先做采购判断，不要先排座次
如果你正在给管理者挑选“AI 能力框架”，第一步先确认自己到底要买哪一种东西。风险标准、法定义务、学习课程、基础设施指数和管理者测评，回答的是不同问题。把它们塞进同一张评分表，很容易得到一份整齐的排名，却选错工具。
本文比较九份企业常见的公开文件：NIST AI RMF 1.0 及其生成式 AI 专档、欧盟《AI 法案》、OECD AI 原则、联合国教科文组织教师框架、微软 AI Fluency 学习路径、思科 AI 就绪度指数、Section AI 熟练度报告、光辉国际 AI 就绪度测评，以及 DDI 的一篇测评可信度博客。这个样本按用途挑选，覆盖采购时最容易混淆的几类文件，并不代表市场普查。
披露：本文发布方 AI-Ready Leader 拥有文末讨论的五维模型。它是我们提出的一层管理监督方法，不在九份外部文件之列，也没有与它们放在同一张表里评分。
在被比较的九份文件中，有五份在原则、政策或组织层面提到人类监督或人工核验；没有一份提供经过独立验证的一线管理者行为量规，用来检查 AI 辅助交付物、核对信源、界定升级权限并管理审核队列。这个结论只说明“本样本里没有”，既不表示每份文件没完成自己的任务，也不构成市场普遍性判断。
十分钟判断路径
- 先确定要解决的问题：治理与政策、法定合规、全员素养、基础设施、采纳诊断，还是管理者监督。
- 用下文的“范围地图”看每份文件究竟写了什么。
N/A表示不在其职责范围，不是能力缺陷。 - 如果要采购管理者测评，索取样题、评分规则、构念映射、验证证据与局限说明。
- 材料过关后，先在一个高风险交付流程里选 3–5 名管理者试点，再决定是否扩大采购。
五种用途，不是一张排行榜
下面这些分类不是互斥的等级，也不是市场全景。部分文件会跨用途。这样拆开，是为了避免拿一份文件去回答它从未承诺回答的问题。
| 用途 | 本文涉及的文件 | 它能回答什么 | 它不能单独回答什么 |
|---|---|---|---|
| 治理与政策 | NIST AI RMF；欧盟《AI 法案》；OECD AI 原则 | 组织应建立哪些责任、风险流程或法定义务？ | 某个具体管理者是否真能完成监督 |
| 教育与个人素养 | 联合国教科文组织教师框架；微软 AI Fluency | 员工应该学会什么、能够解释什么？ | 学习是否改变了管理行为 |
| 基础设施与企业就绪 | 思科 AI 就绪度指数 | 企业在战略、基础设施、数据、治理、人才与文化上的准备度如何？ | 交付团队是否检查和签核 AI 辅助成果 |
| 采纳与领导力诊断 | Section AI；DDI；光辉国际 | 员工如何使用 AI，管理者和组织如何自报就绪状态？ | 是否存在经过验证的管理者审核行为测评 |
| 建议的管理监督层 | AI-Ready Leader（作者自建模型，未参与评分） | 管理者测评应覆盖哪些可观察的监督行为？ | 我们的工具有没有独立效标关联效度 |
这样拆开之后，采购范围会更窄。治理标准可以为管理者测评提供政策背景，素养课程可以帮助员工准备，基础设施指数可以判断运行环境是否就绪。但这些材料都不能替代一项证据：测评确实测量了你要的行为。
范围地图：哪些文件“提到”监督，哪些根本没测管理者行为
下表的编码只描述文件范围，不评价文件质量：
- 已提及（Named）：文件明确写到与该项相关原则、要求、控制或组织做法，不代表它提供了经过验证的一线管理者行为量规。
- —：该能力属于文件自述范围，但未明确展开。
- N/A：该能力不在文件自述范围内，不构成缺陷，也不计入任何“多数”或覆盖率统计。
- 相邻（Adjacent）：相关，但讨论的是另一种构念，不计入本文的监督覆盖结论。
本文不计算总分。四项相加会制造一种文件并不支持的精确感。
| 文件 | 自述职责 | 产出检查 | 内容溯源 | 权限边界 | 审核产能 | 证据位置 |
|---|---|---|---|---|---|---|
| NIST AI RMF 1.0 + 生成式 AI 专档（2023/2024） | 自愿性风险管理指引 | 已提及 | 已提及 | 已提及 | — | MAP 3.5；MEASURE 2.1；AI 600-1 GV-1.5-001、GV-1.6-003 |
