团队如何在启动AI工作流前识别未记录的关键经验？

为何未记录的经验是AI工作流中的隐性瓶颈

最有力的单一发现来自2024年一项针对约旦安曼112名重症监护室注册护士的研究，这些护士均在使用基于人工智能的决策支持系统。尽管实现了全面应用，护士们仍报告了持续存在的障碍：培训不足、数据隐私担忧以及技术难题[1]。这表明，即使人工智能已部署到位，护士们依赖的那些未成文的实践知识——例如如何解读警报或应对系统异常——从未被正式记录。研究作者得出结论，全面的培训计划和支持机制至关重要，但前提是必须先识别出经验丰富的员工所掌握却未书面化的知识。

2023年一项关于催化剂设计AI工作流程的研究从另一角度印证了这一点。研究人员构建了一个集成大语言模型、贝叶斯优化和主动学习循环的AI工作流程，用于从科学文献中挖掘催化剂合成参数[2]。他们的核心发现是，现有方法"未能有效利用日益增长的科学文献中蕴含的丰富信息"——换言之，即便是已发表的知识也常被低估。若已发表的文献都难以充分捕捉，未记录的经验则更难获取。该研究的解决方案是创建主动学习循环，持续向人类专家咨询以填补知识空白——这正是团队在启动AI工作流程前所需的关键流程。

如何在启动前挖掘未记录的经验

证据指向三项具体行动。首先，对一线员工开展结构化访谈和观察。护理研究发现，尽管引入了人工智能，护士仍面临技术困难和培训缺口[1]——这些问题本可以通过观察护士的实际工作方式，并询问他们在系统出现异常时如何应对来更早发现。其次，从第一天起就在AI系统中构建反馈机制。2021年一项关于放射科AI整合的研究展示了一个系统，该系统允许放射科医生接受或拒绝AI结果，并让技术人员随后对这些结果进行修正[3]。这种反馈循环捕捉了临床医生那些未记录的专业知识——他们知道AI何时出错，从而将隐性知识逐步转化为有记录的修正。第三，采用主动学习循环，要求人类专家对模糊案例进行标注或澄清，正如催化剂设计研究所做的那样[2]。这种方法系统性地识别出最需要未记录知识的领域。

一篇2023年关于批判性人工智能研究的论文提出了一个更广泛的观点：数据整理和图像分类中的人类劳动往往不为人所见，但却至关重要[4]。该论文描述了一个艺术装置，其中数千张郁金香照片被手动标注了诸如“枯萎”或“有些条纹”等主观属性——这类工作很少被记录，但对训练人工智能却至关重要。团队应当认识到，未被记录的经验并非需要消除的缺陷，而是一种资源，应通过专家访谈、反馈循环和主动学习等有意识的过程加以系统性地捕捉。

证据未告诉你的事——以及为何这很重要

现有证据存在重要局限性。护理研究[1]是一项在单一城市（约旦安曼）开展的横断面调查，仅涉及112名参与者，其结论可能无法推广至其他地区或国家。催化剂设计研究[2]仅为氨生产的可行性验证，并非在医院或企业中的实际应用。放射学整合研究[3]聚焦于技术系统设计，并未探讨如何初步识别隐性知识。这些研究均未直接衡量挖掘隐性经验所需的成本或时间，因此团队应将其作为前期投入纳入预算。图书馆工作流程论文[5]虽为日常工作中使用AI聊天机器人提供了实用建议，但未涉及部署前如何捕获隐性知识。尽管存在上述局限，从护理到催化剂设计再到放射学——这些研究的共同指向强化了一个核心观点：隐性经验是真实存在且可衡量的障碍，需要采用审慎的、以人为中心的方法才能揭示。

关于这些来源

该答案基于5篇经同行评审的研究——发表于2021年至2024年间，其中1篇为2024年及以后发表，2篇发表于Q1期刊，共被引用202次——这些研究是从5篇通过质量筛选的研究中选出的最相关成果，而该筛选过程又源自从超过5亿篇论文数据库中检索到的23篇文献。

本文引用的文献

相关研究问题