从个人生产力转向组织价值
我们首先问的不是要使用什么工具，而是需要改变什么。在定义组织瓶颈、客户问题和必要决策后，再将 AI 作为解决手段引入。
TIL AI 驱动的教育与工作坊
比起学习如何使用 AI 工具，
我们更注重学习如何与 AI 一起更好地思考
让 AI 代替人生成成果的培训，只会留下快速得到的答案，却无法带来超越 AI 工具使用技巧的深度学习与迁移。The Innovation Lab 的培训经过专门设计：由人先定义问题，利用 AI 的交叉反馈进行更深入的审视，最终判断与责任仍由人承担。
从提升个人工作效率延伸到增强组织的问题解决能力，从完成一次成果延伸到能够应用于新课题的学习迁移。
以人为先 · 问题驱动 · 证据为本 · 迁移导向
01 · 为什么
仅仅使用更多 AI 工具，并不会让组织发生改变
个人更快完成一项工作，与组织发现更重要的问题并作出更好的决策，并不是一回事。必须先定义组织需要解决的问题和需要创造的价值，再将 AI 配置到解决过程中。
从产出成果转向提升能力
AI 生成的优质成果与人真正掌握的能力可能并不相同。只有在没有 AI 帮助的情况下仍能解释、判断并应用于新问题，学习成果才能沉淀为组织能力。
AI 越像一条捷径，学习设计就越需要细致
复制提示词来获取结果的方式虽然让任务更容易完成，却可能导致认知外包、无批判接受、对成果的控制力下降，以及群体思维多样性缩减。AI 不应是标准答案的提供者，而应成为帮助探索反驳意见、盲点和替代方案的协作伙伴。
我们不只培养有 AI 时表现出色的人，
更要培养在与 AI 共同学习后仍能作出更好判断的人与组织。
02 · 如何
The Innovation Lab 的 AI 教育方法：HAMMA
Human-AI Mentoring Motif Approach
HAMMA 对人与 AI 的角色及先后顺序进行设计，避免让 AI 代替人给出最初答案和最终结论。始于人的思考，成于人的判断。
改进前AI 生成初稿，再由人完善
改进后人提出初稿·假设，AI 提供交叉反馈
改进前以节省时间和增加产出为中心
改进后以提升成果质量、协作与学习能力为中心
改进前认知外包与无批判接受
改进后通过学习摩擦保持批判性思维与人的主导性
改进前个人成果整体趋于同一较高水平
改进后保持个人视角与群体创意的多样性
改进前失去 AI 支持后显现的学习损失
改进后能够自主解释、判断和应用的概念迁移
03 · 证据
我们的设计不只建立在良好意愿之上
生成式 AI 能帮助人快速完成任务，但如果它连本应由人完成的规划、验证与反思也一并代劳，独立思考能力就可能减弱。研究结论并不是要减少 AI 使用本身，而是更接近于：应当设计协作的顺序与条件，让人先尝试，控制 AI 的帮助，并重新承担最后的判断与解释。
TIL 的 HAMMA 顺应这一流程，应用有关生成式 AI 与学习、创造力、独立执行的实证研究，以及生产性失败、自我解释、提取练习等学习科学原理。
即使 AI 能把任务完成得很好，也不代表人的能力会随之提升
如果在没有任何指导的情况下使用 AI，学习者很容易跳过诊断问题和评估帮助是否合理的过程，直接寻找可以立即执行的答案。即便有 AI 时的任务表现有所改善，规划、检查、反思等自我调节学习能力也可能减弱。这正是为什么我们需要的不是直接给出正确答案的 AI，而是让学习者先回答、再提供提示并促使其自主修正的 AI。
查看更多研究依据
