作者：克里桑索斯・德拉羅卡斯（Chrysanthos Dellarocas）
為什麼要用生成式 AI 重塑學習？#
在 AI 驅動的時代，**重新訓練（reskilling）**是每個組織的關鍵策略目標。但傳統學習與發展（learning-and-development, L&D）方法常常昂貴、無效，且追不上快速變化的技能需求。
生成式 AI 改變遊戲規則的五個面向#
1. 個人化學習路徑#
傳統 L&D 採用統一內容，忽略個人需求、目標與能力。Sana Labs 等平台用詳細的學習者資料評估能力與學習風格，創造或推薦客製化內容：
- 業務人員：依工作經歷、學習節奏與風格，提供進階溝通技巧的互動模組
- 軟體工程師：依不同程式語言的精熟度，給予客製化編碼挑戰
2. 內容持續演進#
產業變化快速，傳統 L&D 教材常迅速過時，更新需要大量資源。
Salesforce 的 Einstein GPT 等技術可持續更新與調整訓練教材：
- 法律訓練：自動整合最新判例與法規變化
- 數位行銷：動態納入最新社群演算法與線上消費者行為趨勢
3. 沉浸式模擬情境#
生成式 AI 能創造對使用者決策動態反應的高擬真模擬：
| 領域 | AI 模擬應用 |
|---|---|
| 軍事訓練 | 多元環境與戰術情境，提供多樣戰鬥條件曝光 |
| 醫療訓練 | 重現罕見、複雜的病例，讓醫護人員在無風險環境練習 |
4. 主動找出技能缺口#
Workera 等工具可持續分析使用者互動與表現，即時辨識並處理技能缺口：
- 分析版本控制系統使用記錄 → 自動推薦進階知識訓練模組
- 分析專案結果資料 → 偵測需要強化的專案管理技能
這類**即時學習（just-in-time learning）**可整合進日常工作流程，確保技能發展全面、即時、持續。
5. 指導與回饋#
Cognii 的 Virtual Learning Assistant、DuoLingo Max 等模擬指導者互動：
- 語言學習：即時文法與字彙建議，與 AI 導師對話請求釐清與額外練習
- 技術領域：複雜流程逐步引導，AI 導師在每一步提供個人化提示
這個方式接近 1-on-1 指導的好處。
挑戰與注意事項#
生成式 AI 在 L&D 的潛力雖大，仍有幾項關鍵挑戰必須面對。
資料隱私#
- 系統依賴的資料可能包括員工績效指標、學習偏好甚至個人特徵
- 必須遵守資料保護法規（如歐盟 GDPR）
AI 輸出的錯誤#
- 當代 AI 仍會產出錯誤或不準確的內容
- 需要持續監督、驗證輸出，並建立學習者回報差異的回饋機制
偏見的延續#
- 若 AI 訓練資料偏向特定族群，可能形成偏見的學習路徑，邊緣化其他群體
組織治理建議#
| 行動 | 目的 |
|---|---|
| 設立倫理委員會 | 監督 AI 使用方式 |
| 投資 AI 素養與意識計畫 | 提升組織整體判讀能力 |
| 建立 AI 治理準則與流程 | 應對快速演進的科技地景 |
給領導者的提醒#
生成式 AI 是 L&D 的轉折點：個人化、即時適應、沉浸式體驗。
透過深思熟慮且符合倫理的方式擁抱這些技術，領導者能為人類學習與發展開啟前所未有的成長與創新機會。