在所有成熟的公司里，其实都同时存在着两个世界。一个是麻瓜世界——它由文档、流程图、Slack 频道、SOP 手册、季度报告和权限管理系统构成。这个世界是可见的、可搜索的、可审计的。新员工入职那天拿到的那本《员工手册》描绘的就是这个世界：每件事都有标准答案，每个问题都有负责人，每个流程都可以被画成一张清晰的泳道图。另一个是魔法世界。它存在于那些你无法在任何文档里找到的东西里——比如一位资深销售第一次见到某个客户时，凭气氛判断”这单今年签不成”的直觉；比如一位做了十五年供应链的老员工，在采购会议上突然说”这家供应商下个月会出问题”，然后三周后真的出问题的那种能力；比如某个产品经理总能在一份看起来无懈可击的需求文档里一眼看出”这里面少了什么”，但如果你问他具体少了什么，他会皱皱眉说，”说不上来，就是感觉不对”。这个世界的居民从不认为自己是巫师。他们只是”干了很多年”、”见过这种情况”、”有点感觉”。但正是这个世界在真正支撑着大部分公司的日常运转。长期以来，管理学只研究麻瓜世界。关于魔法世界，最诚实的一句描述来自 1966 年的一位哲学家——迈克尔·波兰尼（Michael Polanyi）在那一年写下：**”我们所知道的，远多于我们所能言说的。”**（*We know more than we can tell.*）半个多世纪过去了。如今，全球企业正以前所未有的规模向人工智能投入资本，试图构建一个”永不遗忘的智慧组织”。这场投入的底层假设是：只要把公司所有的数据喂给足够强大的模型，公司的智慧就会被完整地复制下来、延续下去。但这个假设有一个被系统性忽略的漏洞——**他们喂给 AI 的，只是麻瓜世界的数据。**
换一种说法：公司数据库里存着结果，但不存着得到结果的那条路径。存着一份报价单，但不存着那个销售为什么最终给到这个价格而不是另一个价格的心理博弈。存着一份代码提交记录，但不存着那位工程师当时为什么选择这个架构、放弃了另外两个看起来更合理的方案。存着一份拒绝了某家供应商的邮件，但不存着那位采购在收到邮件之前的那个电话里，从对方语气中听出的那种说不出为什么但”就是不对劲”的感觉。这些被抽掉的东西有一个统一的名字，叫做——上下文（context）。上下文不是数据，不是信息，不是知识本身。上下文是**让一条数据之所以成为那条数据的前因后果、场景、判断链条和未被说出口的假设**。上下文是魔法世界的空气。它不可被提取、不可被结构化地存储、不可被 SELECT 语句查询。它只存在于那个做出判断的人的大脑里，并且只在他做出判断的那一个瞬间短暂地成型。当一位资深员工离职的时候，他带走的核心资产不是他记得的那些事实，而是他赋予这些事实以意义的那套上下文系统。他走之后，那些事实还在数据库里，但它们失去了灵魂——它们变成了一堆无法被解释的结果，一堆没有”为什么”的”是什么”。当 AI 被接入这样的数据时，它接触到的是一个上下文已经坍塌的世界。它看到的每一条记录都像一张没有作者、没有日期、没有标注缘由的老照片——你知道这件事发生过，但你不知道它为什么发生、在什么情境下发生、发生的那一刻当事人在想什么。这就是为什么再先进的大模型，接入再干净的企业数据库之后，给出的答案依然让业务部门觉得”形式上对，但实质上空”。它能准确地复述公司过去五年所有的销售数据，但它说不出”为什么 2023 年 Q2 那个客户突然冷下来“；它能流畅地总结一百份项目复盘文档，但它答不出”为什么这几个项目当年都没能上线”；它能列出所有供应商的评级和合同条款，但它无法告诉你”其中哪一家，是老采购总监一直在心里标记为’下次别再合作’的”。AI 并不是不够聪明。AI 只是在一片没有上下文的废墟上工作。Gartner 的那句警告——”如果数据存在问题，那么这些数据就根本没有为 AI 做好准备”——其实需要被重新翻译一下。真正准确的翻译是：如果数据失去了上下文，它就永远不会为 AI 做好准备——无论你在它身上花多少钱。而上下文的坍塌，是一场已经发生的事情。它发生在每一次资深员工离职的时候，发生在每一次”安静辞职”悄悄展开的时候，发生在每一段重要对话只存在于 Slack 的消息记录然后被 90 天清理策略删掉的时候，发生在每一个”大家都懂所以没必要写下来”的判断被时间掩埋的时候。企业一直以为自己在积累数据。但它们实际上做的事情，是一边生产数据、一边以更快的速度丢失给这些数据赋予意义的那套系统。AI 项目的 60% 失败率、80% 失败率、20% 亚太地区直接数据失败率——这些数字从不同角度测量的，其实是同一件事：麻瓜世界的基础设施，正在试图运行一个只有在魔法世界里才说得通的任务。
