AINP考试大纲：7大考试领域、题型分布与备考指南

文档信息

版权与使用说明

© 2026 APD 研究院。保留所有权利。

本考试大纲由 APD 研究院发布，是 AINP（APD 认证 AI 原生专业人士）的公开考生指南与专业认证参考文件，旨在支持认证备考、学习路径设计、人才能力培养及专业评估沟通。

未经 APD 研究院事先书面许可，不得复制、传播或修改本出版物，亦不得将其用于商业培训、认证、咨询或衍生框架开发。用于评论、研究或教育讨论且注明出处的简短引用除外。

本文件不构成法律、监管、网络安全、隐私、合规、财务、医疗或专业建议。各组织应结合自身政策、风险特征、行业要求及特定司法管辖区的义务，对 AI 相关实践进行调整。

发布说明

本文件为 APD 研究院 AINP 考试大纲 1.1 版。

本大纲是 APD 研究院针对 AINP（APD 认证 AI 原生专业人士）认证发布的现行公开考生指南，以 APD AI 原生专业人士能力模型为依据。随着专家评审、考生反馈、企业采纳与认证发展的不断深入，以及 AI 技术、治理期望和专业工作实践的持续演进，本大纲将定期更新。

目录

1. 认证概览
2. 1.1 版更新
3. AINP 的定位
4. AINP 检验的内容
5. 适合考取 AINP 的人群
6. 前置条件
7. AINP 不检验的内容
8. 考试形式
9. 认知层级分布
10. 题型分布
11. 考试领域蓝图
12. 考试领域
13. 贯穿性主题
14. 与 APD AI 原生专业人士能力模型的映射
15. 与 AI 原生组织能力的关系
16. 与 AINM、AINC 和 AIPM 的关系
17. 职能应用指南
18. 考生备考指南
19. 评估中引用的工作产物示例
20. 基于思维模式的场景示例
21. 雇主解读
22. 常见危险信号
23. 再认证与持续发展
24. 建议的考试政策声明
25. 总结声明

认证概览

AINP：AI 原生专业人士是 APD 研究院面向 AI 原生时代的基础性专业认证。

AINP 旨在检验专业人员在真实工作场景中能否负责任、有效地使用 AI。它面向需要借助 AI 提升工作效率的业务人员、知识工作者、职能专家、顾问、分析师、教育工作者及其他非技术人员。

AINP 基于 APD AI 原生专业人士能力模型构建，该模型将 AI 原生专业人士定义为：

能够在真实业务场景中负责任地运用 AI 增强工作能力、验证输出质量、改进工作流程、贡献知识积累，并创造可衡量价值的知识工作者或业务人员。

AINP 不是技术性 AI 认证，不要求考生具备编程、机器学习、数据科学或 AI 工程背景。

它聚焦于：

• AI 原生专业思维模式
• 办公熟练度
• 人机协作
• 专业判断
• 负责任的 AI 使用
• 数据、知识、来源与上下文责任
• 业务应用
• 工作流改进
• 价值实现
• 持续学习

本认证旨在回答一个核心问题：

考生能否负责任、安全、有效地使用 AI，以改进专业工作并在真实业务场景中创造可衡量的价值？

1.1 版更新

1.1 版在 AINP 考试大纲中进一步强化了 AI 原生思维模式这一核心理念。

在 AINP 中，AI 原生思维模式不作为独立的考试领域，而是作为贯穿整个认证体系的通用专业能力。

考生应认识到，成为 AI 原生专业人士不仅需要掌握 AI 工具和提示词技巧，更需要实现以下转变：

1.1 版重点强化了以下主题：

• AI 原生思维模式与专业身份
• 工作先于工具
• 负责任地增强，而非盲目自动化
• 人的判断与问责
• 先验证后信任
• 来源、上下文与知识责任
• 超越孤立任务加速，聚焦工作流改进
• 持续学习与专业适应

