當會用 AI 的新人入職，公司往往交出一份完美的交接文件。然而，AI 雖然能將會議紀錄與 SOP 整理得井然有序，前員工真正的判斷經驗與商業決策卻容易隨之流失。企業需要建立以日常工作記錄為基礎的知識管理系統（KM），才能真正留下營收與營運的關鍵資產。
最近面試新人時，很多老闆通常會問：
「你平常會用 AI 嗎？
「會啊，ChatGPT、Claude，還會一點 n8n 和 Make。」
這已經快變成現在求職的必考題與加分題。 結果第一天進公司，主管拿出一份交接清單： 客戶資料在這裡、每週一更新這張表、現在有三個專案、每週三固定開會，我幫你加進群組，有問題問 Amy。
看起來真的很完整。 文件分類好了，進度排好了，Deadline 也寫上去了，沒有任何錯字。但問題也出在這裡。
AI 已經很擅長把有缺口的資料，整理得像一份完整文件。
以前的交接單可能只寫：「這個客戶比較麻煩，細節問 Amy。」
一眼就看得出來這裡需要多問兩句。
但，現在把會議紀錄、SOP 和專案文件丟給 AI，它可以整理出一份「A 客戶處理流程」。
標題有了、步驟有了、注意事項也有。看起來像是交接完成。
但前一個人的工作經驗真的留下來了嗎？還是只有檔案被排整齊？
AI搭配管理，最該被留意的4個關鍵：
01｜交接最該先找的，是那些「人走了會影響錢」的東西
我後來覺得，交接不用一開始就追求「全部留下來」。 一個做了一兩年的員工，腦袋裡的東西根本寫不完。 如果我是老闆，我反而會先問： 這個人明天離職，哪些事情沒留下來，會影響接下來的營收、毛利或客戶？
例如一個業務要離職，我會開始問：
- 現在還沒成交的案子，真正卡在哪裡？
客戶下一個要決定的是什麼？
上次為什麼報這個價格？還有多少空間？
哪幾個客戶最近有回購或加購的可能？
哪個客戶看起來還在談，但業務其實已經判斷機率很低？
因為 CRM 很容易留下「發生了什麼」。 真正容易跟著人一起走掉的是「所以你怎麼判斷？」
同樣的事情也發生在其他職位。 採購知道哪一家供應商報價便宜，但交期最好多抓幾天。 客服知道哪種客訴可以自己處理，哪種最好直接找主管。 PM 知道某個客戶嘴巴上說不急，但星期五以前沒給一定會來追。
這些東西通常沒有被當成「公司資料」。因為做久的人覺得太正常了。 但新人不知道，AI 也不會自己知道。
所以我會把交接表改成「判斷交接」 這不需要再做一份很大的表。 而是先挑這個職位最常發生、出錯後代價最高的三件事，確認六個問題：
- 01
現況
現在事情走到哪裡？
- 02
目的
為什麼要做？最後會影響什麼？
- 03
判斷
哪些情況可以自己決定？
- 04
例外
哪些情況不能照一般流程？
- 05
升級
什麼時候一定要找主管？
- 06
依據
這個判斷以前發生過嗎？紀錄在哪裡？
如果是業務，再多確認三件事：
- 01
客戶現在為什麼還沒買？
- 02
下一步是什麼？
- 03
可能卡關的原因是什麼？
這幾題答完，留下來的東西才開始比「客戶資料在 CRM」有用。 如果有一題答不出來，就寫「待確認」。不要請 AI 自己補。 因為那個空白，很可能就是公司一直沒有講清楚的地方。
02｜但真正要處理的，其實不是交接，是 知識管理系統的建立
如果每次有人離職，公司才開始問： 「你還有什麼經驗沒有寫下來？」 時間點其實已經太晚了。 一個人做了兩年，你不可能期待他在最後兩週突然記得： 半年前為什麼改過一次報價方式。
而且 知識管理不只是把 SOP、簡報、會議紀錄全部放進一個資料夾。 需要特別留意的是：公司每天正在發生的最根本判斷，有沒有留下來？ 這也是我現在會建議公司從日常工作紀錄開始的原因。但不是所謂的流水帳 「今天跟 A 客戶開會。」 「完成 B 專案 80%。」 「寄出三份報價。」 這些系統本來就記得。
真正值得留下來的反而是： A 客戶原本要求降價 10%，談完才發現真正卡的是交期，所以這次沒有再降價，先確認能不能在 10/15 前出貨。 這一段很短。但裡面有客戶需求、有業務判斷，也有最後採取的做法。 半年後換一個人接，他才知道當時到底發生了什麼。
所以發生原本 SOP要怎麼用最快速的速度記錄下來 接下來才讓 AI 去做它很擅長的事。
把每天零散的紀錄整理成：
客戶資訊
客戶對應
報價與商業判斷
價格與為什麼這樣報價