### 四 · 中国的加速度与它的阴影
在全球这场与上下文坍塌的赛跑中，有一个国家跑得最快。根据 IDC 的数据，中国的数字化转型以 17.4% 的年均复合增长率领跑全球。仅 2024 年上半年，中国”模型即服务”（MaaS）的市场规模就增长到 25 亿元人民币，IDC 预测其到 2028 年的复合年增长率将达到 64.8%。包含中国在内的亚太地区，生成式 AI 的企业采纳率已经达到 45%，比欧洲领先 45% 到 70% 个百分点。这些数字意味着一件事——**在 AI 落地这件事上，中国选择了一条跨越式的路径**。它没有像欧洲那样被历史悠久的 IT 遗留系统拖住，也没有像美国那样在算力军备竞赛里进行缓慢的内部改造。它直接越过了传统数字化的几个阶段，一步跨进了云原生和大模型的时代。这种加速度是真实的，也是被大量资本、政策和企业家信心共同推动的。但它有一个隐藏在阴影里的代价——**跨越式的速度，也意味着跨越式地面对那些更成熟经济体已经开始发现、却还没有来得及解决的问题**。其中最核心的一个问题，就是上下文的坍塌。IDC 的另一份调研显示，76.5% 的亚太地区企业承认，他们对自己 AI 架构的安全态势、风险治理和合规性”缺乏信心”。这个数字表面上讲的是安全，但在底层逻辑上，它讲的依然是那件事——**当企业把不完整的上下文喂给 AI，AI 做出的每一个决策都带有不可知的风险**。斯坦福大学 2025 年的《AI 指数报告》里提到一个叫”传染性越狱”（infectious jailbreaks）的现象——在多智能体系统中，只要一个恶意的对抗性数据片段被注入到某一个 AI 的记忆里，这种有害行为就能在没有人类干预的情况下，像病毒一样在互联的智能体之间传播。而这种传播之所以成为可能，正是因为 AI 之间交换的信息，从来都不带有它最需要的那部分——**”为什么”和”在什么情境下”**。这不是中国独有的问题，但它在中国的表现格外尖锐。原因是——大部分中国企业的资深员工，并没有经历过长达几十年的知识管理基础设施建设。美国和欧洲的大公司在上世纪九十年代就开始尝试建立正式的知识管理系统，虽然大部分都失败了，但至少留下了一些制度性的习惯：技术文档、代码注释、项目复盘、离职交接的流程。而中国大部分公司的成长速度远快于制度建设的速度——**一家公司从 50 人涨到 5000 人，可能只需要三到五年**。在这样的速度里，所有的知识传递都发生在即时通讯工具、紧急会议、微信语音、以及那些永远写不完但其实没人读的周报里。也就是说，**中国企业的魔法世界，比大部分国家都要庞大，而它的麻瓜世界基础设施，反而更加薄弱**。这就是为什么那组全球 AI 失败率的数据，在中国语境下会以一种加倍尖锐的形式呈现。当 80% 的 AI 项目注定失败，当 60% 的 AI 项目将因缺乏”AI 就绪数据”而被主动放弃——中国企业的处境不是更好，而是更严峻。因为它们要在一个上下文从未被系统化记录的环境里，去搭建一个假设上下文已经被完整捕捉的系统。这是一个速度与深度的错位。或者用另一种说法：**我们造好了最快的车，但这辆车要在一片从未被完整绘制过的地图上行驶**。而在这个错位变得致命之前，有一件事必须被提前完成——那就是，**把魔法世界里那些从未被书写过的东西，以某种方式书写下来**。接下来要谈的，就是这件事本身。
