為什麼大多數 AI 家教其實教不了您的員工

問題所在

大多數線上課程的完課率僅有 15–20%。這意味著每招募一百名員工，就有八十人以上從未完成課程。您的培訓預算不斷蒸發，而員工卻仍未做好準備。

新一波「AI 家教」原本應該解決這個問題。但它沒有。這些工具的絕大多數，正是工程師所說的「套殼」應用程式：拿一個 GPT-4 這類通用 AI 模型，在上面加一段寫著「扮演老師」的系統提示詞。產出的東西說話像老師——使用鼓勵性的語言和蘇格拉底式提問——但它的思考方式並不像老師。

問題的核心在於：這些 AI 家教沒有狀態（stateless）。它們對您的學習者沒有任何持久記憶。真正的講師記得某位員工上週在分數運算上遇到困難，因此能預見他今天學比例時會出問題。而套殼 AI 把每一次對話都當成全新的開始。它無法將三個月前的錯誤觀念與今天的失誤連結起來，因為它缺乏該學習者知識狀況的結構化模型。

研究證實問題更為深層。在數學家教場景的測試中，大型語言模型經常透過錯誤的中間步驟得出正確的最終答案。它們還會把學生的正確作答判為錯誤，反而主動讓學習者更加困惑。新手員工根本無從分辨有效的解釋與自信滿滿的幻覺之間的差別。您花錢買的工具，有時會以十足的自信把錯誤的內容教給您的員工。

為什麼這對您的企業至關重要

對您的財務團隊而言，培訓是一項成本中心。真正重要的指標是「達到熟練所需時間」（Time to Proficiency）——也就是員工多快能投入生產。一套千篇一律的影片課程迫使員工坐著看完自己早已掌握的內容。這些全是在您薪資單上白白流逝的時間。

數據道出一個嚴峻的事實：

• 標準線上學習平台上 15–20% 的完課率，意味著您在每位學習者身上的投資大多付諸東流。
• 調適型 AI 家教可將完課率推升至 60–80%，讓每一元培訓支出的回報翻三倍甚至四倍。
• 深度知識追蹤系統可將總培訓時間縮短 40–50%，讓員工更快回到創造營收的工作崗位。
• 研究顯示，個人化調適型家教可使學習成效翻倍——即所謂的「2 Sigma」效應——遠勝於傳統教學。

除了直接的節省之外，還有留任與參與度的問題。學習平台的流失多半源自情緒：內容太簡單，員工會感到無聊；太難，他們會感到挫折而放棄。兩條路都通向同一個終點：您的員工拋棄了培訓計畫，您的投資顆粒無收。

如果您的組織身處受監管行業，培訓不完整就會帶來合規風險敞口。如果 80% 的員工從未完成課程，您將無法證明團隊具備應有的職能。您的風險主管和法務長應該像財務長一樣重視這個問題。

底層究竟發生了什麼

想理解套殼 AI 家教為何失敗，可以想想 GPS 與紙本地圖的差別。

紙本地圖展示每一條路。它準確但靜態——不知道您在哪裡、移動速度多快，也不知道您十分鐘前是否錯過了該轉的彎。標準 AI 聊天機器人在學習上做的正是如此：它具備知識，卻對您的學習者所處的位置毫無模型。

相比之下，GPS 即時追蹤您的位置，在您轉錯彎時重新規劃路線，掌握您目前的速度並動態調整抵達時間。一個名為深度知識追蹤（Deep Knowledge Tracing，簡稱 DKT）的系統，正是為教育做到了這一點。

DKT 使用一種內建記憶的神經網路——長短期記憶網路（Long Short-Term Memory network，簡稱 LSTM）——為每位學習者的知識維持一個持續更新的模型。白皮書稱之為「大腦狀態」（Brain State）。它不是記錄過往分數的成績冊，而是對當前能力的預測模型。

學習者每次回答問題，系統都會更新其內部模型。輸出結果是課綱中每個概念的機率分數。它可能預測您的員工答對基礎加法題的機率是 99%，但答對分數加法的機率只有 35%。那個 35% 告訴系統：先不要把這個概念丟給學習者，而是先提供輔助教材。

較舊的系統稱為貝氏知識追蹤（Bayesian Knowledge Tracing），它假設知識是二元的——要嘛會，要嘛不會。DKT 則能捕捉部分掌握、隨時間遺忘以及概念之間的隱藏關聯。在正面對決的測試中，DKT 的預測準確率比舊方法高出 25%。正是這種精確度，讓真正的調適型學習成為可能。

什麼有效（以及什麼無效）

首先，是三種一再失敗的方法：

• 「扮演老師」提示詞： 這只是在告訴 AI 該用什麼語氣，而不是策略。它塑造出一個善解人意的角色形象，卻完全不理解您的學習者下一步真正需要什麼。
• 擴大上下文視窗： 您可以嘗試把學習者的完整歷史記錄餵進每一次 AI 對話。但要為每一道問題處理數月的互動資料，其成本與延遲使這種做法在規模化時根本行不通。
• 人工技能標記： 較舊的系統需要人類專家為每道題目標上技能代碼。這種做法耗費人力、往往含糊不清，而且形成了跟不上內容庫增長的瓶頸。

真正有效的，是一種將「說話」與「思考」分離的三層架構：

1. 輸入——互動層： 您的學習者回答一道問題。系統記錄題目 ID、答案以及作答時間。這些原始資料會饋入知識追蹤模型。
2. 處理——認知層： LSTM 網路更新學習者的大腦狀態——一個代表其在所有概念上當前知識的高維向量。它為每個可能的下一道練習輸出機率分數。系統會挑出學習者成功率約在 40–70% 的題目。這就是「心流區」（Flow Zone）：挑戰與能力相稱，深度學習在此發生。
3. 輸出——策略層： 規則引擎讀取大腦狀態，為 AI 語言模型建構出具體指令。它不再下達「做個好老師」這類含糊的提示詞，而是說出類似這樣的話：「學生目前在線性方程式的『心流區』，成功率為 62%。呈現這道特定題目。不要透露答案。如果他們猶豫，提供與前置概念相關的提示。」

這種架構為合規與監督提供了一件至關重要的東西：可驗證的決策軌跡。系統提供的每一道題目，都可追溯到特定的機率分數、特定的大腦狀態和特定的策略規則。您可以稽核系統為何教授了它所教的內容。您的合規團隊可以驗證培訓涵蓋了要求的材料。您的學習與發展主管可以證明每位員工都展現出了實際職能，而不只是「看完了影片」。

對於沒有學習歷史的新員工，系統透過遷移學習處理「冷啟動」問題：以數千名先前學習者的匿名化資料得出的基線模型為新學習者播種。只需 10–20 次互動，系統便能快速收斂到個人化模型。

這整套方法還打造出一項競爭對手無法複製的策略性資產。套殼應用程式一個週末就能被抄走；但一個用貴組織專有學習資料訓練出來的 DKT 模型——捕捉您的員工實際如何學習您的教材——是一種隨著每一次互動而不斷加深的可防禦優勢。