- 有 AI 时获得的高分，与没有 AI 后留下的真实能力并不相同。在 Bastani et al. 开展的高中数学现场 RCT 中，使用自由式 GPT 的组在练习中得分更高，但在没有 AI 的考试中，比对照组低 17%。相比之下，GPT Tutor 不直接给出正确答案，而是提供分步提示，将独立完成任务时的表现下降控制在与对照组相当的水平。这项发现表明，不应取消 AI 的帮助，而应对帮助方式加以约束。
- AI 越多地代替人完成任务，学习者就越可能减少对自身思考的检查。在 Fan et al. 的随机写作实验中，GPT-4 支持提高了文章的改善幅度，但并未提升所测量的知识习得以及向其他领域的迁移。研究人员指出的“元认知惰性”警示我们，不能把高质量成果直接解释为学习者的成长。
- 向 AI 寻求帮助的方式本身也发生了变化。Chen et al. 通过多模态数据分析 38 名大学生写作与修改过程的实验发现，与人类专家组相比，ChatGPT 组表现出跳过反馈评估阶段的非线性求助行为，并提出更多可直接执行的操作性问题。这项发现表明，AI 越容易获取，就越需要将问题诊断与反馈评估明确纳入学习流程。
- 加入先行作答与自我修正后，AI 就不再只是“支架”，而会成为学习装置。Lee et al. 的研究显示，“先给出我的答案 → 不给正确答案而提供提示 → 自主修正”的引导结构，在行为参与、知识和自我调节相关的多项指标上优于普通 ChatGPT。这为要求先行作答和自我修正的机制能够改变学习者的参与方式提供了依据。
- TIL 的流程要求人先提出初稿和假设，AI 不给出正确答案，而是提供问题、提示和反例，再由人解释修改理由。目标不是使用 AI 期间的表现，而是 AI 退出后仍能保有的判断力。
AI 可以提升个人创意，也可能让所有人的想法趋于相似
生成式 AI 有助于让个人创意更加新颖、实用，尤其能帮助难以从零开始构思创意的人。但如果所有人都从同一个 AI 建议出发，即使个人平均水平有所提高，整个群体的观点也可能趋于相似。
查看更多研究依据
- 个人创造力提高与群体多样性缩减可能同时发生。在 Doshi & Hauser 的实验中，获得 AI 创意的写作者，其新颖性和实用性平均评分有所提高，原本创造力评分较低的写作者获益更大。然而，在 AI 支持下创作的故事彼此更加相似。这项发现表明，AI 在缩小个人之间表现差距的同时，也可能使群体创意收敛到少数框架之中。
- 何时引入 AI 会造成独立创造力的差异。在 Wong & Qiu 的随机实验中，从一开始就自由使用 AI 的组，其首项任务中的优势未能保持到随后在没有 AI 情况下完成的任务中。相比之下，先由人提出原始创意，再把 AI 作为改进和评估伙伴的条件，在后续独立任务中仍获得了更高的创造力评分。
- 综合两项研究可以看出，AI 的引入时机非常重要。与其让 AI 代替人提供创意起点，不如用它来完善人们提出的不同观点，这样更有益。TIL 让个人和团队先各自提出初稿与假设，再接收 AI 反馈，从而在提升个人创造力的同时守住群体观点的多样性。
比起完整的 AI 答案，先行解题的尝试更能培养问题解决能力
如果先看到完整的 AI 答案，就会减少思考如何定义问题、比较哪些替代方案的机会。即使不熟练甚至出错，先提出假设和解决方案的过程也能让人发现自己知道什么、遗漏了什么。之后再加入解释和 AI 反馈，才能形成可应用于新问题的问题解决结构。
查看更多研究依据
- 生产性失败研究并不是说“只要先失败就一定学得更好”。它表明，学习者在课堂教学前先提出多种表征和解决方法，随后通过解释与反馈将这些尝试同正确概念连接起来，概念学习与迁移便可能改善。先行尝试会激活能够更深入吸收后续反馈的认知图式。