流程例外
為什麼脫離流程
產品問題
客戶對於產品的要求
供應商資訊
供應鏈廠商對應
主管決策
過去經驗對於這案子的其他補充
如果同一個問題一個月出現五次，那可能已經不是例外，而是 SOP 少了一段。
如果三個業務都遇到一樣的客戶問題，那就不應該繼續留在三個人的腦袋裡。
如果某個流程大家已經半年沒有照 SOP 做，那也可以回頭確認，文件是不是早就過期了。
這時候 AI 才不是拿來整理一份漂亮的交接文件。 它是在幫公司把每天發生的事情，一點一點整理成公司的資料。 而這些日常其實很容易從我們所說的經驗流失掉。 這個循環如果平常就在跑，有人離職的時候，交接反而不會變成一個大工程。
因為公司的經驗不是最後4週可以完整彙整累積。
03｜AI 還可以反過來檢查：公司到底漏了什麼
當知識感裡開始有資料之後，我反而不會第一步叫 AI： 「幫我整理成完整交接文件。」
而是找出正在發生的問題交叉點
「目前進行中的商機，有哪些沒有留下下一步？」
「哪些報價有價格，但找不到當時報價的原因？」
「哪些客戶最近持續詢問，但沒有留下購買條件？」
「哪些 SOP 跟最近三個月的實際工作紀錄不一致？」
「哪些結論出現在交接文件裡，但找不到原始依據？」
AI 很適合做人類很懶得做的事：大量比對。 它可以從「具有累積價值的」 CRM、會議紀錄、日常工作紀錄和 SOP 裡，找出互相對不起來的地方。
找到之後，再請真正做過這件事情的人確認。 這就是我覺得 AI 放進 KM 很有用的地方。 不是讓它代替公司做決定。
而是先幫人把：「這裡好像少了一塊。」找出來。
04｜知識管理要接 AI，資料權限要一起處理
這也是為什麼我不太建議公司一開始就說：「我們把全部資料接給 AI。」
因為新人越會 AI，越可能很自然地想： Email 太多？整理一下。 CRM 資料很多？分析一下。 報價散在各處？串起來。 老闆明天要數字？做個 Dashboard。 這些想法都沒有問題。 但公司要先決定四件事：
- 01
資料
哪些可以使用？哪些有個資、機密或合約限制？
- 02
工具
哪些 AI 工具與帳號可以使用？
- 03
權限
誰可以讓 AI 讀 Email、Drive、CRM 或資料庫？
- 04
驗證
AI 做出的分析、報價或客戶回覆，由誰確認？
尤其開始使用 n8n、Make 或 Agent 之後，我們需要留意： 它讀了什麼？ 資料送去哪裡？ 執行紀錄留下什麼？ 誰可以看到？
因為這時候已經不是把一份 Excel 上傳到 ChatGPT 這麼單純。 AI 開始會跨不同系統拿資料。 KM 跟 AI 權限最好一起設計。
不然一邊很努力把公司資料整理好，一邊又不知道這些資料最後被哪些工具讀走，。
決策力是從日常細節累積起來的
我們從8個影響關鍵來看，透過有效的統整過程和系統建立後，會真正建立公司最重要的知識累積
- 01
Capture
還在進行中的商機，有沒有留下真正卡住的原因？
- 02
Context
客戶的下一步、購買條件和原負責人的判斷，有沒有留下？
- 03
Decide
員工知道哪些事情可以自己決定嗎？
- 04
Escalate
什麼情況一定要找主管？
- 05
Collect
重複發生的例外，有沒有變成公司的資料？
- 06
Standardize
SOP 跟大家現在實際做的事情一樣嗎？
- 07
Trace
重要判斷找不找得到當時的原因與紀錄？
- 08
Govern
哪些資料可以交給 AI、哪些不能，有沒有寫清楚？
Email？ LINE？ CRM？ 會議紀錄？ Google Drive？ 還是全部都在某幾個資深員工腦袋裡？
把這些地方找出來，才知道下一步應該收什麼資料、怎麼收，以及最後要整理成什麼公司文件。
「超級 AI 老闆」，一直都不是要老闆追最新的工具。
ChatGPT、Claude、GrokBot 明年一定還會有新的，而且操作只會越來越簡單。 真正需要弄清楚的是：公司現在知道什麼。以及怎麼累積並找出最具價值的決策基準， 這些判斷如果只留在幾個資深員工的腦袋裡，公司每多一個人，就得重新學一次。 AI 最適合做的，是幫公司把這些已經累積下來的經驗找出來，在下一個需要判斷的時候，讓人用得到。 工具會一直換，但公司的判斷，才是應該越用越多、越留越完整的東西。