本系统文献综述针对生成式人工智能（Generative AI, GenAI）在教育与商业领域的应用展开分析，聚焦所需胜任力、衍生障碍及潜在收益三大核心维度。研究严格遵循PRISMA 2020方法学框架，数据来源于SCOPUS与ERIC数据库。经检索共识别538篇文献，全文筛选后纳入206篇。纳入文献中仅33%（教育领域）与29%（商业领域）为实证研究，凸显该领域研究仍以概念性探讨为主。研究人员结合归纳编码与生成式人工智能（ChatGPT-4o）交叉验证的分析方式，将人工智能素养界定为一种多维构念，包含技术胜任力（如算法素养、提示词工程）、个人与人际胜任力（如适应性、协作能力）以及伦理与批判性思维胜任力（如偏见意识、伦理反思）。教育领域文献侧重自适应反馈、包容性课程设计等教学应用，商业领域研究则聚焦流程自动化与数据驱动决策。研究识别的三大核心障碍为幻觉、伦理问题与剽窃，其在学生评估、人员选拔等场景中呈现差异化表现。应对上述挑战需构建针对性培训模块、伦理治理结构与制度支持体系，具体形式包括教师发展计划或职场技能重塑项目。生成式人工智能素养培训的三大核心收益被归纳为批判性思维、个性化教与学以及跨领域的个性化反馈。
引言
生成式人工智能（GenAI）已成为当代社会各领域的核心驱动力，其文本、图像及视频生成能力正深刻重塑专业环境。当前专业团队对GenAI的应用常缺乏战略规划，而其在法律、税务等领域的整合亟需考量特定场景的实践需求与规范约束。在教育场域，GenAI可构建个性化学习体验；在商业领域，其能变革生产流程、商业模式与产品形态。有效运用此类工具要求使用者掌握提示词工程（prompt engineering）等核心能力，但现状显示86%的员工认为需要GenAI技能提升，仅14%获得相关培训。现有研究尚未充分揭示GenAI概念在不同职业群体间的传播机制，本研究聚焦教育与商业专业人士的特定需求，二者在批判性思维、内容准确性、隐私保护与知识产权管理方面均面临独特挑战。研究旨在厘清两个核心问题：第一，教育工作者与商业专业人士需具备哪些专业胜任力以实现对GenAI的适当、安全、伦理与反思性应用？第二，这些胜任力在两部门间存在何种差异，其对专业发展有何启示？
背景
人工智能素养指个体以伦理与安全方式批判理解、评估及运用人工智能驱动技术的知识与技能。既有研究将其划分为知识、使用、评估与伦理议题四个维度。提示词工程作为连接素养与实践的关键概念，要求使用者具备信息素养与媒介素养以进行负责任的交互。同时学界警示需防范任务替代、核心能力退化及伦理风险。生成式人工智能在教育领域的整合涵盖个性化学习、虚拟助教与自动化评估，但也引发学生对AI内容的非批判性接受、认知参与度降低及算法偏见等问题。教育机构普遍缺乏AI工具使用的实操指南，过度依赖可能削弱判断力。研究强调人工智能教育应超越编程技能，纳入伦理考量、数字公民与跨学科应用，对非技术背景学习者更应侧重概念理解与影响认知。商业领域对GenAI的应用集中于信息研究、商务沟通与文本优化，但面临数据隐私、偏见缓解与人际信任维护等伦理挑战。技术解决方案的快速部署可能加剧劳动力替代、经济不平等与系统性脆弱性，且西方主导的技术方案常忽视本土知识与文化语境，存在技术殖民主义风险。企业需持续适应技术发展并解决工作保障焦虑与自动化偏见（automation bias）问题，欧盟《人工智能法案》第4条明确要求提供者确保员工具备充足的人工智能素养水平。
研究方法论
本研究采用PRISMA 2020框架执行系统文献综述，以增强透明度与可重复性。检索于2024年7月至10月在SCOPUS与ERIC数据库进行，检索策略覆盖生成式人工智能、素养、胜任力、学习、教育、商业等主题词。纳入标准聚焦专业工作者群体，排除基础教育阶段学生相关研究。文献筛选流程最终确定206篇纳入文献，其中教育领域占86%，商业领域仅占14%。分析采用归纳编码法，随机抽取30项研究进行评分者间信度检验，总体一致率达80%。研究人员同步使用ChatGPT-4o对归纳类别进行交叉验证，但最终分类保留研究者主导的解释框架。为确保伦理合规，所有初始编码均由人工完成，生成式人工智能仅用于验证既有类别，且所有输出均经人工核查以避免引入偏差。
结果与主要发现
人工智能素养