AINP 不通过单纯记忆抽象定义来考察 AI 原生思维模式，而是主要通过真实职场场景、判断题、输出评估任务、数据边界决策和工作流改进情境来进行评估。

AINP 的定位

AINP 定位为 AI 原生专业能力的基础认证。

它比 AI 工具课程更宽泛，比通用 AI 认知课程更实用，比技术性 AI 认证门槛更低。

AINP 检验的是个人专业能力，不涉及管理层面的领导力、辅导能力、企业转型领导力、AI 产品管理能力或 AI 工程能力。

APD 认证体系中的 AINP

应将 AINP 视为通用人才能力基础，为专业人员进入更专业的 AI 原生角色奠定基线能力。

AINP 检验的内容

AINP 检验考生能否在专业场景中运用实用的 AI 原生工作能力。

成功的 AINP 考生应能够：

1. 理解 AI 的能力、局限及基本专业术语
2. 建立 AI 原生专业思维模式，强调负责任地增强、人的判断、工作流改进、知识贡献、持续学习与可衡量价值
3. 识别日常工作中的合适与不合适 AI 用例
4. 在保留人工判断的前提下，运用 AI 增强专业任务
5. 为重复性任务设计简单的人机工作模式
6. 从准确性、相关性、完整性、来源质量、偏见、适当性与风险等维度评估 AI 输出
7. 保护敏感数据并负责任地使用信息
8. 理解来源质量、上下文、权限与知识贡献
9. 识别负责任 AI、安全、隐私、版权、公平与治理等方面的风险
10. 知道何时需要人工审查、升级或专家介入
11. 将 AI 应用于业务或职能工作场景
12. 改进工作流，而非仅加速孤立任务
13. 将 AI 使用与可衡量的工作价值挂钩
14. 持续学习并贡献可复用的知识或负责任的实践

AINP 检验的是实用的专业判断，不涉及高级 AI 设计、AI 系统实施、企业治理领导力、AI 产品管理专精或组织变革领导力。

适合考取 AINP 的人群

AINP 面向需要负责任且有效地在工作中使用 AI 的专业人员。

适合人群包括：

• 业务人员
• 知识工作者
• 分析师
• 顾问
• HR 与学习发展专业人员
• 财务专业人员
• 营销专业人员
• 销售专业人员
• 运营专业人员
• 客服专业人员
• 教育与培训专业人员
• 行政人员
• 项目经理与业务分析师
• 数字化转型从业者
• 参与企业 AI 采纳项目的人员
• 为 AI 赋能工作环境做准备的员工
• 有意向未来进入 AINM、AINC 或 AIPM 路径的考生

对于希望在业务团队与职能部门间建立通用 AI 能力基线的组织而言，AINP 尤为适用。

前置条件

AINP 无正式前置条件。

考生无需具备以下经验：

• 编程经验
• 机器学习工程经验
• 数据科学背景
• AI 产品管理经验
• 法律、合规、隐私或网络安全专业知识
• 已有的 AI 认证

建议考生对专业工作、数字工具、商务沟通及常见职场信息实践有基本了解。

AINP 面向非技术人员。

AINP 不检验的内容

AINP 是一项专业工作能力认证，不涉及专家级、技术性、管理性或高级专业职责。

AINP 不认证考生能够独立完成以下工作：

• 编程或软件开发
• 机器学习模型训练
• 微调、模型部署或 AI 基础设施实施
• 高级 AI 架构设计
• 生产级 RAG、LLMOps、MLOps 或 AgentOps 实施
• 网络安全工程
• 法律或监管解读
• 正式的隐私、合规或风险审批
• 企业 AI 治理体系设计
• AI 产品管理
• AI 产品战略或路线图的主导
• 团队管理或 AI 采纳的领导
• 组织变革领导
• 专业辅导或 AI 能力赋能

