真的能把工作能力萃取成 AI Skill 嗎？
最重要的判斷，往往不會寫在交接文件裡
在你的組織裡，有沒有某些事情是「某位資深同事特別會做，但很難教給別人」的？如果那位資深同事明天離職，團隊會損失什麼？
相信在職場工作久了，一定有過這種經驗：某個同事離職之後，接手工作的人才發現，很多關鍵決策與原則並沒有文件記錄，想問也來不及了。那些真正在工作裡有用的經驗，本來就不會寫在 SOP 裡，而是藏在他做了很多年之後形成的直覺、節奏和經驗判斷裡。換個情境，你在目前的領域工作了十幾年，有人請你去演講、分享、帶工作坊，你開始準備教材時，才發現那些你平常以為自己「當然知道」的東西，一旦真的要講給別人聽，很難簡要地整理成別人容易聽懂的內容。
我自己的感想是，這與表達能力好壞無關，而是知識工作本身的特性：重要的知識，原本就不是以「已經整理好、隨時可講」的形式存在。它比較像是一種做久了之後培養的手感，一種你會用、卻不一定能清楚形容的直覺。
組織內如何進行知識的傳遞與累積—了解 SECI 框架
1995 年，世界著名的日本管理學者野中郁次郎與竹內弘高在著作《The Knowledge-Creating Company》中提出了 SECI 模型，用來說明「知識創造型企業」如何能不斷產生創新知識。這個模型把知識分成兩類：一類是隱性知識，也就是 tacit knowledge，像老師傅的手感、資深業務的直覺判斷、主管面對危機時的臨場應變；另一類是顯性知識，也就是 explicit knowledge，像 SOP、教材、報告與流程圖，是可以被寫下來、被傳遞、被反覆使用的。
很多企業以為把資料放進知識庫就叫知識管理，但野中郁次郎與竹內弘高的重點是，真正有價值的知識，常常是存在於第一線人員的經驗、直覺與判斷裡的隱性知識。他們認為，知識創造實質上就是「不同型態知識之間反覆轉換」的過程，可分為四種模式：
Socialization 社會化：（隱性 → 隱性）
透過共同經驗、觀摩、師徒制、現場實作等方式，直接在成員間傳遞經驗與直覺，而不一定經過語言或文件化。
Externalization 外化：（隱性 → 顯性）
將個人難以言傳的經驗，透過比喻、故事、概念化、模型與圖表，轉變為可被表達、討論與檢驗的概念與命題。
Combination 組合：（顯性 → 顯性）
對既有文件、資料、報告進行整理、分類、整合與重組，產生新的系統、方案或報表，是「資訊加工與系統化」的過程。
Internalization 內化：（顯性 → 隱性）
組織成員透過閱讀、訓練、情境演練與實作，將文件化知識內化為個人的經驗與直覺，成為新的內隱知識。
用一個例子來說明會比較清楚：客服團隊如何把資深客服人員的應對技巧，變成全公司可複製的能力？四步驟對應如下：
- S 社會化：新人跟著資深客服一起聽電話、看回覆、參與晨會，從現場感受語氣判斷、情緒安撫與優先順序拿捏。
- E 外化：把資深客服常用的判斷準則整理出來，例如「客戶真正焦慮的是什麼」、「什麼情況先安撫再解題」，整理成對話腳本與判斷原則。
- C 組合：再把對話腳本、FAQ、客訴分類、需要向上呈報的例外原則等整合成標準作業流程、知識庫與訓練教材。
- I 內化：新人透過演練、實戰與回饋，把 SOP 真的變成自己的應對直覺，之後又會產生新的經驗，帶動下一輪知識螺旋。
知識螺旋常卡住的環節
SECI 並非一次性作業，而是連續不斷的「知識螺旋」：從個人層次開始，在團隊、跨部門直到整個組織，持續放大與升級知識。
然而這個螺旋在現實運作中，最容易卡住的階段在「外化」，難以把隱性知識轉換成顯性知識，把腦子裡那些原本說不出口的直覺和判斷，整理成文字、框架、圖表，讓別人能夠理解和使用。
「外化（Externalization）」在 SECI 裡是很核心的步驟，唯有當模糊的洞察被說清楚，它才有機會被挑戰、被修正、被淬鍊，最後才有可能被放大成組織資產。
