本文内容整理自RSGSH26大会主会场申导分享《从老师傅的手，到AI陪练的脑子——AI-Native重塑制造业经验传承产品化》

申导：AI-FDE陪跑顾问、Scrum Alliance CST/CTC、优普丰敏捷AI咨询机构全球合伙人

视觉记录by布解之媛视觉思维团队

各位新朋友、老朋友、各位行业伙伴，大家早上好，非常荣幸今天能站在这里和大家交流。我与敏捷社区渊源颇深，2013年第一次登上RSG大会的讲台，2014年正式参与上海RSG大会的组织工作，见证了敏捷在中国从萌芽、普及，到如今与AI时代融合迭代的全过程。

当下很多人都在思考，AI全面普及的时代，敏捷是否还有价值、是否需要迭代升级？这也是我今天分享的核心初衷，希望通过制造业AI落地的实战思考，为大家带来新的启发，也为后续各位大咖的分享做好铺垫。

今天我将聚焦AI陪练与制造业经验传承这一核心话题展开分享。

AI技术走入大众视野已有三四年时间，从最初单纯的大模型对话，逐步发展到绘图、编码、复杂任务处理，应用场景也从个人工具升级为企业级落地。如今行业的核心痛点，早已不是个人如何使用AI，而是企业如何系统化、规模化地用好AI，实现组织能力升级。

本次分享所有案例均来自真实落地项目，涉密信息已做脱敏处理，重在分享可复用的思路与方法，适配各行业企业落地参考。

先问一个问题

我将以制造业为核心场景展开分享。制造业有一个普遍且关键的现象：产线大量核心经验、精准判断，完全掌握在资深老师傅手中。相同的原材料、相同的工艺标准、相同的生产设备，不同工人产出的产品良品率、质量稳定性差距极大，核心差距就在于老师傅日积月累的隐性经验。

这类经验传承长期依赖传统的师徒口传身教模式，一名学徒往往需要三年入门、五年深耕、十年才能独立胜任岗位。

这种模式存在极大的组织风险：老师傅一旦请假、离职或退休，对应的核心生产判断、故障处理经验、工艺调试手感就会随之流失。组织没有对应的经验备份，新人无法快速掌握核心能力，直接导致产线良品率下滑、故障频发、生产效率下降。

很多企业沉淀了大量的文档、SOP、培训手册、PPT案例，但绝大多数资料都处于“写完即存档”的状态，阅读率不足10%。新人即便查阅文档，也只能看懂表层操作步骤，无法理解操作背后的判断逻辑、取舍标准和隐性经验，最终依旧需要依赖老员工带教。

本质上，无法被对话、被复用的经验，最终只会烂在文档里，无法成为企业的组织资产。

先看大势：麦肯锡灯塔工厂洞察·AI在制造业的真实战绩

从行业大势来看，AI在制造业的落地已经从概念阶段走向实战阶段。

根据麦肯锡2025年全球灯塔工厂报告数据，当前60%的灯塔工厂已规模化应用AI技术，实现2-3倍的生产效率提升，头部案例可实现99%的产品缺陷率降低，同时达成30%的生产能耗优化。

这足以证明，AI赋能制造业不是未来趋势，而是当下正在发生的真实变革，其中经验数字化、经验智能化传承，是企业AI转型的核心突破口之一。

后看方法：从经验萃取到知识工程

今天讲的，不只是“经验萃取”，而是知识工程（Knowledge Engineering）。

传统经验萃取的三大原罪

传统的企业经验萃取模式，固定为“访谈-整理文档-员工培训”三步流程，但这套模式存在无法规避的三大原罪，导致90%的经验沉淀项目无法落地见效。

• 第一，经验沉淀仅停留在文字层面，产出的文档无人阅读、无法复用；
• 第二，沉淀对象错位，文档大多面向新人入门学习，而企业真正需要传承的资深经验，是用于中层骨干能力升级、核心岗位能力补位；
• 第三，沉淀内容片面，仅记录表层操作动作，缺失最核心的判断逻辑、取舍思维和场景化决策依据，导致经验断层、新人只会操作、不懂原理。

基于传统模式的弊端，我们摒弃了浅层的经验萃取，升级为知识工程（Knowledge Engineering）体系，重构企业经验传承全流程。

全新模式为“多维萃取——AI-Native结构化知识库——AI智能陪练Agent”，核心是跳出“知识给人阅读”的传统思维，转向“知识给AI检索、调用、迭代”的AI原生思维。

通过本体论建模、颗粒化拆解，把老师傅脑海中无法言说的隐性判断力、场景感知力、实操手感，封装为可对话、可复用、可迭代的组织资产，打造24小时在线的AI师傅，实现企业经验的持续复利。

AI带来的一次范式跃迁

AI的普及带来了企业知识管理的范式跃迁。

传统数字化转型中，企业耗费大量精力搭建系统、整理资料，但大多只完成了数据堆砌，没有实现知识的结构化、智能化。很多图表、流程、隐性关联逻辑，无法通过简单的文字记录留存，导致系统沦为空壳，无法支撑业务落地。