AINP 考生应知晓何时需要专家介入，但不应被期望取代专家。

考试形式

APD 研究院可能随时间调整考试时长、题目数量、通过分数、交付规则、监考方式、可用语言、证书有效期及评估政策。

认知层级分布

AINP 侧重评估专业理解与实践判断，而非术语记忆。

AINP 不用于考察高级技术分析、复杂系统设计、战略领导力或专家级治理决策。

题型分布

基于场景和基于产物的题目至关重要，因为 AI 原生专业能力要求的不仅是术语记忆，更包括思维模式、判断力、负责任的行为与实际应用能力。

考试领域蓝图

AI 原生思维模式贯穿七个领域进行评估，尤其体现在领域 1、2、3、4 和 7 中，但不作为独立的考试领域单独评估。

考试领域

领域 1：AI 原生工作基础

权重：12%

领域目的

本领域检验考生是否理解基础 AI 概念、AI 原生工作原则、AI 原生专业思维模式、AI 能力与局限，以及负责任使用 AI 所需的专业角色边界。

学习目标

考生应能够：

1. 解释 AI 在常见专业工作场景中能可靠完成与不能可靠完成的事项
2. 区分 AI 辅助工作与 AI 原生工作
3. 解释从 AI 工具使用到 AI 原生专业工作的思维模式转变
4. 认识到 AI 原生专业性不仅需要工具操作能力，更需要判断力、责任心、学习敏捷性与价值导向
5. 理解生成式 AI、大语言模型、提示词、幻觉、接地、上下文、检索、智能体、自动化与人工监督等基本概念
6. 识别合适与不合适的 AI 用例
7. 区分个人效率提升与企业人才能力
8. 阐明 AI 原生工作为何需要人工判断、工作流意识、数据责任与价值导向
9. 识别 AI 工具使用、AI 原生专业能力、AI 产品管理、AI 工程与企业 AI 治理之间的差异
10. 识别何时需要专家支持

关键主题

• AI 原生工作
• AI 辅助工作
• AI 原生专业思维模式
• 工作先于工具
• 价值先于新奇
• 生成式 AI 基础
• 概念层面的大语言模型
• 提示词与指令
• 幻觉
• 接地
• 上下文
• 检索
• 基础专业层面的 AI 智能体
• 自动化与增强
• 人工监督
• AI 工具使用与专业能力的区别
• AI 原生工作与个人生产力的区别
• 角色边界

考生应能够识别

• 某个工作场景体现的是负责任的 AI 原生工作，还是随意的 AI 工具使用
• AI 是否适合某项专业任务
• 专业人员是以工具为中心还是以工作为中心来思考
• 是否仍需要人工判断
• 某项任务是否应涉及专家审查
• 关于 AI 能力的常见误解

不在 AINP 考查范围

• 模型训练
• AI 架构设计
• 高级提示词工程
• 编程
• 生产级 AI 实施
• 企业 AI 运营模型设计
• AI 产品战略的主导
• 组织转型领导

领域 2：人机协作与任务增强

权重：15%

领域目的

本领域检验考生能否分析工作任务，并确定 AI 应如何辅助、增强、自动化或支持专业人员，同时保留人工判断、问责机制与适当审查。

学习目标

考生应能够：

1. 将常见专业工作分解为任务、输入、输出、决策点与审查点
2. 识别哪些任务适合 AI 辅助
3. 区分可自动化的任务与需要人工判断的任务
4. 秉持负责任地增强而非盲目自动化的思维模式
5. 恰当地使用 AI 进行起草、总结、头脑风暴、研究、翻译、比较、分类、分析与准备工作产出
6. 界定 AI 应完成的事项，以及必须由人工审查、批准、决策或沟通的事项
7. 为重复性专业任务设计简单的人机工作流
8. 识别何处需要回退、纠正、审查或升级
9. 避免在判断密集或高影响工作中过度自动化

关键主题

• 人机协作
• 任务增强
• 负责任地增强
• 任务分解
• 工作输入与输出
• 决策点
• 人工审查
• 人的问责
• 自动化与增强
• 重复性工作模式
• AI 辅助工作流
• 审查点
• 回退与升级
• 任务对 AI 的适用性

考生应能够识别

• AI 能在哪些环节辅助专业任务
• 哪些环节需要人工审查
• 哪些环节不应在无监督下使用 AI
• AI 的使用何时真正改进了工作流，而非仅仅加速任务
• 工作流何时过度依赖 AI
• 专业人员何时不当将判断权外包给 AI