這也是為什麼很多資深工作者在帶人時，最常出口的話會像是「這個要靠經驗」「這很難講」「你做久就知道了」。這些話通常沒有把真正重要的點說清楚，也就是：這個判斷到底是怎麼形成的，包括該依據哪些因素，排除哪些可能，進而得出決策。
為什麼外化這麼難？因為「知識的詛咒」：意思是一旦你精通某件事，你就很難想像「不知道」的人是什麼感覺。你的大腦會自動跳過前提與過程，直接進到結論。這就像是被自己的知識「詛咒」了（無法教給別人），導致隱性知識無法順利輸出。
LLM Wiki 和 colleague-skill 帶來的啟發
最近在有關 AI 的社群討論話題裡，有兩個看起來無關，其實可以放在一起思考的課題。
LLM Wiki：
這是 AI 領域的頂尖專家 Andrej Karpathy 提出的，核心概念是：不要把 AI 當成一次性問答工具，而是讓它像一個「會持續編譯的維基編輯者」，把每一次對話的產出都寫回一個可演化、可維護的知識庫。這個迴圈的運作方式大致是這樣的：
存入一份新資料 -> 模型讀取後和你討論重點 -> 產出摘要頁，同時更新所有相關主題頁，這是「一次編譯，多處更新」，而不是單純新增一個索引條目。
查詢時，模型優先運用 Wiki 裡已有的頁面，好的回答本身也可以寫回成新的綜合頁，讓每次對話都在讓知識庫更豐富，而不是對話結束就消失。
另外，可以週期性地讓 AI 巡檢 Wiki，找出孤兒頁面、過時內容或互相矛盾的條目，自動合併或標記，仿效程式碼管理的做法，把知識視為一個活的資料庫在維護。
colleague-skill 專案：
這是 2026 年 3 月底在 GitHub 出現、很快在中文圈爆紅的專案。這個專案的說明如下：把同事留下的即時通訊訊息紀錄、Slack 訊息、文件、郵件、截圖，再加上你對他的主觀描述，整理成一個可以被 agent 呼叫的 .skill 模組。明確把輸出拆成兩部分，一部分是 Work Skill，也就是工作能力與方法；另一部分是 Persona，也就是性格、溝通風格與行為模式，而且支援透過追加文件或對話持續修正與進化。
很多媒體報導把這件事描述成「離職交接的新型態」或「賽博永生版交接」，因為它看起來像是把一個原本散落在聊天、文件與印象裡的同事，彙整成一個可重複呼叫的工作技能模組，嘗試把原本只存在於人腦、文件與互動中的工作經驗，設法提煉成一個可持續使用的系統工具。
知識螺旋過程中，AI 最強的是外化與組合
如果把上面這兩個題目套用 SECI 來分析，會比較容易看出它們的可行性與局限。
先說「外化」，這正是 AI 目前最能發揮之處。你把一個模糊的想法、一個心得、一個案例觀察講給模型聽，讓它協助你整理成條目、原則列表、教學腳本、流程文件，這其實就很接近把原本只存在於隱性知識裡的素材，轉化為顯性知識的過程。colleague-skill 也是一樣，它不是直接把「同事本人」保存下來，而是把散落在聊天、文件與主觀印象裡的碎片素材，重新整理成可被執行的 Skill 結構。
AI 帶給我們的不只是格式上的整理，而是讓外化的門檻真的被降低。你可以說得不完整，可以講得很亂，可以先停留在「我就是覺得哪裡怪怪的」這種程度，AI 不會因為你還沒整理好就打斷你，而是透過對話幫你釐清。這種不評判、不疲倦、可以反覆追問與重述的特性，的確讓很多原本卡在心裡、說到一半就放棄的東西，比較有機會被整理。
在結合，也就是 C 這個環節，AI 也很強。LLM Wiki 的重點，本來就是把零散資料、舊筆記、已有頁面與新問答，持續整理成更有結構的 Wiki 檔案。colleague-skill 則是把多來源材料整合成 Work Skill + Persona 的可用模組。從 SECI 的角度來看，這其實都很像顯性到顯性 explicit-to-explicit：把已經存在的顯性材料，重新拼接、分類、整理，長成更有結構的知識層。
