如何把老员工经验变成AI可用的知识资产

设备出现什么样的异响必须停机？客户把价格谈到什么程度还有成交可能？哪类投诉必须当天回电？

这些问题直接影响业务结果，答案却常常没有写进制度、流程或数据库，只存在于少数老员工脑中。员工一走，公司失去的不只是人手，还有多年积累下来的判断依据。

一份经验要成为企业资产，至少要满足几个条件：能够写清楚，能够被检索，能够由他人核对，业务变化后可以更新，并且能在实际工作中反复使用。

本文所说的AI，是指员工提出问题后，系统先查询企业内部资料，再根据找到的内容生成回答的工具。它能回答什么，首先取决于企业提前整理了什么。内部经验没有写下来，AI就不知道这家企业应当怎样报价、怎样处理投诉、怎样判断设备风险。

AI能否处理企业问题，先看企业写下了什么

麦肯锡2025年AI应用调研和MIT Project NANDA同年发布的《The GenAI Divide》，研究对象和衡量指标并不相同，因此不宜直接比较其中的百分比。但两份资料都提醒企业：开始使用AI，与AI稳定参与业务流程之间，还有相当一段距离。

员工会向AI提问，只能说明工具已经有人使用。要让AI处理企业内部问题，还需要把业务规则、判断依据、适用条件和例外情况整理出来，并接入日常工作。

如果没有这些内容，AI只能依据公开资料和通用知识回答。它可以把话说得完整，却不知道某家企业真实的成本限制、客户分级方式和内部处理标准。

所以，企业购买哪一种AI工具固然重要，内部知识是否准确、完整、便于查询，同样决定最终效果。

老员工最难交接的，是判断依据

管理学通常把知识分为两类。

写在制度、手册、流程图和数据库里的内容，叫作“显性知识”，其他人可以直接查阅。员工经过长期工作形成、却没有完整表达和记录的经验，叫作“隐性知识”。

老员工真正难以交接的，通常不是操作动作，而是动作之前的判断：

• 他看到了哪些信号；
• 哪个信号更重要；
• 为什么选择这种处理方式；
• 什么情况下可以照做；
• 遇到哪些例外必须换一种办法。

野中郁次郎和竹内弘高在1995年出版的《创造知识的企业》中，把组织知识的形成概括为“社会化、外化、组合、内化”四个环节。简单地说，就是经验先在人与人的共同工作中传递，再被说清楚、写下来，与已有资料整理到一起，最后重新用于工作。

企业最容易漏掉的是把经验说清楚、写下来的环节。让老员工直接写工作总结，他往往只会记录做了什么，很少主动解释为什么这样做。那些被他视为常识的判断，恰恰是新人和AI最需要的内容。

ISO 30401：2018把知识管理规定为一套可以审核和认证的管理体系。它所强调的也是组织机制：企业需要持续获取、使用、维护和更新知识，不能只依赖某位员工主动分享。

招人、带教和培训视频只能解决一部分问题

师徒带教有价值，它可以让新人跟着有经验的人学习。但一位老师傅能带的人数有限，培养需要时间，口头传递还可能遗漏条件和例外。企业规模扩大，或者核心员工退休、转岗、离职时，单靠一对一传授很难保证经验不断档。

集中培训和经验视频也能帮助新人理解业务，却不能自动形成可查询、可核对、可更新的企业知识。视频保存了讲解过程，员工遇到具体问题时仍要重新翻找；如果没有提炼出规则，也很难判断视频里的做法适用于哪些情况、现在是否仍然有效。

个人培训解决的是员工会不会做、会不会使用AI。经验资产化解决的是企业有没有一套能够反复调用的判断依据。后者需要完成经验提取、规则整理、交叉验证、系统接入和效果检查。

一条经验怎样进入AI系统

从老员工的一次判断，到AI可以准确调用的规则，通常要经过四个环节。

从具体事件开始访谈

不要请老员工泛泛地谈心得，也不要只让他写工作总结。更有效的方式是选取真实发生过的事情，沿着当时的处理过程追问：

• 当时发生了什么？
• 你首先注意到了什么？
• 哪些信号影响了你的判断？
• 你最后采取了什么行动？
• 为什么这样处理？
• 哪些情况下不能采用同样的办法？

访谈需要记录的不只是结论，还包括结论成立的条件。老员工觉得“不用解释”的地方，应当继续追问，因为那里往往藏着尚未写下来的判断规则。

AI可以先分析工单和聊天记录，找出高频问题、常见处理方式和需要重点追问的场景，帮助提高访谈效率。但这类记录通常只有问题和处理结果，未必写明当事人为什么这样判断。涉及判断依据的内容，仍需要通过访谈补充。

