面對知識更新速度日益加快，講者分享了多個實際應用案例，說明如何透過 AI 技術將靜態知識轉化為活化資源：

　•將企業知識文件轉換為 Chatbot 或 Podcast，滿足不同學習偏好；
　•利用大型語言模型自動分析員工回饋、產生報表、甚至直接生成教學HTML；
　•結合語意嵌入技術（Embedding），讓知識模組更易搜尋、推薦。

他特別提醒：「內容的品質才是根本。」 AI 並非萬能解方，而應被視為可信內容的轉譯橋樑。否則，正如 Google AI 曾建議在披薩上加膠水般，錯誤訊息將可能造成企業重大誤導。

當學習工具變得更智慧、更即時，我們也必須重新思考學習的真正意義——它是否只是為了提升績效？還是還有更深層的價值？

xAPI（Experience API），又稱 Tin Can API，是為了解決SCORM在彈性與擴展性上的侷限而誕生的新一代學習標準。與SCORM僅能追蹤學員是否完成課程、分數與時長不同，xAPI幾乎能夠記錄任何形式的學習行為，不論是在線上觀看影片、操作模擬器、完成任務，甚至是在實體場域進行的現場訓練活動，都可以被記錄下來。

xAPI使用JSON結構記錄每一筆學習事件，並將這些事件儲存在LRS（Learning Record Store）中，使資料能夠跨平台整合與後續分析。這種彈性使企業得以全面掌握學員的學習旅程，並進一步將資料與其他系統（例如：CRM或HR系統等）串接，以分析學習行為對實際工作成效的影響。

xAPI 的基本記錄單位稱為「語句（Statement）」，格式通常為：

　　　”Actor” + “Verb” + “Object”

例如：

　　　Alice completed Intro to xAPI

這句話代表的是：「Alice 完成了 Intro to xAPI 這門課程。」

透過這樣的格式，xAPI 可以記錄下誰（Actor）在什麼時候做了什麼事（Verb），對哪一個學習對象（Object），並可進一步加上時間戳記、結果、上下文等進階資訊，讓學習記錄更具深度與可分析性。

不過，xAPI的高彈性也帶來挑戰。由於它並未強制限制資料輸入的詞彙與格式，相同的學習行為（例如：完成課程）可能被記錄為”completed”、”finished”、”done”等多種詞語。雖然這讓學習行為能表達得更具細節與語意，但同時也增加後續資料清洗與彙整的難度，需要額外的處理與標準化。

在AI時代的環境下，學習與工作已不再是「人vs機器」，而是走向「人機共創」的協作關係，人工智慧在學習與發展領域中，最大的優勢正是它能夠為多元化群體提供適應性、個人化的學習體驗，要如何依據每位員工的獨特需求與目標量身訂做學習模式？有以下三個步驟：

　1.個人化推薦：依照員工的學習水準，進行評估並推薦相符的客製化課程。

　2.客製化學習路徑：由AI根據學習者的學習需求，設計出循序漸進的學習模組，確保學習者能夠獲得適當的挑戰，避免「一體適用」的傳統學習模式造成高階學習者感到無趣，或初學者感到難以負荷的情況。

　3.智慧輔導系統：由AI作為虛擬教師即時提供回饋、問題回答與個別指導，協助學習者在發展新技能時保持正軌的學習路徑、建立信心，進而提升整體學習成效。

企業若能鼓勵員工學會與AI工具協作，並在職涯學習發展中導入AI輔助教學、評估與分析，建立具備「人機協作」的訓練模式與企業文化，而這樣的文化若能持續朝向開放、敏捷、共創的方向發展，將能真正發輝AI + Human的綜效價值。

錯誤的管理抗拒方式包括：用邏輯強壓、忽略對方情緒、權威式管理、與員工爭論、或認為對方就是「難搞的人」。這些行為不但無效，還可能加深彼此的對立。

Mollkoy 提出一個簡單又有效的管理抗拒步驟：

　1.引導對方說出抗拒（Surface it）
　主動開啟對話，例如：「你對這個改變有什麼擔憂？」別假裝一切正常，抗拒若被壓抑，反而更難處理。

　2.傾聽並認可（Listen & Acknowledge）
　接住對方的感受，不急著下結論或反駁，而是讓對方感受到「你有在聽」。

　3.找出原因（Pinpoint the Source）
　是「變什麼」讓人困惑，還是「怎麼變」讓人不放心？還是仍有其他顧慮或議題？

　4.重新定義「抗拒」（Name it）
　嘗試幫對方把感受說出來，幫助情緒變得可被理解，例如：「你似乎擔心這個變化會打亂你的工作節奏？」。

　5.引導具體行動（Call for Action）
　設定期待、釐清責任分工，引導對方朝可行動的目標邁進。

這個過程在本質上不是消滅抗拒，而是運用理解和引導，將它轉化成參與與承諾。