AI时代的新型能力标准：超越技术本身的社会技术素养
人工智能时代，一道全新的能力差距正在显现
研究表明，人工智能的飞速发展已使得"是否具备AI素养"逐步演变为决定未来职业发展的核心竞争力要素。
在过去的二十余年间，数字化转型主要依托的是信息技术（Information Technology）。因此，无论企业机构还是教育领域，能力培养的重心都放在了数字技能、信息技术素养以及软件应用技能方面。
然而，生成式AI的崛起彻底改变了这一格局。
传统软件从本质上而言，仍然是人类所创造的被动工具。程序依照预设规则执行，每个计算环节都可预判，每次输入通常都会产生相同的输出结果。
但生成式AI与各类智能系统却呈现出截然不同的特性。
它们具备自我学习能力，能够持续优化模型参数；能够依据外部环境变化生成多样化输出；更为关键的是，许多时候就连研发人员也难以阐明AI究竟如何得出某一决策结论。
这意味着，人类与AI之间的互动模式正在发生根本性转变。
以往，人类掌控工具；如今，人类开始与具备一定自主性的智能系统建立协作关系。
举例而言，当一位教师借助ChatGPT设计课程方案时，并非简单地点击几个按钮，而是持续提出疑问、调整提示词、评估答案质量、重新整合教学内容。在这个完整流程中，教师与AI实际上形成了一种持续交互、协同达成目标的全新合作模式。
展望未来，无论是执业医师、教师、法律从业者，还是产品设计师、工程师，都将日益频繁地与AI携手处理复杂事务。
因此，真正决定未来竞争优势的，已不仅限于谁更擅长操作AI，而是谁能够深入理解AI、审慎评估AI、有效管理AI，并恰当地与AI开展协作。这正是AI素养的核心价值所在。
为何既有的信息技术能力评估体系已不再适用？
论文提出了一个极具洞察力的论断：过去用于评估信息技术能力（IT Competence）的理论框架，已无法完全适配AI时代的要求。
长久以来，信息系统领域一直沿用经典的信息技术能力评估模型来衡量个人素养。这些模型通常将能力划分为两大类别：
第一类是显性知识（Explicit Knowledge）。
即可以通过系统学习获取的知识，诸如软件操作技巧、系统架构设计、数据库理论基础、编程方法等。
第二类是隐性知识（Tacit Knowledge）。
这类能力主要源自实际工作经验的沉淀。例如，依据多年实践积累快速评估系统风险，依据具体情况选取最优解决方案，这些都属于经验性的能力范畴。这套分类体系已被证实具有相当的科学性。
然而，当AI深度融入工作场景后，仅掌握上述能力已远远不足。
研究者认为，AI至少引发了五个根本性的变革，正是这些变革使得传统信息技术能力理论逐渐失去解释力。
第一，人类不再仅仅是工具的操作者
传统软件始终扮演被动工具的角色。
举例来说，Excel不会主动提出优化建议，Word不会自行修改文档内容，搜索引擎不会自主决定下一步应当呈现什么信息。但AI系统则截然不同。
日趋增多的AI系统能够独立规划任务、提供建议、分配工作，甚至主动影响人类的决策过程。
因此，人类与AI之间的关系，已不再是单纯的"工具操控"，而是逐步演化为双向协作关系（Human–AI Collaboration）。
未来，人类需要掌握的不只是AI的操作技巧，更重要的是与AI协同完成任务的方法论。
第二，AI具备自主环境感知能力
传统软件仅能处理开发人员预先设定的输入类型。而AI能够持续获取外部信息。
举例而言，智能语音助手能够不间断地接收音频信号；自动驾驶系统实时获取道路环境数据；生成式AI可以处理文本、图像、视频、语音等多种非结构化数据。
这意味着，人类不仅需要了解"输入什么"，更需要理解不同类型输入如何影响AI的行为模式。
第三，AI的输出具有动态学习特性，而非固定不变
传统软件具有高度一致性。相同输入通常产生相同输出。而AI则表现出完全不同的特征。随着训练迭代、反馈优化和持续学习，同一个问题可能获得不同的解答方案。这种动态学习能力赋予了AI高度的不确定性特征。
