快速入門
-
00:00
1.
AI 人工智慧之道
播放影片: https://learning.xms.tw/media/6503
主題索引
人才，是許多公司最重要的資產
因為有經驗，可以把事情做好、解決問題。
但現在「人才難尋、也難教」，
而 AI 科技的誕生，正可以為這個難題帶來了一線的曙光、甚至是完美的解法 ~
把人才的經驗
變成具體、可複製、可傳承的企業內數位資產
善用 AI 科技與簡單可行的策略
每天只要花 10 分鐘
3 個月就能打造沒有 AI 幻覺的知識庫
並且同時進行 10 倍速經驗傳承
就能有效解決
過去數十年來知識管理與教育訓練的痛點
- 知識管理
經驗進不去、不好維護、找不到 ... - 教育訓練
大部分的經驗 (70%) 來自做中學，碰到問、做錯學、過程漫長要很久才有經驗 ...
這怎麼可能？
其實只是我們不知道好方法而已。
AI 很強大，但立刻就遇到瓶頸
2022 年 11 月 30 日，ChatGPT 橫空出世，開啟了人類的新一波 AI 革命！
短短三年間，美國各大科技公司每年投入數千億美元，讓 AI 的能力以驚人的速度演進。AI 已經從單純「回答問題」，逐步發展成能夠協助完成工作的數位員工。
AI 的能力大致可分為以下幾個階段：
Chat（會回答） →
Reasoning（會思考） →
Agent（會做事） →
Harness（會管理整個執行系統） →
Loop（會持續規劃、執行、反思直到完成目標）。
然而，AI 發展得越快，一個問題反而越來越重要：
企業有足夠的知識可被 AI 使用嗎？
AI 幻覺的不確定性問題
以下就針對 AI 發展的各個階段進行分析與說明，能有效紀錄企業內知識才是所有一切的基礎。
生成式 AI 的發展階段
以下的階段並不包含機器人、自駕車等領域，只是單純聚焦在 「人工智慧」的本體。
階段(1) ~ Chat 會回答
一開始的 Chat 對話，
AI 試著解決我們每個人每天的需求 ~
有問題，要問誰？
無論是寫信、翻譯、整理資料、查詢知識 ...
當然就問 AI 呀！
因為AI 幾乎都能立即提供答案。
然而，企業很快就撞上一堵無法跨越的高牆 ~
AI 幻覺 (Hallucination)
AI 有時會用非常肯定的語氣，
回答一個實際上並不存在或不正確的內容，因此企業很難完全信任 AI。
於是，大家開始導入 RAG (Retrieval-Augmented Generation)，
希望 AI 只根據提供的特定文件範圍來回答問題，降低幻覺的發生率。
但史丹福 2025 發表的論文，
從數學與實驗證明 RAG 根本無法解決參考到錯誤資料的問題 (檢索脆弱性)，而文件品質不夠好卻是企業內極普遍的現象，因為文件不好維護，自然就產生過時、不完整、重複、不一致、 ... 等問題。
AI 幻覺，再加上 RAG 的根本限制，
讓企業投入大量資源導入的 AI 變成「蚊子系統」，就是 MIT 報告中觀察到的 GenAI 鴻溝 ~
95% 企業「投資 AI 零報酬」
90% 用戶「更信任人類同事」
其實這現象背後最根本的原因就是 ~
隱性經驗危機
企業內人才的經驗，有被紀錄下來的不到 5%
一旦 AI 沒有可參考資料 (巧婦難為無米之炊)，
再加上 AI 幻覺的問題，當然就只能「信任人類同事」了。
這就是第一個難以跨越的瓶頸！
企業內人才的知識沒有被記錄。
階段(2) ~ Reasoning 會思考
愚者千問、必有一答，
這就是 Reasoning 的運作方式，並不是真的理解。
而是 AI 透過大量重複生成、驗證的過程，
來獲得更正確的回答，大幅改善 AI 幻覺的問題。這樣的進展讓 AI 比較可以落地在那些少數有紀錄的企業文件，例如人事規章、員工手冊、生產 SOP 等。
但資深員工的經驗 (眉角) 還是只能問同事，
再強大的 Reasoning 模型也無法憑空推理出下面這些還在大腦中關於「公司內的眉角」(隱性知識 Tacit Knowledge) ~
- 老員工二十年的經驗
- 客戶應對技巧
- 真正的工作眉角
- 問題排除的方法
- ...
所以想要透過「問 AI」來取代問同事，在還沒解決隱性經驗紀錄的問題前，是不可能成功。
山不轉路轉！
那少數 5% 有紀錄下來的經驗中的 SOP，因為重複且明確，就非常適合用 AI 來執行，
階段(3) ~ Agent 會做事
代理人技術，可以讓 AI 從螢幕走出來，照著 SOP 步驟執行，變成會做事的員工，為企業帶來極大的價值 ~ 降本增效！
由於「問 AI」遇到了瓶頸，
整個 AI 發展重心，當然就全部轉移到這個方向，而且是立刻看得到的巨大效益。
但現實往往很快就打臉，
因為 AI 的不確定性、以及內部流程記錄的不夠精準與完整，因為 AI 的錯誤、幻覺、偏誤或自動化決策，現實世界裏已經有不少造成非常嚴重後果的案例，例如
階段(4) ~ Harness、Loop ...