考生可能被要求评估

• 简单的 AI 辅助任务映射
• 人机责任划分
• 面向重复性工作的草案工作流
• 面向工作任务的工作流 / 指令模式
• 审查检查清单
• 展示过度自动化或缺失人工问责的场景

不在 AINP 考查范围

• 复杂的企业工作流重构
• 多智能体编排设计
• 业务流程再造的主导
• 高级自动化架构
• AI 采纳的团队管理

领域 3：AI 输出评估与批判性判断

权重：16%

领域目的

本领域检验考生能否评估、验证、改进并负责任地使用 AI 生成的输出。

学习目标

考生应能够：

1. 评估 AI 输出是否准确、相关、完整、连贯、有用且适当
2. 识别幻觉、无据论断、薄弱推理、缺失上下文、过时信息、偏见或过度自信的表述
3. 区分流畅语言与可靠内容
4. 运用先验证后信任的思维模式
5. 使用可靠来源、领域知识、组织标准或专家审查来验证 AI 生成的输出
6. 通过更好的上下文、迭代、追问、比较与纠正来改进 AI 输出
7. 识别何时不应使用 AI 输出
8. 在适当时记录假设、局限或不确定性
9. 区分低风险的起草辅助与高影响的决策支持
10. 识别输出审查何时应涉及同事、管理者、主题专家、法务、合规、隐私、安全或治理相关方

关键主题

• AI 输出评估
• 幻觉
• 来源验证
• 无据论断
• 过时信息
• 薄弱推理
• 偏见与不当内容
• 完整性与相关性
• 假设与局限
• 专业判断
• 先验证后信任
• 修订与改进
• 升级触发条件
• 人的问责

考生应能够识别

• 不准确或无据的 AI 输出
• 需要来源验证的输出
• 使用前需要人工审查的输出
• 不应使用的输出
• AI 输出可能造成声誉、客户、员工、法律或业务风险的情境
• 盲目信任 AI 生成内容等思维模式失误

考生可能被要求评估

• AI 生成的摘要
• AI 生成的分析
• AI 生成的客户沟通草案
• AI 生成的建议
• 输出审查检查清单
• 简短的来源验证说明
• 假设与局限声明

不在 AINP 考查范围

• 正式的统计模型评估
• 评测基准设计
• 自动化评估流水线实施
• 高级红队测试
• 对 AI 生成内容的法律审查
• 专业领域的专家级事实核查

领域 4：业务应用与 AI 原生工作流改进

权重：16%

领域目的

本领域检验考生能否将 AI 应用于真实的业务或职能工作场景，以提升生产力、质量、速度、洞察力、一致性、客户体验、决策支持或运营成效。

学习目标

考生应能够：

1. 识别可能受益于 AI 的业务任务与职能工作流
2. 界定在工作场景中使用 AI 的预期价值
3. 区分工具使用与 AI 原生工作流改进
4. 将 AI 应用于分析、沟通、文档、研究、规划、汇报、客户支持、知识工作与决策准备等常见专业活动
5. 比较改进前后的工作流
6. 识别瓶颈、摩擦、质量风险或采纳障碍
7. 结合 AI 工具、人工审查、模板、经批准的来源与反馈回路
8. 识别 AI 使用何时造成工作流混乱、信任问题或质量风险
9. 将 AI 使用与可衡量的工作成果挂钩
10. 区分有意义的业务应用与一味追求新奇的 AI 使用

关键主题

• AI 的业务应用
• 职能工作场景
• 工作流改进
• 改进前后工作流对比
• 生产力提升
• 质量提升
• 决策支持
• 客户体验提升
• 相关方影响
• 可复用工作模板
• 采纳障碍
• 可衡量工作成果
• AI 辅助工作的价值假设
• 个人生产力与工作流能力的区别

考生应能够识别

• AI 使用是否创造真实业务价值
• 工作流改进是否切实可行
• 成功是以使用量还是以成果衡量
• 是否已考虑受影响的相关方
• AI 应被应用、重构、暂停还是避免
• 考生是将 AI 使用视为新奇之举，还是真正的工作改进