而AI原生时代，企业知识需要完成全方位重构，不仅包含文字资料，更要覆盖现场视频、操作手势、设备声纹、产品图像、工艺曲线等多模态全息信息，完整还原老师傅的隐性经验。

之所以需要全息采集，核心原因是大量顶级实操经验，属于老师傅的潜意识行为。很多老师傅能精准做好操作、判断故障、调试工艺，但无法用语言清晰描述自己的判断逻辑，单纯依靠访谈萃取，只能获取浅层信息，无法挖掘核心隐性经验。只有通过现场全息采集、语义化标注、多维拆解，才能让AI不止读懂文字，更能读懂真实的生产物理场景。

超级智能体的三个方向

未来企业发展的终极形态，是超级智体，由机器智人化、人人智体化、组织共智化三者耦合形成。

• 第一，机器智人化，将AI视为企业数字员工培养，从工具、助手升级为副手、专属员工，打造AI陪练、故障排查、合规校验、工艺创新四类专业智能体；
• 第二，人人智体化，重构人机协作模式，人类从重复执行工作中解放，专注价值判断、风险决策、方案取舍，管理AI、训练AI、优化人机团队；
• 第三，组织共智化，搭建企业智慧大脑，形成感知、响应、学习、沉淀、进化的完整闭环，实现组织整体智能化升级。

智能体需要的是AI-Native知识库

搭建AI原生知识库、培育AI智能体，核心依托专业的知识萃取方法。

结合权威专家经验理论与多年企业实战，我们落地了六种核心萃取方法，同时具象化为可落地的实操手段，解决老师傅“会做不会说、能做不会讲”的萃取难题。

核心包含深度访谈、录音二次提取、现场影子观察、决策点重建、关键事件复盘、知识结构建模六大维度，全方位挖掘显性与隐性经验。

在正式萃取落地前，我们会通过标准化工作坊完成前置诊断与场景筛选，避免企业盲目启动AI项目。通过结构化问卷调研、岗位焦点小组访谈、历史生产资料挖掘三种方式，梳理工艺、设备、质量、调试等核心岗位的痛点场景，经过两天共创评审，输出5至10个高价值AI提效场景清单、专属知识工程萃取方法，以及3至6个月的落地路线图，确保所有AI落地都精准匹配业务需求。

再看案例：2个真实制造业案例

我通过两个真实制造业案例，完整展示AI智能体的落地工作流与实战价值。

案例1：智检-某零部件生产的AI质检

第一个是零部件AI质检全流程升级案例。

传统质检模式效率低、误差大、依赖人工经验：

• 换型阶段，班长口头通知换线，质检工程师需要手动查找检验标准，耗时5至10分钟，且文档版本混乱、查找困难；
• 首件检验阶段，工程师逐项人工检验、手动记录数据，耗时15至20分钟，结果高度依赖个人经验；
• 异常处置阶段，人工填写报告、跨部门同步信息，耗时20至30分钟，流程繁琐、信息滞后。

接入AI智能体后，全流程实现智能化升级。

• 换型阶段，AI依托RAG检索与知识图谱能力，自动推送最新版检验标准至终端；
• 检验阶段，通过语音、图像识别自动采集数据，结合预测式AI给出合格概率参考，由人工最终确认，实现高效人机协作；
• 异常处置阶段，AI自动生成结构化不合格报告，关联历史相似案例，一键推送至维修、工艺部门，大幅缩短处置周期，同时明确人机边界，根因分析、风险决策始终由人类负责。

案例2：卡扣-机器人机械臂末端执行器的精密卡扣

第二个是机器人精密卡扣装配优化案例。

某机器人企业末端执行器的不锈钢卡扣，属于0.05mm级高精度装配工艺，新人极易出现装配不到位问题，导致工具脱落、产线停机、客户索赔。老师傅的核心隐性经验，依托三重感知判断：装配的弹性手感、清脆的卡扣声响、标准的扭矩装配曲线。

传统文档仅记录装配步骤，无法告知新人“如何判断是否装到位”，新人遇到异响、无声等异常情况无据可依。

而AI陪练智能体可以完整复刻老师傅的判断逻辑，针对新人常见问题，给出场景化排查方案：

• 首先甄别声响轻重，区分环境噪音、耳塞遮挡导致的声音偏差；
• 其次核对装配扭矩曲线，确认是否形成标准扭矩平台；
• 最后感知弹片弹性反力，三重维度综合判断装配状态，复刻老师傅的实操经验。

该项目通过敏捷迭代的知识闭环持续优化，依托访谈、现场观察萃取经验，完成知识颗粒化建模与入库，上线AI陪练后持续收集现场使用反馈，不断补充新场景、优化判断逻辑，实现知识的生长与迭代。

