UCOP 的 AI Buddy Program 在隐私风险下检验同伴学习

加州大学校长办公室推出了一项自愿参与的 AI Buddy Program，尽管隐私、准确性和员工时间投入等问题仍未完全解决。

该项目将经验丰富的 AI 用户与希望获得实用指导的同事配对。参与者可通过直接的同伴支持，探索 ChatGPT、Claude、Google Gemini 和 Microsoft Copilot 等工具。

这一设计使该计划比又一场职场网络研讨会更具意义。UCOP 正在检验：可信赖的同事能否将普遍的 AI 认知转化为负责任的日常实践，同时避免将不安全的试验常态化。

其中的张力源于两项都合理的需求。员工需要有机会了解已经在改变行政工作的系统；但他们也会接触到并非可以安全输入所有聊天机器人的机构信息。

因此，UCOP 面临着大学和其他大型雇主共同的考验。工具访问和热情可以迅速扩散，但可靠的判断力形成得更慢。

UCOP 正将 AI 培训转变为同伴关系

AI Buddy Program 将职场 AI 教育从定时授课转向自愿的一对一学习。

据有关该项目推出的原始报道，UCOP 发言人 Stett Holbrook 将其描述为一项面向员工学习的内部自愿计划。经验更丰富的参与者将担任伙伴，为 AI 工具经验较少的同事提供支持。

这种配对模式承认了正式技术培训的一个常见弱点。一场演示可以讲解功能、政策和示例提示词，却很少能跟随员工进入复杂的实际工作流程。

当员工开始工作后出现问题时，同伴可以给予解答。问题可能涉及令人困惑的输出、含有敏感信息的文件，或是该任务是否适合使用 AI。

据称，参与者可在报名时确定希望探索的工具和主题。可能涉及的领域包括用于教学与学习的 AI、输出评估和事实核查。

这些选择至关重要，因为“AI 素养”涵盖多种不同能力。撰写有效提示词不同于评估引文、保护个人信息，或判断自动化是否合适。

该项目似乎也被设计为支持多个主要平台。这种做法反映出员工会通过大学账户和个人账户接触不同系统的现实。

不过，平台多样性也让培训变得更复杂。各项服务在合同、数据控制、保留做法、集成方式和获准用途上各不相同。

UCOP 自身的软件目录就体现了这一差异。其 ChatGPT 指引指出，大学业务必须使用 ChatGPT EDU，该版本获准处理符合 UC P3 分类的信息。

这一批准并不意味着每条提示词都合适。员工仍须理解所涉数据、处理目的，以及适用于该任务的大学规定。

Microsoft 的产品又增加了一层复杂性。Copilot Chat、Microsoft 365 Copilot 和 Copilot Studio 提供不同的连接和功能，即使员工可能将三者都称作“Copilot”。

UCOP 表示，Microsoft 365 Copilot 需要获得管理者批准。Copilot Studio 可以创建连接组织系统和文档的专用对话代理。

因此，伙伴的职责不应仅是展示一个巧妙的提示词。有效的指导必须将每项工作流程与正确的账户、获准平台和信息分类对应起来。

该计划还要求感兴趣的员工在参与前与主管沟通。这一细节可避免名义上自愿的学习活动变成隐形劳动。

如果 AI 学习发生在正常职责之外，参与将更偏向时间安排灵活的员工。它也可能给经验丰富的伙伴带来未被认可的支持负担。

管理者的参与可以保障学习时间，也能帮助团队选择与实际工作相关的用例，而不是在没有明确成果的情况下进行试验。

因此，第一项重要改变是组织层面的，而非技术层面的。UCOP 正在企业 AI 访问与日常采用之间建立一层人际支持机制。

UCOP 需要的不只是工具访问

UCOP 面临的挑战已不再是获取 AI 工具，而是帮助员工以一致、安全且可辩护的方式使用它们。

UC 已为伙伴计划奠定了大部分基础。一项覆盖 ChatGPT Enterprise 和 EDU 的全系统 OpenAI 协议于 2024 年 6 月生效。

这项 UC 协议包含数据隐私条款、供应商风险评估，以及对客户提示词和回复的保密保护。它还为参与校区建立了共享采购框架。

此后，UCOP 扩大了员工对 ChatGPT 和 Microsoft Copilot 的访问。其 2025 年技术报告称，已部署超过 1,000 个许可证，包括 700 个 ChatGPT 许可证和 300 个 Copilot 许可证。

