EP05. "AI Fluency for Nonprofits：给非营利组织的 4D 框架实战"

首页 › AI 工具 › Claude · AI Fluency Collections · EP05

约 20 分钟· #EP05#Claude#AI Fluency Collections

课程开篇点名一个非营利圈常见的落差：大家都在谈 AI，真正落地用起来的组织却不多——这门课要解决的不是「要不要用 AI」，是「怎么用才不偏离使命」，效率提升最终要能换成更多社区影响力，不是为了用而用
Anthropic Academy「AI Fluency」系列面向非营利组织从业者的专属课程，9 节课 + 1 测验，约 4 小时，把 4D 框架套进筹款、拨款申请、项目数据、捐赠人沟通这几件非营利机构最常做的事
这门课是目前「AI Fluency」系列里唯一专门开一整节课讲隐私与数据处理的分支课之一（跟 K-12 教育者那门并列），因为非营利组织手上常握着捐赠人信息、受益人故事这类敏感数据，处理不好比效率损失更严重
前置知识：不需要，课程内建了动手用语言模型的环节，适合完全没系统学过 AI 协作框架、但已经在日常工作里摸索用 AI 的非营利从业者

重点内容

起点：把「组织使命」写进跟 AI 协作的背景文档

第 1 节课要求建一份贯穿全课的背景文档，跟其他分支课的做法一样是「先自问、再跟 AI 对话整理」，但内容锚定在组织使命而不是个人：

自问部分：组织的使命和愿景是什么？自己在这个岗位上的具体职责、限制、优势、机会是什么？核心价值观和背后的理念是什么？补一句完形填空——「如果 AI 能帮我 ___，我就能把更多时间投入到 ___」（聚焦在以人为本、高影响力的工作上）。

跟 AI 对话部分：介绍自己是非营利从业者，想产出一份能反复复用的组织摘要文档；要覆盖组织使命/愿景/价值观、岗位职责范围、组织面临的挑战、所处的机构环境和限制、改进空间、日常工作的痛点、想让 AI 帮上什么忙、这个组织/岗位有什么特别之处。💡 信息不用一次性倒完，鼓励 AI 追问，举例子时注意隐私保密。

4D 框架回顾：两个循环各自拆成三个子项

框架定义跟通用课一致，值得记的是这门课把每个 D 的三个子项都点名了一遍：

循环	D	三个子项
Delegation-Diligence（高层决策）	Delegation	Problem Awareness（搞懂组织目标）/ Platform Awareness（认清工具能力边界）/ Task Delegation（谨慎分工）
	Diligence	Creation Diligence（有意识地选工具）/ Transparency Diligence（诚实说明 AI 参与程度）/ Deployment Diligence（核实并为产出背书）
Description-Discernment（日常互动）	Description	Product（定义想要什么产出）/ Process（引导 AI 怎么处理）/ Performance（塑造协作时的行为方式）
	Discernment	Product（评估产出质量）/ Process（评估 AI 怎么得出结论）/ Performance（评估 AI 协作时的表现）

实操：Mapping Your AI Needs——列出自己对用 AI 的疑虑和问题，让 AI 把这些疑虑归类进 4D 框架，看看自己的顾虑集中在哪个 D，判断这是真实的优先级还是在回避某个环节。

Description-Discernment 循环落地一：用 AI 做调研

第 3 节用案例示范——某住房类非营利机构执行总监 Maria 要把业务从 Portland 扩展到 Seattle，用 AI 研究政策环境、资助机会、合规要求。

📌 有效的 Description 要给够背景：笼统的问题只会得到笼统的答案，prompt 里要讲清楚自己的组织是谁、服务什么人群、具体想知道什么，AI 才能给出能直接用的答案。

Discernment 不是可选项：尤其在准确性有后果的场合，要主动标出哪些具体说法需要核实、有没有漏掉服务对象/社区的视角、内容是不是过时或太笼统。

实操（政策与立法追踪）：挑一个跟自己组织相关的政策领域（住房政策、教育经费、医疗可及性、环境法规……），写一条包含具体政策名称、组织的服务背景、想知道的信息（受益人影响/资金含义/合规要求/倡导空间）、地域/时间范围的 prompt；拿到回应后至少标出 2 条需要核实的说法、指出遗漏的视角、标出看起来过时或不够具体的信息。进阶练习：让 AI 找出某个关键论述的原始出处，对照原文核实转述准不准。

Description-Discernment 循环落地二：用 AI 写作

第 4 节的案例是环境正义类小型机构的 James，在 48 小时截止期限内赶写一份紧急拨款申请书，示范怎么靠 AI 加速，同时不丢掉组织真实的声音和人情味。

📌 关键提醒：分享过去写得好的材料，让 AI 学会组织的语气和写作方式；补上 AI 编不出来的东西——组织的实际业绩记录、合作伙伴关系、员工专业能力、真实的社区关系；修改指令要具体，不要说「写得更有说服力一点」，要说「把这些具体的社区关系细节写进去」。