| 欧盟《AI 法案》（2024） | 法定要求；第 14 条适用于高风险系统 | 已提及 | 已提及 | 已提及 | — | 第 14(4)(a)–(e) 条；第 26(2) 条；第 12–13 条涉及记录与透明度 |
| OECD AI 原则（2024） | 政府间政策建议 | — | 已提及 | — | — | 原则 1.5(b)：对数据集、流程与决策的可追溯性 |
| UNESCO 教师框架（2024） | 教师胜任力与教学法 | N/A | N/A | N/A | N/A | 自述范围：5 个维度、15 项能力、3 个进阶层级 |
| 微软 AI Fluency（2026） | 7 模块学习路径 | N/A | N/A | N/A | N/A | AI 基础、搜索与推理、提示词、批判性思维、Copilot 交互 |
| 思科 AI 就绪度指数（2025） | 企业就绪度基准 | N/A | N/A | N/A | N/A | 6 大支柱、49 项指标；没有管理者审核行为测量 |
| Section AI 熟练度报告（2026） | 采纳情况与个人 AI 技能诊断 | — | — | — | — | 5,026 名美国知识工作者；管理者实践调查加动手任务 |
| DDI 指引博客（2023） | 讨论 AI 领导力测评的可信度 | 相邻 | 相邻 | 相邻 | 相邻 | 讨论测评决策的人工核验，不是生成式成果审核 |
| 光辉国际 AI 就绪度测评（2026） | 组织 AI 就绪度画像 | 已提及 | — | 已提及 | — | Q9 生命周期监督；Q11 人与 AI 的工作分工 |
因此，九份文件中有五份在某个层面提到监督或核验：NIST、欧盟《AI 法案》、OECD、DDI 与光辉国际。前四份中的 NIST、欧盟与 OECD 主要停留在系统、政策或组织层面；DDI 讨论的是另一类测评决策；光辉国际提供的是组织级问卷。没有一份给出一线管理者的行为量规。
UNESCO、微软和思科之所以标为 N/A，是因为它们本来就没有声称评估管理者监督。它们在各自领域仍有用，不进入管理者短名单并不等于内容不好。
作者自建工具，未参与上表评分。 AI-Ready Leader 提供一套 28 道题的情境判断测试，并采用自建的 D1–D5 构念映射。该工具尚无独立的效标关联效度研究，抗作伪与测量等值性也未报告。它是待检验工具，不是已验证基准。我们把它列为一条候选监督层，其增量效度仍需验证。
逐个看：每份文件负责什么
治理、政策与法定义务
NIST AI RMF 1.0 于 2023 年发布，官方明确说明它“intended for voluntary use”。MAP 3.5 要求组织定义、评估并记录人类监督流程；MEASURE 2.1 要求记录测试集、指标与测试、评估、验证和确认（TEVV）工具。2024 年的生成式 AI 专档增加了内容溯源定期复核（GV-1.5-001）以及在 AI 系统清单中记录人类监督角色（GV-1.6-003）等行动。这些是系统与组织层面的要求，没有规定业务主管如何逐项验收客户交付物。
欧盟《AI 法案》 则产生另一类义务。第 4 条要求提供方与部署方采取措施，支持员工获得足够的 AI 素养；第 14 条针对高风险系统规定人类监督。第 14(4) 条包括监控系统、理解自动化偏差、解释输出、决定不使用或推翻输出，以及干预或停止系统。第 26(2) 条要求把监督分配给具备必要能力、培训、权限与支持的人。第 12、13 条涉及记录与透明度。这些条款可以支持文档设计，但不能单凭它们证明某位管理者已经核对了具体结论。
OECD AI 原则 是建议书，不是法规。原则 1.5(b) 建议对数据集、流程与决策保留可追溯性，以便分析输出并回应质询。官方页面把这份建议书称为“the first intergovernmental standard on AI”，并写明目前有 47 个 adherents，其中包括欧盟。它适合作为治理项目的政策背景，不是企业测评工具。
教育、素养与基础设施
