等工具的核心技能。
许多雇主已经推出了AI的某些功能,认为这项技术对员工来说容易使用,Gownder说。然而,许多组织在部署AI时没有投资于员工培训,结果导致低AIQ"阻碍了潜在的生产力提升",他说。
研究人员表示,虽然AIQ较高的员工在使用AI工具提升生产力方面更加有效,但AIQ较低的员工可能根本不使用这些工具,或者使用错误导致生产力下降。许多员工也可能不知道何时质疑AI输出结果,也不知道如何道德地使用AI。"这很容易让他们感到沫丧,在太多情况下完全放弃使用这些工具,"他说。
员工体验平台Culture Amp最近的一份报告发现,96%的C级高管预期AI会提高产出,而77%的员工表示AI工具实际上增加了他们的工作量。
与此同时,根据简历模板服务Zety的报告,当管理者分发AI生成的"粗糙工作"(指看起来精美但不准确或马虎的工作)时,85%的员工表示这损害了他们对领导层的信任。
Q&A
Q1:什么是人工智能商数AIQ?它如何衡量员工能力?
A:人工智能商数(AIQ)是Forrester用来衡量员工对AI工具理解程度的指标。研究显示,理解提示工程这一核心技能的员工比例从2024年的22%仅增长到2025年的26%,增幅微小,反映出员工整体AI素养偏低。
Q2:为什么员工AI技能提升缓慢?责任在谁?
A:Forrester研究指出,责任主要在企业雇主。许多组织在部署AI技术时没有投资于员工培训,认为AI工具容易使用,但实际上没有培养足够的学习和参与环境来帮助员工获得必要的理解、技能和道德规范。
Q3:低AIQ会对企业带来什么负面影响?
A:低AIQ会导致员工不使用AI工具或使用错误,造成生产力下降而非提升。员工可能不知道何时质疑AI输出结果,也不懂如何道德使用AI,最终可能因挫败感而完全放弃使用这些工具,形成阻碍投资回报的瓶颈。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。