製造現場一直都有一些人，會想辦法讓自己的工作更省力。重複工作多了，就做 Excel 巨集；熟悉程式的人，則會自己寫 Python 或小工具來用。現在 AI 正逐漸進入這個位置，但現場實際發生的事情，和過去並沒有想像中那麼不同。
因為是最了解現場的人直接解決自己的問題，效果往往很快。原本要花幾個小時的工作，可能縮短到幾分鐘；每次都要人工確認的事情，也可以自動處理。不過，這些工具是否真的成為團隊的工作方式，往往要等到建立工具的人離開之後才看得出來。
隱性知識沒有消失，只是移進了程式碼
人離開之後，Excel 檔案和程式碼還在。公式還在，threshold 也還在。問題是，為什麼當初要用這個值、什麼情況下要設例外、當時看到了什麼才做出這個判斷，這些往往沒有一起留下來。時間一久，其他人也許還讀得懂程式碼，卻很難理解背後的判斷。
這並不是把人腦中的隱性知識消除了，而是把它移進某個人自己做的軟體裡。眼前的生產力確實提高了，但只有在原作者不在時，其他人仍能理解並修改它，這份知識才算真正留在組織裡。
隱性知識也有有效期限
還有另一個問題。製造知識並不是整理一次之後，就能永遠用同樣方式套用的資訊。幾年前正確的判斷，不代表今天仍然正確。設備狀態會改變，材料和產品會改變，製程條件與量測方式也持續在變。即使表面上看起來是相似的現象，當時和現在的原因也可能不同。
因此，把舊知識原封不動套用並不好；只因為它舊就丟掉，也不是好方法。應該先看這個判斷是在什麼條件下形成的，再確認現在和當時有什麼不同。仍然適用的部分可以沿用，已經改變的部分則需要重新判斷。
要重新使用過去的經驗，就需要脈絡
如果只留下「某個製程調整了補償值」這個結果，下一個人拿到的只是一條 rule。真正要重新利用這段經驗，還需要知道當時生產的是什麼產品、設備處於什麼狀態、資料中出現了什麼變化，以及做出判斷之後結果如何改變。
資深工程師本來就是這樣使用經驗的。遇到新問題時，他們不會直接複製以前的答案，而是先想：「以前也發生過類似的事，但這次和那次有什麼不同？」過去經驗的價值，不只在於記得答案，而在於留下足夠的脈絡，讓它能和現在的情況比較。
這同時也是資料分析的問題
設備、產品和製程越多，要一直靠人的記憶完成這些比較就越困難。因為必須先找出以前是否發生過類似問題，再把當時和現在的條件對齊，重新確認哪些差異影響了結果。經驗越多，可參考的案例也越多，反而更難只靠記憶處理。
AI 在這裡能做的事情也變得清楚。它不只是搜尋舊知識，而是可以找出過去的判斷是在什麼條件下形成的，和現在的資料比較，並把已經改變的部分呈現出來。最終判斷即使仍由人或既有分析邏輯負責，也能大幅擴大過去只能靠人在腦中完成的比較範圍。
什麼才叫把知識留下來
在製造業把隱性知識數位化當然重要。但如果記錄本身變成目的，最後可能只是多了一份過時的手冊，或一段沒有人負責的程式碼。需要讓人能理解當初為什麼做出那個判斷，也要能在時間過去之後，再確認這份知識今天是否仍然有效。
一項由 MIT Initiative for New Manufacturing 支持、探討製造與工程現場 AI 導入的研究，也指出兩個相關問題：熟練人員的知識往往停留在個人身上，而一次捕捉下來的知識，也可能隨著材料與製造方式改變而逐漸過時。