把优秀员工的经验交给AI，为什么还不够？｜ANC确认什么判断代表公司

一家制造企业正在把紧急备件采购交给AI Agency。设备故障或关键零件库存不足时，Agent会读取停线风险、供应商报价、历史交付和采购制度，选择供应商并持续推进采购。

公司没有让AI从所有订单中平均学习，而是选了一位长期表现优秀的采购负责人作为主要样本。这位负责人熟悉设备，也熟悉哪些供应商能在紧急时刻真正把零件送到工厂。过去遇到可能停线的需求，即使老供应商报价更高，他也经常优先选择对方，多次帮助工厂及时恢复生产。

AI学得很快。面对一次新的紧急需求，两家供应商都在合格名单内，报价也符合制度。Agent再次选择了价格更高的老供应商，理由是它过去的紧急交付更加稳定。

建议没有违反制度，也准确复现了优秀负责人的做法。回看历史，这种选择还取得过不错的结果。从“把最佳经验交给AI”的角度看，这已经算是一次成功的学习。

但在业务评审中，一个问题让团队停了下来：过去那些紧急订单能够按时完成，究竟是因为老供应商本身更可靠，还是因为这位负责人每次都在背后催办、协调物流，甚至临时解决异常？如果让Agent独立推进，同样的选择还能得到同样的结果吗？

公司真正需要延续的，究竟是“紧急采购优先选择老供应商”这个动作，还是隐藏在动作背后的某种选择依据？

AI已经学会像这位优秀员工一样选择，公司却还不能因此确认：它学到的就是公司的判断。

一｜AI能够传播优秀经验，这条路没有错

企业选择优秀员工让AI学习，有充分理由。从所有订单中平均学习，系统首先得到的往往是公司通常怎样做；优秀员工的案例，则更可能包含真正拉开结果差异的动作：他注意什么信号，怎样理解异常，什么时候改变原来的方案，以及怎样把一个选择执行到位。

这里所说的经验，并不是一种无法说明的神秘直觉。它可能存在于订单、沟通记录和处理结果中，也可能体现在负责人对行动理由、适用条件和执行补救的解释里。AI有机会从这些材料中找到稳定模式，让原来依赖少数人的做法被更多员工和业务场景使用。

现实研究也提供了相邻证据。Brynjolfsson、Li和Raymond研究了生成式AI辅助工具在5,179名客户支持人员中的使用。工具让平均生产率提高约14%，对经验较少、技能较低的员工帮助尤其明显。研究者还发现了一些提示性证据：AI可能在传播高绩效员工的常见做法，帮助新员工更快学习。

这正是企业投入大量精力整理专家经验的价值。它可以缩小团队能力差距，减少每个人都从头摸索，也让优秀员工尚未被公司看见的做法成为可讨论的材料。

所以，本篇的问题并不在AI能不能学会。相反，正因为AI越来越能够学得像，企业才需要更认真地确认它学到了什么，并且准备放大什么。

专家表现优秀，证明他的经验值得研究；AI能够复现他的选择，证明其中至少一部分模式可以被学习。但从一个人的成功做法，到公司希望以后持续采用的判断，中间仍然有一步不能交给模仿自动完成。

二｜三个最可靠的来源，为什么仍不是公司的答案

当企业开始寻找判断，最可信的材料通常来自三个地方：优秀员工的经验、过去真实发生的决定，以及公司正在执行的制度。它们都很重要，却分别处在不同的位置。

个人经验让公司看见，这个人注意什么、为什么这样选。

优秀采购负责人可能比数据更早发现，某家供应商虽然承诺了交期，遇到异常时却很难调动资源。他也可能知道，某类零件只要晚到几个小时，就会让整个生产计划失去调整空间。这些认识来自长期工作，确实比一张供应商评分表更接近现状。

但经验能够产生好结果，有时也因为这个人具备别人没有的条件。他与老供应商熟悉，知道应该找谁催办；他能协调仓储和物流，为一次延误补救；他所在工厂过去把不断供放在很高的位置，因此愿意接受更高报价。