### 五 · 显化：把不可言说的变成可被检索的
“隐性知识”这个概念自 1966 年波兰尼提出以来，长期停留在哲学与管理学的讨论里，而没有真正进入企业的日常工程实践。原因很简单——**它不可被编码**。你不能用 SQL 去 SELECT 一个销售的直觉，不能在 CRM 的字段里存一位工程师的第六感，不能在 Excel 的某一列里填入”这个客户’感觉不对'”的那种感觉。整整半个多世纪，企业面对隐性知识时，只有一种策略——**依赖人**。依赖那个有经验的人还在公司里，依赖他愿意带徒弟，依赖新人有足够的时间泡在他身边，依赖这种泡的结果能够自然地长出新的直觉。这套策略在工业时代是可行的，因为人的流动相对缓慢，一个资深工程师可能在同一家工厂工作四十年，退休前有足够的时间带出两三个接班人。但在当代——在资深员工平均任职三到五年就离职、在银发海啸即将夺走一整代专业人才的时代——这套策略已经彻底崩溃。转折点发生在 2022 年之后。真正的变化不是大语言模型本身，而是**围绕大模型形成的一整套新的基础设施**——这套基础设施让”隐性知识的显化”在历史上第一次成为一件工程上可操作的事情。这套基础设施有几个核心部件：向量数据库（Vector Database）——传统数据库只能存储结构化的字段：姓名、日期、金额、类别。向量数据库可以存储”语义”——把一段非结构化的文字、一段对话、一份日志、一张图片，转化成一个高维向量，然后可以按**”意思上的相似度”**来检索。这意味着，一位老采购总监在过去十年里收发的所有邮件、做过的所有会议笔记、留下的所有 Slack 评论，可以第一次作为一个**”语义的整体”**被系统存放——而不是作为一堆零散的文件。语义嵌入与数据分块（Embedding & Chunking）——这是让向量数据库工作的底层技术。它把一个资深员工多年累积的判断痕迹，切分成可以被 AI 理解的语义单元，然后在这些单元之间建立起”意思上的联系”。这种技术的意义不在于它有多复杂，而在于**它第一次让”意思”这种东西，变成了可被计算的对象**。检索增强生成（Retrieval-Augmented Generation，RAG）——这是让大模型真正能在企业里工作的那个关键机制。大模型本身只知道它被训练时见过的那些通用知识，对你公司内部的具体情境一无所知。RAG 做的事情是——**让 AI 在每次回答之前，先去企业自己的向量知识库里翻一下相关的记忆，然后基于那些记忆来组织答案**。这相当于给 AI 装上了一本属于这家公司的”咒语书”，让它在回答任何问题之前，先去查一下这家公司过去十年做过、说过、想过什么。代理型 AI（Agentic AI）——这是最新的、也是最有哲学意味的一层。Agentic AI 不再被动等待员工提问，而是主动观察员工的日常工作——他在系统里点击了什么、面对异常时先看了哪份数据、做决策前咨询了谁、最终选择了哪条路径——然后在这些观察里，**一点一点地学出那个员工的判断模式**。制造业已经开始用这种方式来捕捉资深工人的隐性知识，在他退休之前，让 AI 默默完成一次”隐性到显性的翻译”。—如果我们把这几个部件放在一起看，就会发现它们其实在完成同一件事——把那些过去只能活在一个具体的人身上的东西，第一次变成一种可以被组织存放、检索、调用的东西。这件事值得有一个名字。我愿意把它叫做——隐性知识显化工程。之所以说它是一项”工程”而不是一种”技术”，是因为它不是某个工具、某个模型、某个平台可以单独完成的事情。它是一整套需要被系统设计的流程——包括识别哪些员工身上藏着关键的 deep smarts、设计怎样的交互机制让这些知识得以被 AI 默默捕获、建立怎样的向量架构去存放这些知识、以及——或许是最难的——建立怎样的文化，让资深员工愿意在离开之前把自己的判断留下来。它也不只是一项”AI 工程”。它是一场**组织层面对”什么算知识”的重新定义**。过去五十年，企业对知识的定义被局限在麻瓜世界——能被写下的、能被归档的、能被 KPI 考核的东西。而隐性知识显化工程做的事情，是**把魔法世界从企业的盲区里接回来**——承认那些过去被视为”说不清”、”凭感觉”、”老师傅才懂”的东西，其实才是公司真正的核心资产，而且这些资产现在第一次有了可被保存的形式。这里面有一个必须被诚实面对的限制。Dorothy Leonard 在她的研究里反复强调——deep smarts 永远不可能被完全地复制。即使是最先进的向量数据库、最精巧的 RAG 架构、最敏锐的 Agentic AI，也无法真正地把一个人几十年的经验 1:1 地搬到机器里。总有一部分东西会在翻译中丢失，就像诗歌在翻译中会丢失韵律。但这不是放弃显化工程的理由。相反，它定义了这项工程真正的目标——不是完整复制，而是尽可能减少丢失。在过去的世界里，一位资深员工离开时，他身上的知识有多少百分比被公司留住？答案近乎残酷：**几乎 0%**。所有被留下的东西都是麻瓜世界的档案——简历、工作记录、离职交接文档、一场礼貌的欢送仪式。魔法世界的那 80%，在他关上办公室门的那一刻，永久地从组织里消失。而隐性知识显化工程想做的事情——即使它只能捕捉到那 80% 中的 20%，那也已经是一场**认识论意义上的革命**。因为这是人类历史上第一次，组织拥有了**主动对抗遗忘的工具**。这项工程的真正意义，或许并不在于它能让 AI 变得多么聪明。它的意义在于——它让一家公司，第一次有可能记住它自己。