落地后成效显著：卡扣装配一次成功率从78%提升至94%，新人独立上岗周期从5周缩短至2周，彻底杜绝工具脱落安全事故。

AI Agent智能体 ≠ AI Chatbot聊天机器人

这里需要重点区分AI智能体与普通聊天机器人的核心差异。

普通Chatbot仅能完成一次性问答、问完即止，无持续价值；而企业落地的AI Agent，具备多步推理、工具调用、长期记忆、主动感知规划四大核心能力，能够对接MES、ERP等业务系统，调取设备传感器数据、历史案例、维修手册，完成复杂场景的关联推理、问题诊断与方案输出，是“会思考、能执行、能迭代”的业务助手，而非单纯的对话工具。

智能数据比率——一个判断”AI Native”的关键指标

判断一家企业是否具备AI-Native能力，有一个核心关键指标：智能数据比率，即AI Agent可调用、可读取、可解析的数据占企业总数据的比例。

制造业企业普遍存在数据分散问题，生产、进销存、营销、客服数据各自孤立，还有80%的核心经验留存于纸质资料、员工口头传承，无法被AI调用。数据数字化、结构化程度越低，AI能力的发挥受限越严重，这也是制造业AI转型必须补齐的核心短板。

AI进化企业的5个路标

传统企业的AI进化分为五个清晰路标，循序渐进实现从数字化到智能化、智慧化的升级：

• 第一阶段是知识沉淀化，将员工人脑隐性经验转化为可检索、可结构化的数字知识；
• 第二阶段是数据资产化，让生产、运营、客户数据成为企业可复用的核心资产；
• 第三阶段是AI融入核心业务，从边缘工具升级为业务核心支撑；
• 第四阶段是流程智能化，让核心业务流程自带判断能力，AI Agent深度嵌入流程；
• 第五阶段是组织全面进化，企业具备自主学习、持续迭代的智慧能力。

当下企业AI落地呈现三种早期形态：

• 超级个体，单人搭配多个AI智能体，实现单人匹敌团队的工作效能；
• AI原生企业，以小团队搭配大智能体系，动态组队、灵活迭代、快速创新；
• AI进化型传统企业，不推倒现有体系，通过AI持续赋能升级，实现存量业务提质增效、增量业务创新突破。

企业智慧大脑：双循环模型

企业智慧大脑的搭建依托双循环模型，双向驱动组织持续进化。

• 一是智能网络循环，通过数据采集、AI加工、信息转化、业务落地、反馈迭代，实现数据的高效流转与价值释放；
• 二是智慧生成循环，通过业务行动、结果复盘、效果评估、学习沉淀、知识更新，实现企业经验的持续积累与迭代升级。

AI时代，敏捷不仅没有过时，反而成为AI落地的核心底层逻辑。知识库搭建、智能体训练、人机协作体系优化，没有固定的终点与标准方案，无法一次性设计成型，必须依托敏捷迭代思维，持续试错、持续优化、持续生长。

传统敏捷聚焦团队迭代，而新时代敏捷升级为人机协作迭代，形成“意图规划-AI执行-人类校验-迭代优化”的全新闭环，人类仅在关键判断节点把控方向、把控风险、把控价值，无需全程介入琐碎流程。

最后讲落地+边界

最后明确企业AI经验传承落地的标准化路径、适用前提与核心边界，规避落地误区。

企业AI经验传承落地的标准化路径

标准化落地路径分为三步：

• 第一步，通过高质量访谈、现场影子观察、录音二次萃取，完整挖掘老师傅的隐性经验与判断逻辑；
• 第二步，完成知识颗粒化拆解与结构化建模，搭建可被Prompt调用、适配智能体迭代的AI-Native知识库；
• 第三步，落地场景化AI陪练、AI排查、AI合规、AI创新智能体，实现24小时在线赋能。

这套模式有明确的适用前提：

• 核心资深员工可被持续访谈、现场观察；
• 岗位经验具备差异化判断颗粒，而非单纯机械操作；
• 业务场景高频、人员流动大，经验传承需求迫切。

两条红线

同时存在两条绝对红线：

• 禁止跳过高质量经验萃取，直接投喂原始资料给AI，避免知识碎片化、失真化；
• 禁止AI陪练脱离真实业务场景泛化输出，确保所有AI决策贴合生产实际。

最重要的是坚守人机权责边界，核心原则为Human takes accountability。

AI可以完成数据分析、逻辑推演、流程执行、问题排查，但企业的使命价值、合规底线、风险判断、最终责任，永远由人类定义与承担。

我们不需要“全流程人机监控”，只需要“关键节点人机把关”，把人类注意力聚焦在价值决策、风险把控、战略取舍上。

AI会重构岗位形态、优化组织权责、重塑工作模式，但人类的核心价值永远无法被替代。

Human-in-Control控制权必须在人手中

未来最稀缺的人才，不是只会使用Prompt的AI使用者，而是能够萃取组织经验、训练AI能力、守住人机边界、主导价值决策的AI赋能者。

我们始终坚持以培养人为核心，让AI赋能组织、沉淀经验、传承能力，让创新持续发生，让智能助力企业长效发展。