AI时代的经验知识萃取:专家经验不是萃取出来的，而是知识建模出来的
很多企业之前都做过不少知识经验萃取的工作，并且积累了大量的产出，:一些大型企业甚至萃取了数万个课程，做过千场访谈，形成几千、几万篇“经验知识”。
项目验收的时候往往很好看：访谈了多少专家，萃取了多少条经验，沉淀了多少篇文档。
但几年以后再回头看，一个尴尬的问题就出现了：这些知识到底有多少真正被用起来了了，答案却并不理想。当做企业AI应用的时候，发现这些内容AI也没法用。
这里面的问题，并不是企业不需要专家知识。其实正好相反，在AI时代，企业比过去更加需要高质量的专家知识。
这里有一个底层逻辑：大模型的价值在于解决了公共知识的获取应用问题：行业基本概念、通用方法、公开案例、理论模型，AI已经掌握得越来越好。
但既然是公共知识，任何机构都可以便捷的应用。这样的场景下，真正决定企业竞争力的，是那些AI里没有的私有知识。譬如：
- 面对设备出现的异常，资深工程师为什么能看几个参数就知道问题出在哪里？
- 面对同样一组经营数据，有经验的管理者为什么能够迅速发现真正的风险？
这些表现背后的私有知识，才构成了企业真正的优势。
更进一步说，企业AI能力的差异来自于高质量私有知识的输入，但输入的前提是企业能不能把这些高质量私有知识显性化并组织起来，只有这样才能成为AI可以调用的输入。
所以，当前的问题，不是“还要不要做专家经验知识萃取”，而是：
过去那套传统的专家经验知识萃取方法，到底能不能生产出AI时代真正需要的、服务员工和AI的高质量知识？
答案是：很难。
关于如何做好AI时代的经验知识萃取工作，下文进行详述，也欢迎与我们交流研讨（微信号:511956894）
一、传统知识经验萃取最大的误区：假设“知识已经在那里”，但这个假设可能就是错的
在之前，大家做经验知识萃取的时候，其实存在一个默认的假设：
各业务和职能上的高手和专家，他们之所以做得好，是因为他的脑子里已经存在一套完整的知识。
而经验知识萃取，就是我们需要通过访谈、观察等动作，把它问出来整理一下就可以了。
其基本流程是：
访谈者提问→专家回忆→专家表达→访谈者整理→形成知识。
但问题的麻烦是，这个假设可能就是错的：专家“会做”，并不意味着专家“知道自己为什么会做”。
譬如：
- 一个资深销售可以做到在半小时交流以后，判断这个项目大概率没戏，但你问他为什么，他可能只能告诉你：“感觉不太对。”
- 一个资深工程师在遇到出问题的现场，知道立马关注那几个问题点，然后接着去拆开看某几个部件，快速定位问题。但当你问他为什么先看这里再看某个部件，他可能回答：“做多了就知道了。”
这种现象的背后，大部分不是意愿问题（专家不愿意分享），而是专家在实践中形成了自动的认知模式，他也没有分析过说不清楚：
他知道怎么做，却未必知道自己为什么这么做；他能做出判断，却未必能够完整解释这个判断背后调用了哪些信息、知识、规则和模型。
所以，仅仅想依靠去访谈，去“问”，即便专家有分享的意愿，也很难得到真正支撑专家高水平表现的东西。
还有一个更深层次的问题，单个专家的经验跟可复用的知识还有距离：因为经验是零散的、片段的、情景的，只能适用个体的情况。而知识则是普适的、独立的、可迁移的，需要主动去做经验到知识升级的工作。
以上的原因，就是为什么很多经验知识萃取最后得到的课程也好，故事、技巧、注意事项和案例也好，很难被重用复用，更难形成AI能够调用的结构化知识。
这个问题的关键，不是访谈技巧的问题，也不是专家的问题。而在于我们把一个知识建模问题，当成了信息采集问题。
二、从“经验知识萃取”升级为“专家级知识体系建模”，萃取过程其实是重新建构的过程
要想做好经验知识萃取的工作，真正需要改变的是整个方法论。
不要奢望问问专家是怎么想的就能发现背后的逻辑，而是要去研究专家级表现背后的逻辑：没有人能平白无故的厉害，高水平的背后是在那个场景下，他的大脑中比我们多了不同类型的数据、信息和知识及其之间的关系。
这就要用到知识管理中心的知识任务分析方法(KTA)。
KTA起点不是专家脑子里有什么，而是专家之所以完成任务背后的支撑体系。
举例说，我们可以选择一项关键业务任务，然后按照下面的步骤去分析：
高水平表现→关键任务→动作与认知过程→关键判断→所需数据与信息→背后调用的知识→专家级知识体系
