立正讲 AI Native 用人时，强调把脑子里的隐性知识转成显性知识，再变成技能、模板和上下文，让 AI 能放大人的杠杆⁠1。他举的例子包括把品牌规范、设计系统写进 skill，把数据分析流程交给 AI，把 PM 的决策框架和优先级判断显性化⁠1。对 enablement 角色来说，这意味着核心动作是观察同事怎么做成一件事，再把它拆成可复用的步骤和验收标准，而不是先学一堆名词。

立正批评只追新名词的做法：有人能讲 fine-tune、RAG、各种框架，实际用 AI 做工作却不靠谱；他举的例子是团队先被要求全做 MCP，后来发现不好用又要换 skills，领导层追的是零件而不是结果⁠2。他给的方向是先学方法、再学习惯、再学思维方式，最后学工具⁠3。他还说写 skill 时要把工具、对结果的要求、边界和案例给 AI，而不是教 AI 做事⁠3。这给 enablement 一个可检验的标准：同事用完之后，任务是否更快、更稳、更少返工。

Jove Zhong 谈 FDE 时说，这类角色要懂 AI Agent 的细节，也要理解客户真正关心什么，能写代码也能建立关系，并对最终结果负责⁠4。他提到赢得信任靠愿意倾听、站在对方角度、不把 EGO 放前面，同时技术上要过硬⁠5。他还说，面试里一口气讲六到十分钟、把想说的全倒出来，不是好的信号⁠5。这些是 FDE 场景的判断，不能直接等同于 enablement specialist 的岗位定义；但若你的工作是让业务团队采纳 AI，这套“懂技术、懂业务、能沟通、对结果负责”的组合可以作为参照。

同一个项目可以承担不同任务：学习实验、原型、作品展示、内容或产品。立正提醒，问题常出在类别偷换——把内容的传播写成产品采用，把一次演示写成长期价值。所以判断效果前，要先说清这一阶段验证的是技术能否跑通、用户愿不愿意回来，还是自己能否把方法讲清楚，再选能回答这个问题的信号⁠1。对 enablement 项目，这意味着“大家说好”“演示很惊艳”只能算潜力信号，不能直接当作采用。

立正给一支已会用 AI 的小团队的建议是：把替同事解决真实问题做成内部悬赏任务板，记录哪个组、什么难题、原来预计多久、小团队用了多久、交付了什么、对方是否认可。这样即使别人还不会用 AI，公司也先获得价值；愿意学的人可能被解决过的问题吸引来问怎么做⁠2。他还区分了两层证明：一次演示能让直接看见的人相信有潜力；跨到另一层管理关系，对方还要判断值不值得继续给资源。任务板补的正是这段距离——需求来自多少个组、原本卡住什么、节省了什么投入、结果是否被采用⁠2。

这是 AI 基于上述材料做的应用推演，不是立正给出的现成评估表。可以按三层看：一，有没有具体的人带着具体问题来，而不是只有旁观者；二，问题解决后有没有被采用、被反复使用，而不只是当场学会、换个问题又不会；三，记录能否让上一层管理者回答“这笔投入换回了什么”⁠2。同时用立正的问题自查：这项工作除了完成今天的任务，还给下一次留下了什么——更准确的判断、可复用的工具、流程，还是一个以后不必再踩的坑⁠3。如果只有演示变好、没有留下这些，效果就还停留在展示层。

Marco Casalaina 把有据性、相关性、连贯性、流畅性、工具选择、输入准确、输出利用率、意图理解、任务完成度、任务遵循度都归为“通用指标”。他的关键判断是：这些指标不知道你的 Agent 具体该做什么。他举公寓定价的例子：Agent 返回一张表，任务完成度会说“没问题”，但打开一看三居室价格偏得离谱，而任务完成度不懂公寓该怎么定价⁠1,2。所以这类指标适合检查演示是否成立，不适合单独当作采用成功的证据。

立正在讨论 Jev 时区分了“会用”和“判断”：演示成功只说明你知道产品能做什么，任务、用法和成功标准很可能还来自产品示例。他还引 Jev 官方对并排演示的说明——较短输入让它的模型处在更有利位置——并指出：演示没有造假，不等于演示条件代表你的工作⁠3。这与上面的通用指标问题相互印证：指标和演示都可能在有利条件下通过，却不回答“换成我们的真实问题还成不成立”。

立正在社区回答里提醒：一次令人兴奋的演示能让直接看见的人相信有潜力，但跨到另一层管理关系，对方还要判断值不值得继续给资源；展示能力做得到，和证明许多人确实需要、反复受益，之间隔着距离。他建议用任务板记录需求来自多少个组、原本卡住什么、节省了什么投入、结果是否被采用⁠4。他还把“把内容的传播写成产品采用”列为类别偷换⁠5。按这个标准，enablement 项目里容易误导的指标包括：演示场次、观看人数、培训签到、单次任务完成率、满意度打分——它们能说明接触过，不能说明被采用。