Agent 如果是會「做事」的基層員工，接下來的 Harness、Loop 發展就是進展到「能執行計畫」的資深員工，
我們只要給一個任務，AI 就會持續規劃、執行、反思直到完成目標。
這代表 AI 將可以取代公司大部分人力目前所做的工作，
為公司帶來前所未有的 100 倍效率。
這很理想，但是 ...
一切的基礎 ~ 企業知識
AI 再厲害，也有一個無法跳過的前提：
它必須知道，你們公司做事的方法與眉角
這又回到前面提到的「隱性經驗危機」問題了，
我們需要有方法將人才的經驗記錄下來，變成公司具體的資產，才能夠發揮 AI 的效益，為公司發展帶來無限的可能。
公司的 SOP，也許已經建立。
但是
- 為什麼這樣做？
- 哪些情況要例外處理？
- 哪些地方最容易出錯？
- 哪些技巧只有老師傅知道？
這些資深員工無可替代的價值，通常沒有記錄、寫下來。
而這些正是 AI 最需要的知識，當然也包括驅動 agent, harness, loop 等 skill.md 這類的文件 or 提示詞。
回到現實，
要如何克服「95% 的經驗沒有記錄」的千古難題呢？
xms+ AI 解決方案
我們採用「需求驅動」的策略！
每天只需要約 10 分鐘，在同事自然的「問」與「答」過程中，不僅能解決當下的問題，還能順手記錄資深同事的經驗，用 3 ~ 6 個月的時間，成功實現以下目標：
- AI 小幫手
只要上傳現有文件 (如請假制度、行政流程、SOP 等)，不到 30 分鐘，即可建立企業專屬 AI 知識庫。
之後再持續收集新的問題與回答，讓知識庫不斷成長，形成企業的動態知識大腦。
操作步驟，可以參考： - AI 知識社群
利用類似 LINE 或討論區，讓同事用最熟悉的互動方式提出問題 or 需求，資深同事在解決問題的同時，只要在系統順手執行「存成FAQ」就能留下經驗，或是讓 AI 自動從討論內容中整理重點，逐步把隱性知識轉化成企業具體的數位資產。
接著，就可以讓 AI 接手社群中重要且常見的 80% 問題，解放人類大量重複回答類似問題的時間。
更深入的分析，
可以參考：「AI 知識社群」 - 10 倍速經驗傳承
透過 AI 將前面收集到的經驗，設計成微課程 + 測驗的形式，就能引導新人逐項、仔細地確認前輩們累積的經驗。突破以前從做中學 (碰到問、做錯學) 的漫長過程，讓從前需要 3-5 年才碰得到的經驗，現在 1 個月就學到。
更完整的說明，
可以參考：「用 AI 實踐 10 倍速經驗傳承」 - 案例分析
從「經驗」提升到「能力」，分析問題真正的原因、思考未來如何避免的方法。
操作步驟，
可以參考：「案例分析 (1) ~ 問題處理」 - 數位轉型
AI 會議管理、職能、工作日誌、專案、 ... 讓時間花更少、事情做更好。
尤其是會議，更是驅動組織運作的關鍵活動，更深入的說明，可以參考：「AI 會議管理」
行動 Action！
AI 的時代已經開始。
下一個真正拉開企業競爭差距的，不會是誰部署到最新的模型，而是誰最早開始累積自己的知識資產。
根據知名的調研機構 Forrester 分析(註)
，即使是傳統導入知識管理 (KM) 的企業，三年 ROI 超過 300% 並在不到 6 個月內回本！而 AI 更能將此效益放大 10 倍以上。
記錄人才的隱性經驗，
過去 10 年都做不到的，現在 3 個月就能看到明顯成果，並打下持續發展的關鍵基礎 ~
一套能持續成長、
持續學習的企業 AI 大腦
就像日本經營之聖「稻盛和夫」的名言 ~
想都是問題、做才有答案，
站著不動的，永遠是觀眾。
反正每天都過一樣的日子，
來做點不一樣的，把握契機，讓我們一起獲得滿滿的成就！
評語
請登入後才可以評分
- 位置
-
- 資料夾名稱
- AI 人工智慧之道 ~ 每天 10 分鐘，打造沒有幻覺的 AI 知識庫
- 上傳者
- 蘇德宙
- 單位
- 台灣數位員工
- 標籤
- 10倍速, 10分鐘, 案例分析, RAG, AI小幫手, 數位轉型, MIT, 95%, AI幻覺, 隱形經驗危機, 眉角, 知識社群, 人難尋, 存成數位資產, 3個月, km痛點, 訓練痛點, 不知道好方法, AI投資, AI瓶頸, AI代理, Reasoning, chat, AI不確定性, loop, harness, 企業知識, 有問題要問誰, 史丹福, 檢索脆弱性, GenAI鴻溝, 5%, 無米之炊, 問&答, 需求驅動, 做才有答案, 導入ROI, 人才價值
- 建立
- 2026-07-13 05:59:22
- 最近修訂
- 2026-09-22 19:15:15
- 長度
- 09:24
- 引用
- 4