隐性知识为什么是AI落地最大的坎？

把老师傅的经验变成模型，是几乎每家制造企业都想干的事。难点不在建模，在于你去问他「你是怎么判断的」，他大概率答不上来。不是藏私，是真的说不清。这就是隐性知识，也是 AI 落地路上最硬的一道坎。

一、隐性知识长什么样

车间里的老师傅听声音就知道轴承要坏，看铁屑颜色就知道刀具该换了；老业务员见客户一面就知道这单成不成；老会计翻一遍单据就能挑出有问题的那张。这些判断准确率极高，速度极快，而且他们本人无法完整解释依据。

这类知识的共同特征是：由大量重复经验压缩而成、依赖多模态感知（声音、颜色、语气、手感）、并且高度情境化——换个车间可能就不完全适用。

企业里真正的竞争力常常就藏在这里。可它不在任何系统里，不在任何文档里，甚至不在当事人的意识里。老师傅一退休，这块资产直接归零。

二、为什么访谈拿不到

标准做法是找专家做几场访谈，整理成规则文档。实际效果往往很差，原因有三层。

第一层，专家会给出「应该怎么做」的标准答案，而不是「实际怎么做」的真实流程。人在被问的时候会不自觉地规范化自己的行为描述。

第二层，判断依据往往是复合的、连续的。他不是按「如果 A 且 B 则 C」在思考，而是整体感知。把它硬拆成条件规则，会丢掉最关键的权重信息。

第三层，最重要的部分他自己意识不到。真正的专家判断已经自动化，就像你走路不需要思考怎么迈腿。问「你怎么走路的」，得到的答案一定不准确。

三、能用的办法只有一种

有效的路径是长时间的现场观察加上大量对话反推。不问「你怎么判断」，而是站在旁边看他做几十次，每次追问「刚才为什么选这个不选那个」。在具体动作后面追问，答案的准确度会高得多。

另一个技巧是找差异。同一个岗位上找一个新手和一个老手，让他们处理同一批任务，看结果差在哪、动作差在哪。差异点就是隐性知识的位置。

还有一条捷径：看老师傅在什么时候会停下来。停顿意味着遇到了需要判断的分叉点，而这些分叉点就是规则需要被编码的地方。

隐性知识不能被问出来，只能被看出来。这就是为什么这活儿必须有人在现场。

四、阿优至简的视角

这也是我们坚持第一周必须蹲现场的原因。会议室里能拿到的是流程图，车间里能拿到的是真实规则，两者经常对不上——而 AI 只在真实规则上才能跑得准。

落到具体做法：每个项目至少完整跟随一线员工工作半天以上，把观察到的判断点记录成清单，再回去跟业务方逐条确认。这一步的成本，远低于因为规则错误导致整个模型返工的成本。

对企业来说还有个附加价值：这个过程本身就是知识资产化。哪怕最后没上 AI，那份清单也能用来培训新人，缩短老师傅带徒弟的周期。

落地前的三条至简建议

1. 把蹲点写进排期：每个项目预留至少半天以上的完整现场跟随时间。
2. 在动作后追问：不问抽象方法，只在具体操作后问为什么选这个。
3. 做差异对比：让新手和老手处理同批任务，差异点就是知识点。

企业最值钱的东西通常没被写下来。AI 落地的过程，某种意义上是逼着企业第一次把这些东西显性化——这个副产品，有时比 AI 本身更有价值。