- 重要的不是解决方法的数量，而是以不同方式表述和解决问题的经历。在 Kapur, Saba & Roll 的研究中，学生在先行解决问题过程中提出的解决方法多样性，可以预测后续学习效果。不过，该研究中的所有学生都接受了生产性失败教学，因此我们不会将这一结果简单扩大为因果效应。
- 也有初步证据显示，在询问 AI 前进行短暂的艰难尝试，可能改变后续迁移效果。在 Akgün & Toker 的预印本研究中，与立即向 ChatGPT 提问的组相比，先独自尝试解决统计问题再使用 ChatGPT 的组，在相似的新情境中获得了更高分数。由于这是一项小样本、未经同行评审的研究，因此仅作为辅助证据使用。
- TIL 要求人先定义问题并提出多种假设和替代方案，再通过 AI 提供的反例、遗漏变量与其他解读进行审视。AI 不是省去先行思考与尝试过程的捷径，而是将先行尝试连接到更深入问题解决过程的反馈伙伴。
即使在使用 AI 时，规划、检查与评估也必须由人负责
仅仅声明最终判断由人负责，并不会自然产生主导性。必须把设定目标、检查解决策略、评估 AI 答案及自身理解的流程纳入学习过程。批判性思维的培养也不取决于与 AI 对话的次数，而在于解释比较了哪些依据，以及如何修改了判断。
查看更多研究依据
- 即使在生成式 AI 环境中，也需要单独设计元认知机制。Xu et al. 对 68 名大学生开展的为期 4 周的准实验显示，加入帮助制定任务策略和开展自我评估的明确支持后，自我调节学习过程与学习体验指标得到改善。由于组间成绩差异并不显著，这并不是保证提高成绩的证据，但确实表明有必要设置机制，让学习者自主调节 AI 使用过程。
- 规划、监控与评估并非与生俱来的态度，而是可以教授的策略。de Boer et al. 综合 48 项元认知策略干预的荟萃分析发现，同时教授这三个要素的干预，不仅在干预后，其学业表现效果在后续追踪中也得到观察。这是学习科学的一般性依据：即使在 AI 时代，要守住人的判断权，也必须训练判断流程本身。
- 批判性思维不会仅靠对话自然产生。Abrami et al. 的荟萃分析发现，结构化对话、真实问题与案例、辅导是批判性思维教学的积极条件。因此，与其让学习者频繁与 AI 对话，不如建立这样的结构：把 AI 的反驳意见应用到真实任务中，比较依据，并解释修改判断的理由。
- 仅仅增加解释也不会自然减少对 AI 的过度信任。在 Buçinca, Malaya & Gajos 对 199 名参与者开展的实验中，禁止参与者立即采纳 AI 建议并要求深思的认知强制机制，与单纯提供解释的条件相比，减少了对错误 AI 建议的过度信任。不过，最能减少过度信任的设计获得的主观评价最低，而且更有利于深思倾向较强的参与者。这项研究表明，理想的学习摩擦虽有必要，但也必须同时设计其可用性代价和个体差异。
- TIL 要求人先确定目标与评估标准，审视 AI 提出的反驳意见和替代方案，再记录采纳、修改或否决了什么以及原因。我们优先训练的不是使用 AI 的技巧，而是评估和调节 AI 帮助的能力。
关闭 AI 后进行提取、解释和应用，才能真正留下学习成果
重新阅读 AI 整理内容时产生的熟悉感，可能并不等于真正理解。要判断学习成果是否保留下来，必须关闭 AI 后从记忆中提取核心概念，用自己的语言解释，并尝试应用到其他问题。正因如此，HAMMA 的最后阶段不是提交成果，而是在不借助工具的情况下进行解释和再次应用。
查看更多研究依据
- 相比重新阅读，从记忆中提取内容的活动更有利于保持。Adesope, Trevisan & Sundararajan 的荟萃分析显示，练习测试等提取活动整体上比重新阅读更有助于长期保留学习内容。这并不是要增加考试，而是要在收起 AI 答案后，加入回忆、比较和应用核心内容的低风险活动。
