将隐性知识转化为运营绩效

制造业的产出越来越依赖于一种无法在资产负债表上体现的资源：经验丰富的工人所持有的操作知识。在美国，据美国劳工统计局的数据，超过25%的制造业劳动力年龄在55岁及以上——这一群体即将退休，带走数十年的工艺专长。工厂没有可靠的系统来捕获这些工人所知道的知识。后果是显而易见的。美国国家标准与技术研究所的研究发现，制造业中的工艺变异性直接增加了缺陷率和返工成本。新员工按照正式程序进行培训，而这些程序往往省略了实际驱动绩效的非正式知识。根本问题是结构性的：专家的知识存在于人的头脑中，而非系统中。APQC对1000家组织的调查发现，92%的组织没有持续地从即将退休的员工那里捕获知识——尽管58%的高管将这一风险描述为非常严重的担忧。

Emerj最近举办了一系列关于利用AI在制造业中扩展一线知识的播客，邀请了Poka的CEO兼联合创始人Antoine Bisson、Smith+Nephew的制造、工程和维护总监Sebastian Dykas，以及Ingersoll Rand的企业战略和AI总监Anand Gnanamoorthy，探讨制造商如何在退休劳动力带走关键操作知识之前捕获、标准化和转移这些知识。本文考察了行业领袖关于制造商如何缩小专长差距的三个关键见解：

生成式AI用于操作知识转换：将隐性知识和遗留流程转化为经过验证的数字工作指令，减少了跨班次和地点维护准确操作内容的时间、成本和精力。Antoine Bisson提出一个直接的建议：拍摄经验丰富的操作员执行任务的视频，将该视频输入AI引擎，AI将其转换为完整的工作指令——包括逐步说明、安全检查点、证明点和验证门。这样就将数周的文档工作简化为一次专家审查，消除了历史上阻碍大规模知识捕获的创建瓶颈。

捕获专家知识并标准化为结构化数字资产：将一线专长转化为可重复的流程，可降低生产风险、减少浪费并维持产出质量。Sebastian Dykas描述了在受监管的制造环境中，高级操作员和新手之间的绩效差距往往比领导层意识到的要大：一些年长的、更有经验的操作员在一个班次中的产量是新手的双倍。他建议从顶级绩效者中提取最佳实践，建立可复制的标准，并对所有操作员进行培训。此外，跨班次的产量和废品率差异是知识标准化不足的诊断信号。

以工人为中心的AI部署作为采纳的加速器：将AI与操作员而非流程绑定，可推动一线采纳并建立扩展所需的动力。Anand Gnanamoorthy指出，AI项目失败最常见的原因不是技术，而是组织性的。当组织以流程优化为先导时，工人会感到被施加了改变而抗拒。他建议将目标重新定位为使操作员的工作变得更轻松，并通过识别每个劳动力中的创新者和早期采用者，先装备他们，让他们展示价值。

总之，制造商可以通过将隐性知识转化为系统化的数字资产，利用AI辅助文档和以工人为中心的部署策略，来应对知识流失的挑战。关键是要认识到人类验证仍然不可或缺——在受监管的环境中，没有专家签字的AI生成内容不能投入使用。训练质量的不一致性也需要通过监测跨班次绩效来诊断和解决。最终，将知识捕获视为工程问题而非运营常态，才能确保制造业的未来生产力。