报告还记录了自 2025 年 5 月以来提交的 23 万条提示词，并称 2025 年 6 月至 10 月期间有 800 名员工使用了 AI 工具。

这些数字表明存在使用活动，但活动不等于价值。提示词数量无法揭示输出是否正确、任务是否得到改善，或员工是否避免输入不当数据。

UCOP 的报告称，该机构正从基础建设迈向采用与影响。AI Buddy Program 正处于这一进程最困难的核心位置。

采购企业账户可应对若干重要风险。与个人消费者账户相比，它可以提供合同控制、受管理的访问和更清晰的支持。

然而，采购无法判断员工是否识别出草稿中的敏感材料，也无法确保有人会核实虚构的引文或发现细微偏见。

UC 的 AI Council 已将教育视为治理要求，而不是可选补充。其 Knowledge, Skills, and Awareness Subcommittee 负责持续推进培训、参与和最佳实践。

2026 年，该委员会还面向教职员工推出了 AI 素养网络研讨会系列。课程涵盖核心概念、实际使用、伦理责任和组织资源。

网络研讨会提供一致性和规模化覆盖；伙伴计划则提供语境、重复练习，以及一个更低门槛的承认不确定性的场所。

这种组合类似于分层安全培训。中央指引确立规则，而本地支持帮助人们将其应用到正式材料无法预见的情境中。

同伴学习还可以暴露书面政策与实际工作之间的差异。如果许多员工提出同一个问题，可能需要更清晰的指引或更合适的获准工具。

这种反馈在复杂机构中尤其有价值。UCOP 服务的职能包括采购、法律事务、学术政策、财务、传播和全系统管理。

一份通用提示词指南无法同样有效地覆盖这些环境。公开新闻稿的风险，与人事、法律、健康或学生信息所涉及的风险不同。

如果该计划能够将反复出现的问题转化为机构知识，便可能取得成功。有用的示例可以成为获准模板、培训案例，或 AI 资源中心的更新内容。

如果没有这一反馈闭环，该计划就可能沦为非正式帮助网络。员工会得到不一致的答案，而中央团队对采用障碍却知之甚少。

探索类似计划的组织，应将共享指引视为更广泛 AI 工作流的一部分。人们需要可复用的流程，而不是孤立的提示词技巧。

UCOP 的压力来自自身的进展。一旦企业工具覆盖数百名员工，非正式试验就会成为仅靠政策无法管理的运营现实。

同伴学习让 AI 更易接近，但也会传播错误

该计划最大的优势与核心弱点源于同一原因：员工正向他们已信任的人学习。

同事通常比外部讲师更了解本地用语、约束条件和重复性任务。这种熟悉感可以使指导立即发挥作用。

经验丰富的员工可以展示如何总结公开文件、重组草稿、生成会议问题，或比较不涉及机密信息的替代方案。学习者随后可以在相关工作中测试这种方法。

这种方法也减少了围绕基础问题的尴尬。员工可能不愿在大型培训小组中询问，为何聊天机器人给出不一致的答案，或提示词如何被存储。

伙伴关系为这些问题留出了空间。它可以帮助参与者认识到，不确定性是正常的，而核查是负责任使用的一部分。

这一模式也承认 AI 的采用具有社会属性。人们会先观察受尊敬的同事如何使用工具，再决定它是否适合自己的工作。

当伙伴以身作则地保持克制时，这一机制可以推广谨慎习惯。他们可以解释为何删除敏感细节、选择获准账户，或拒绝某个答案。

同样的机制也能以同样高的效率传播不良做法。自信的员工可能误解数据规则、重复不可靠的技术，或将个别成功案例当作确立的证据。

熟悉某项 AI 产品，并不自动意味着具备为他人提供建议的资格。高频用户可能擅长生成输出，却仍不擅长来源核验或隐私分析。

因此，UCOP 需要明确定义伙伴角色。伙伴应帮助同事学习，但不应成为非正式的隐私官、律师或安全审查人员。

他们还需要升级处理路径。涉及受保护数据、采购、无障碍、法律解释或自动化决策的问题，应交由负责部门处理。

一个有用的模型可区分三类活动。

第一类，低风险探索可包括公开信息、虚构示例，以及不含机密细节的草稿。伙伴可以直接指导这些活动。

