课上得再好，回到工位就忘——这是传统培训的结构性缺陷。
问你一个问题：你们公司去年花了多少钱做培训？
再问你一个问题：这些培训，真正改变了员工工作行为的，有多少？
如果你答不上来第二个问题，你不孤单。
一项针对企业 AI 培训的研究发现，课堂上学到的技能，在 12 个月内会衰减到只有 30% 到 50% 的人还在实际应用，而最差的转化发生在那些缺乏培训后支持的环境中。
翻译一下就是：课上得再好，回到工位就忘。
这不是员工不努力，这是传统培训模式的结构性缺陷。
但现在，AI 正在改变这件事。
没有后续跟进、教练辅导或同伴问责机制，学习就会蒸发。
我们先来面对一个残酷的现实。
你安排了一场 AI 工具使用的培训。讲师讲得很好，员工听得也很认真，课堂练习也做了。满意度打分 4.5 分。
然后呢？
员工回到工位，打开那个 AI 工具，面对真实的业务场景，发现不知道该从哪个步骤开始。
三周之后，这个工具就被忘在了浏览器的一个角落里。
Kydon 的研究发现，一场工作坊或一个自定进度的在线模块，其“半衰期”大约只有 72 小时。没有后续跟进、教练辅导或同伴问责机制，学习就会蒸发。
更扎心的数据来自一项 2026 年的研究：MITx 和哈佛 X 平台上的在线课程，完成率只有 3.13%，而且这个数字在六年里没有任何改善。
把学习当成一个“事件”，而不是一个“过程”——完成率低是结构性的。
这些数字背后，是一个根本性的设计缺陷：我们把学习当成一个“事件”，而不是一个“过程”。
培训结束了，事件就结束了。但能力的增长，恰恰应该在那之后才刚刚开始。
学习不再是“特别的时间”，而是工作流的一部分。
传统培训的逻辑是：先学，再回到工作中用。
但人的大脑不是这么工作的。
你想想，你在工作中遇到一个不知道怎么处理的问题时，你的第一反应是什么？
是打开课程目录找一门相关的课吗？
不是。你的第一反应是问问题。“这个流程下一步该做什么？”“这个客户的情况怎么处理？”“这个数据怎么分析？”
这就是问题所在。
AI 做的事情，就是在这个需求出现的瞬间，把答案递到你面前。
WalkMe 推出的“WalkMe Learning Arc”就是一个典型的例子。它不是让员工去一个独立的平台学习，而是把学习直接嵌入到员工日常使用的业务应用里——SAP、Salesforce、ServiceNow。你在操作的时候，需要的知识就在操作界面里出现。学习不再是“特别的时间”，而是“工作的流的一部分”。
北森学习云的 AI 学习助手也是同样的逻辑。基于员工岗位和能力差距，7×24 小时提供精准的学习路径推荐和业务知识问答。某钢铁企业借助这个工具，仅 4 人的培训团队就撬动了 3500 名员工的系统化成长，上线两个月内累计问答量超过 6500 次，课程利用率提升了 79%。
这说明什么？说明当学习发生在工作现场、而不是脱离工作的“教室”里时，员工的参与度和实际应用率会发生质的变化。
从“输入”到“输出”，培训的成果才能被业务部门看见。
我想在这里停一下，说一个更根本的问题。
过去我们衡量培训效果，看什么指标？
参训率、满意度评分、考试通过率。
这些指标有一个共同的特点：它们衡量的是“输入”，不是“输出”。
员工来了、听了、考过了，然后呢？
培训经理拿着这些数据去汇报，业务部门看着这些数字，心里想的却是：所以呢？业绩变好了吗？问题解决了吗？
这就是培训部门长期被当成“成本中心”的根源。
不是培训没用，是培训的成果无法被业务部门“看见”。
但现在，AI 让这件事有了转机。
GP Strategies 为一家全球汽车制造商部署的 AI 微学习平台，每天推送三道复习题，AI 根据答题表现动态调整难度。结果是：知识平均提升 20%，95% 的用户确认知识增长了，而最关键的一个数字是——90% 的参与者表示，这个项目让他们在工作中更有效了。
