经验萃取是组织知识管理的核心环节，其本质在于将顶尖员工的隐性经验显性化、结构化，进而拉升组织整体能力的天花板。然而，传统萃取模式长期受困于效率、成本与品质难以兼得的“不可能三角”。当AI技术真正嵌入业务场景，这一困局正在被打破——经验萃取从组织发起的专项工作，逐步演变为融入日常的知识生产方式。

01  传统经验萃取的“不可能三角”

在保险行业，乃至更广泛的服务领域，组织最宝贵的经验往往藏在顶尖员工的脑海中。经验萃取的核心价值，在于持续拉高组织的能力天花板，推动整体战斗力的平移与提升。然而，传统依赖人工的萃取模式面临三重困境。

第一重困境是效率低、周期长。安排专家访谈需要协调多方时间，准备周期长，项目推进缓慢。第二重困境是成本高、资源受限。当萃取需求大规模涌现时，内部专家数量不足，外部专家成本高昂，交通、住宿等配套投入进一步推高费用。第三重困境是约束多、品质不稳。案主是否有意愿配合、访谈者是否具备引导能力、萃取内容是否经得起检验，诸多变量使得产出质量参差不齐。

更深层的挑战在于经验本身的特性。顶尖员工往往“不愿说”——缺乏分享动机或信任基础；“说不清”——受困于“无意识胜任”，难以将直觉性操作转化为可表述的方法论；即便说出来，也多是高度个性化的经验，难以普适化、标准化，让其他学习者复制落地。这三个挑战，几乎贯穿所有经验萃取项目的始终。

传统模式下，效率、成本与品质三者难以兼得：追求效率与低成本，必然牺牲品质；追求品质与低成本，必然牺牲效率。这一“不可能三角”使得组织知识的沉淀与流转变得异常缓慢。引入AI技术，并非为了取代传统萃取师，而是希望通过人机协同，系统性地破解这一困局，实现三者的动态平衡。

02  AI萃取师的三大核心能力

基于上述痛点，我们打造了AI萃取师这一产品。它不是对传统萃取的简单替代，而是将三类核心能力集成于一个智能体之上：挖掘能力、提炼能力与知识重构能力。

挖掘能力体现在精准定位与动机唤醒。AI萃取师打通业务底层数据，建立业绩定期扫描机制，自动识别高价值场景与值得萃取的绩优员工，改变过去“凭经验找专家”的粗放模式。同时，它通过自动邀约、信任建立与个性化引导，唤醒专家的分享动机，将“要我分享”转化为“帮我复盘”，降低心理门槛。

提炼能力体现在深度理解与交叉验证。AI萃取师以语音、文本等多种交互方式与专家对话，通过结构化提问与层层追问，挖掘表层行为背后的深层逻辑。例如：当专家提及“坚持一天三访”时，智能体不会止步于表面记录，而是进一步追问：如何坚持？三访中最大的单子是如何谈成的？遇到最难缠的客户如何应对？通过这种延伸式探询，破解“无意识胜任”的诅咒。同时，系统结合多视角数据进行交叉验证，区分真实经验与假想方法，确保萃取结果的可靠性。

知识重构能力体现在模型构建与场景化开发。碎片化经验被原子化拆解后，重新组装为信息模型与步骤化方法，降低学习者的认知负荷。更重要的是，系统根据使用场景智能生成不同形态的成果：面向个人自学的Word报告、面向课堂培训的PPT课件、面向移动学习的数字人视频，实现“原子级内容，分子级呈现”。

在产品形态上，AI萃取师支持手机端随时发起视频对话，配备独立服务器与15路并发能力，可实现24小时不间断工作。系统经过87个绩优案例的初始训练，结合持续的业务语料积累与场景迭代，逐步从“能用”走向“实用”，最终迈向“好用”。

03  从组织项目到一线赋能

任何AI产品若不能嵌入真实业务场景，便难以产生持久价值。在阳光保险，AI萃取师已在多个关键场景得到验证。

综合金融领域

面向产险绩优业务员系统提升其寿险销售能力。产险销售拥有较为庞大的客户资源，但缺乏寿险专业知识与客户经营能力。通过AI萃取师，我们从绩优寿险员工中系统萃取了上百个不同客群、不同场景的实战案例，形成案例智库，并持续迭代。这一项目直接支撑了上亿元的新业务从零起步，实现了组织知识的跨条线迁移。

寿险一线销售场景的实时萃取应用

在寿险营销一线，代理人完成开单后，可通过手机端与AI萃取师进行10至20分钟的对话复盘，系统实时生成结构化案例与可分享的视频。这一设计将萃取动作从后台推向战场最前沿，让知识生产紧跟业务成果，实现“实时萃取、实时生成、实时传播”。过去需要一个团队后台制作的课程，现在前线人员片刻即可完成，极大提升了知识流转的敏捷性。

全集团多线条推广

从销售技能到客户经营再到后台运营，凡是有规则、有场景、有需求的业务线，均成为AI萃取师的适用领域。截至目前，智能体已完成三千多人次的萃取，产出一千余个优秀案例。粗略估算，若依赖传统人工方式完成同等规模，仅专家差旅与人力成本便难以承受，且周期可能拉长数倍。AI萃取师的价值不在于超越单个顶尖萃取专家的水平，而在于实现组织能力的整体平移与快速复制。

04  知识管理的三个进化方向

经过两年多的实践，我们隐约看到AI经验萃取的三个演进趋势。

萃取行为的日常化与个性化

传统萃取是组织发起的专项行为，未来则将融入员工的碎片化时间与日常工作。当萃取变得足够简单，任何值得记录的业务时刻都可即时复盘，任何“三人行有我师”的观察都可即刻提炼。萃取将从组织行为演变为个人习惯，成为经验持续突破的重要方式。

萃取服务的智能化

当萃取数据积累到一定量级，AI不仅能沉淀知识，更能基于个人数据画像提供智能化诊断与陪练。例如，智能体可识别某位管理者向下管理能力较强但向上沟通能力薄弱，随即生成针对性的互动训练与知识推送，实现从“统一学习”到“精准赋能”的跃迁。

知识管理的自主化

当前的知识管理仍是“人找知识”的被动模式，未来则将走向“知识找人”的主动推送。当学习数据、人力数据与业务数据在底层彻底打通，系统可自动识别谁需要何种知识、何时需要、以何种形式呈现，无需依赖传统的考试测评与封闭培训。AI将从知识的存储者转变为组织智慧的主动发现者与推送者。

回望这一过程，我们深刻体会到：AI产品必须在真实场景中生长，必须让真正的使用者来评判优劣。无论是教学场景还是风控、运营、客服、销售场景，唯有深入业务一线，技术才能真正转化为产品，产品才能真正支撑组织进化。未来，标准化的结构化学习可由AI智慧管理系统承载，非标准化的经验沉淀则由AI萃取师完成，两者协同，将推动培训与学习形态发生根本性变迁。经验萃取的范式，正在从人工时代的单点突破，迈向智能时代的系统进化。

作者：郭文才｜ 阳光保险集团阳光大学堂执行副校长

来源：培训杂志