越来越多的产品团队开始使用 AI：产品负责人用它整理需求，开发人员用它生成代码，Scrum Master 用它辅助准备研讨活动。然而，使用频率的增加，并不必然带来产品价值的提升。
一个人可以熟练地向 AI 提问，却缺乏验证结果的能力；一个团队可以更快地产出代码和文档，却没有改善整体交付；一家组织可以积极部署智能体，却没有同步明确授权边界和责任归属。
Scrum.org 发布的《连接 AI 与产品交付：AI素养进阶地图》（Connecting AI and Product Delivery: The AI Fluency Journey Map），正是围绕这些问题展开。这份白皮书，为 Scrum 实践者、产品负责人、Scrum Master 和开发人员提供了一张帮助定位现状、识别能力缺口和判断下一步方向的“进阶地图”。
它传递的核心观点是：AI 素养的成长，需要同时关注个人能力、团队工作方式，以及 AI 在产品开发中承担的角色。
一、如何理解 AI Fluency：熟练使用之外，还要具备判断力
AI Fluency 可以理解为“AI 素养与熟练应用能力”。在这份白皮书中，它涵盖了四个持续发展的能力领域：
• 理解（Understanding）：认识 AI 的能力、局限，以及不同任务和情境对工具的要求。
• 引导（Direction）：清晰表达目标、背景和约束，并组织有效的人机协作。
• 评估（Evaluation）：检查输出的正确性、完整性和适用性，进一步评估工作过程。
• 责任（Responsibility）：保护数据、承担结果责任，并建立适当的审查与治理机制。
这四个领域贯穿整个成长过程。初学者需要理解幻觉并核实事实；成熟实践者需要发现遗漏、审查设计一致性；更高水平的实践者则要设计团队评价标准，识别系统性错误。
因此，AI 能力不能仅凭使用次数、提示词数量或生成内容的速度来判断。一个人能否解释、验证并为 AI 辅助产生的结果负责，同样关键。
二、先辨认情境：AI 参与产品开发的四种模式
白皮书建议，在判断能力水平之前，先识别团队处于哪一种 AI 参与模式。原因很直接：同一种技能，在不同情境中的作用和评价标准并不相同。 这里的 PD 指产品开发（Product Development）。
PD with AI：借助 AI 开发产品
AI 增强个人的工作能力，例如辅助分析、编码和写作。关键关注点是产出质量、设计一致性，以及是否改善团队交付。这也是白皮书认为多数团队当前所处的情境。
PD of AI：开发 AI 系统
AI 本身构成产品的重要部分。不确定行为、数据管道和模型评估，成为需要优先处理的工程问题，团队必须建立相应的质量标准。
PD through AI：通过 AI 实现产品创建
人主要描述意图，由 AI 承担更多实现工作。规格说明的质量，以及对实际产品的验证，成为关键。随着实现更容易，瓶颈可能转向“是否说清楚要做什么，以及是否确认做对了”。
PD to AI：治理具有自主性的 AI
AI 能够在一定范围内自主行动。关键关注点转向人类授权边界、责任归属、审计和监督：它可以自行决定什么？哪些事项必须由人批准？如何发现越界行为？谁对最终结果负责？
这些模式不宜简单理解为所有团队都必须依次通过的四个等级。它们首先描述的是 AI 如何参与工作，以及由此产生的不同能力要求。
例如，用 AI 辅助生成一段代码，重点是审查其正确性及其与现有架构的关系；开发一个 AI 产品，还需要建立模型行为的评估基准；通过自然语言描述生成应用时，规格是否清晰、约束是否充分、结果是否符合真实需求，会变得更加重要。
白皮书关于 Scrum 从交付走向治理和监督的讨论，应当放在具有较强自主性的 AI 情境中理解。这是对未来工作方式的探索，不意味着所有团队都需要立即改变 Scrum 的定位，也不应被视为对《Scrum 指南》的正式修订。
三、三个能力层级：从安全使用到设计团队能力