以一个2B公司的销售为例，真正值得去分析的，不是让他泛泛地讲“我的销售经验”，而是找到那些真正决定结果的关键任务：
- 如何判断一个项目值不值得投入，哪些是高潜力客户值得投入资源，哪些应该在开始就放弃？
- 如何识别企业内部真正的决策链，谁是发起方、谁负责技术指标确定、谁拍板、谁的意见最关键等？
然后继续往下分析，找到在做这些判断的时候：
- 这个销售看什么、听什么、问什么、比较什么、判断什么？
- 他为什么注意到某些信号而忽略其他，而普通销售没有注意到？面对同样的信息，他是怎么解读的，为什么会得出不同结论？
继续向下，就会逐渐暴露真正支撑专家表现的数据、信息、知识、模型、规则以及情境经验。
这时候我们得到的，就不再是零散的“经验”，而开始形成一套围绕真实任务组织起来的专家级知识体系。
三、专家真正厉害背后的知识，不是清单而是一个动态更新的体系
这是整个方法中非常关键的一步。
很多所谓知识萃取，最后都会变成一张“知识清单”：专家应该懂产品、懂客户、懂行业、懂竞争对手……
这些当然没错，但这些解释不了专家为什么比普通人做得更好，本质上是没有找到支撑卓越背后的逻辑。
因为真正支撑专家表现的知识至少存在不同形态：
第一类是常识性知识。没有这些知识，连业务都无法正常开展。这里的常识也是分层次的，专家认为是常识的，可能对新员工而言很高深。
第二类是关联性知识。专家知道不同现象、原因、问题和解决方案之间是什么关系。看到A，他能够联想到B、C和D。
专家一眼看透问题抓住本质的背后，就是这类知识。
第三类是广度知识。专家拥有大量框架、模型、模式和案例，所以面对一个新问题，能够迅速判断它属于哪一类问题。
经常说的“外行看热闹，内行看门道”，之所以看门道背后是他在获取信息的时候有相关结构化的框架模型等。
第四类是深度知识。专家能够穿透表面现象，理解更深层次的机制、规律和关键变量。这里面涉及到战略战术的区别、概念层级的区别等等。
真正的专业判断，往往是这几类知识共同作用的结果。
这种大脑里的复杂处理，不要期望让专家“多讲一点”来说清楚，而是要让业务专家掌握这套知识任务分析的框架，帮助他们重新审视自己的工作：
- 我为什么注意到这个信号？
- 这个信息为什么重要？
- 我是依据什么做出这个判断的？
- 这个判断在哪些情况下成立，在哪些情况下不成立？
- 另一个同事为什么想不到，他的大脑里缺什么？
这是业务专家从经验描述走向知识建模的关键，没有这些基础的认识和方法，即便专家万分希望去做知识共享，他也很难做到。
四、一套真正有效的支撑经验萃取背后专家知识建模的五个步骤
基于这样的认识，企业专家知识经验萃取的流程也应该彻底改变。KMCenter经过验证的步骤如下：
第一步不是找专家访谈，而是先确定知识需求列出清单。
经验知识萃取是有成本的，企业不需要把专家知道的所有东西都萃取出来，既没有必要也没有可能性。
真正应该做的是从业务问题、高价值任务和能力短板分析出发，先找到当前最急缺的、最需要显性化的知识。
然后基于这个分析，列出当前最需要的知识缺口清单，这个清单也是知识经验萃取的需求清单。
第二步，基于清单需求，对关键任务进行知识任务分析。
把任务进一步分解成关键动作、认知过程和关键判断，再继续分析每个判断需要哪些数据、信息和知识。
这样才能从“这个事情怎么做”，进一步走到“为什么这样做”。
第三步，不依赖单一专家，而是让相近水平的多位专家共同建模。
单个专家的经验一定具备偶然性和自己的局限，每个人都可能存在事后合理化自己行为的问题。
几个同岗位、相近水平的专家分别分析以后，再共同讨论、补充、质疑和对照则可以弥补个体专家的局限。
- 你为什么这么判断，我为什么不是这么做？
- 什么情况下你的方法有效，有没有反例？
他们共同形成的，不再是某个人的“经验总结”，而是一个专家级知识体系初版。
在实践中，我们也会邀请比专家低一层级的员工参与但经验知识萃取项目组，他们能提出专家们没有相当过的问题。
第四步，用AI和外部知识进行验证和补充。
再牛的专家也存在认知边界：内部专家共同形成的知识模型，还需要与行业资料、外部案例、专业研究以及AI能够提供的公共知识进行比较。
这个时候AI就有价值了，当然这个过程不是让AI代替专家，而是让企业私有知识与外部公共知识相互验证和补充。