第二类，受控工作可涉及获准的企业工具，以及依据特定大学条款允许使用的信息。参与者仍需遵循有记录的规则并接受人工审查。

第三类，高风险工作应要求专业人员批准，或不纳入该计划。这一类别包括影响重大的决策，以及一旦泄露会造成重大伤害的信息。

UC 现有的治理材料支持这一结构。该大学警示了意外披露、歧视、正当程序、知识产权和政策违规等风险。

UC 治理框架指出，AI 应用应像其他机构数据使用一样，接受同等谨慎的合规分析。

这一原则避免了一个常见错误。对话式界面可能让人感觉不如企业数据库正式，即便二者都在处理敏感信息。

社交环境还会带来另一种风险：同事之间意外泄露信息。学习者可能会分享其搭档无权查看的提示词、源文件或输出内容。

因此，项目指导应涵盖同伴之间的信息披露，而不只是发送给供应商的数据。当访问权限不同时，参与者需要使用经过脱敏的示例。

搭档关系在实际执行中也必须保持自愿。员工不应感到被迫向同事透露自身的不确定性、绩效顾虑或工具使用情况。

当参与者的资历、雇佣类别或汇报关系不同，匹配机制可能产生微妙的权力动态。安全的项目需要提供保密的重新匹配申请渠道。

无障碍问题同样需要谨慎处理。一些员工可能受益于 AI 辅助起草、摘要或语音工具，而另一些人则可能遇到界面无障碍性不足或输出不可靠的问题。

搭档可以帮助员工探索不同选择，但无障碍决策不应依赖非正式的善意。获批的合理便利措施和专业支持必须持续可用。

这些控制措施不会削弱同伴学习。它们界定了同伴学习在哪些场景中有用，以及机构责任应在何处接手。

隐私取决于提示词、账户和数据

企业许可证可以降低供应商风险，但隐私仍取决于员工提交什么内容，以及如何使用回应。

UC 的信息敏感度分为多个级别。一端是公开材料，另一端则是高度受限的健康、财务、法律和身份信息。

员工可能在未察觉的情况下混合使用多个敏感度级别。一份看似普通的文档，可能包含学生标识信息、内部战略或关于员工绩效的评论。

这使数据分类成为一项实用技能。参与者必须在选择工具或撰写提示词之前，学会审视任务本身。

UC 的全系统指导多次强调应使用受控环境。与开放的消费者账户相比，授权服务通常能提供更强的机构保护。

不过，“企业版”并不是通用的许可标签。每种产品都有其获批用途、合同条款、技术配置和数据边界。

UCOP 表示，其获批的 ChatGPT EDU 环境可处理 P3 级及以下的信息。但这一说法仍要求员工了解自己的材料是否属于 P3 范围。

UC San Diego 的详细助手指南表明，现实使用场景可能非常复杂。指南涉及同意、会议记录、获批存储、敏感讨论和公共记录义务。

该指南禁止在某些涉及 P4 数据的行政会议中使用 AI 记录。示例包括健康、财务、贷款及无证学生信息。

它还限制了部分 P3 讨论，包括律师—当事人沟通、绩效评议，以及涉及生殖或性别肯定照护的信息。

这些示例说明，泛泛的警告并不够。“不要输入机密数据”仍把如何理解保密性以及一场对话的边界留给员工自行判断。

会议助手尤其容易引发问题，因为它们可能收集每位发言者的内容。参与者未必知道是哪项服务在录制、转录稿会流向何处，或会保留多久。

搭档绝不应凭直觉来消除这种不确定性。安全的做法是在启用记录功能前，咨询校园隐私、安全、记录管理或法律指导。

准确性也带来相关的治理问题。聊天机器人可能生成流畅的文本，其中却包含捏造的事实、引用或政策解读。

事实核查必须依靠外部证据，而不能只是再问一次提示词，询问第一份回答是否正确。审查者需要查阅原始文件或权威来源。

员工还应将头脑风暴与决策分开。AI 可以生成选项，但具备相应职责的人员必须根据政策和证据评估这些选项。

当输出会影响准入、雇佣、学业状态、采购或资源分配时，这一区分尤为关键。一份措辞精美的建议可能掩盖薄弱的假设。

UC 早期的 AI 工作组已将公平、透明、问责、隐私和安全列为全系统关注事项。即使员工使用的是通用聊天机器人，这些原则同样适用。

