某教育公司：AI课程设计的L3陷阱
50人教育公司AI转型中，课程大纲生成环节卡在L3的典型案例——AI出大纲，教研团队标准不统一，权责真空
背景一家 50 人教育公司启动 AI 转型 6 个月后报告："课程大纲生成"这个环节用 AI 反而比纯手工还慢。CTO 来诊断。
CTO 问"AI 为什么越用越慢"。真正要回答的是：是 AI 不够强，还是用 AI 的方式有问题？这两个判断会导出完全不同的解药 —— 升级模型 vs 升级流程。
把公司所有用了 AI 的环节按 L 层分类，看哪些卡哪些通。
三个环节三个状态。课程大纲生成 = L3（AI 出大纲，教研有时采纳有时推翻），卡。教学内容撰写 = L2（AI 写初稿，老师修改量 > 50%），慢但稳。学员评估 = L4（AI 自动评分 + 反馈，老师只审异常），跑得好。L3 是最危险阶段，恰恰是"AI 输出 + 人工评审"这个组合 —— 标准不结构化时，AI 输出与人评审错位，反复修改成本反超手工。
看清这个流程应该走到哪一阶段，再倒推现在该做什么。
终点应该是 L4（AI 主导，人监督） —— 但跳不过 L3 必经的"标准结构化"。当前 L3 卡住的根本原因：把"修改大纲"这件事交给了 AI，但"验收大纲"的标准还在每个人脑子里。AI 没有可对齐的目标，自然怎么改都不对。L3 的解药永远是把人的隐性标准显性化，不是换更大的模型。
想清楚组织层面要不要重新配置：谁负责定义标准、谁负责评审、谁负责调 AI？
专家轨需要 1 个资深教研把"好大纲"的隐性标准提炼成 20 条结构化原则（场景对齐 / 认知顺序 / 难度梯度 / 测验配比...）。全员轨用这套标准评审 AI 产出。专家轨负责定义、全员轨负责执行 —— 这才是 L3 该有的人机协作结构。
L3 是最危险的阶段 —— 大量"用了 AI 但没提效"的案例都卡在这里。直觉是"AI 不够智能"，于是换更大的模型、调更复杂的 prompt。但真正的解药不是升级 AI，是把人的判断标准结构化。AI 只能对齐你能说清楚的目标 —— 你说不清楚"好大纲"是什么，AI 就永远做不出"好大纲"。这跟 IQ 没关系。
- 暂停 AI 大纲生成 2 周，先做"好大纲标准化"工作坊
- 1 个资深教研牵头，提炼 20 条可勾选的评审标准（场景/顺序/梯度/测验配比）
- 把这 20 条变成 AI prompt 的硬约束，让 AI 在生成时就遵守
- 明确权责：AI 出初稿 → 教研按标准评审打分 → 80 分以上发布，不到的退回重写一次
- L4 已经跑通的环节（学员评估）保持，做为团队对 AI 信心的锚
- 不要升级 AI 模型 —— 这个不是模型问题
- 不要让 AI 不停反复改 —— 设置最多 2 轮上限
- 不要直接跳到 L4 自动发布 —— 风险太大，必须先稳定 L3
下一轮：用 EV02 数据场景飞轮设计"被打回的大纲"如何反哺 AI 训练数据，6 个月后再尝试推进到 L4。
换你的问题，InnoLab 来跑一次
这是 InnoLab 在 v0.1 跑过的案例。你也可以把你的真实商业问题输进去。