工厂最贵的资产，正在排队办退休

凌晨的注塑车间，制品表面又出了震荡纹。值班工程师翻遍SOP无解，最后把刚退休三天的老师傅请回厂里，十分钟调好参数。

这不是段子，是许多工厂正在循环播放的剧情。设备可以买，经验买不来——工厂最贵的资产，其实是长在老师傅脑子里的隐性知识，而它正在排队办退休。海外制造业媒体最近一篇题为《Capture plant knowledge before it walks out the door》的文章，把这个老问题重新顶上了台面：老兵退休、新人留不住，你必须在人走之前，把知识留在厂里。

这件事没有玄学，只有一套可以落地的笨功夫。

🧓 老师傅一走，产线其实“降级”了

设备折旧写在报表上，经验折旧没人记账。

先讲个圈内流传的版本：华东某汽车零部件厂，一位干了两百吨注塑机二十多年的老师傅退休。交接仪式照常开、纪念品照常发，SOP也照常“移交”了。三个月后，同一种材料换批次，良率从98%掉到91%，年轻工程师对着工艺卡一筹莫展——因为老师傅的手感是“料筒温度到了但螺杆回程声发闷就要降两度”，这种判断，工艺卡上一个字都没有。最后是返聘，一个月两万，专治疑难杂症。

这不是中国独有。日本制造业曾因“团块世代”集中退休陷入所谓“2007年问题”，技术传承断层一度成为全国性议题，大量中小制造企业被迫返聘高龄技工；德国制造业近十几年也持续受技工短缺困扰，职业教育体系都在为“经验断代”补课。也就是说，这是一场所有制造大国共同面对的结构性流失。

有意思的是，设备部门每台机器都有台账、有折旧曲线、有维保计划，唯独“人身上的知识”没有任何资产科目。一位干过多个灯塔工厂项目的顾问私下说过一句狠话：“工厂里最贵的图纸，锁在老师傅脑子里，而且没有备份。”

产业逻辑很清楚：隐性知识——按波兰尼的经典说法，“知道得比能说出的多”——天然抗拒文档化，而它的载体又是不可逆流失的。退休潮和年轻人不愿进车间这两条曲线一叠加，就意味着未来五年，大量工厂会经历一轮被动“降级”：设备没变、厂房没变，但产线的实际能力水位悄悄下了一个台阶。

所以问题不是要不要做知识沉淀，而是：怎么做，才不至于做成一座没人去的“知识坟场”。

📋 四步法：别在告别宴上才想起记笔记

知识管理的第一步不是写文档，而是先搞清楚该写谁的文档。

那篇文章给出的框架是一个四步计划。结合国内工厂的实际落地经验，可以拆成这样四个动作：

第一步，识别关键岗位与关键知识。不是所有岗位都需要抢救。先画出“知识风险地图”：哪几个工序是瓶颈？哪几个人一休假，良率或交付就出波动？哪类故障只有某个人能秒判？把这些问题回答清楚，抢救名单通常不超过全厂人数的5%。资源有限时，先救瓶颈工序，再救单点依赖。

第二步，结构化捕获。老师傅最烦“你把经验都写出来”这种要求——他写不出来，也懒得写。正确的姿势是访谈者带着工序清单去“跟产”：出一个异常，就问一句“刚才你怎么判断的？依据是什么信号？”一次记录一个判断点，积少成多。手感类操作辅以视频动作拆解，把“看一眼就知道”翻译成可描述的特征。

第三步，数字化沉淀。捕获来的经验不能躺在Word里，要挂到MES的工序节点上，做成“出现X现象→优先检查A→再查B”的决策路径，让它在工人真正需要的那一刻被调出来。知识只有长在流程里，才有被使用的可能。

第四步，传承与迭代。新人带着系统干活，干完把新案例写回去——这一步是大多数工厂缺失的闭环。丰田多年来被反复研究的“多能工”轮岗和改善提案制度，本质都是让知识在使用中持续增值，而不是建档了事。

这四步看着朴素，但顺序不能乱。最常见的失败姿势是跳过第一步直接建库——把全厂文档一股脑扫进去，最后得到一座检索不动的档案山。识别做扎实了，后面每一步都是给瓶颈工序上保险；识别不扎实，后面每一步都是给PPT添素材。

