GitLab 发布内部 AI 赋能计划：构建“AI 流利”技术团队
在 AI 工具普及的浪潮中，GitLab 发现一个普遍现象：给予不同团队相同的 AI 工具，往往导致截然不同的结果。有的团队凭借 AI 加速交付并减少 Bug，而有的团队则因缺乏有效工作流而陷入“幻觉”陷阱。
为此，GitLab 将人才发展（Talent Development）与企业技术（Enterprise Technology）团队深度整合，推出了一套旨在培养AI Fluency（AI 流利度）的内部 playbook。GitLab 认为，AI 流利度——即员工懂得如何向 AI 委托任务、构建原生 AI 工作流以及评估 AI 输出——与工具本身的获取同等重要。
核心突破：混合治理模型
GitLab 摒弃了“完全集中”或“完全分散”的极端治理模式，转而采用联邦混合模型：
- 中央治理枢纽：由 Enterprise AI 团队负责制定标准、安全护栏及最大供应商策略，确保所有上层工具均符合合规要求。
- 地方自治策略：每个业务职能（Function）设立嵌入式的AI Transformation Owner（AI 转型负责人），负责识别本地化 AI 应用场景。
- 内部大使机制：在各职能组内组建AI Champions（AI 大使）社区，作为“卓越中心”，负责实验、支持同事并推广正确的采用路径。
“在 GitLab，我们向客户提供的核心价值之一是‘速度与可控性’。内部运营原则是‘速度与质量’。我们的治理模型将两者结合，允许团队快速交付，同时符合企业治理与合规需求。” —— Manu Narayan, CIO
分层培训：基于“AI 素养阶梯”的实战路径
为解决员工 AI 能力参差不齐的问题，GitLab 推出了AI Literacy Ladder（AI 素养阶梯）自评估工具，帮助员工定位自身水平并推荐个性化路径。
该培训体系强调实用知识与工作流落地：
- 场景化课程：内容涵盖规划、代码审查、修复故障流水线及安全修复，而非单纯介绍工具操作。
- 分层工作坊：全员课程建立基准线，随后针对工程师开展高级实战实验室（Practical Labs）。
“我们的目标不是教授今天的工具，而是培养判断力和持久技能，使团队成员能随着 AI 的演变自信地适应。” —— Rob Allen, Chief People Officer
实测成效：从信心到生产力
根据项目反馈与数据监测，该计划取得了显著成果：
- 技能转化率：87% 的参与工程师表示将在未来两周内应用所学内容。
- 工具活跃度：项目启动一个月后，工程师信任的核心内部 AI 编码工具的日交互量提升了 22.3%。
- 培训满意度：非技术工作坊中，95% 的参与者表示两周内会应用所学，92% 报告了对 AI 工具使用信心的提升。
GitLab 通过这套组合拳，不仅解决了技术落地的“最后一公里”问题，更为其他组织提供了可复制的 AI 人才发展范式。