这些条件不会让经验失去价值，却会改变公司能够复制什么。如果真正有效的是负责人本人补上的协调能力，仅仅复制“选老供应商”，并没有复制让这个动作成功的全部条件。

历史决定告诉公司，过去实际怎样做。

历史订单可以还原当时拿到了什么报价、选择了谁、零件何时到达，以及设备最后有没有及时恢复。它比事后的印象可靠，也是判断一项做法是否稳定的重要证据。

可是，老供应商按时交货，可能证明它确实可靠，也可能因为负责人当晚不断协调；过去没有选择新供应商，可能因为它当时尚未完成验证，而不是它在今天仍然不值得选择。历史留下了被采用方案的结果，却很少告诉公司，如果当时选择另一条路会发生什么。

过去的成功是一条有分量的证据，却不能替公司决定以后还要不要这样做。企业仍需要知道，成功依赖的条件是否能够再次出现，以及过去愿意承担的代价，今天是否仍然愿意承担。

现行制度告诉公司，什么可以做、什么不能做。

采购制度能够规定合格供应商范围、价格差需要满足的程序、不可接受的风险和必须守住的底线。没有这些边界，Agent当然不能只凭历史偏好采取行动。

但制度通常不会替每一次具体选择指定唯一答案。两家供应商都可能合格，两种报价也都处于允许范围。制度首先回答哪些选项可以采用；当几个选项都合规时，公司更愿意怎样选，仍然需要经营判断。

在这类现场中，制度首先解决的是能不能选；经营判断还要面对，在几个都可以的选择中，公司更愿意怎样选。把合规当成答案，会让Agent知道不能越过哪里，却不知道在边界以内应该如何选择。

三类材料共同缩小了需要确认的范围，却都不能单独替公司完成选择。

三｜不要只复制“选了谁”，还要看见“为什么”

回到那位采购负责人。同样是选择价格更高的老供应商，背后可能存在完全不同的原因。

他可能确认过老供应商具有可重复的紧急交付能力，认为降低停线风险值得多付一部分成本；也可能只是与对方长期合作，更习惯使用熟悉的渠道；还有一种可能是，新供应商在过去尚未完成验证，而今天的条件已经不同。

动作相同，不代表判断相同。AI如果只从历史中发现“出现停线风险时选择老供应商”，会把这些理由压缩成一个看似稳定的答案。一旦它在更多订单中重复这个动作，公司就更难看出：系统延续的究竟是一项有证据支持的经营理由，还是只在过去环境和个人能力下成立的做法。

即使专家能够清楚解释“我为什么这样选”，这段解释也仍然是一项重要线索，而不是确认工作的终点。公司还要把理由与当时的事实、执行过程和结果放在一起看：好结果是否真的由这个理由带来，缺少专家本人的协调以后是否仍然成立，公司以后是否还希望沿用它。

这不是要求企业为每一笔历史订单重新投票，也不是把经验全部写成固定规则。公司需要做的，是从大量动作中辨认出值得认真考虑的选择依据，再明确哪些理由在清楚的业务条件下仍然成立，并值得成为公司以后继续使用的经营逻辑。

从这里开始，整理专家经验的目标会发生变化。企业不再只追求AI与优秀员工给出相同答案，而会进一步追问：这个答案背后究竟是什么理由？支撑它的条件是否真实存在？它延续的是个人动作，还是公司已经确认的选择依据？

四｜Agent越能复制个人经验，公司越要确认它在放大什么

过去，一位优秀负责人的工作方式主要影响他经手的订单。另一座工厂、另一个品类或另一位负责人，可能采用不同做法。个人经验能够产生很大价值，它的影响仍然受到时间、精力和工作范围限制。

AI Agency改变了这种经验的传播方式。一个从历史记录中学到的模式，可以跨时间反复调用，也可以迅速进入不同工厂、品类和团队。Agent不需要等专家亲自参与，就能在每个相似场景中稳定选择同一类动作。

这种稳定性是企业想要的能力，也是本篇真正需要重视的变化。如果AI学到的是经过确认的经营理由，公司的优秀经验就可能从个人能力变成持续运行的组织能力；如果其中夹带了个人关系、局部目标或过去条件，它们也会以同样的速度被放大。

更棘手的是，稳定的系统行为很容易制造一种错觉。Agent连续选择老供应商，结果也没有立即出错，团队会逐渐把这种做法视为公司的采购方式。一个未经讨论的个人模式，就这样看起来成为了公司的标准。