职能场景领域

AINP 可能包含来自以下职能的场景：HR 与学习发展、财务、营销、销售、运营、客服、咨询、教育与培训、行政以及通用知识工作。

不在 AINP 考查范围

• 高级投资回报建模
• 企业转型路线图的主导
• 部门级运营模型重构
• AI 系统的产品管理
• 财务投资审批
• 正式变革管理的领导

领域 5：数据、知识、来源与上下文责任

权重：14%

领域目的

本领域检验考生是否理解如何在 AI 辅助工作中负责任地使用信息、来源、上下文、权限与知识资产。

学习目标

考生应能够：

1. 阐明 AI 输出质量为何取决于上下文与来源质量
2. 向 AI 工具提供适当的指令、背景、约束、示例与成功标准
3. 区分公开、内部、机密、个人、受监管与受限信息
4. 避免将敏感或未授权数据输入未经批准的 AI 工具
5. 认识到拥有访问权限并不等于获得通过 AI 上传、转换、共享或处理该信息的许可
6. 从权威性、时效性、相关性、完整性、一致性、可追溯性、权限与敏感性等维度评估来源质量
7. 识别 AI 输出何时需要来源可追溯性
8. 识别来自过时、不完整、相互冲突、不可信或未授权知识的风险
9. 负责任地贡献可复用的提示词、模板、示例、检查清单与经验教训
10. 理解目的、负责人、来源、版本、范围、局限、审查状态、敏感性、复用指引与有效期等基本知识贡献标准

关键主题

• 数据责任
• 知识责任
• 上下文设定
• 来源质量
• 权威性与时效性
• 可追溯性
• 权限意识使用
• 数据敏感性
• 公开、内部与机密信息的区别
• 个人数据
• 受监管数据
• 受限信息
• 知识资产
• 可复用模板
• 提示词库
• 经验教训
• 访问不等于权限

考生应能够识别

• 信息是否可安全用于 AI
• 来源是否可靠且适当
• 是否需要补充上下文
• 知识资产在复用前是否需要审查
• 专业人员是否在批准边界之外使用内部或机密信息
• 可复用的提示词、模板或知识资产是否缺少负责人、版本管理、敏感性标注或审查

考生可能被要求评估

• 简短的上下文简报
• 来源清单
• 数据敏感性场景
• 知识贡献示例
• 可复用的 AI 工作模板
• 经批准来源的决策
• 过时知识标记

不在 AINP 考查范围

• 企业数据架构
• 技术性 RAG 实施
• 向量数据库设计
• 数据工程
• 隐私法解读
• 正式记录管理政策设计
• 企业知识架构的主导

领域 6：负责任、安全与治理意识兼具的 AI 使用

权重：15%

领域目的

本领域检验考生能否在组织边界内负责任地使用 AI，识别常见 AI 相关风险，运用适当的人工监督，并妥善升级高风险情境。

学习目标

考生应能够：

1. 阐明负责任的 AI 在日常专业工作中为何至关重要
2. 遵循已批准的 AI 工具与可接受使用政策
3. 识别低、中、高与受限风险的 AI 用例
4. 避免未授权使用机密、个人、受监管或受限数据
5. 识别隐私、安全、公平、版权、知识产权、品牌与内容完整性等方面的风险
6. 识别影响人员的决策中的偏见与公平风险
7. 理解提示词注入、不安全的文件上传、连接器权限、敏感数据泄露与不可信内容等基本 AI 安全风险
8. 对高影响输出进行人工审查
9. 在适当时披露 AI 使用
10. 在需要时升级至法务、隐私、安全、合规、HR、治理或管理层相关方
11. 按要求报告 AI 相关事件、错误或有害输出

关键主题

• 负责任的 AI 使用
• 安全的 AI 使用
• 具备治理意识的 AI 使用
• 可接受使用政策
• 已批准的工具
• 风险层级
• 敏感数据暴露
• 隐私
• 安全
• 版权与知识产权
• 偏见与公平
• 透明度与披露
• 人工监督
• 升级
• 提示词注入意识
• 连接器与插件权限风险
• 事件意识