注意，“更有效了”。这是业务语言，不是培训语言。
北森的 AI 陪练也给出了类似的证据。某金融企业使用后，员工月训练人次超过 3.4 万，培训成本降低了 30%，效率却提升了 60%。培训从“知道”推进到了“做到”。
这才是业务部门想看到的东西。
学习行为数据，本身就是能力画像。
如果你在做学习发展（LD），你需要面对一个现实：你的角色正在被重新定义。
过去，LD 的核心工作是：设计课程、组织培训、评估效果。
现在，这套逻辑正在被 AI 取代。AI 可以做课、可以做陪练、可以做学习推荐。某头部药企借助 AI 做课助手，两个月内生产了 200 多门标准化课程，节省了讲师超过 500 小时的做课时间。
当 AI 把“做培训”这件事的效率拉到极限之后，LD 的价值就必须体现在另一个地方：你能不能把学习直接变成绩效。
这意味着三件事。
第一，学习设计要从“课程思维”转向“工作流思维”。
不要再问“员工需要学什么课”，而是问“员工在做什么工作时会遇到困难，在哪个环节需要支持”。
WalkMe Learning Arc 的设计理念就是“学习不是独立的活动，而是嵌入在工作流中的支持”。Cypher Learning 提出的“动态赋能”概念更进一步：不是把每一个不确定性都当成学习需求，而是在那个时刻给员工他需要的支持——有时候是一个直接的答案，有时候是一次练习，有时候是找到组织里的专家。
第二，效果衡量要从“过程指标”转向“业务指标”。
参训率、满意度、考试通过率——这些指标要逐步让位给更有说服力的东西：工作差错率的变化、客户满意度的变化、关键任务完成时间的变化。
北森的做法是把学习数据与绩效、继任、档案数据联动分析。这意味着学习行为的数据可以直接和业务结果挂钩，LD 终于有了“硬数据”来证明自己的价值。
第三，LD 和 TD 的边界要打通。
AI 让 LD 产出的行为数据可以直接用于 TD 的人才评估。
员工在 AI 陪练中的每一次对话、在 AI 学习助手中的每一次提问、在 AI 复习题中的每一个正确答案或错误——这些不是“学习记录”，这是能力画像。
当 LD 和 TD 用同一套数据说话的时候，人才培养才真正形成闭环。
从“独立平台”到“工作界面”，从“知识掌握”到“行为改变”，从“成本中心”到“战略价值引擎”。
如果你正在负责公司的学习发展或人才培养，以下三件事，值得尽快行动。
第一，把学习从“独立平台”搬到“工作界面”里去。
不要再让员工“去学习平台上课”。要让学习在员工正在使用的业务系统里自动出现。无论是 SAP、CRM 还是钉钉、飞书，学习应该成为工作界面的一部分，而不是一个需要“跳出去”才能到达的地方。
第二，用“行为改变”而不是“知识掌握”来衡量培训效果。
培训结束后，不要只统计有多少人完成了课程，要追踪有多少人在工作中实际使用了所学内容。Kydon 的做法值得参考：他们衡量的是“活跃使用率”——培训结束 30 天后，员工仍在日常工作中使用 AI 工具的比例。他们的项目做到了 88%。
第三，让每一笔培训预算都对得上一个业务结果。
尚普咨询在一份报告中指出，企业培训必须从“成本中心”彻底转向“战略价值引擎”。这不是口号，这是一个操作性要求：你在申请培训预算的时候，能不能说清楚这笔钱最终会改变哪个业务指标？
说不清楚，就不要花。
从“离场”到“在场”，这是学习发展职能底层逻辑的重写。
过去，培训是一个“离场”的动作——离开工位，去学习，再回到工位。
现在，AI 让学习变成了“在场”的支持——不需要离开，在工作发生的那个瞬间，知识和支持就已经到位。
这不只是一个工具的升级，这是学习发展这个职能的底层逻辑的重写。
你现在的培训体系，是围绕“让员工学完”设计的，还是围绕“让工作做成”设计的？
这两个逻辑，会导向完全不同的结果。
一个真正成为增长引擎。
END
