將隱性知識轉化為運營績效

製造業的產出越來越依賴於一種無法在資產負債表上體現的資源：經驗豐富的工人所持有的操作知識。在美國，據美國勞工統計局的資料，超過25%的製造業勞動力年齡在55歲及以上——這一群體即將退休，帶走數十年的工藝專長。工廠沒有可靠的系統來捕獲這些工人所知道的知識。後果是顯而易見的。美國國家標準與技術研究所的研究發現，製造業中的工藝變異性直接增加了缺陷率和返工成本。新員工按照正式程式進行培訓，而這些程式往往省略了實際驅動績效的非正式知識。根本問題是結構性的：專家的知識存在於人的頭腦中，而非系統中。APQC對1000家組織的調查發現，92%的組織沒有持續地從即將退休的員工那裡捕獲知識——儘管58%的高管將這一風險描述為非常嚴重的擔憂。

Emerj最近舉辦了一系列關於利用AI在製造業中擴充套件一線知識的播客，邀請了Poka的CEO兼聯合創始人Antoine Bisson、Smith+Nephew的製造、工程和維護總監Sebastian Dykas，以及Ingersoll Rand的企業戰略和AI總監Anand Gnanamoorthy，探討製造商如何在退休勞動力帶走關鍵操作知識之前捕獲、標準化和轉移這些知識。本文考察了行業領袖關於製造商如何縮小專長差距的三個關鍵見解：

生成式AI用於操作知識轉換：將隱性知識和遺留流程轉化為經過驗證的數字工作指令，減少了跨班次和地點維護準確操作內容的時間、成本和精力。Antoine Bisson提出一個直接的建議：拍攝經驗豐富的操作員執行任務的影片，將該影片輸入AI引擎，AI將其轉換為完整的工作指令——包括逐步說明、安全檢查點、證明點和驗證門。這樣就將數週的文件工作簡化為一次專家審查，消除了歷史上阻礙大規模知識捕獲的建立瓶頸。

捕獲專家知識並標準化為結構化數字資產：將一線專長轉化為可重複的流程，可降低生產風險、減少浪費並維持產出質量。Sebastian Dykas描述了在受監管的製造環境中，高階操作員和新手之間的績效差距往往比領導層意識到的要大：一些年長的、更有經驗的操作員在一個班次中的產量是新手的雙倍。他建議從頂級績效者中提取最佳實踐，建立可複製的標準，並對所有操作員進行培訓。此外，跨班次的產量和廢品率差異是知識標準化不足的診斷訊號。

以工人為中心的AI部署作為採納的加速器：將AI與操作員而非流程繫結，可推動一線採納並建立擴充套件所需的動力。Anand Gnanamoorthy指出，AI專案失敗最常見的原因不是技術，而是組織性的。當組織以流程最佳化為先導時，工人會感到被施加了改變而抗拒。他建議將目標重新定位為使操作員的工作變得更輕鬆，並透過識別每個勞動力中的創新者和早期採用者，先裝備他們，讓他們展示價值。

總之，製造商可以透過將隱性知識轉化為系統化的數字資產，利用AI輔助文件和以工人為中心的部署策略，來應對知識流失的挑戰。關鍵是要認識到人類驗證仍然不可或缺——在受監管的環境中，沒有專家簽字的AI生成內容不能投入使用。訓練質量的不一致性也需要透過監測跨班次績效來診斷和解決。最終，將知識捕獲視為工程問題而非運營常態，才能確保製造業的未來生產力。