外化與組合變強，不等於知識螺旋完成了
但問題也在此，AI 帶來的效果，很容易讓我們產生一種錯覺：既然系統已經能整理、能串連、能模擬某個人的工作方式，那是不是代表完整的知識傳遞、交接也已經完成了呢？我認為這是最需要避免的迷思。
因為 SECI 不只有 E 和 C。它前面還有 S，也就是社會化；後面還有 I，也就是內化。這兩段，恰好都是最容易被忽略、也最不容易被 AI 直接補強的部分。
那些要靠共處、情境和實作才能學會的，只有人做得到
野中郁次郎定義的「社會化 socialization」，強調的是共享體驗：兩個人在同一個情境裡，透過觀察、模仿、一起工作，把隱性知識從一個人身上傳到另一個人身上。這個過程不只有資訊傳遞，也包括體感、情境理解與關係脈絡。LLM 沒有隱性知識，也無法在現場裡和你一起經歷情境。雖然它可以重述、整理、模仿語氣，但那和師傅帶徒弟、主管帶團隊、顧問跟著客戶一起走現場的感受，是完全不同等級的事。
colleague-skill 能彙整的是那個人留下來的碎片紀錄，以及別人對他的描述；但並無法涵蓋那些真正依賴共處、互動、情境感知才能傳遞的事物。把一位同事提煉成 Skill，不等於把他的隱性知識完整交接下來。
其次在「內化」這部分：雖然你可以把已經寫下來的知識，透過實作、反覆練習與情境應用，慢慢變成自己的判斷與反應。但這也不會因為 Wiki 的持續累積就自然完成。媒體引用的山東公司案例，雖然常被拿來說明 AI 分身能承接離職員工部分工作，但相關報導本身也提到，這類分身目前主要處理較簡單、模組化的任務，而且在職員工形容它仍然「有點笨」。這反而說明了：可被運用，不等於已被完整學會；系統可以承接部分工作，但要完全承繼人的理解與能力，並沒有那麼簡單。
怎麼用 AI 來處理知識工作
很多人一看到「會持續累積的知識庫」或「可呼叫的同事.skill」，很容易就把「系統的進步」理解成「我自己也變強了」，但這是不同的事。系統可以越來越完整，你的理解卻不會自動跟著深化。真正讓人學會一件事的，通常還是那些比較慢、也比較不能省掉的動作：重述、回想、比較、衝突辨認、在現場裡試用與修正。
就「知識的創造與累積」來說，AI 在以下三種情境很適用：
情境 1：用來練習外化。
找一個你「知道但說不清楚」的判斷，例如「我是怎麼決定要不要接這個案子的」，把問題丟給 AI，讓它一路追問，你不需要先整理好答案，只在過程裡負責回答。很多時候，進行到一半你會發現，自己其實從來沒有把這件事真正理清楚過。
情境 2：用來執行「逆向文件化」。
找一個你做過、結果還算不錯的專案，試著和 AI 一起還原「當時是怎麼想的」。這個過程會讓你發現，原來自己其實有一套原則與標準，只是過去從未完整把它記錄下來。
情境 3：看 AI 整理出來的資訊時，自己要總結。
或者問自己：這篇和我以前的哪個觀點有關聯或衝突？因為少了自己的思考與判斷，外部系統很快就會從「幫你整理」滑向「替你整理」，這差別其實很大，後者比較像是在替你「省略」思考。
回到 SECI 的框架來看，AI 真正厲害的地方，是它讓「外化」與「結合」這兩個階段比過去容易太多了。以前要靠人慢慢整理、靠會議記錄、靠交接文件勉強留下來的東西，現在確實有機會被更完整地整理出來。但這也是最容易產生錯覺的地方：把離職同事提煉成 Skill，把好的回答寫回 Wiki，把零散材料整理成一個持續增長的知識庫，這些並不等於整個 SECI 螺旋完整執行。那些需要共同在場才能傳遞的判斷，那些只有親自做過、做錯、修正之後才會形成的手感，還是只能靠人、時間與實作才能得到。
野中郁次郎提出 SECI 模型的時候，大概沒有想到有一天會有人試著把離職同事「提煉成 Skill」，但他關於知識管理的核心思維「知識螺旋」，目前仍然成立。AI 固然可以提供更好的協助，但無法代替我們完成整個知識螺旋過程。
要把人類的工作能力萃取成 AI Skill ，也許時候還沒到。