在四种参与模式之上，白皮书提出三个 AI Fluency 层级。它没有只列出抽象能力要求，而是为每个层级描述三种状态：进入该层级之前的典型表现、在该层级有效运作的表现，以及向下一阶段发展的信号。 读者可以据此观察自己的实际行为。
三个能力层级｜根据白皮书整理绘制
第一层：基础层（Foundational）——安全、有意识地使用 AI
基础层面向团队中的每个人，重点是建立可靠的使用习惯。白皮书将其主要参与情境标注为 PD with AI。
在进入这一层之前，常见表现是：默认相信 AI 的回答，提示词简短且缺少背景，不清楚数据和工具使用政策，也不会主动验证看似合理的事实。
达到基础层后，实践者会把 AI 的首次回答当作草稿，为提问补充用户需求、业务目标和工作阶段，并在内容进入决策或交付物之前核实关键信息。他们知道哪些工具经过批准、哪些数据不能分享，以及何时需要披露 AI 的使用。
更重要的是，他们理解：AI 辅助生成的内容，仍然需要由使用者承担责任。不能因为“这是 AI 写的”，就免除解释、纠正和审查的义务。
向第二层发展的信号，通常表现为对质量产生更高要求：通用答案开始显得不够用，追问和修改成为自然习惯，也开始区分不同工具适合完成的任务。
这一阶段的变化，是从“能够安全地使用”，走向“希望持续改善使用效果”。
第二层：实践层（Practitioner）——以迭代和结果为中心协作
实践层强调有意识地组织工作，让 AI 对特定任务产生可靠帮助，主要对应 with、of、through 三种参与模式。
进入这一层之前，使用者往往已经掌握基本规范，却仍然依赖一次性提问：要求 AI 直接写一份用户故事、生成一份方案或完成一段代码。产出数量增加了，但团队整体吞吐量未必改善。
成熟实践者会把复杂任务拆成多个步骤，例如先澄清问题，再形成假设，随后制定验收标准。每一步的输出，都是继续推进前需要检查的中间结果。
他们也会持续提供目标用户、预期结果、约束条件和工作阶段，而不只是要求一种输出格式。
与此同时，评估能力必须跟上。除了发现明显错误，还要追问：有没有遗漏重要利益相关者？有没有忽略边界条件？这个方案是否符合产品目标？生成的代码是否破坏了整体设计？对于 AI 给出的解释，也要核查其中的假设和依据，不能把解释本身当成正确性的证明。
白皮书特别提醒，不同参与模式需要不同做法：开发 AI 系统时，完成的定义（Definition of Done，DoD）应纳入评估基准；通过 AI 创建产品时，清晰的规格说明成为人的关键贡献。
向第三层发展的信号，则是关注点开始超出个人效率：为什么同样的做法不能被团队复用？AI 应嵌入工作流程的哪个位置？现有规划假设、质量标准和审查机制是否仍然适用？
第三层：高级层（Advanced）——设计工作流、辅导团队、参与治理
高级层覆盖全部四种参与模式。其价值体现在能否把个人经验转化为团队持续拥有的能力。
一个人即使使用 AI 十分熟练，如果优秀实践只存在于个人习惯中，团队仍可能面临审查标准不一致、流程临时拼接和责任不清等问题。
白皮书将这一层的有效表现概括为工作编排者、教练和设计者，其工作包括：
• 设计多步骤工作流，在关键交接点保留人的判断，并维持检视与适应的循环。
• 建立可复用的提示模板、评估标准和规格说明规范。
• 根据 AI 参与模式调整治理机制和质量要求。
• 重新校准 Scrum 活动中的假设，让回顾能够积累实验经验。
• 辅导同事，同时保护基础知识和专业判断力的形成。
这里有一个重要区分：让 AI 帮助人完成工作，与把工作委托给 AI，意味着不同的监督责任。
当 AI 的自主性提高，团队需要明确它能采取的行动、必须升级处理的情况，以及人如何审查和接受其结果。高级能力因此包含对工作机制的设计，而不只是对某次输出的检查。
白皮书还讨论了第三层之后的方向：参与组织层面的治理、标准和人才转型，甚至帮助调整组织产品开发所依赖的框架。但它并未将这些内容正式定义为第四层。
