企业培训制度的考核项，该从学时换成掌握度

培训制度里常写着硬性数字：人均每年不少于多少学时、新员工必须完成多少天集中培训、年度覆盖率不低于多少。这些条款当初有明确用意：经费和时间最容易被业务挤占，用硬指标保住资源是有效的。问题出在之后——数字与部门考核绑定，就从衡量手段变成要完成的任务。年底学时有缺口，补几场凑齐数字，内容是不是当下需要的反而排在后面。本文讨论的不是制度要不要执行，而是该衡量什么。

UMU 解决方案预约 Demo

培训制度的效力取决于它衡量什么

考核条款决定培训往哪个方向办

培训制度通常包含三类条款：组织与职责，规定培训由谁归口、经费从哪出；实施与流程，规定需求怎么提、课程怎么办、记录怎么留；考核与奖惩，规定用哪些数字衡量执行情况，并与部门评价挂钩。前两类决定培训能不能办起来，第三类决定培训往哪个方向办。各单位真正逐条对照的是第三类，因为只有它进入年度评价。制度选了什么数字作考核项，就替各部门定义了什么叫把培训做好。

投入型指标只能证明资源到位

考核项分成两类。学时、场次、参训人次、覆盖率属于投入型，衡量企业为培训投入了多少资源。这类指标当初写进制度有其道理：用硬性下限先把预算和时间保住，是当时最直接的办法。局限也很清楚：投入达标只说明培训办了，不说明任何人因此多掌握了什么。另一类是结果型，衡量相关岗位在关键知识点上的掌握程度。判断一条考核项属于哪类，只需问：数字变好是因为多花了资源，还是因为有人多学会了东西。

培训制度执行中的主要挑战

完课记录漂亮，实战答不出

线上完课率与结课率可以接近满分，但员工面对客户的实际问题仍然答不出。课程多为单向录播和静态文档，靠挂时长、跳读、机械刷题即可通关，知识没有真正内化。

统一排课，学非所需

为凑齐学时统一排课，老员工在重复已知内容中失去积极性，基础薄弱的人在关键节点跟不上又没有额外辅导。培训被当成负担，参与度与完课率同时下滑，价值也更难证明。

拿不出掌握数据，无法归因

管理层追问培训到底有没有效果时，能拿出的只有场次、人次和学时达标率。现有系统只记最终得分，不记知识点级的掌握情况，也就无法判断能力缺口出在哪里、该向谁补训。

把学时变成掌握，要先改学习方式

学习过程中必须开口作答

UMU AI Generated Learning（AGL）用 AI 把企业已有文档转成互动式课程，同时覆盖课程创建与员工学习两端。课程中设有学习卡片、选择题、案例模拟等互动节点，学员要回答问题、复述知识、在情境中作判断才能推进。实证研究表明，这类主动加工比被动观看更有效。学时于是对应着可核对的作答。

个性化辅导不再依赖讲师人力

按各自节奏推进同一门课

排课统一而基础不一，是参与度下滑的直接原因，讲师又无暇逐个辅导。AGL 让 AI 在一门课里承担三种角色：讲授时是讲师，答疑时是导师，练习时是教练，依据实际作答给出针对性讲解与辅导。老员工不必在已掌握的内容上耗时间，基础薄弱的人能在卡住的知识点上获得追加解释。制度要求的覆盖面，不必以牺牲内容相关性为代价。

掌握情况可量化，才写得进考核

考核项从投入换成结果

传统测评只给得出考试分数，看不到知识点级的差异，制度过去只能考核学时和覆盖率——不是不想考结果，是拿不到数据。AGL 把掌握度量化到知识点，呈现个人的知识与技能路径图，并输出团队级报告。三者合起来构成完整路径：先让学习过程产生真实作答，再让不同基础的人都学得进去，最后把掌握情况变成可写进制度的考核项。