文章核心观点 - 企业人工智能应用的核心风险与价值实现瓶颈在于“人”而非技术，关键在于培养一种全员参与、持续更新的组织能力，即“人工智能素养”，这关乎责任认知、数据质量与业务协同，决定了人工智能能否真正为企业所用 [1] 人工智能素养的本质与范畴 - 企业使用或提供人工智能服务时，即成为责任方，其所需的人工智能素养并非公众入门知识或编程能力，而是对人工智能能力边界、风险及自身责任的清晰认知，这是一道底线要求 [2] - 人工智能素养至少包含三个层面：基本认知、实际使用能力以及将人工智能视为工作一部分认真对待的态度与责任 [5] - 人工智能素养也是一种“共同语言”，能帮助业务与工程团队消除不切实际的幻想或低估，实现有效协作，将技术用在合适的地方和正确的方式上 [8] 人工智能素养的动态性与挑战 - 人工智能领域变化极快，知识更新频繁，例如监督学习重要性下降，自监督学习、强化学习成为新基础，这意味着“学会”的知识本身也会过期 [3] - 人工智能素养不是“一次学完”的静态知识，而是一种需要持续更新、不断校准的“读写能力” [4] - 技能经验也会“过期”，许多教材内容（如经典分类任务练习）与制造业等真实业务场景（如回归问题、基于基础模型的应用）对稳定性、可解释性的要求不匹配 [5] 数据治理是人工智能应用的基石 - 数据治理能力是关键，涉及数据来源合规性、质量可靠性及内部共享使用，这并非技术细节而是基础能力，在不同地区的规范中被反复强调 [7] - 对于“基于代理的人工智能”等高价值应用（如制造业质量控制、安全管理），其可靠性极度依赖准确、完整、可信的领域数据，没有扎实的数据基础，智能代理将不可靠 [9] - 高质量数据并非仅为未来系统准备，它由每一次工作记录与经验沉淀构成，能提升当前效率、避免重复错误，是让人工智能真正可用的第一步 [10] 培养人工智能素养的组织实践 - 人工智能素养培养应从风险教育开始，但不能仅停留在规避错误，需认识到主动使用进化中的人工智能可提升个人工作质量、加快方案验证与原型迭代 [11] - 人工智能素养不适合通过一次性培训解决，是一项需要为员工持续学习创造条件的长期工程，包括预留学习时间、提供资源及建立内部经验分享机制 [11] - 对于已熟练使用生成式人工智能的新一代职场人，需补足的是在企业环境中使用人工智能所意味的责任与期待，包括遵循规范及理解组织作为提供方的义务 [11]