如何把老員工經驗變成AI可用的知識資產

設備出現什麼樣的異響必須停機？客戶把價格談到什麼程度還有成交可能？哪類投訴必須當天回電？

這些問題直接影響業務結果，答案卻常常沒有寫進制度、流程或數據庫，只存在於少數老員工腦中。員工一走，公司失去的不只是人手，還有多年積累下來的判斷依據。

一份經驗要成為企業資產，至少要滿足幾個條件：能夠寫清楚，能夠被檢索，能夠由他人核對，業務變化後可以更新，並且能在實際工作中反覆使用。

本文所説的AI，是指員工提出問題後，系統先查詢企業內部資料，再根據找到的內容生成回答的工具。它能回答什麼，首先取決於企業提前整理了什麼。內部經驗沒有寫下來，AI就不知道這家企業應當怎樣報價、怎樣處理投訴、怎樣判斷設備風險。

AI能否處理企業問題，先看企業寫下了什麼

麥肯錫2025年AI應用調研和MIT Project NANDA同年發佈的《The GenAI Divide》，研究對象和衡量指標並不相同，因此不宜直接比較其中的百分比。但兩份資料都提醒企業：開始使用AI，與AI穩定參與業務流程之間，還有相當一段距離。

員工會向AI提問，只能説明工具已經有人使用。要讓AI處理企業內部問題，還需要把業務規則、判斷依據、適用條件和例外情況整理出來，並接入日常工作。

如果沒有這些內容，AI只能依據公開資料和通用知識回答。它可以把話説得完整，卻不知道某家企業真實的成本限制、客戶分級方式和內部處理標準。

所以，企業購買哪一種AI工具固然重要，內部知識是否準確、完整、便於查詢，同樣決定最終效果。

老員工最難交接的，是判斷依據

管理學通常把知識分為兩類。

寫在制度、手冊、流程圖和數據庫裏的內容，叫作“顯性知識”，其他人可以直接查閲。員工經過長期工作形成、卻沒有完整表達和記錄的經驗，叫作“隱性知識”。

老員工真正難以交接的，通常不是操作動作，而是動作之前的判斷：

• 他看到了哪些信號；
• 哪個信號更重要；
• 為什麼選擇這種處理方式；
• 什麼情況下可以照做；
• 遇到哪些例外必須換一種辦法。

野中鬱次郎和竹內弘高在1995年出版的《創造知識的企業》中，把組織知識的形成概括為“社會化、外化、組合、內化”四個環節。簡單地説，就是經驗先在人與人的共同工作中傳遞，再被説清楚、寫下來，與已有資料整理到一起，最後重新用於工作。

企業最容易漏掉的是把經驗説清楚、寫下來的環節。讓老員工直接寫工作總結，他往往只會記錄做了什麼，很少主動解釋為什麼這樣做。那些被他視為常識的判斷，恰恰是新人和AI最需要的內容。

ISO 30401：2018把知識管理規定為一套可以審核和認證的管理體系。它所強調的也是組織機制：企業需要持續獲取、使用、維護和更新知識，不能只依賴某位員工主動分享。

招人、帶教和培訓影片只能解決一部分問題

師徒帶教有價值，它可以讓新人跟着有經驗的人學習。但一位老師傅能帶的人數有限，培養需要時間，口頭傳遞還可能遺漏條件和例外。企業規模擴大，或者核心員工退休、轉崗、離職時，單靠一對一傳授很難保證經驗不斷檔。

集中培訓和經驗影片也能幫助新人理解業務，卻不能自動形成可查詢、可核對、可更新的企業知識。影片保存了講解過程，員工遇到具體問題時仍要重新翻找；如果沒有提煉出規則，也很難判斷影片裏的做法適用於哪些情況、現在是否仍然有效。

個人培訓解決的是員工會不會做、會不會使用AI。經驗資產化解決的是企業有沒有一套能夠反覆調用的判斷依據。後者需要完成經驗提取、規則整理、交叉驗證、系統接入和效果檢查。

一條經驗怎樣進入AI系統

從老員工的一次判斷，到AI可以準確調用的規則，通常要經過四個環節。

從具體事件開始訪談

不要請老員工泛泛地談心得，也不要只讓他寫工作總結。更有效的方式是選取真實發生過的事情，沿着當時的處理過程追問：

• 當時發生了什麼？
• 你首先注意到了什麼？
• 哪些信號影響了你的判斷？
• 你最後採取了什麼行動？
• 為什麼這樣處理？
• 哪些情況下不能採用同樣的辦法？

訪談需要記錄的不只是結論，還包括結論成立的條件。老員工覺得“不用解釋”的地方，應當繼續追問，因為那裏往往藏着尚未寫下來的判斷規則。

AI可以先分析工單和聊天記錄，找出高頻問題、常見處理方式和需要重點追問的場景，幫助提高訪談效率。但這類記錄通常只有問題和處理結果，未必寫明當事人為什麼這樣判斷。涉及判斷依據的內容，仍需要通過訪談補充。