等到新供应商能力已经提高、专家本人不再参与，或者不同工厂的条件出现差异，企业才可能发现，系统一直在重复一个动作，却没有人能够清楚说明公司为什么希望这样做。

这已经不只是专家知识有没有整理完整的问题。Agency让一种经验可以进入更多业务现场，也让未经确认的做法产生更广泛的影响。企业不能只追求一个越来越像优秀员工的Agent，还要清楚知道，它正在把哪一种经营方式变成日常做法。

五｜下一次整理专家经验，先换三个问题

当团队再次收集优秀员工案例，不妨先放下“AI与专家答案是否一致”，换三个问题检查手中的材料。

第一，这份材料只记录了最后采取的动作，还是也让公司看见当时为什么这样选？如果只有供应商名称和采购结果，企业得到的是一个历史答案，还没有看见支撑答案的理由。

第二，这次选择能够取得好结果，依赖的是可以重复出现的业务条件，还是专家本人补上的关系、协调和执行能力？如果成功离不开他本人，Agent就不能仅凭复制相同动作获得同样结果。

第三，即使这项做法过去有效，公司是否已经明确，以后遇到类似情境时仍希望沿用其中的选择依据？这一步不是怀疑历史，而是由公司主动决定：过去成功的做法，是否值得以后继续。

三个问题不会直接生成一套企业判断，却能帮助团队分清自己已经拥有什么：个人经验提供了线索，历史行为与结果提供了证据，制度提供了边界，而公司准备延续的选择依据，仍然需要主动确认。

ANC视角

AI让优秀个人的做法能够以更低成本进入更多经营现场。过去需要资深员工亲自参与的工作，现在可以被Agent跨时间、跨团队持续调用。这为AI Native Company扩大组织能力提供了新的机会。

但Company不能只做经验的收集者和放大器。AI可以帮助企业识别个人经验中的稳定模式，也可以比较条件和结果；但什么理由值得继续代表公司，仍然需要由企业主动确认。

企业判断建设的关键，不是找到一个足够优秀、可以代替公司思考的人，而是让个人经验成为Company可以检查和选择的材料。公司要清楚知道Agent正在放大什么，以及为什么这种选择值得代表自己。

经验可以告诉AI过去怎样做；只有公司能决定以后仍要怎样做。

写在最后

分清专家经验、历史做法和现行制度能够提供什么，只解决了企业判断应当从哪里寻找的问题。

当公司继续追问“以后为什么仍要这样选”，很快会遇到更困难的现场：价格、交付、客户关系、短期结果和长期方向可能都值得重视，却无法同时做到最好。

到了那一步，企业不能只说所有目标都重要。它必须继续回答：

当多个合理目标和行动发生冲突，公司更愿意保住什么，又愿意为此放弃什么？

NotebookLM的音视频概览，解读的比较通俗易懂，对于时间比较紧张的读者朋友，可以听听，会有启发。

来源与限制

1. Generative AI at Work，Erik Brynjolfsson、Danielle Li与Lindsey R. Raymond，NBER Working Paper 31161，2023年4月发布、2023年11月修订。研究基于5,179名客户支持人员；本文用它支持“生成式AI可能传播高绩效员工的常见做法”这一有限判断，不据此推断被传播的做法天然代表公司未来希望采用的判断。
2. 文中的制造企业紧急备件采购Agent为综合设想案例，用于区分个人经验、历史行为、现行制度和公司希望延续的选择依据，不对应任何特定企业，也不主张某类供应商在紧急采购中普遍更优。
3. “个人经验、历史行为和制度是判断来源与证据，公司需要主动确认值得延续的选择依据”，属于ANC在本文提出的原创判断。本篇不讨论具体价值取舍怎样表达，也不展开判断进入AI运行、验证、维护、审批、授权与责任设计。

感谢你看到最后，如果你觉得有启发，随手点个赞、在看、转发吧，如果想第一时间收到推送，也可以给我加个星标⭐我们下期见。

我是「AioGeoLab」主理人塔迪Tardi，AioGeoLab是深度洞察AI第一性原理和应用实践的前瞻性研究实验室，目前有两个主要研究方向：
「塔迪AI工程系列」FDE落地工程、ANC：AI Native Company未来公司系列、GEO、AI判断工程。
「塔迪硅基禅心」是传统东方智慧、未来AI前沿、当下应用实践，深层共鸣的探索。不是用AI解读经典，也不是用经典指导AI。 这是一场跨越2500年的对话，在算法与古老智慧之间，照见意识、智能与存在的本质。
塔迪的微信 - tardyai2025。