AI 真的能替人类沉淀所有关键结论吗？

“只要我看到文档是人写的，我肯定批评。”

2026年4月，钉钉 CEO 无招在商界木兰年会上的这句话，把“去文档化”推上了风口浪尖。

不写文档、不做笔记、只准用白板——“三不原则”、AI 原生工作法。

支持者说，这是反形式主义的革命；质疑者说，这是 AI 原教旨主义的过度狂热。

但比起站队，我更想追问一个底层问题：

AI 真的能替人类沉淀所有关键结论吗？

我倾向于认为：不能。

因为有一种东西，本来就不容易被沉淀下来——隐性知识。

一、AI 擅长的，是显性知识

物理化学家迈克尔·波兰尼在 1958 年提出过一句很有名的话：

“我们知道的，远比我们能说出来的多。”

这几乎就是隐性知识（Tacit Knowledge）的定义。

一个老医生看一眼片子，就知道哪里不对劲；

一个产品经理凭直觉觉得某个功能不能这么改；

一个销售能听出客户那句“我们再考虑考虑”到底是真考虑，还是委婉拒绝。

这些东西往往没有被写成文档、画成图表、录进系统。

但它们恰恰是高手和普通人之间的重要差别。

与之相对的是显性知识：那些已经被写成文字、画成图表、录成语音、可以被调用和复用的信息。AI 擅长处理的，主要就是这一类。

问题在于，人类决策中最关键的那部分信息，往往并不完全停留在显性层。

二、AI 只能处理“已经被说出来的东西”

当前所有基于大语言模型的 AI，本质上都在处理已经显性化的数据：文字、语音、图片、结构化记录。它擅长在这些材料中做模式识别、信息提取和概率生成。

这意味着：

AI 能记录的，是你说出来的话、写下来的字、画在白板上的图

AI 处理不了的，是你没说出口的犹豫、你临时咽回去的意见、你多年经验压缩成的一瞬间直觉

举一个职场里很常见的场景。

评审会上，一位资深同事提了几条意见，最后补了一句：

“不过你们按这个做也行，我没意见。”

字面上看，这句话没有问题。

但在场的人往往能听出来，那句“我没意见”里，藏着一种“我其实不同意，但不想继续争了”的保留。

散会之后，你单独和他再聊十分钟，他才把真正担心的两个风险点说出来。

而这些内容，很可能不会出现在 AI 自动生成的会议纪要里。

问题不在于 AI 还不够强。

而在于这类信息本来就依赖情境、关系、语气和时机。你如果不是那个“在场的人”，不是那个“对方愿意多说两句的人”，就拿不到这些信息。

而恰恰是这些信息，常常决定了一个组织最后的判断质量。

三、那如果逼所有人把话都说清楚呢？

这是一种常见反驳：

既然隐性知识之所以成为 AI 的盲区，是因为人没说清楚，那就倒逼大家把一切都显性化、结构化，不就行了吗？

这个想法有一点道理，但远远不够。

第一，有些东西本来就说不清楚。

骑自行车就是一个典型例子。你当然可以用物理学解释平衡原理，但一个骑了十几年车的人，并不需要把它说成方程式。身体会，语言未必会。

这种“身体知道、语言说不清”的知识，是隐性知识最顽固的一部分。它不是态度问题，而是认知结构的问题。

第二，就算能说清楚，成本也很高。

如果要求每个人把所有背景、假设、顾虑和直觉完整展开，结果往往是信息爆炸。一个十分钟能做的判断，可能会被拉长到半小时。组织依赖经验，不只是因为它模糊，也因为它能高密度压缩信息。

第三，不是所有人都擅长把直觉翻译成漂亮的话。

有些很强的技术专家、销售、产品判断者，未必是最会表达的人。如果一条意见只有在“说得特别完整”时才算有效，组织会损失大量高价值信息。

更深的限制是：

很多时候，一个人甚至不知道自己省略了什么。那些背景对他来说像空气一样自然——“这不是默认前提吗？”

你无法要求一个人说出他没有意识到自己知道的东西。

所以，“倒逼显性化”能带来的，更多是浅层改进：

把“尽快完成”改成“本周五前完成”

把“优化用户体验”改成“把登录流程缩短到两秒以内”

这些当然有帮助。

但这解决的是显性表达不清的问题，解决不了隐性知识本身的问题。

如果把“说清楚一切”变成硬要求，最后很可能反而制造出另一种形式主义：

大家为了满足要求，编造出一套看起来完整的伪逻辑；原本有价值但还未成形的直觉，被压制在表达门槛之外。

四、更务实的人机协作：AI 处理显性的，人对隐性的负责

真正高效的人机协作，不该是“AI 取代人类判断”，而应该是：

AI 处理显性的部分，人对隐性的部分负责。

比如在会议场景里，AI 完全可以承担这些工作：

实时转录

提取要点

生成会议纪要初稿

整理待办事项

标出风险点和分歧点

这已经能把大量重复劳动从1 小时压缩到 10 分钟。

但最后那几分钟，仍然必须由人来完成：

这条待办，当事人真的认领了吗？

这个结论只是讨论参考，还是已经被拍板的行动要求？

哪些背景没有被写出来，但其实决定了优先级？

哪些话太敏感，不适合原样留下？

这些判断，AI 很难凭空知道。

因为它们依赖的不是信息量，而是情境理解、责任关系和组织经验。

五、别急着把“理解”交给 AI

无招的激进实验，本质上是一场关于工作方式的压力测试：

我们到底能在多大程度上放弃传统软件和传统流程，把一切交给 AI？

这个问题值得认真讨论。

但我怀疑，很多激进判断都低估了一件事：

机器可以帮助我们更快地记录，但不能替我们真正地理解。

机器负责快，人负责对。

机器负责整理，人负责判断。

机器负责处理显性的部分，人负责那些尚未被说出口、却真正影响决策的部分。

那些藏在沉默里的保留，

那些白板角落里没人展开的小问号，

那些散会后走廊上的几句补充，

那些“我现在还说不太清，但我觉得这里不对”的经验直觉——

这些东西，未必总能被记录下来，

但它们常常才是一个组织真正的判断资产。

AI 可以帮助我们减少形式主义。

但如果因此误以为所有重要信息都能被自动捕捉、自动整理、自动沉淀，那只是从一种形式主义，走向另一种形式主义。

真正值得警惕的，不是文档还该不该写，

而是我们会不会在“效率提升”的兴奋里，过早放弃那些本来就只能由人来完成的理解、辨别和承担。