🎯 手段选错，记再勤也是白记

用错记录方式，等于把经验翻译成了一种没人看的方言。

知识捕获的手段这几年眼花缭乱：从最原始的口述笔记，到视频动作库、AR远程带教，再到最近火热的工业大模型问答。很多工厂的困惑是：到底该上哪个？我的建议是别按“技术新不新”排序，按“技术门槛×商业价值”两个维度摆一摆：

再看一张务实的对比表：

看懂这张图，策略就清晰了：右下角的存量玩家（纸质SOP）该升级但不该全废——标准动作仍然需要它；右上角的领跑者是MES内嵌决策树和工业大模型，商业价值最高，但都要求前置的结构化工作。左上角的潜力股（视频动作库）是最容易被低估的一档：投入不大，却能把“手感”这种最难写的知识先固化下来。

一个务实的路径是：先用低门槛手段把关键岗位的经验“抢救”成结构化素材（这是四步法的第二、三步），再谈高门槛工具。反过来先买AR眼镜和大模型、回头再补语料的工厂，我见一个亏一个。

🚧 大多数知识库，死在验收那天

工厂知识库的死法高度一致：轰轰烈烈上线，安安静静长草。

场景大概率你也见过：厂里立项“知识管理平台”，投入几十万，各部门交作业式地上传了几千份文档，验收会上大屏演示检索很漂亮。三个月后，系统登录量趋近于零，更新停滞，两年后成了IT部门服务器上的一块沉默磁盘。据多位接近这类项目的人士的说法，不少知识管理项目的实际死亡时间，就是终验通过的那一天——验收标准是“录入了多少”，而不是“被用了多少”。

病根不在工具，在机制。归纳起来无非四条：

把节奏落成一张路线图的话，一个中型车间从零起步，十二个月足够跑完第一轮闭环：

注意排期里的一个细节：试点上线在第六个月，而“全员推广”压在最后四个月。很多项目的错误是把推广放在前面——一上来就要求全员录入，结果产出一堆应付检查的垃圾内容，把系统的口碑做死了。正确的顺序是先用一个瓶颈工序跑出“真能救命”的案例，让工人自己传开，再铺开。

算一笔账就更清楚：返聘一位老师傅一年成本一二十万，而一次重大质量事故的索赔和召回动辄百万级。知识沉淀项目的ROI不需要玄学论证，只需要拿“少返聘几个人、少停几次线”去对账——这才是能在总经理办公会上立得住的算法。

🔮 工业AI不是替你传承，是放大传承

过去知识库的死穴是“查不到”，大模型时代的新死穴是“没人喂”。

最近两年，工业大模型的话题很热，不少工厂的负责人问我：是不是上了大模型，老师傅的经验问题就自动解决了？我的回答是：恰恰相反，大模型把知识沉淀这件事变得更急了，而不是更省了。

原因在于调用侧的革命已经发生，供给侧却原地踏步。自然语言问答确实把“查知识”的门槛降到了工人随口一问的程度，这是过去十几年知识管理工具都没做到的。但大模型能回答的质量，完全取决于喂进去的语料质量——如果语料还是那堆扫进系统的旧文档和空壳知识库，大模型只会用流畅的语言一本正经地说废话。这就是我反复强调的：四步法里“识别—捕获—结构化”这三步，恰恰是AI时代的前提工程，一点都不能省。AI不是替代传承，是放大传承——放大优质语料的价值，也放大语料缺失的尴尬。

值得参考的方向是那些数据底座扎实的样板：西门子安贝格工厂这类以数据驱动著称的工厂，之所以在经验数字化上走得快，底层是多年MES与质量数据的持续积累；丰田的传承体系也从来不是“建了个系统”，而是把知识流动嵌进了日常改善动作。真正有效的产线大脑，从来是“设备数据+工艺参数+老师傅判断案例”三路语料的合流，缺一路都是残次品。

对大多数工厂，我的建议朴素到近乎扫兴：先别追模型，先把瓶颈工序三十个关键判断点老老实实记下来。语料有了，今天接决策树，明天接大模型，随时上车；语料没有，什么风口都和你无关。

🏁 小结

设备会折旧，经验会退休，唯有沉淀下来的知识能跨过人员更替继续复利。四步法的价值不在工具多新，而在把“人走茶凉”变成“人走了，判断还在”：识别名单、跟产捕获、挂进MES、案例回流，一步都不能偷懒。往后看，工业大模型会进一步抬高结构化语料的稀缺性——谁先把老师傅的脑子搬进系统，谁就在下一轮产能竞赛里握住了别人买不到的资产。别等告别宴上，才想起记笔记。