实操（拨款申请写作）：写一条 prompt 覆盖拨款机会细节和资助方优先级、项目具体信息（参与人数/活动/地点/已取得的成果）、组织的语气和核心价值观、格式要求（字数/必须包含的章节/语气）、这个项目的独特之处或成效证据；拿到草稿后用 Discernment 检查——所有数据和成果说法是否准确、语言是不是真的贴合组织声音还是显得很通用、有没有问题的措辞（尤其是把受益人写成「缺陷视角」的语言）、内容有没有真正对上资助方的优先级而不只是罗列项目内容、有哪些只有组织内部人才知道的信息还没写进去。

Delegation-Diligence 循环落地一：隐私与数据

📌 AI 带来了新的隐私考量，尤其是「训练」这件事——部分 AI 工具会用输入内容训练未来的模型，意味着你的数据模式可能影响未来的输出；不同工具的数据保留规则不一样，免费版跟有严格数据保留政策的付费版要区分对待，按数据敏感程度挑合适的工具。

📌 安全地用 AI，不是完全不用 AI——先做 Problem Awareness 和 Platform Awareness，很多时候把任务拆开，根本不需要碰敏感信息就能拿到大部分好处；模式分析通常不需要姓名、联系方式这些能识别身份的信息（PII），可以直接拿掉，从「目标」倒推「真正需要的数据」。万一出问题，还有补救手段：删除对话、走平台的隐私流程申请删除数据、遵守组织自己的应对规范。

Claude 用户可以在 privacy.anthropic.com 和 trust.anthropic.com 查详细说明，也可以在 Claude App 里直接关闭「对话用于训练」这个选项；用别的工具时，如果找不到类似的说明文件，本身就是一个风险信号。

实操（数据敏感度评估）：挑一个跟自己工作相关的场景（捐赠人历史记录表/项目参与者的调查问卷/含受益人故事的拨款报告草稿），标出哪些字段/段落含 PII、哪些信息是分析真正需要的、哪些可以去掉或匿名化而不影响分析、最坏情况下泄露出去会怎样；再规划实际做法——分享给 AI 之前要删改什么、用哪一档工具/方案匹配这个敏感度、AI 分析完之后要做哪些核实步骤。

Delegation-Diligence 循环落地二：数据分析

第 6 节用退伍军人服务机构项目主管 Rio 的案例，示范一个务实的信任建立方法：

📌 先拿「已经知道答案」的历史数据测试 AI，再放手用在新数据上——如果 AI 在正确引导下能对上你已知的历史结果，之后同类型的任务就可以更放心地交给它；每一轮测试都会暴露 AI 的强项和它需要什么样的引导，把测试出来有效的做法记录下来，方便复用。

即使自己不是数据分析专业出身，AI 也能帮上忙——帮忙构思分析思路、写 Excel 公式、整理杂乱的数据，但理解这些结果需要持续追问澄清。📌 责任还是在自己身上——核实结果合不合理、如实说明 AI 参与了多少，这两件事不会因为用了 AI 就转移出去。

实操（沟通成效分析）：收集 10-20 条组织自己的对外沟通样本（社媒帖文、邮件标题、简讯标题、活动通知），高效果和低效果的都要有；让 AI 找出高表现内容里的主题、语言/语气/排版规律、组织的对外沟通跟受众反应之间的落差；用 Discernment 检查这些规律跟自己的直觉是否一致、有没有漏掉受众或目标背景、有没有意料之外的发现。

把 4D 串成一套可重复的工作流：Workflow Augmentation

第 7 节的案例是筹备年度晚宴的筹款协调员 Emily，示范怎么建一套 AI 辅助的邮件回复系统。

📌 先做 Problem Awareness 再碰工具——动手用 AI 之前先盘点真实的工作量：大家在问什么、有什么规律，做出一份具体的任务清单再谈自动化。

Task Delegation 的判断标准是「该不该」而不是「能不能」——课程把任务分成三档：

分类	适合的任务
AI 可以独立处理	标准化的回复、有据可查的信息、流程透明的事
AI 可以协助，人来定夺	AI 起草/准备材料，人审核后再发出
必须由人处理	高风险的判断、涉及情绪敏感的情况、需要复杂判断力的事

三种 Diligence 分别要做：Creation Diligence（有意识地决定要不要自动化）、Deployment Diligence（尤其是初期，产出发出去之前先审一遍）、Transparency Diligence（诚实说明 AI 参与程度，出错之后尤其重要）。

实操（自动化机会盘点）：回顾过去一周，列出 5-10 件重复或耗时的工作，标注频率（日/周/月）、单次耗时、标准化程度（固定套路还是每次都不一样）；按上面三档分类；从「AI 可以独立处理」或「AI 可以协助」里挑一件省时最多的，作为自己的自动化候选任务。

Integration：组织层面的「人在回路」与 AI 使用政策

第 8 节把「human in the loop」这个说法在非营利场景里重新定义——不只是「审核」这么简单，还包括判断哪些问题该用 AI 解决、这个方案符不符合组织价值观、有没有保住真实的人际关系和社区连接。