考生应能够识别

• AI 使用何时超出组织边界
• AI 使用何时需要人工审查
• AI 使用何时需要披露
• AI 使用何时应升级
• AI 生成内容何时造成品牌、版权、公平、隐私或声誉风险
• 治理何时被视为他人的责任，而非专业行为的一部分

AI 使用风险层级

不在 AINP 考查范围

• 特定司法管辖区的法律解读
• 正式合规签署
• 网络安全工程
• 渗透测试
• 高级威胁建模
• 正式 AI 审计
• 企业治理体系设计

领域 7：价值实现与持续学习

权重：12%

领域目的

本领域检验考生能否将 AI 辅助工作与可衡量价值挂钩，从经验中学习，并持续改进个人与团队的 AI 原生工作实践。

学习目标

考生应能够：

1. 界定在特定工作场景中价值的含义
2. 区分 AI 使用与 AI 价值
3. 识别可衡量的成果，如节省时间、提升质量、减少返工、加快响应、改善决策支持、提升客户体验、知识复用或降低风险
4. 反思哪些做法有效、哪些失败，以及应做出哪些改变
5. 改进提示词、工作流、模板、审查实践与知识来源
6. 面对不断演进的 AI 工具、组织政策、工作流实践与专业期望，展现持续学习的思维模式
7. 认识到 AI 原生能力需要持续的反思、适应与负责任实践改进
8. 与同事分享负责任的实践
9. 为团队学习与实践社区做贡献
10. 适应新的 AI 能力、组织政策与不断变化的工作期望
11. 建立可持续的 AI 原生工作习惯，而非一次性工具使用

关键主题

• 价值实现
• 可衡量工作成果
• 生产力与质量
• 返工减少
• 决策支持
• 客户或相关方体验
• 风险降低
• 知识复用
• 经验教训
• 持续学习
• 反馈回路
• 实践社区
• 负责任实践分享
• AI 原生工作习惯
• 学习敏捷性

考生应能够识别

• AI 使用是否创造了可衡量价值
• 价值是基于证据还是假设
• 某项实践应被重复、改进还是停止
• 经验教训是否应被分享
• 工作流是否应根据 AI 辅助工作经验更新
• 专业人员是否将 AI 学习视为一次性培训活动，而非持续能力建设

考生可能被要求评估

• AI 辅助工作价值摘要
• 经验教训记录
• 工作流改进反思
• 团队实践贡献
• 从反馈到改进的回路
• 简单的 AI 价值假设

不在 AINP 考查范围

• 企业投资回报建模
• 高管仪表盘的主导
• 正式绩效管理设计
• 组织成熟度评估的领导
• 转型项目组合管理

贯穿性主题

AI 原生思维模式与专业身份

考生应认识到，成为 AI 原生专业人士不仅需要掌握 AI 工具或提示词技巧，更需要实现一系列转变：从以工具为中心的使用转向负责任的人机协作，从被动接受 AI 输出转向主动运用批判性判断，从孤立的生产力提升转向工作流改进，从一次性学习转向持续的专业适应。AINP 通过场景判断、产物解读与专业行为决策来评估这种思维模式。

工作先于工具

考生应认识到，AI 能力的起点是工作需求，而非工具选择。关键问题不是”我该使用哪个 AI 工具？”，而是”我工作的哪一部分可以通过 AI 得到负责任的改进？”