UNESCO 教师框架 覆盖 5 个维度、15 项能力，以及 Acquire、Deepen、Create 三个进阶层级。它讨论的是教学与教师发展，不属于本文的管理者测评问题。
微软 AI Fluency 学习路径 包含 7 个模块，内容涉及 AI 基础、生成式 AI、搜索与推理、提示词工程、批判性思维和 Microsoft Copilot。微软把它定位为学习路径，并未声称它能给管理者的审核行为打分，也不应被当作测评工具使用。
思科 AI 就绪度指数 用 6 大支柱、49 项指标评估企业。2025 版报告指出，只有 24% 的组织能通过有效护栏与实时监控管控智能体动作，Pacesetters 中这一比例为 84%；13% 的组织达到 Pacesetters 标准。人才支柱询问企业内部 AI 人才、技能与招聘情况。公开指数没有提供管理者审核队列的题项级证据，它本来也不是为此设计的。
采纳、领导力与组织就绪
Section AI 的 2026 年报告 调查了 5,026 名美国知识工作者。报告称，33% 的管理者每日使用 AI；65% 要么不对 AI 设定预期，要么鼓励使用但不问责；7% 要求使用 AI 并把它与绩效评估挂钩。其 AI 技能测量同时包含管理者实践的自陈调查和动手提示词、助手指令任务；只有 3.8% 写出了可用的助手指令。报告指出的是管理实践缺口，没有测试真实审核队列中的取舍，65% 也是两类人的合计。
DDI 于 2023 年发布的博客 提出一个相关但不同的观点：“The decisions made by AI should always be checked and verified by humans to ensure their validity and fairness.” 这里的语境是 AI 辅助领导力测评的决策。它可以作为人工核验的类比，不能证明 DDI 评估了管理者对生成式成果的审核。
光辉国际的 22 题 AI 就绪度测评 覆盖战略、领导力、组织、流程、人才、文化、执行与负责任 AI 八个维度。问卷询问组织是否明确划分人与 AI 的工作，以及是否把监督嵌入 AI 生命周期。这些是组织层信号；22 道题没有明确测量管理者是否抽检概率性产出、核验信源或管理审核产能。
证据能说明什么，不能说明什么
本文最有力的研究证据来自与采购问题相邻的研究。它们能帮助收紧结论，但不能替代对某个具体测评工具的验证。
| 证据 | 实际测量了什么 | 可以支持的结论 | 不能推出什么 |
|---|---|---|---|
| 哈佛商学院 AI 研究院 2026 年对 HBS/BCG 随机对照研究的回顾（工作论文首版于 2023 年，期刊版于 2026 年发表） | 758 名顾问；AI 接入与简短提示词培训 | 在任务前沿之内，GPT-4 使用者完成子任务多 12.2%、速度快约 25%、质量评分高约 32%。在前沿之外，准确率从无 AI 的 84.5% 降到 GPT-4 的 70.6%，再降到 GPT-4 加提示词培训的 60.0%。 | 不能说是“缺少监督习惯”导致结果；研究测量的是任务准确率，不是审核行为 |
| NBER 客服研究，2023 | 5,179 名客服坐席；AI 接入后每小时解决问题数 | 平均生产率提高 14%，新手与低技能员工提高 34%，经验丰富员工影响很小 | 不能说起草速度提高 34%，也不能说资深审核产能固定；这两项都未测量 |
| Section AI 熟练度报告，2026 | 管理者实践自陈加动手助手指令任务 | 管理者的预期与问责差异很大；个人提示词任务不能证明监督判断力 | 不能说报告测量了管理者对 AI 辅助交付物的审核 |
| arXiv Interaction Readiness 预印本，2026 | 面向人类岗位中 AI 智能体的框架提议 | “权限边界失准”值得列为设计风险：智能体能做什么、何时必须升级 | 不能说该预印本因果证明了大范围业务失控 |
HBS/BCG 的研究支持一条克制的操作规则：当任务超出模型可靠范围时，通用提示词和速度不能替代交付前的任务特定检查。研究没有告诉我们哪种管理行为本可阻止错误，因为它没有测试管理行为。