- 用自己的语言解释所提取的知识，可以检查程序与概念之间的联系。Rittle-Johnson, Loehr & Durkin 针对数学自我解释开展的荟萃分析显示，自我解释提示对程序性知识、概念性知识以及部分程序迁移具有小到中等程度的即时益处。能够引导优质解释的问题与反馈很重要，而关于课堂情境和延迟保持的证据仍然有限。
- 提取练习不仅在受控实验室中有效，也在真实学校和课堂中反复显示出益处。Agarwal, Nunes & Blunt 的系统综述涵盖 50 项实验和 5,374 人，在 49 个效应量中，有 57% 显示出中等或较大益处。并非所有实验都获得较大效果，非西方地区研究也仅占总数的 6%，但将无工具提取应用于真实教学的证据正在不断积累。
- 三项研究共同支持一条学习流程：不能止步于重新阅读 AI 答案，而要从记忆中提取，用自己的语言解释，并应用到新问题。TIL 在课程末尾加入这一流程，以确认留下的不是一项成果，而是学习迁移。
每项研究都在特定年龄、任务、周期和 AI 使用条件下开展。TIL 不会把个别结果原样推广到所有情境，而是综合审视多项实证研究和学习科学原理，并将其应用为教育设计原则。
04 · 项目
以组织的真实问题为学习素材，产出可立即使用的成果
这不是照着预设示例操作工具的实训。我们会引入参与组织在运营、研发·产品、客户、市场和业务方面的课题，通过 HAMMA 方法进行分析，并将其转化为可用于实际决策和后续执行的成果。
01 · HAMMA
运用 AI 的经营战略工作坊
洞察全局，作出选择，推动执行。解读组织与业务环境，提炼核心战略议题和替代方案，并将其细化为执行方案。
查看详细内容 → 02 · HAMMA基于趋势感知提炼洞察
将分散的变化信号转化为下一轮机会。运用企业与公共数据、API 和 NextBM200，构建变化信号与持续监测体系。
查看详细内容 → 03 · HAMMA挖掘客户洞察
发现隐性问题与价值机会。将深度研究、合成用户和模拟访谈作为探索工具，设计可进入真实验证环节的客户假设。
查看详细内容 → 04 · HAMMA制定商业模式·市场进入战略
设计赢得选择的价值与增长路径。诊断商业模式和行业环境，将目标市场、定位、渠道与合作伙伴连接为执行战略。
查看详细内容 → 05 · HAMMAAX 业务转型工作坊
将模糊的 AI 引入构想完善为转型战略。将客户价值、人与 AI 的角色、数据、经济性、风险管理和执行路线图整合为一套战略。
查看详细内容 →05 · 课程
各项目详细内容
可展开查看各课程的详细内容。实际实施时，会根据组织目标、参与者岗位和一线实际课题调整范围与顺序。
01运用 AI 的经营战略工作坊
战略议题地图 · 战略备选方案 · 优先课题 · 执行计划
这是一门实战型战略课程，帮助组织看清所处格局、定义核心议题，并判断应从多个备选方案中选择哪一个。由人解读形势，AI 提出反驳意见、盲点和替代方案，最终战略与执行标准由人决定。
通用学习流程
- 1. 洞察全局的视角
- 连接外部环境、竞争格局、客户变化与内部能力
- 2. 定义战略议题
- 区分现象与原因，设计核心战略问题
- 3. 设计战略备选方案
- 人的先行方案与 AI 红队审视
- 4. 选择与执行
- 将优先级、成功条件、风险与执行课题结构化
可选实施方案
- 运用 AI 的全局盘工作坊— 共 6~8 次，15~20 小时
- 全局盘研讨会— 半天 4 小时
- AI 驱动的经营计划·商业计划一日工作坊— 8 小时