人的判断与问责

考生应认识到，AI 可以辅助、生成、总结、建议、分类或分析，但专业人员始终对专业判断与最终工作质量负责。

先验证后信任

考生应认识到，AI 输出在使用前必须经过审查、验证、情境化处理与改进，尤其在外部沟通、高影响或敏感工作中。

默认负责任使用

考生应将隐私、安全、公平、版权、透明度及组织政策合规视为日常 AI 使用的一部分。

上下文、来源与知识质量

考生应认识到，AI 输出质量取决于信息、来源、指令、上下文与组织知识的质量。

工作流改进

考生应认识到，AI 原生能力不仅在于更快地完成孤立任务，更在于改进重复性工作模式。

价值实现

考生应认识到，AI 使用应与可衡量的工作成果挂钩，而非仅仅停留在使用活动层面。

角色边界与升级

考生应知道何时需要管理者、IT、法务、安全、隐私、合规、HR、治理、产品、数据或技术专家介入。

与 APD AI 原生专业人士能力模型的映射

与 AI 原生组织能力的关系

AINP 与 APD 研究院的宏观理念保持一致，即 AI 原生转型不仅仅是技术部署，而是一项涵盖人才、工作流、知识、治理与组织能力的系统工程。

AINP 帮助专业人员为 AI 原生组织能力做出贡献，具体体现在以下方面：

• 在组织边界内负责任地使用 AI
• 建立 AI 原生专业思维模式
• 重构个人与团队重复性工作模式
• 贡献可复用的知识资产
• 在使用前验证 AI 输出
• 保护敏感数据与信任
• 将 AI 使用与工作价值挂钩
• 以共享的能力语言参与企业 AI 采纳项目

单靠 AINP 不足以使一个组织实现 AI 原生转型，但它为更广泛的 AI 原生人才发展奠定了所需的个人能力基础。

与 AINM、AINC 和 AIPM 的关系

与 AINM 的关系

AINP 聚焦个人专业能力，AINM 聚焦管理者与团队负责人能力。

AINM 检验管理者能否引导 AI 原生团队采纳、重构团队工作流、建立团队规范、管理风险边界、支持负责任使用并衡量团队级价值。建议以 AINP 作为 AINM 的基础，但不作强制要求。

与 AINC 的关系

AINP 聚焦个人专业能力，AINC 聚焦辅导、赋能与能力扩散。

AINC 检验教练、顾问、内部布道者、HR 与学习发展专业人员以及组织发展从业者能否帮助个人、团队与组织发展 AI 原生能力。建议在考取 AINC 前具备 AINP 或同等的专业 AI 原生工作经验。

与 AIPM 的关系

AINP 不是 AI 产品管理认证。

AIPM 是面向 AI 产品经理的专业 APD 路径，旨在检验产品经理能否定义、交付、评估、治理及扩展 AI 赋能或 AI 原生产品。AINP 更为宽泛且更具基础性，面向整个人才队伍中专业人员的 AI 原生工作能力。

职能应用指南

AINP 是一项通用专业认证。考试场景可能涉及常见职场职能，但考生无需在每个职能上都具备深入专长。

考生备考指南

备考 AINP 时，考生应聚焦实用的专业判断，而非记忆 AI 术语。

推荐的备考重点包括：

1. 理解 AI 原生工作概念
2. 建立 AI 原生专业思维模式
3. 练习安全且负责任的 AI 使用
4. 批判性地审查 AI 输出
5. 识别合适与不合适的 AI 工作场景
6. 练习简单的人机工作流设计
7. 学习基本的数据敏感性与来源质量原则
8. 理解何时升级高风险的 AI 使用
9. 将 AI 应用于真实的业务或职能任务
10. 反思 AI 使用如何创造可衡量的价值

建议考生结合真实工作示例进行练习，包括草案、摘要、报告、客户沟通、工作流、检查清单及来源验证等练习。

评估中引用的工作产物示例

AINP 可能包含要求考生解读或评估简短工作产物的题目，例如：

• AI 辅助任务映射
• 提示词或指令示例
• AI 生成的输出
• 输出审查检查清单
• 来源验证说明
• 数据敏感性场景
• 负责任的 AI 使用检查清单
• 工作流改进建议
• 改进前后工作流对比
• 升级决策说明
• AI 价值反思
• 经验教训记录

除非 APD 研究院在未来版本中引入可选的实践环节，否则考生在首次 AINP 认证时无需提交作品集。

基于思维模式的场景示例

以工具为中心的思维

一位专业人员说：”我用了 AI，所以这个工作流现在就是 AI 原生的了。”考生应识别出，AI 原生工作不仅由工具使用来定义，还需要工作流改进、人工审查、负责任使用与可衡量的价值。

