夜雨聆风视频里我说了一句：做不好AI，九成不是技术问题，是组织没有记忆。
很多老板听完不服气——我花了钱、买了系统、派了人，怎么就成我的问题了？
因为你把AI当工具买，没把它当能力养。
工具买回来插上电就能用。AI不一样。AI是面镜子，你喂它什么知识，它照出什么水平。你公司连知识都没沉淀下来，AI照出来的就是一片空白——它没东西可学。
所以企业AI落地，第一步不是选工具，是盘点知识资产。
一、什么是知识资产
先说清楚，知识资产不是文档库，不是Wiki，不是知识管理系统里堆的那堆文件。
知识资产是企业里那些一旦人走了就带不走的判断标准：
- 老销售决定跟哪个客户、报什么价的那套判断逻辑
- 老工艺师听机器声音就知道哪台要出问题的那套经验阈值
- 老采购判断供应商靠不靠谱的那套验证清单
- 老客服一句话安抚住投诉客户的那套沟通节奏
这些东西的共同点：在企业里产生，但不在企业里留存。它们存在老员工脑子里，人走了，业务就断了。
AI学不到这些，你让它学什么？它学到的只是那些写在文档里的话——而文档里写的，往往是已经被简化、被规范化的结论，判断过程早丢了。
二、三个信号：你的知识资产在不在
视频里给了三个自检信号，这里展开讲：
信号一：核心业务经验在几个人脑子里
判断标准：如果某个岗位换三个人，业务结果明显波动——说明这个岗位的经验没沉淀，靠人带。典型的是销售、客服、工艺。这些岗位的top performer和average performer差距往往在3-5倍，差距全在脑子里那套判断。
信号二：同一个问题每次处理结果不一样
判断标准：拿一个常见业务场景，问三个不同的人怎么处理。如果三个答案差异大，说明没有标准——不是没人写，是判断标准本身就模糊，每个人靠自己的经验补全。
信号三：上了系统没人用
判断标准：系统上线半年，活跃率低于30%——不是系统不好，是没人知道在哪个环节用、用的时候该输入什么、判断标准是什么。系统是壳，知识是肉，没肉的壳没人用。
但凡占一个，上什么AI都是浪费。 因为AI需要的是结构化的、可学的判断标准，你的判断标准根本没出来。
三、怎么盘点知识资产（方法论展开）
企业AI方法论五步法里，第一步是「发现问题」，但发现问题之前有个隐含动作：盘点你有什么。
盘点分三层：
第一层：业务流程盘点
不是画流程图那种盘点（那个大多公司都有，画完就锁柜子里了）。是找流程里的判断节点——哪个环节需要人做判断？判断的依据是什么？判断对错怎么衡量？
比如采购流程，审批是判断节点，但真正有价值的判断节点是「这个供应商该不该合作」——这个判断怎么做的？问老采购，他会跟你说「看这家过去三年的交付记录、看老板的稳定性、看他们在行业里的口碑」——这些判断标准写下来了吗 ？十家有九家没写。
第二层：经验萃取
判断节点找出来后，做经验萃取。方法不复杂：
- 找top performer，让他复盘最近三个case
- 问：你当时怎么判断的？依据是什么？什么信号让你决定这么做？
- 把他的判断逻辑拆成「输入信息→判断规则→输出动作」三段式
- 让他验证：这个规则换你来执行，结果差多少？
萃取出来的东西就是知识资产的雏形。它不完美，但它把「脑子里」变成了「纸面上」。
第三层：结构化存档
存档不是扔进Wiki。是按AI能学的格式存——结构化的判断规则、配套的案例、明确的边界条件。这块内容比较多，后续会单独写一篇展开。
四、盘完之后呢
盘完知识资产，你才知道AI该干什么。
- 哪些判断已经结构化了 → AI可以接管（自动化判断）
- 哪些判断半结构化 → AI可以辅助（给出建议，人来拍板）
- 哪些判断完全没结构 → AI帮不上，先做经验萃取
这就是为什么说先盘点再上AI——不是AI先来适配你的业务，是你的业务先得适配AI能消化的格式。
很多人把顺序搞反了：先买AI，再想着怎么把业务喂给它。结果喂进去的是一堆没结构化的文档，AI自信地给你错的答案——空知识库=自信地犯错。
我不教你怎么做。我只说一个观察：那些AI落地有效的企业，无一例外，都是先把知识资产盘点这件事做扎实的。那些AI落不了地的，问题也无一例外，出在「没人把判断标准写下来」。
先把这一步做了，再谈AI。