加载 Spotify 播放器；Spotify 可能会设置 Cookie。本设备将记住您的选择。
主要发现
- 明确了AI课程的三项初步设计原则：学徒序列技术进阶（无代码到低代码再到全代码）、双向需求信号对齐，以及兼顾公平的轴辐式部署。
- 通过在12个教学班中招收1,060名学生（其中包括入门基础课程中的770名学生），证明了该课程可在此规模下进行部署。
- 展示了一种自适应的“技能-模块-课程”传导路径，基于包含35项技能的劳动力分类体系提炼出三项技能，从而实现在单个学期内进行针对性的课程更新。
- 落实了八项积极的基于工作的学习机会；课程嵌入式顶点项目旨在为在读学生提供雇主实际项目，但未对参与机会和成效进行衡量，且仅有课程3和课程4设有顶点项目。
- 基于顶点项目审查提出了一项初步主张，即高阶学生应承担人机协同的监督角色，负责问题构建与验证，同时指出学生在调试多智能体系统和评估可靠性方面存在困难。
- 指出这些成果仅为单所大学单个学期的早期结果，未进行学习评估，也无细分群体结果，相关评估计划于2026年秋季的多校区部署中开展。
实践启示
CIO / IT 高管
Review internal technology workflows to identify where entry-level routine drafting, summarization, and coding tasks are being automated by generative AI, and map which supervisory oversight tasks will replace them.
IT 经理
Evaluate current team training needs around multi-agent system debugging and reliability evaluation to prepare staff for human-in-the-loop supervisory roles.
商业战略师
Examine how internal operational roles are shifting from routine execution to problem framing and validation as generative AI automates baseline tasks.
研究人员
Design a study to test the three curriculum design principles (apprenticeship-sequenced technical progression, bidirectional demand-signal alignment, and hub-and-spoke deployment) at another institution while measuring learning gains and subgroup outcomes.
政策制定者
Draft criteria to evaluate upcoming multi-site deployments of the hub-and-spoke curriculum model, focusing on how learning outcomes and equity are measured once implementation expands.
摘要
本研究采用设计科学研究方法，构建并实例化了AIX Hub——一个面向商学院且与产业界合作的人工智能课程架构。该课程以认知学徒理论为基础，实现了从无代码、低代码到全代码教学的循序渐进。该框架表明，此类课程能够实现规模化落地，涵盖了招收1,060名本科生的四门课程，并与主要集中在金融科技领域的行业伙伴开展了八项基于工作的学习机会合作。
核心问题
生成式人工智能使日常起草、总结和编码任务实现自动化，正在削弱新手传统上积累领域经验的初级学徒层。此外，传统学术课程的更新周期过于缓慢，无法跟上行业技能需求与职场角色的快速转变。
文稿
Expert: 谢谢 Anna。很高兴与大家分享这项研究的内容。
Host: Alex，我们先来看这项研究关注的核心现实问题。随着生成式 AI 的迅速普及，它对即将进入职场的商科毕业生和雇主产生了哪些直接冲击？
Expert: 研究指出了一个突出的现实矛盾。以往，初级员工主要通过起草文件、整理总结和基础编码等日常任务来积累领域经验，这个过程构成了传统职场的“初级学徒层”。但是，生成式 AI 正在将这些常规任务大量自动化，直接压缩了初级员工获取经验的传统路径。与此同时，大学学术课程的常规修订周期较为缓慢，往往需要数年时间，难以跟上产业界对 AI 技能和职场角色的快速转变。
Host: 也就是说，企业一方面需要具备 AI 协作能力的初级人才，另一方面过去培养新人的任务场景正在消失。那么，这项研究提出了怎样的应对方法？
Expert: 研究团队通过设计科学研究方法，构建了 AIX Hub 课程体系。该体系以认知学徒理论为基础，明确了三项核心设计原则：首先是技术进阶的学徒序列，引导学生从无代码工具起步，逐步过渡到低代码应用，再深入到全代码开发；其次是双向需求信号对齐，建立产业技能需求与教学内容之间的双向沟通机制；第三是兼顾公平的轴辐式部署模式，让不同背景与起点的学生都能获得实践机会。
Host: 在具体的落地验证中，这项研究呈现了哪些实际的实施数据？
Expert: 该体系在一所大学进行了单个学期的部署，涵盖四门课程和十二个教学班，总计招收了 1,060 名本科生。其中，有 770 名学生参与了入门基础课程，证明了此类课程在较大规模下运行的可行性。在课程更新机制上，研究建立了一条“技能-模块-课程”的传导路径，从包含 35 项技能的劳动力分类体系中提取并整合了 3 项技能，在单学期内完成了针对性的课程调整。同时，项目与主要集中在金融科技领域的产业伙伴合作，落实了八项基于工作的学习机会。
Host: 在这些基于实际工作的项目中，学生的表现如何？研究是否观察到了挑战或局限？
Expert: 在设置了顶点项目的进阶课程中，学生开始承担人机协同中的监督角色，负责实际业务问题的构建与结果验证。不过，研究客观指出，学生在调试多智能体系统和评估系统可靠性方面遇到了困难。此外，这些成果属于单个机构在单学期内的早期数据，尚未对学习成效进行量化评估，也缺乏细分群体的对比数据。研究团队计划在 2026 年秋季的多校区部署中进一步开展学习成效评估。
Host: 从商业组织和管理者的角度来看，这项研究具有哪些实际的应用参考价值？
Expert: 对企业而言，主要有两个层面的参考。首先，在初级岗位的设计与招聘上，评估标准可以逐步转向候选人的问题构建能力、提示工程与校验可靠性的能力，而不仅仅是传统的初级执行任务。其次，企业可以通过模块化的技能对接机制，更早地介入高校课程与实战顶点项目，将业务痛点作为教学案例，帮助初级人才在进入职场前建立起与 AI 系统协同工作的监督能力。
Host: 面对 AI 带来的工作流变革，建立敏捷且结构化的产学协同路径显得尤为关键。非常感谢 Alex 带来的客观解析。
Expert: 谢谢 Anna。
Host: 感谢各位听众的收听。这里是 A.I.S. Insights — powered by Living Knowledge，我们下期再见。
AI literacy, curriculum design, design science research, work-based learning, no-code/low-code development