两部门均识别出三类核心胜任力：技术胜任力、个人与人际胜任力、伦理与批判性胜任力。技术胜任力包含编程、计算思维与算法素养，教育领域常将其嵌入整合技术的学科教学知识（TPACK）框架，强调与教学法的融合；商业领域则侧重通过编程与算法素养提升组织绩效，缺乏类似的结构化整合模型。个人与人际胜任力涵盖适应性、协作、沟通、创造力等维度，存在个体能力与集体支持、社会导向与绩效导向的张力，两部门均认可其对于AI整合的关键作用。伦理与批判性胜任力以批判性思维为核心，辅以偏见识别、公平性判断与信息核查能力，两部门均强调需避免对AI输出的过度依赖。当前概念化主要聚焦个体层面的输出评估，对系统性社会影响、透明度与人类监督等长期治理维度的关注不足。
人工智能素养培训的收益
收益可分为三个层面：个人发展层面，人工智能素养可提升跨文化沟通能力、增强自信并促进自主学习，教育中侧重个性化反馈与自我评估，商业中侧重跨文化交际效能。专业发展层面，其通过自动化行政任务、优化资源配置提升运营效率，教育领域表现为教学策略优化与自适应规划，商业领域体现为工作量减轻与绩效提升，但需平衡自动化增益与人类战略决策能力。伦理意识与批判性参与层面，培训能有效培育对AI伦理意涵的反思能力、负责任使用意识及偏见识别能力，当前实践更多聚焦个体层面的判断，对长期社会文化影响的关注有待深化。
生成式人工智能的障碍
研究识别出七类核心障碍：偏见与歧视源于训练数据的固有偏差，商业领域可能导致招聘歧视，教育领域可能影响学生评估公正性；可及性、公平与包容受数字鸿沟、资源分配不均制约，教育领域突出表现为基础设施与师资培训缺口，商业领域则与开发成本及商业激励相关；学术诚信与剽窃挑战传统评估体系，教育领域聚焦学生作业原创性，商业领域侧重知识产权合规；幻觉、错误信息与透明度问题威胁信任建立，教育领域需强化数字素养以应对虚假信息，商业领域需确保沟通的可靠性；人类监督与过度依赖构成双重风险，教育中需防范认知能力下降，商业中需维持高风险决策的人类主体性；隐私、安全与数据治理要求建立混合监管框架；福祉、人类发展与创造力面临被效率追求侵蚀的风险，需主动设计能滋养人类特质的AI集成环境。障碍与胜任力存在层级对应关系，伦理与批判性胜任力可直接应对六类障碍，构成风险防控的首要防线。
教育与商业领域的关键议题
教育领域议题围绕教学创新展开，包括GenAI支持的混合学习环境构建、课程与教学设计整合、教师角色重构及评估范式转型。核心关切在于平衡效率增益与人文主义 pedagogy，防范过度自动化削弱教师专业判断，同时需解决算法偏见、基础设施不均等系统性障碍。商业领域议题聚焦组织实践整合，GenAI主要用于增强常规任务效率，要求员工掌握提示词工程与局限性认知。核心挑战在于协调技术效率与伦理责任，建立涵盖监管合规、隐私保护及人类监督的治理体系，避免创新追求侵蚀人文价值与决策质量。
讨论
针对研究问题一，人工智能素养是三类胜任力的协同整体，任一维度缺失均会导致实施风险。障碍映射显示伦理与批判性胜任力具有基础性地位，应在培训序列中优先发展。针对研究问题二，两部门虽共享多维素养框架，但目标导向存在本质差异：教育以学习者认知与伦理能力发展为核心，商业以运营效率与创新绩效为导向，导致同类胜任力在具体应用中承载不同的伦理意涵。理论层面，本研究构建了分层素养架构，将伦理与批判性胜任力定位为统摄性元胜任力，超越了既有框架对技能集合的静态描述。实践层面，教育领域培训宜整合TPACK框架、伦理先行课程与协作学习社区；商业领域则需开发岗位特定的提示词工程训练、基于真实场景的偏见检测模拟及跨部门治理演练。跨领域知识转移并非直接移植技能模块，而应共享人类监督、伦理反射性等设计原则，教育领域可借鉴商业的结果导向推动实践落地，商业领域可吸收教育的包容性理念完善治理机制。
结论
生成式人工智能素养是保障技术负责任应用的核心。当前研究实证基础薄弱，尤其商业领域占比过低且概念化不足。未来研究需优先开展三方面工作：通过纵向设计实证验证素养干预效果，弥补商业领域证据缺口；探索跨部门框架整合路径，平衡教育的人文关怀与商业的效率追求；研发应对数字鸿沟、技术抗拒等系统性障碍的实施策略。政策制定者、教育者与企业领导者需协同构建支持持续学习与适应的制度环境，在释放技术变革潜力的同时守护人类核心价值。