📌 判断 AI 依赖有没有失控的简单方法：定期问自己「我们能不能解释清楚 AI 在做什么」——答得上来就是健康的增强，答不上来就要重新设计这个流程。

📌 AI 该腾出来的是「做更多人的事」的时间，不是「做更少事」——用得好，AI 省下来的是行政负担，腾出来的时间应该花在个性化互动、直接联系社区、给个人提供支持上；用不好，反而会把本该由人来做的接触点自动化掉。组织越早定下「省下来的时间要怎么用」这个文化共识，团队执行起来越一致。

实操：起草一份组织级 AI 使用政策，分七个部分：

Platform Awareness（工具规则）——组织允许/禁止用哪些 AI 工具？不同敏感度的工作该配什么样的数据保留和训练政策？怎么持续跟进工具和政策的变化？
Task Delegation（任务边界）——哪些工作类型适合 AI 协助？哪些必须完全由人来做，为什么？谁有权批准新的用法？遇到模糊地带怎么处理？
Expectations and Capacity（期望与能力建设）——效率提升省下来的时间怎么重新分配？不同岗位的合理期望是什么？怎么让全员都具备一定的 AI 能力，避免只靠一个「AI 专家」？AI 流程出问题时的应对流程是什么？
Quality and Oversight（质量与监督）——谁负责在产出发布/分享前核实？不同内容类型分别用什么核实流程？出错之后的处理程序是什么？怎么持续监控问题？
Transparency（透明）——利益相关方/资助方/受益人需要知道哪些用 AI 的情况？具体产出里 AI 参与的部分怎么披露？拨款申请/报告/对外沟通材料怎么署名/标注？
Values Alignment（价值观对齐）——怎么确保 AI 服务于使命，而不是反过来；用什么伦理原则指导 AI 相关的决定；跟弱势群体相关的工作里，怎么保证尊严和尊重始终在 AI 协助下不打折扣；哪些情况即使更有效率，也应该拒绝用 AI
Compile and Review（整合与复盘）——用 AI 帮忙把以上回答整理成一份连贯的政策文档；检查完整性、组织语气是否一致；标出需要团队讨论的空白；规划怎么推出这份政策、以后怎么随组织的 AI 使用情况演进

Next Steps：挑一件真实工作，走完整套 4D

结课练习要求挑一件手头真正等着完成的工作（拨款申请/报告、捐赠人沟通、项目数据分析、政策/流程更新、活动策划或宣传内容），系统地走一遍 4D：Delegation（AI 处理什么，人的判断留在哪）、Description（讲清楚组织背景和想要的结果）、Discernment（评估并迭代产出）、Diligence（对准确性和透明度负最终责任）。📌 「记住这是一个循环，不是一条直线」——4D 各阶段之间来回跳是常态。

常见错误

❌ 把捐赠人姓名、联系方式、受益人可识别身份的细节直接丢给 AI 分析——课程反复强调大部分模式分析根本不需要 PII，应该先去掉或匿名化再做
❌ 拨款申请/对外沟通材料让 AI 从零生成，没有补上只有组织内部人才知道的真实业绩、合作关系、社区关系细节——写出来的东西会显得通用、没有组织自己的声音
❌ 数据分析直接拿新数据喂给 AI，没有先用已知答案的历史数据验证 AI 靠不靠谱——跳过验证这一步，出了错也发现不了
❌ 把「省下来的时间」自动等同于「可以少雇人/少投入」，没有组织层面先统一共识「省下来的时间要挪去做什么」——AI 该让员工做更多有人情味的工作，不是做更少工作
💡 判断 AI 有没有用过头的简单自测：这个流程「你能不能解释清楚 AI 在做什么」——答不上来就该重新设计

Sources

官方文档：

AI Fluency for Nonprofits（课程总览）— https://academy.claude.com/courses/ai-fluency-for-nonprofits
Welcome to AI Fluency for nonprofits — https://academy.claude.com/courses/ai-fluency-for-nonprofits/welcome-to-ai-fluency-for-nonprofits
The 4D Framework — https://academy.claude.com/courses/ai-fluency-for-nonprofits/the-4d-framework
Researching with AI — https://academy.claude.com/courses/ai-fluency-for-nonprofits/researching-with-ai
Writing with AI — https://academy.claude.com/courses/ai-fluency-for-nonprofits/writing-with-ai
Understanding privacy and data — https://academy.claude.com/courses/ai-fluency-for-nonprofits/understanding-privacy-and-data
Data analysis with AI — https://academy.claude.com/courses/ai-fluency-for-nonprofits/data-analysis-with-ai
Workflow augmentation — https://academy.claude.com/courses/ai-fluency-for-nonprofits/workflow-augmentation
Integration — https://academy.claude.com/courses/ai-fluency-for-nonprofits/integration
Next steps — https://academy.claude.com/courses/ai-fluency-for-nonprofits/next-steps