把口头经验改写成可执行的规则

访谈记录属于原始材料，不能直接当作规则使用。整理时，每条经验至少应当写清楚五项内容：

• 适用场景；
• 需要观察的信号；
• 采取行动的条件；
• 判断依据；
• 例外情况和使用限制。

“如果出现某种情况，就采取某项行动”只是基本形式。规则能否安全使用，取决于适用范围和例外条件是否完整。缺少这些说明，新人和AI都可能把一条正确的经验用在错误的场景里。

请其他有经验的人核对

个人经验可能长期有效，也可能受到岗位、时间和个人习惯影响。规则整理完成后，应当请另一位有经验的员工或该业务的负责人核对：事实是否准确，条件是否完整，有没有遗漏特殊情况。

经过核对，个人做法才有机会成为组织可以采用的规则。未经验证的内容直接进入知识库，个人偏差也会随之被更多人使用。

接入检索系统，并检查回答结果

确认后的规则可以存入企业知识库，再通过“检索增强生成”技术供AI调用。这项技术通常简称RAG，意思是员工提问后，系统先从企业知识库中查找相关内容，AI再根据找到的资料组织回答。

它可以减少AI只凭通用知识回答企业内部问题的情况，却无法替企业修正规则。如果知识库里的内容错误、过时或缺少边界条件，AI即使准确找到它，也可能给出不合适的答案。

接入系统以后，还要同时检查两件事：AI有没有找到正确的规则，以及它依据规则生成的回答是否准确。前者属于检索效果，后者属于回答质量，任何一项都不能省略。

企业最终应当留下哪些成果

经验是否完成资产化，不能看访谈做了多少次、视频录了多少段，也不能只看有没有建立知识库文件夹。企业手里至少应当留下以下内容。

标准操作规程。 标准操作规程通常简称SOP，用于把经过确认的判断规则整理成可以执行的步骤。它应当说明条件、动作和例外，不能只是一篇叙述性的工作总结。

规则库和案例库。 规则按业务场景分类，写明适用范围、判断条件、处理方式和例外情况；案例用于说明规则在真实工作中如何应用。内容修改时还应保留版本记录，方便追溯。

统一术语表。 同一件事如果在不同岗位有不同叫法，员工沟通时容易产生歧义，AI检索时也可能找不到正确内容。术语表需要统一业务名称、常用简称和具体含义。

检索与回答效果记录。 “检索命中率”是指员工提问时，系统找到相关知识的比例。这个指标可以说明规则有没有被系统找到，但不能单独代表最终效果，还要结合回答准确性一起检查。

规则入库后仍需定期复核。业务环境、产品和客户需求发生变化，原有规则也可能失效。企业需要明确由谁检查、多久检查一次，并记录每次修改的内容。

完成这些工作后，经验的使用方式会发生明显变化：过去主要服务少数直接接受带教的人，整理后可以供更多员工查询；过去依赖口头传递，整理后可以查看规则及其修改记录；过去主要依赖对老员工个人的信任，整理后可以由多人核对，并保留判断依据。

不必一开始就整理某个人的全部经验

一位老员工的经验是否值得优先整理，判断标准不是资历，而是复用频率和影响范围。

某项判断如果经常被问到，并且影响多个岗位或部门，就值得先处理。几年才会遇到一次、影响范围又很小的特殊情况，可以降低优先级。企业没有必要一开始就为某个人建立一套覆盖所有工作的知识库，可以先选择一个高频、影响结果的具体场景。

完成该场景的访谈、规则整理和验证后，再把规则接入检索系统，观察AI能否找到正确内容、回答准确性是否改善。一个场景验证有效，再逐步扩大范围。

这项工作也没有适用于所有企业的固定周期。知识复杂度、企业规模和参与人员的配合程度都会影响进度。与其承诺一个笼统的完成日期，不如设置可以检查的节点：规则是否写完，是否经过核对，是否已经接入系统，实际查询效果是否达标。

AI知识库不只是换一种文件格式

传统经验手册通常依赖员工翻阅目录查找内容，更新和使用情况也不容易持续追踪。接入检索系统的AI知识库，可以根据员工提出的问题匹配相关规则，再生成对应回答。

真正的差别不在文件由纸质版、Word文档变成了AI系统，而在知识有没有经过结构化整理，能不能按问题找到，是否建立了复核、更新和效果检查机制。缺少这些工作，把经验手册导入AI系统，也不会自动变成可靠的知识资产。

经验资产化也不等同于企业知识库的全部建设。企业知识库还包括产品资料、制度文件等已经写下来的显性知识，这些内容通常可以直接分类整理。老员工的隐性经验需要增加访谈、结构化改写和交叉验证，处理难度更高，也更容易被遗漏。

用真实问题验收，而不是数文档

验收时，可以让一位不了解这段经验的员工提出真实业务问题，再检查：系统能否找到对应规则，回答有没有说明适用条件和例外，其他有经验的人是否认可这个答案，业务变化后是否有人负责更新。

这些问题都有明确答案，并且留下了查询、核对和修改记录，经验才算进入企业的日常工作。这样，即使人员发生变化，企业也不必从头重新积累同一套判断。