- 辅助教材：《战略是工具：洞察全局的力量》《战略女王》
02运用 AI、基于趋势感知提炼洞察工作坊
变化信号地图 · 机会假设 · 优先洞察 · 监测看板
第 1 天 — 发现变化信号并解读为趋势
- 1. 趋势感知的视角
- 区分流行、现象与结构性变化
- 设定对组织和业务有意义的信号标准
- 2. 数据源与探索设计
- 了解企业与公共数据集及 API
- 运用 NextBM200·MCP 收集信号
- 3. 基于 HAMMA 的信号分析
- 审视人的变化假设与 AI 提出的反向信号·盲点
- 4. 趋势感知画布
- 完成潜力信号集群与初步趋势地图
第 2 天 — 转化为业务机会与持续洞察
- 1. 从信号到机会假设
- 连接客户、市场、技术与监管变化
- 2. 提升洞察质量
- 区分事实、解读与假设，评估证据等级
- 3. 确定机会优先级
- 评估影响程度、紧迫性、不确定性与组织适配度
- 4. 机会监测看板
- 设定核心指标、更新周期与临界信号
辅助教材：《下一代商业模式 2026 — 总论篇·行业篇》 · 使用服务：NextBM200 趋势探索器、MCP
03运用 AI 挖掘客户洞察工作坊
客户问题假设 · 基于证据的用户画像 · 客户旅程地图 · 价值主张机会方案
第 1 天 — 通过问题与证据理解客户
- 1. 客户洞察的起点
- 区分客户信息与客户洞察
- 2. 客户问题假设
- 使用 Turtleback Framework 与 Flower Model 构建关系结构
- 3. 基于 AI 的客户研究
- 运用公开资料、深度研究与 9 个国家的合成用户数据
- 4. HAMMA 交叉验证
- 审视相反观点、极端用户、遗漏情境与偏差
第 2 天 — 将客户之声转化为价值主张
- 1. 基于证据的用户画像
- 围绕行为、目的、情境、痛点与选择标准进行定义
- 2. 客户旅程与关键时刻
- 发现流失节点、未满足需求与关键时刻
- 3. 机会领域与价值主张
- 通过 ERRC·战略画布与 AI 红队进行验证
- 4. 客户洞察执行方案
- 设计要在真实客户研究中验证的问题与下一步行动
合成用户和模拟访谈并不是能够取代真实客户的标准答案。它们是在真实验证之前拓宽假设范围、发现盲点的探索工具。
04运用 AI 制定商业模式与市场进入战略
商业模式诊断报告 · 优化商业模式方案 · 市场进入战略 · 增长路线图
第 1 天 — 诊断商业模式并重新设计价值结构
- 1. 审视商业模式的视角
- 连接客户价值、交付方式、收入结构与核心能力
- 2. 目标市场与优先客户
- 使用 TPM Circle 评估市场·组织适配度
- 3. 基于 BM ZEN 具体化
- 将客户问题、价值主张、价值链与盈利逻辑结构化
- 4. 诊断当前商业模式
- 运用 BM HealthCheck 与 IndustrySight
第 2 天 — 转化为市场进入与增长执行战略
- 1. 探索替代方案与红队审视
- 审视替代模式、竞争视角、失败条件与盲点
- 2. PM 市场进入战略
- 细化定位、信息、渠道、合作伙伴、定价与方案
- 3. 战略压力测试
- 审视竞争应对、失败情景与遗漏变量
- 4. 增长阶段路线图
- 设定探索–验证–进入–扩张各阶段的目标与指标
使用服务：BM HealthCheck、IndustrySight、AI ToolBox、BM Explorer（开发中） · 框架：BM ZEN 工具包、TPM Circle、PM 市场进入战略
05运用 AI 的 AX 业务转型工作坊
AX 转型命题 · 人–AI 协作结构 · 数据·绩效飞轮 · 执行路线图