第五步，在真实业务中验证产出并且不断优化提升
真正的知识不是会议室里讨论出来以后就结束了，把这套知识体系交给其他员工使用，或者嵌入AI Agent、业务流程和知识库，在真实项目中验证，在这个过程中去分析和判断：
- 按照这些内容，关键判断准确率有没有提高？
- 能否帮助做这项任务的员工，更快地适应相关工作？
- 在工作中发现，这些规则是否还存在例外，哪些情景没有考虑？如果有更新到产出中。
因此，真正的经验萃取中的知识建模不是一次性的，而是一个持续的过程，不断的优化更新迭代，不断逼近高水平表现背后知识体系的动态过程。
总结为步骤：
任务分析→知识建模→多专家验证→外部验证→实践验证→持续迭代
总结：重新定义经验知识萃取：从“把知识问出来”到“把知识建出来”
AI时代并不是不需要经验知识萃取。恰恰相反，当公共知识越来越容易获取后，那些真正来自业务实践、能够支撑高水平表现的私有知识，价值反而越来越高。
企业不仅需要把这些知识传递给员工，也需要把它们提供给AI，成为企业智能化应用的重要知识基础。
真正需要改变的，不是要不要做知识萃取，而是我们应该重新理解“知识是怎么被萃取出来的”。
传统知识萃取最大的误区，是把知识看成一种已经完整存在于专家大脑中的东西。仿佛只要找到合适的专家，设计好问题，通过访谈把它“问出来”，再由知识管理人员整理成文档，知识萃取就完成了。
但真正支撑专家高水平表现的知识，往往不是以完整、清晰、结构化的方式存在于专家头脑中的。
专家可能知道应该怎么做，却不知道自己为什么这样做；能够迅速发现异常，却未必意识到自己究竟关注了哪些信号；能够作出准确判断，却很难一次性讲清楚这个判断背后调用了哪些数据、信息、知识、模型和过去积累的情境经验。
因此，高质量的经验知识不是简单“问”出来的，而是通过知识任务分析一步一步“分析”和“建模”出来的。
这意味着，新的经验知识萃取至少要发生三个根本变化。
第一，从“专家有什么知识”转向“高水平完成任务需要什么知识”，列清单。
不再追求把专家知道的东西全部整理出来，而是从企业最重要的业务问题、关键任务和知识缺口出发，寻找真正值得沉淀的知识。知识萃取的起点不是专家，而是业务需求和高水平表现。
第二，从“单个专家讲经验”转向“专家共同建立知识模型”，建知识体系。
通过知识任务分析，把高水平表现逐步分解为任务、动作与认知过程、关键判断，再进一步追踪这些判断背后的数据、信息、知识以及不同类型的知识模型。
在这个过程中，让多位相近水平的专家共同讨论、补充、质疑和比较，逐渐把原本模糊、隐性的经验转化为结构化的专家级知识体系。
这个时候，加入需求方（比专家低层次的员工）会有更好的效果，他们的需求正好是专家应该产生的内容。
第三，从“一次萃取完成”转向“持续验证和迭代”，搭建经验知识化的机制。
专家共同形成的知识体系只是一个初始版本，还需要与AI、互联网、行业资料和外部同行经验进行交叉验证，更重要的是重新放回真实业务中接受检验。
哪些判断有效，哪些规则存在边界，哪些情境没有考虑到，都要在实践中不断修正。
因此，我们所说的新的经验知识萃取，其实已经不是传统意义上的“提取”。它更接近一个完整的知识建模过程：
- 从业务需求出发，找到知识缺口；
- 从高水平表现出发，开展知识任务分析；
- 通过多专家共同建模形成专家级知识体系；
- 再通过外部知识和AI进行验证补充，最后回到真实业务实践中持续验证和迭代。
最终形成的也不应该只是几篇“专家经验文章”，而应该是一套能够真正回答业务问题的知识体系：
遇到什么问题？需要完成什么任务？应该关注什么信息？需要作出哪些关键判断？判断依据是什么？背后需要哪些知识和模型？不同情境下应该如何调整？
这样的知识，才真正有可能被普通员工学习和使用，被企业持续迭代，也能够进一步提供给AI，成为AI完成复杂业务任务的重要输入。
所以，AI时代的经验知识萃取，可以重新定义为：
以关键业务任务和高水平表现为起点，通过知识任务分析和多专家共同建模，将隐含在专家实践中的数据、信息、知识、判断模型和情境经验逐步显性化，并经过外部验证与业务实践迭代，最终形成可学习、可复用、可验证、可持续进化的专家级知识体系。（本文作者为知名知识管理专家作者田志刚。您可通过微信号：511956894 与他联系）