四、为什么“更快”还不足以证明 AI 有效？
白皮书的重要价值之一，是正面讨论 AI 生产率证据的复杂性。
它引用的研究既包括特定结构化任务上的效率改善，也包括代码质量、技术债务、理解程度和学习效果方面的风险。这些研究涉及不同对象、任务和方法，不能直接拼成一个适用于所有团队的统一效率结论。观察性研究中的相关变化，也不能直接等同于 AI 导致了这些变化。
对实践者而言，更有意义的启示是区分三个问题：
任务有没有更快完成？团队有没有更顺畅地交付？产品有没有产生更好的结果？
三者之间需要证据连接。
从任务效率到产品结果｜根据白皮书整理绘制
例如，代码生成时间缩短了，如果审查、集成和后续维护的负担同时上升，团队未必真正受益。同样，用户故事写得更多，也不意味着团队更理解用户问题。
因此，评价 AI 的作用，需要把即时产出与后续成本一起观察。白皮书倡导的成熟态度，是承认某些任务确实受益，同时识别哪些情境可能积累隐性成本。
五、两种容易被忽略的风险：审查松懈与能力流失
1. 输出越精美，审查可能越容易松懈
白皮书援引研究，将一种值得警惕的现象称为“制品效应”（artifact effect）：面对看起来完整、专业的 AI 产出，用户可能投入更多精力进行前期引导，却减少了对最终结果的评估。
这对熟练使用者尤其有提醒意义。认真编写提示词后，人更容易认为结果也足够可靠；但提示词质量与结果审查是两个需要独立坚持的环节。
结构完整的方案仍可能遗漏关键约束，语言流畅的分析也可能建立在错误假设上。表达质量不能替代证据质量。
2. 工作完成了，能力却未必形成
白皮书将“有意识的技能形成”作为贯穿三个层级的主线。
其引用的研究提示，在特定学习任务中，AI 辅助可能伴随理解和知识掌握方面的损失。对白皮书而言，这意味着团队不能只观察任务是否完成，还要关注完成任务的人是否真正理解了过程和结果。
这一点对初级成员尤为关键。编写、调试、比较方案和处理错误，本身就是专业判断力形成的机会。如果这些过程持续被跳过，短期产出可能上升，长期却积累了不易察觉的能力欠账。
因此，高级实践者的辅导责任包含两方面：帮助同事有效使用 AI，也为他们保留必要的练习、解释和独立判断机会。
六、如何把进阶地图用于团队实践？
这份白皮书适合用来开启有证据的团队讨论。依据其框架，可以采取以下应用方式。
首先，识别具体工作的 AI 参与模式。 不要只给整个团队贴一个标签，而应检查需求分析、产品实现、模型评估和自主执行等活动分别涉及什么责任。
其次，用实际案例判断能力现状。 与其问“你是否擅长 AI”，不如共同检查一次真实协作：背景是否充分？事实如何验证？遗漏如何发现？结果由谁负责？
再次，选择一个明确瓶颈进行改进。 如果输出质量不足，就改善背景信息和任务拆解；如果审查负担增加，就加强评估标准；如果个人效果好而团队效果差，就检查交接和协作流程。
最后，同时观察结果与学习。 团队既要了解交付是否改善，也要了解成员能否解释方案、识别错误和处理 AI 无法解决的问题。二者共同决定能力能否持续。
这些建议是对框架的应用延伸，并非白皮书规定的一套统一实施流程。团队仍需根据产品、风险和工作情境选择具体做法。
结语：AI 素养最终要落实为可靠的产品交付能力
《AI素养进阶地图》把几个经常被分开讨论的问题放到了一起：个人如何使用 AI，团队如何组织协作，产品如何验证价值，以及组织如何在自主性提高时保持责任清晰。
它提醒我们，AI 能力的成长既需要更好的引导，也需要更严格的评估；既需要提高当下效率，也需要维护未来赖以判断的知识基础。
衡量成熟度时，一个值得持续追问的问题是：
当 AI 承担越来越多工作时，我们是否仍然知道为什么这样做、如何判断做得对，以及谁为结果负责？
本文依据 Scrum.org《Connecting AI and Product Delivery: The AI Fluency Journey Map》白皮书整理。