这是一场为期 2 天的上门工作坊，旨在摆脱单纯测试 AI 技术的 PoC，将客户价值、人与 AI 的角色、数据、绩效改善、经济性与风险管理以及引入路线图，整合为一套业务转型战略。
第 1 天 — 将 AI 引入构想转化为转型蓝图
- 1. AX 业务转型的视角
- 自动化·引入 AI 功能与业务转型之间的差异
- 2. 转型课题与转型命题 — Why ①
- 定义核心问题、转型目标与成功标准
- 3. 客户价值与经济机会 — Why ②
- 定义目标客户、核心价值与经济机会
- 4. 人与 AI 的角色 — What ①
- 区分判断·责任与 AI 支持的工作
第 2 天 — 转化为可执行的业务战略与路线图
- 1. 数据与绩效 — What ②
- 设计数据–学习–响应–绩效飞轮
- 2. AI 模型·运行逻辑与治理 — How ①
- 设定 AI 角色、质量标准、风险与人工审批节点
- 3. 经济引擎与执行路线图 — How ②
- 制定收入、成本、引入成效与分阶段执行计划
- 4. 分享与反馈
- 各团队发布战略、开展交叉反馈并确定后续课题
围绕参与组织在实际运营、研发、产品和业务方面的课题，将各部门观点汇集到一张画布上，并在两天结束时留下可用于后续决策的 AX 转型战略初稿。
06 · 价值
超越 AI 使用方法，沉淀为组织长久保有的能力
超越短期工作效率，培养定义问题、作出更好判断，并将所学迁移到新课题的能力。
与 AI 一起更深入地思考，作出更好的决策。
定义组织的核心问题，批判性验证 AI 建议，并将其转化为可执行的战略与解决方案。
设计可迁移到实际工作的 AI 学习。
围绕人的主导性、协作、问题解决能力与学习迁移，提高培训成效。
探索不确定性，验证增长假设。
洞察趋势与客户，诊断商业模式，完善市场进入战略与增长路线图。
从证据与公众视角出发，制定负责任的解决方案。
在运用开放数据与 AI 的同时，由人主导证据验证与最终判断。
07 · 实施
根据组织课题设计课程与实施方式
实施形式面向企业·公共机构的上门培训、团队工作坊、研讨会、项目制学习
培训设计根据组织目标、参与者岗位和实际课题调整项目
开展方式概念讲解、团队讨论、AI ToolBox·专用框架实训、交叉反馈
主要成果画布、诊断结果、战略方案、洞察看板与执行路线图
日程·人数·地点确认组织课题与实施条件后，通过咨询协商确定
每个组织面对的问题都不相同。我们不会重复使用固定的工具清单，而是以当前所需解决的问题和决策为标准，安排最合适的课程与实训。
答案引擎
常见问题
可从课题视角快速了解 The Innovation Lab 的角色与方法论。
什么是 HAMMA？
HAMMA 是 The Innovation Lab 的 AI 教育方法：先由人提出问题与假设，批判性审视 AI 的交叉反馈，再由人作出最终判断，并让 AI 协助整理与执行。
与一般的 AI 工具培训有何不同？
课程不局限于学习特定生成式 AI 的功能或提示词用法，而是先定义组织的真实问题，与 AI 一起审视战略、趋势、客户、商业模式和 AX 转型课题，同时产出可用于实际工作的成果并培养判断能力。
哪些组织可以参加？
项目面向企业员工与 HRD 部门、初创企业和公共机构。我们会预先确认组织目标、参与者岗位及实际课题，并据此设计为上门培训、团队工作坊、研讨会或项目制学习。
培训结束后会留下哪些成果？
根据所选课程，将形成战略议题地图与执行计划、变化信号与机会监测看板、客户问题假设与客户旅程地图、商业模式诊断报告与市场进入战略，以及 AX 转型蓝图与执行路线图。