NBER 的研究 说明的是收益异质性：经验较少的客服坐席获益更大。把约束理论用于知识工作审核队列，是本文的推论。要使用这条推论，应测量你自己的队列，不能把 NBER 的客服结论直接搬到咨询、研发或财务交付。
DDI 与 arXiv 适合提醒治理设计该问什么。两者都不是管理者测评的验证研究。供应商如果把一个可信原则包装成心理测量证据，采购方应要求它拿出本工具的样题、评分与效度材料。
AI 能力框架怎么选：采购前必问的 6 项
把下表当作一次初筛，不要把它当成完整 RFP 或法律意见。向供应商索要材料，不要只听口头保证；同时写清谁对最终判断负责。
| 检查项 | 索要什么 | 过关信号 | 淘汰条件 | 负责人 |
|---|---|---|---|---|
| 构念与样本 | 2–3 道样题、评分规则、构念映射、验证样本说明 | 情境测试管理者在不确定条件下的判断；样本与目标管理者匹配 | 只有术语题或泛化自评 | HR/OD 测评负责人 |
| 信度与抗作伪 | 信度证据、抗作伪设计、分组结果与局限说明 | 供应商同时说明已知与未知 | 没有任何评分证据，只用“SJT 普遍有效”作背书 | 心理测量或独立测评评审人 |
| 监督情境 | 覆盖产出检查、信源核验、升级权限与审核产能的题项 | 能看出每道题想预测哪个可观察行为 | 四个锚点都没有样题或评分规则 | COO 或交付负责人 |
| 验证与边界 | 效标关联验证报告、样本量、流失率、不能主张什么 | 主张与研究设计相符，局限写得明确 | 借用无关测试的效度，或不提供任何局限 | HR/OD 与独立评审人 |
| 工作流、产能与成本 | 工作流图、每位管理者的施测时间、实施计划、总成本与参考客户 | 能在试点中测量审核周期、首检合格与管理者负担 | 只有培训方案，无法观察行为变化 | 运营与采购 |
| 数据、公平与法律 | 数据流图、保留期限、安全评审、不利影响分析与法务复核路径 | 数据最小化；供应商只说明文档支持，不宣称认证合规 | 声称“测评记录能证明合规”，或缺少安全条款 | 安全、隐私与法务 |
如果供应商拿不出样题、评分规则、构念映射、验证证据与局限说明，不要把它放进管理者能力短名单。材料过关后，在一个高风险交付流程中做 3–5 名管理者的试点。试点前后都测量四项目标行为、错误漏出率、审核周期与管理者投入时间。只有这些证据站得住，才扩大采购。
关于测评方法本身，可参阅如何通过情境判断测试评估管理者的 AI 技能。关于试点应测量的审核队列，可参阅为什么企业 AI 转型卡在中层管理者。若需要一套四阶段的管理监督基线，可阅读管理者 AI 成熟度模型：四级十二阶进阶指南。
范围、证据与产品披露
样本范围。 这九份文件按不同制度用途挑选，不以估计市场占有率为目的。换一组样本，结论可能不同；本文的判断只覆盖所评文件。
证据类型。 官方标准与法规用于说明其明确要求；厂商文件用于描述各厂商自己的框架；同行评审研究与预印本分别标注。厂商调查属于横断面数据，不宜当作因果证据。
产品披露。 AI-Ready Leader 拥有文中提到的五维模型和 28 道题情境判断测试。D1–D5 构念映射由我们自建，尚无独立的效标关联效度研究，抗作伪与测量等值性也未报告。它是一条待检验的管理监督候选层。文中的五维能力模型描述管理者在 AI 辅助交付中如何委派、检查、评审与衡量产能，不是外部基准。
法律边界。 本文对欧盟《AI 法案》的概述不构成法律意见。测评记录可以支持与第 4 条、第 14 条相关的文档，但不能单凭记录证明企业已经合规。系统分类与具体义务应交给合格法务判断。
本文最终只留下一个很窄的采购问题：AI 辅助交付物到客户手里之前，谁负责检查，检查后留下什么证据，管理者能否管住这条审核队列？一份文件如果回答不了这些问题，仍可能适合治理、学习或基础设施规划，但不能替代管理者测评。
想继续阅读系列研究，可浏览 AI-Ready Leader 洞察库。如果你需要针对上述四项监督行为建立结构化基线，可以查看 AI-Ready Leader 的 28 道题诊断，并把结果当作发展参考，而不是该工具已经获得独立验证的证明。