把口頭經驗改寫成可執行的規則

訪談記錄屬於原始材料，不能直接當作規則使用。整理時，每條經驗至少應當寫清楚五項內容：

• 適用場景；
• 需要觀察的信號；
• 採取行動的條件；
• 判斷依據；
• 例外情況和使用限制。

“如果出現某種情況，就採取某項行動”只是基本形式。規則能否安全使用，取決於適用範圍和例外條件是否完整。缺少這些説明，新人和AI都可能把一條正確的經驗用在錯誤的場景裏。

請其他有經驗的人核對

個人經驗可能長期有效，也可能受到崗位、時間和個人習慣影響。規則整理完成後，應當請另一位有經驗的員工或該業務的負責人核對：事實是否準確，條件是否完整，有沒有遺漏特殊情況。

經過核對，個人做法才有機會成為組織可以採用的規則。未經驗證的內容直接進入知識庫，個人偏差也會隨之被更多人使用。

接入檢索系統，並檢查回答結果

確認後的規則可以存入企業知識庫，再通過“檢索增強生成”技術供AI調用。這項技術通常簡稱RAG，意思是員工提問後，系統先從企業知識庫中查找相關內容，AI再根據找到的資料組織回答。

它可以減少AI只憑通用知識回答企業內部問題的情況，卻無法替企業修正規則。如果知識庫裏的內容錯誤、過時或缺少邊界條件，AI即使準確找到它，也可能給出不合適的答案。

接入系統以後，還要同時檢查兩件事：AI有沒有找到正確的規則，以及它依據規則生成的回答是否準確。前者屬於檢索效果，後者屬於回答質量，任何一項都不能省略。

企業最終應當留下哪些成果

經驗是否完成資產化，不能看訪談做了多少次、影片錄了多少段，也不能只看有沒有建立知識庫資料夾。企業手裏至少應當留下以下內容。

標準操作規程。 標準操作規程通常簡稱SOP，用於把經過確認的判斷規則整理成可以執行的步驟。它應當説明條件、動作和例外，不能只是一篇敍述性的工作總結。

規則庫和案例庫。 規則按業務場景分類，寫明適用範圍、判斷條件、處理方式和例外情況；案例用於説明規則在真實工作中如何應用。內容修改時還應保留版本記錄，方便追溯。

統一術語表。 同一件事如果在不同崗位有不同叫法，員工溝通時容易產生歧義，AI檢索時也可能找不到正確內容。術語表需要統一業務名稱、常用簡稱和具體含義。

檢索與回答效果記錄。 “檢索命中率”是指員工提問時，系統找到相關知識的比例。這個指標可以説明規則有沒有被系統找到，但不能單獨代表最終效果，還要結合回答準確性一起檢查。

規則入庫後仍需定期複核。業務環境、產品和客戶需求發生變化，原有規則也可能失效。企業需要明確由誰檢查、多久檢查一次，並記錄每次修改的內容。

完成這些工作後，經驗的使用方式會發生明顯變化：過去主要服務少數直接接受帶教的人，整理後可以供更多員工查詢；過去依賴口頭傳遞，整理後可以查看規則及其修改記錄；過去主要依賴對老員工個人的信任，整理後可以由多人核對，並保留判斷依據。

不必一開始就整理某個人的全部經驗

一位老員工的經驗是否值得優先整理，判斷標準不是資歷，而是複用頻率和影響範圍。

某項判斷如果經常被問到，並且影響多個崗位或部門，就值得先處理。幾年才會遇到一次、影響範圍又很小的特殊情況，可以降低優先級。企業沒有必要一開始就為某個人建立一套覆蓋所有工作的知識庫，可以先選擇一個高頻、影響結果的具體場景。

完成該場景的訪談、規則整理和驗證後，再把規則接入檢索系統，觀察AI能否找到正確內容、回答準確性是否改善。一個場景驗證有效，再逐步擴大範圍。

這項工作也沒有適用於所有企業的固定週期。知識複雜度、企業規模和參與人員的配合程度都會影響進度。與其承諾一個籠統的完成日期，不如設置可以檢查的節點：規則是否寫完，是否經過核對，是否已經接入系統，實際查詢效果是否達標。

AI知識庫不只是換一種文件格式

傳統經驗手冊通常依賴員工翻閲目錄查找內容，更新和使用情況也不容易持續追蹤。接入檢索系統的AI知識庫，可以根據員工提出的問題匹配相關規則，再生成對應回答。

真正的差別不在文件由紙質版、Word文檔變成了AI系統，而在知識有沒有經過結構化整理，能不能按問題找到，是否建立了複核、更新和效果檢查機制。缺少這些工作，把經驗手冊導入AI系統，也不會自動變成可靠的知識資產。

經驗資產化也不等同於企業知識庫的全部建設。企業知識庫還包括產品資料、制度文件等已經寫下來的顯性知識，這些內容通常可以直接分類整理。老員工的隱性經驗需要增加訪談、結構化改寫和交叉驗證，處理難度更高，也更容易被遺漏。

用真實問題驗收，而不是數文檔

驗收時，可以讓一位不瞭解這段經驗的員工提出真實業務問題，再檢查：系統能否找到對應規則，回答有沒有説明適用條件和例外，其他有經驗的人是否認可這個答案，業務變化後是否有人負責更新。

這些問題都有明確答案，並且留下了查詢、核對和修改記錄，經驗才算進入企業的日常工作。這樣，即使人員發生變化，企業也不必從頭重新積累同一套判斷。