人才發展
資深員工的經驗怎麼傳？用判斷卡記下條件、反例與處置
關鍵職務主管、HR 與接班人可用本文方法用判斷卡和未見案例檢驗經驗傳承。附模擬工作表與核對答案。
能用判斷卡和未見案例檢驗經驗傳承。
專題編輯：Sylvia Yeh｜人才發展與職場編輯
本文為文件研究與流程教學。情境、數字和工作表資料均為模擬，參考答案經本地規則或數值核對。未使用真實客戶資料，也未在企業系統或特定 AI 產品帳號實測。
核心判斷： 把 20 年的 SOP、簡報、Email 丟進知識庫，不等於複製了資深員工的判斷力。真正有價值的常是「看到什麼訊號才改變做法、什麼例外不能硬套標準、什麼時候應該找誰」。要傳承判斷，需要讓專家說出條件、反例與失敗教訓，並由接班者在真實情境中驗證。
在以下教學情境中，一位資深採購主管在 30 秒內看出某張看似便宜的供應商報價有問題。新人照著公司規定核對品項和價格，卻看不出「交期短得不合理、報價未含測試費、關鍵材料來源不明」。把過去五年的報價單餵給 AI，也未必能推回那位主管腦中的判斷路徑。
這就是知識管理裡的「隱性知識」問題。APQC 將知識移轉視為把知識從持有者有意識地移向需要的人，特別指出難以寫成文件的隱性知識，往往需要專家訪談、同儕協作、帶教與實作，而不只是文件庫。AI 能協助整理紀錄，不能取代專家確認與受訓者實際判斷。
不要問資深員工「你會什麼」，改問「你上次為什麼沒照 SOP 做」
訪談一般常從「請分享你的經驗」開始，結果得到的往往是「看情況」「依經驗」這些新人無法操作的話。比較有效的入口是一件具體、曾經出現分歧的決策。
例如請資深主管回顧某次緊急交貨：表面上的標準處理是加急採購，但他選擇延後交付並通知客戶。追問四個層次：① 當時有哪些資訊？② 哪個訊號讓你否定標準做法？③ 你曾比較過哪些方案？④ 如果某條件不同，你的決策會如何改變？這些答案可能比十頁 SOP 更適合教下一位接手者。
一張「專家判斷卡」，把答案變成可以練習的條件
| 欄位 | 採購案例（教學模擬） |
|---|---|
| 情境 | 供應商表示可提前交貨，價格低於既有合約 |
| 觀察訊號 | 關鍵材料來源尚未確認，測試報告不完整 |
| 標準做法 | 依流程比價、確認交期與品質要求 |
| 例外條件 | 需認證材料或驗收文件缺漏時不能只看價格 |
| 資深者判斷 | 暫停核准，要求補證據並評估替代料件 |
| 決策理由 | 避免正式交貨後發生品質及契約爭議 |
| 可接受反例 | 若已有有效的品質驗證與正式核准可重新評估 |
| 最終驗收 | 新人能在未知案例辨認風險並正確升級 |
這不是要求 AI 記住某個人的直覺，而是讓有權限的專家把「輸入、條件、例外、行動、結果」拆出來。遇到法規、安全或合約決策時，這張卡也不能替代具授權者的正式判斷。
4 種值得優先萃取的工作判斷
異常識別。 例如倉儲主管怎麼從異常補貨量判斷是需求高峰還是重複下單。要留下的不只是「超過多少件」，還有促使他查證的脈絡。
例外處理。 例如旅宿櫃台在客房超售時，依哪些優先原則安排替代住宿、補償與通報。要保存政策限制與誰能核准，不把所有過去作法當成今日仍合法有效。
跨部門協調。 例如工程變更後，老員工知道哪些部門必須提前被告知。把關鍵依賴關係整理成通知矩陣與責任人。
風險取捨。 例如業務遇到大客戶要求額外保固時，資深主管會比較毛利、履約能力、過往案例與法律責任。AI 可整理資料，不能自行承諾條款。
不同工作應用不同移轉方式。穩定流程可以文件化；含糊且高風險的判斷更適合師徒陪同、情境演練和正式審查。NASA 的員工交接報告描述了跟班、實作與回饋等做法。本文把這個原則落到採購情境，以新人能說出例外條件並正確升級作為驗收。
讓 AI 幫忙訪談，但不要請它「模仿資深員工」
取得受訪者同意並遵守公司資料規定後，可由 AI 協助把去識別訪談記錄轉為候選判斷規則，但必須逐項讓專家回看，並保留版本及適用條件。
你是企業知識萃取助理。根據以下經授權的匿名專家訪談逐字稿，整理出「工作情境、觀察訊號、候選判斷規則、例外條件、行動、結果、未說明假設、需要再問專家的問題」。嚴格區分受訪者明確說過的內容和你推測的內容。沒有足夠證據的規則標記「待專家驗證」，不得寫成正式 SOP、不得推論個人心理或將單一案例當成通用規則。輸出三道情境題，讓新人練習辨識例外。
輸入： 授權、去識別訪談紀錄與既有政策。輸出： 待驗證判斷卡與情境題。驗收： 由資深者確認規則、由另一位主管確認合規性、由新人進行盲測。禁止將私人通信、薪資、病歷或未授權客戶機密直接上傳。
怎麼知道真的傳承了？不要用上傳檔案數來報 KPI
安排「看過教材的人」與「沒看過教材的人」使用同一組匿名案例，事前先由專家定義可接受判斷與升級條件。評估新人能否識別危險訊號、說明理由、知道何時無法確定，以及能否依制度升級。若遇到新的情況仍完全需要專家口頭解釋，表示知識庫尚未完成工作交接。
建議先選 1 個高風險、缺乏替代人的關鍵職務，採用 3 輪工作：第一輪錄下關鍵判斷案例；第二輪由專家核對文字與例外；第三輪交由接班者進行情境演練並修正。正式上線前保留定期檢視日期，防止舊規則永久流傳。
不要把人的智慧誤認為能被一次「訓練」進模型
多數企業不需要為每位資深者重新訓練一個大型模型。先建立經授權的資料庫與可追溯案例，讓 AI 在有權限的情況下協助檢索、比較、提示疑問，再由新人與專家共同校正。需要理解的不是模型像不像前輩，而是下一個人是否能重現正確的工作判斷。
適合分享的一句話： 「20 年經驗最值得留下的，不是 20 年所有答案，而是那些讓他知道『這次不能照老方法做』的瞬間。」
資料與方法說明： NASA 的知識傳承資料為方法背景；採購情境與萃取卡為教學模擬。本文未接觸任何企業的實際資深員工紀錄，亦未執行 AI 平台實測。查核日期：2026 年 11 月 7 日。
方法圖解
下載工作表與核對範例
材料來源未明時暫停核准；已有有效驗證且獲核准時可重新評估。用兩個版本測能否辨認反例。
參考資料
本文由 TARAISG（TIANDIREN AI SOLUTION GROUP）使用 AI 模型產生正文、整理來源並設計實務工具。方法依據與限制列於文末；案例為明確標示的教學假設。未有具名紀錄時，不宣稱經人工或專家審核。
查看內容製作與更正說明
