刻意练习中，练习和结果要落到同一个动作

刻意练习要求练习对象是可以单独重复的动作，而不是一整项任务。以客户异议应对为例，一次完整的应对包含确认对方顾虑的具体内容、说明与之对应的方案差异、给出可核对的依据等若干步骤。把这几步合成一次演练，学员每次重复的是自己已经形成的整套做法，做得稳的部分和偏离的部分同时被重复。拆到单个动作之后，学员可以只重复确认顾虑这一步，讲师也能在同一步上比较前后两次的差别。

动作拆出来之后，还需要写清这一步做到什么程度算成立：包含哪些必要信息、依据什么资料、按什么顺序说明。标准写在动作一级，学员才能看出这次练习和上次差在哪里，讲师之间也有共同的对照基准。如果只给出表达要清楚这类整体要求，同一次练习在不同讲师那里会得到不同判断，学员拿到的仍然只是分数高低。

把练习拆到动作、写出各自的标准，完成的是设计一侧的工作。练习能否带来改进，还取决于每次练习产生的信息能否落回同一个动作。一次练习可能包含六个步骤，如果回收的只是一个总分，设计时区分出的六个动作在结果一侧又被合成了一个。讲师面对总分，只能判断这次练习整体上是否达标，无法确认哪一步需要再练。设计一侧区分到动作、结果一侧停在整体时，前者的精度在评估环节被抹平。

结果信息停在整体一级时，增加练习次数不会自动改变做法。学员按原有理解重复同一套流程，偏离的那一步没有被单独指出，重复的结果是这一步的做法更加固定。讲师看到分数没有提高，通常只能把整段内容再讲一遍，或者要求多练几轮，两种做法都没有落到具体是哪一步。

AI 可以降低学习活动设计与内容整理的投入，原来需要逐条编写的练习，现在更多是在已有资料基础上调整。投入结构变化之后，同一知识点不再只能配一套整体练习，可以按拆出的动作分别设置。培训经理的时间也从逐条编写练习，转向确定动作清单与各自的对照标准。

练习按动作分别设置后，学习过程中产生的作答、解释和判断也可以按动作归集。培训团队因此更容易观察到：学员在哪类动作上回答稳定，哪些动作反复出现同一类偏差，哪些动作隔一段时间后需要重新练习。这类信息说明的是学员在给定练习、题目和条件下的表现，不能直接当作已经掌握或岗位上会正确使用。