盲目信任 AI 输出

一位专业人员用 AI 生成面向客户的回复，在未核查事实、语气、政策一致性或客户背景的情况下直接发送。考生应识别出其中缺失的验证、人工问责与负责任使用。

无判断的自动化

一位专业人员用 AI 筛选敏感员工案例，却未设置人工审查或 HR 政策指引。考生应识别出其中的高风险使用、公平性问题、治理边界与升级要求。

有生产力无学习

一位专业人员每周用 AI 更快地完成报告，但从不改进工作流、记录经验教训、创建可复用模板，也不核查质量是否提升。考生应识别出其中薄弱的价值实现、缺乏持续学习与缺失的知识贡献。

有访问无权限

一位专业人员有权访问一份机密内部文档，并将其上传到未经批准的 AI 工具进行摘要。考生应识别出”访问权限不等于使用许可”，以及数据敏感性与已批准工具政策的重要性。

雇主解读

AINP 向雇主传递一个基线信号，表明考生具备基础的 AI 原生专业能力。

获得 AINP 认证的专业人员应能够：

• 理解实用的 AI 能力与局限
• 在日常工作中负责任地使用 AI
• 展现 AI 原生专业思维模式
• 避免不安全或未授权使用敏感信息
• 在使用前验证 AI 输出
• 将 AI 应用于常见专业任务
• 改进简单的工作模式与工作流
• 识别何时需要人工审查或升级
• 将 AI 使用与可衡量的工作价值挂钩
• 为负责任的 AI 采纳与人才学习做贡献

不应将 AINP 视为考生能够独立领导 AI 战略、管理 AI 转型、设计 AI 产品、实施 AI 系统、批准高风险 AI 用例或辅导组织完成 AI 原生转型的依据。

常见危险信号

AINP 考生应能够识别薄弱或不安全的 AI 原生专业行为。

常见的危险信号包括：

• 在不理解风险的情况下使用 AI
• 将 AI 视为万能的答案机器
• 未经审查就复制 AI 输出
• 将机密或敏感信息输入未批准的工具
• 将 AI 视为专业判断的替代
• 在无人工监督下依赖 AI 做高影响决策
• 未核查来源或假设
• 未经审查就将 AI 生成内容对外使用
• 只关注提示词而忽视工作流
• 以 AI 使用量而非工作价值来衡量成效
• 假设拥有信息访问权限就等于获得通过 AI 处理的许可
• 将未经审查的 AI 生成材料当作组织知识来贡献
• 不知何时应升级至专家
• 将 AI 学习视为一次性培训活动
• 仅因使用了 AI 工具就自称 AI 原生

这些危险信号可能出现在基于场景和产物解读的题目中。

再认证与持续发展

AINP 证书有效期建议为 2 年。

由于 AI 工具、治理期望、专业实践与组织政策持续演进，认证专业人员应通过持续学习来维持能力。

推荐的持续发展活动包括：

• 完成更新的 APD 学习模块
• 参与企业 AI 培训
• 参与 AI 原生工作实践
• 记录 AI 辅助的工作流改进
• 学习更新的负责任 AI 与治理期望
• 参与实践社区
• 在相关时为未来 AINM、AINC 或 AIPM 路径做准备

APD 研究院将在未来政策中明确正式的再认证要求。

建议的考试政策声明

APD 研究院可能随时间调整考试内容、题型、考试时长、通过分数、交付规则、证书有效期与再认证政策。

考试内容将定期审查，以反映以下变化：

• AI 技术的变化
• 专业工作实践的变化
• 企业 AI 采纳模式
• 负责任 AI 与治理期望
• 人才能力需求
• 来自考生、雇主、讲师与专家评审者的反馈

总结声明

AINP（AI 原生专业人士）检验的是负责任且有效地使用 AI 开展工作所需的基础专业能力。

它面向专业人员，而非技术人员，不考察编程、机器学习工程、AI 架构、AI 产品管理专精或高管级 AI 领导力。

AINP 检验考生能否建立 AI 原生专业思维模式、运用 AI 增强工作、评估输出、保护数据与知识、遵循负责任使用边界、改进工作流、持续学习，并在真实业务场景中创造可衡量的价值。

AINP 是 APD 研究院面向 AI 原生时代的办公熟练度与业务应用认证。