### 尾声 · 说明书依然在被书写
回到那个已经在前面出现过的画面。一位资深员工在某个星期五下午，收拾好办公桌上最后几件私人物品，和几位同事合了影，交还工牌，走进电梯。电梯门合上之前，他笑了一下。公司的财务系统不会记录这一刻发生了什么。HR 系统会把他标记为”已离职”，他的邮箱将在 90 天后被回收，他的文档权限会在夜里被自动撤销。这本该是故事的结束。但在一个已经开始部署隐性知识显化工程的组织里，这个画面会有一点点不一样。在他走进电梯之前的那几个月里，他每天的工作轨迹——他处理过的每一个异常、他在会议里说过的每一句带着经验重量的话、他在邮件里那些不经意的判断——都被一个他几乎没有察觉的系统默默地观察、分块、嵌入、向量化。他离开时带走的依然是他自己，但他留下的，不再仅仅是一堆静态的文档。他留下的，是一份更接近他的轮廓的东西。这份东西不是他。它永远不可能是他。它依然会漏掉他最精微的那些判断，依然会在面对真正陌生的情境时露出笨拙。它甚至可能会在某些瞬间，给出和他本人完全相反的答案。但它是一份被书写下来的说明书——一份过去半个世纪里，从未被任何组织真正拥有过的东西。—人类对”遗忘”的对抗，有一个极其漫长的历史。从巴比伦的泥板、从埃及的莎草纸、从中世纪修道院里僧侣一笔一笔抄写的经文、从古腾堡的活字印刷、从图书馆的卡片索引、从每一次档案技术的进步——我们这个物种一直在尝试把”活过的经验”从一个人的头脑里迁移出来，放进一个更稳定的载体里，好让它在人离开之后依然能够存在。大部分时候，我们迁移出去的只是麻瓜世界的东西——事实、日期、法令、食谱、账目。魔法世界的东西——那些”说不清但就是知道”的判断、那些”感觉不对”的瞬间、那些”一眼看出问题”的能力——从来没有真正被迁移过。它们只能通过师徒相传，通过一个人陪着另一个人走过足够长的时间，才能完成一次极其缓慢的复制。我们现在所处的这个时间点，或许是人类历史上第一次，这种迁移在工程意义上变得**可能**。不是完美的，不是无损的，但**可能**。这件事本身，比任何具体的 AI 产品、任何具体的市场规模、任何具体的投资回报率，都要更值得被认真对待。—全球企业的 AI 投资会继续以每年数千亿美元的规模涌出。80% 的项目会失败。60% 的项目会在 2026 年之前被主动放弃。315 亿美元的知识损耗会在财富 500 强的隐形账本上继续滚动。银发海啸会带走那一代最懂魔法的人。但这些数字，其实都是同一件事的不同侧面——**在一个上下文尚未被显化的世界里，技术的投入注定无法转化为组织的智慧**。而真正的解法，不在于更大的模型、更多的算力、更贵的咨询顾问。真正的解法在于一个更安静、也更困难的动作——**把一家公司过去从未书写过的那本说明书，开始书写下来。**这本说明书不会在某一天被写完。它可能永远不会被写完。但从它开始被书写的那一刻起，一家公司与它自己的关系——和一家公司与 AI 的关系——就彻底不同了。在那一刻之后，AI 第一次不再是一个需要被不断喂养的黑箱，而成为一个**协助组织记住自己**的共同作者。—魔法世界一直都在那里。只是长久以来，麻瓜世界假装它不存在。—本文的研究材料来自 Gemini Deep Research 的一次输出——数据、结构、论证的骨架都是它提供的。原始报告在阅读原文链接*但”魔法世界与麻瓜世界”这个框架不在那份报告里。它是我读完报告之后，在某个毫无征兆的瞬间冒出来的。我不知道它从哪里来。我只知道，如果没有这个框架，那份报告就还是一份报告；有了它，它才变成了一篇文章。**这大概就是本文全部论点的一次活体演示。*—*本文写作于 2026 年 4 月，基于 Gemini Deep Research（2026 年 4 月）与 Claude 的协作。比喻与调性来自作者。*
夜雨聆风