因此，人类必须学会甄别AI输出结果的可靠性，不能盲目接受每次生成的内容。
第四，AI日益呈现"黑箱"特性
论文特别指出，这是AI与传统软件最为显著的差异之一。
传统程序的运行逻辑通常可以完整追踪，每个步骤都有明确的规则约束。而深度学习模型则完全不同。
即便对于开发者而言，也难以完全解释神经网络为何生成某一特定结果。
因此，人们不仅需要掌握AI的使用方法，更需要认识到AI存在的不透明性（Transparency）及其固有的局限性。
这也是近年来AI伦理研究持续强调"可解释AI（Explainable AI）"的关键原因所在。
第五，人类可能根本意识不到自己正在使用AI
过去，人们能够轻易判断自己正在使用某款软件产品。但今天，AI能力已广泛嵌入搜索引擎、办公软件、社交媒体、教育平台乃至智能家居设备之中。
很多时候，人们已在与AI进行互动，却浑然不觉。
因此，未来的AI素养不仅意味着理解AI技术本身，更意味着能够识别AI何时参与决策过程，以及它对自身产生了何种影响。
正是基于上述五项根本性变化，研究者认为，AI时代真正需要培养的，已不再是传统意义上的信息技术能力，而是一种全新的社会技术综合能力（Socio-technical Competence）。
这种能力不仅聚焦于技术本身，更关注人类在AI协作中承担的角色、肩负的责任、具备的判断力以及做出的决策。
正是在这一理论基础上，研究者开始重新界定AI素养的内涵，并进一步构建一套能够科学评估AI素养水平的测量模型。
AI素养不是"会操作AI"，而是一种社会技术综合能力
近年来，关于AI素养的学术研究日益增多，但不同学者的理解视角存在显著差异。
部分研究认为，AI素养就是理解人工智能的基本概念与技术原理；部分研究则强调，AI素养意味着能够熟练运用AI工具处理实际问题；还有一些研究更加关注AI伦理、社会责任以及人机关系等议题。
面对这些多元观点，研究者并未简单采纳其中某一种立场，而是进行了系统性梳理。
他们发现，尽管不同框架的表述方式各有特色，但几乎都共同指向一个基本事实：AI素养绝不仅仅是一种技术能力，而是一种融合技术认知与社会判断的综合性素养。
因此，研究者提出，未来的AI素养必须建立在"社会技术（Socio-technical）"视角之上。
所谓社会技术视角，并非将"技术能力"与"社会能力"简单叠加，而是强调两者始终相互作用、共同决定人机协作的质量水平。
举例而言，一位教师能够熟练运用ChatGPT生成教学设计方案，并不必然意味着他具备较高的AI素养。
如果他无法判断何时应该信赖AI、何时需要进行人工干预；如果他不清楚AI可能存在哪些偏见问题；如果他不知道哪些教学任务应由教师亲自完成、哪些可以委托给AI处理，那么这种能力仍然是不完整的。
因此，真正的AI素养，不只是"操控AI"，更重要的是理解AI、评估AI、管理AI以及与AI协同完成任务。
AI素养涵盖两类性质迥异的能力
在深入分析信息系统领域关于"能力（Competence）"的经典理论后，研究者发现，一个成熟的能力框架通常都包含两种性质完全不同的组成部分。
第一种，是显性知识（Explicit Knowledge）。
这是能够通过学习、阅读和系统培训获得的知识类型。
例如，人们了解什么是机器学习、知晓神经网络的基本工作原理、理解生成式AI与传统软件之间的核心差异、或者掌握哪些场景适合运用AI完成任务。
这些内容，都属于可以明确表述和系统学习的知识范畴。
第二种，则是隐性经验（Tacit Experience）。
这种能力无法完全依靠课堂教学获得，而是在长期实践过程中不断积累沉淀而成。
例如，一位经验老道的教师，会逐步培养出对AI回答质量的敏锐鉴别力；一位产品经理能够迅速判断AI生成内容是否契合用户需求；一名临床医生能够评估AI辅助诊断在何种情况下具有参考价值、何种情况下必须依据临床经验进行重新验证。
这些能力更多