很多人学 AI 时，会把注意力集中在工具：会不会写提示词，会不会做智能体，会不会使用新模型。

但回到工作现场，真正卡住结果的往往是另一批问题：目标没说清、任务不会拆、数据不会看、结论讲不明白、跨团队推进不动、出现新情况又无法调整。

工具可以放大能力，也会放大混乱。

如果问题没有定义清楚，AI 只会更快地产生一堆不需要的内容；如果缺少验收标准，再强的模型也无法替你判断结果是否可用。

AI 时代的职业底座，仍然是一组可以跨岗位迁移的通用能力。

一、结构化思维：先把问题说清楚

结构化不是把所有内容做成三点，而是能区分目标、现状、原因、约束与行动。

接到模糊任务时，你是否能问清“为什么做、为谁做、怎样算完成”？这是使用 AI 的第一步，也是独立负责工作的起点。

二、逻辑分析：别被看起来合理的答案带走

AI 很擅长生成流畅表达，但流畅不代表正确。

逻辑能力体现在：识别前提、区分相关与因果、检查证据是否支持结论，并发现遗漏的可能性。没有这项能力，人很容易把 AI 的自信语气当成事实。

三、表达写作：让信息真正被理解和采用

表达不只是文笔。写方案、发消息、做汇报，都需要根据对象选择信息顺序和细节。

AI 可以生成初稿，但你仍需判断对方关心什么、哪里可能误解、需要他采取什么行动。

四、数据意识：用证据修正感觉

数据意识不是人人都做复杂建模，而是知道指标代表什么、数据从哪里来、口径是否一致，以及什么变化值得继续追问。

有了 AI，制作图表和分析初稿更容易，但错误口径也可能被包装得更漂亮。

五、学习能力：把新知识转成工作方法

真正的学习不是收藏教程，而是完成“理解—试用—反馈—总结—迁移”的闭环。

面对新工具，学习能力强的人不会只问“有什么功能”，而会快速找到与自身任务的连接，验证后沉淀成可复用方法。

六、协作能力：复杂工作仍然需要共同完成

绝大多数有价值的项目，都涉及目标冲突、资源限制和角色差异。

协作能力不是一味配合，而是明确责任、同步信息、处理分歧，并推动团队围绕结果行动。AI 可以减少信息整理成本，却不能自动建立信任。

七、为什么通用能力会决定 AI 的上限？

同样一个模型，有人只能生成文案，有人能把它接入完整工作流。差别通常不只是提示词，而是后者知道如何拆任务、提供上下文、设置验收标准并持续迭代。

你可以把 AI 看作杠杆。通用能力是支点。没有稳定支点，杠杆越长，结果越难控制。

CAIE 小提示 测评结果不是单纯追求总分。更重要的是找到影响当前工作的关键短板，并用真实任务训练，观察行为和结果是否改变。

八、测一测：你的职业底座稳不稳？

进入「数智化人才能力测评」小程序，完成通用能力相关测评。结合当前岗位，优先选一项最影响结果的能力，设计四周训练计划。

工具会更新，岗位会变化。能够理解问题、学习方法、判断结果并与人协作，才是更难过时的职业资产。

测评用于个人学习和职业发展参考，不代表对工作绩效、录用或晋升结果的确定判断。