搭档项目可以通过简短情景将这些原则具体化。例如，一个情景可以询问：公开报告是否可以在 ChatGPT EDU 中进行摘要。

另一个情景可以涉及包含员工信息的电子表格。参与者需在继续之前识别数据类别、获批环境、访问权限以及必要的人工核查。

基于情景的学习也能揭示 AI 在何时几乎没有附加价值。有时，移除敏感细节所花的时间比完成原始任务还要长。

这是一种合理的结果。负责任的采用也包括认识到何时不应使用 AI 系统。

项目的可信度将取决于它是否鼓励这种克制。如果每一对搭档都被期待产出新的 AI 工作流，参与者可能会强行把不适合的任务塞进这项技术中。

UCOP 应当转而认可稳妥的决策，包括团队缩小使用范围、选择其他系统或完全避免使用 AI 的情况。

三项信号将显示该项目是否有效

接下来的考验是，UCOP 能否在不把自愿学习变成员工监控的情况下，衡量更好的判断力和有价值的工作成果。

第一项信号是参与质量。报名总数不如搭档关系是否持续活跃，以及是否服务于不同岗位和不同起始技能水平的员工重要。

UCOP 应考察参与者是否会面、完成约定的学习目标，并报告自己在特定任务上的信心有所提升。它还应追踪搭档是否获得受保护的学习时间。

如果报名人数很高，但之后搭档关系却不活跃，这可能表明员工缺少时间、合适的匹配或管理层支持。这一结果将削弱同伴学习模式。

持续参与则会支持另一种结论：员工认为，除正式课程和文档之外，情境化指导同样具有价值。

第二项信号是产出使用案例的质量。强有力的案例应明确任务、获批工具、允许使用的数据、验证方法、人工负责人和可衡量的结果。

UCOP 的 2025 年报告已经提供了采用基线。它记录了许可证、用户、提示词和活动，但搭档项目需要更接近结果的证据。

有用的衡量指标可以包括处理时间缩短、修改次数减少、无障碍检查改善，或更快检索已获批准的公开信息。每项主张都需要明确的比较基准。

UC Tech News 曾描述过一种很有前景的模式。一个跨校园团队配置了一个 GPT，用于根据 WCAG 2.1 和 UC 品牌指南进行初步审查。

这款无障碍审查工具负责完成繁琐的初步检查，并提供建议修改。人工负责人仍需验证其发现并完成后续工作。

这种边界明确的工作流，比泛泛宣称提升生产力更有说明力。它明确了系统审查的内容、适用的标准，以及人工判断仍然保留的位置。

第三项信号是项目的安全反馈。UCOP 应在不收集不必要提示词内容的前提下，监测反复出现的问题、险些发生的事件、升级请求和令人困惑的政策领域。

问题数量增加并不必然意味着项目带来了更多风险。这可能表明员工正在识别此前忽略的问题。

重要的衡量标准是，这些问题是否能被送达正确的专家。项目负责人还应记录回答如何转化为面向未来参与者的更新指导。

保护隐私的衡量需要克制。UCOP 无需保存完整的员工提示词档案，也能了解哪些主题会引发不确定性。

汇总类别可以显示，员工是否在数据分类、幻觉、会议记录、版权、无障碍或账户选择方面遇到困难。

未来一到三个月将显示，同伴学习是否会成为 UCOP 更广泛 AI 治理结构的一部分。有三项进展值得关注。

第一，UCOP 应发布或在内部流转更清晰的搭档标准。这些标准应界定角色边界、升级路径、安全练习和主管期望。

第二，该机构应识别具有书面人工审查机制的可复用工作流。这将表明其正从随意实验转向可问责的运营实践。

第三，项目反馈应带来可见的政策或培训更新。这一结果将证明学习能够双向流动：从中央专家到员工，也从员工回到中央专家。

其他雇主不应只复制名称而不复制控制措施。搭档项目的成功，取决于它能否结合信任、实际工作、受保护的时间和明确的机构问责。

考虑发起类似项目的员工应先问一个问题：每位参与者能否解释清楚，一项拟议工作流需要哪些数据、账户、证据和人工审查者？

如果答案能够持续变得清晰，UCOP 创造的就不只是又一次采用推广活动。它将建立一种可重复的方法，让员工共同学习，同时认识到 AI 应在何处止步。