AI 读得懂资料,读不懂你的体感

最近和朋友聊到一个问题：如果把一家公司的代码、数据、会议纪要、产品决策、复盘文档全部交给 AI，它是不是就能学会这家公司真正的业务能力？

我的直觉是，能学会很多，但学不完。

AI 很擅长读信息层的东西。它能总结文档，抽取规律，复盘动作，甚至把一个人过去的决策拆成看起来很合理的判断框架。

但业务里最麻烦的部分，往往不是那些能写下来的信息。

我当时用了一个很粗糙的类比。

一个人摸到 100 度的杯子，会立刻缩手。AI 可以看见这个动作，也可以知道人的皮肤耐受温度、神经反射、物理热传导。它甚至可以把这些知识讲得比大多数人更完整。

但它真的懂“烫”是什么吗？

在业务里也是一样。

AI 可以读完所有材料，然后在 90% 的常规场景里给出很准的判断。可一件事最后能不能成，有时恰恰是那 10% 的判断决定的。

那 10% 经常不是信息不够，而是体感不够。

比如你为什么觉得这个人能用，另一个人不能用？为什么这个阶段要负责人集中拍板，而不是让团队共同决策？为什么一个有漂亮履历的人反而不适合当下这件苦差事？为什么看起来低效的组织方式，在某个具体阶段反而是唯一能跑通的方式？

这些判断很难被写成一条通用规则。

因为它们背后不是单一事实，而是过往经验、风险感、关系处理、组织阶段、业务约束和个人风格混在一起后的判断。

这就是默会知识。

很多人一听“默会知识”，容易把它理解成玄学，或者某种说不清的高手直觉。

我现在更愿意把它理解成：你经历过足够多具体情境后，身体和大脑一起形成的判断压缩包。

它不是不能复盘。

它可以被事后拆解，可以被部分表达，也可以被训练得更清楚。但它很难在发生之前就完整写成 SOP。

这也是为什么业务里很多真正关键的经验，听课、看资料、问 AI 都只能帮你走一半。

另一半必须来自你自己真的做过、错过、承担过后果。

你只有在一个真实场景里做过选择，才会知道一个方案看起来正确，落下去为什么会变形；一个人简历很好，为什么进来之后可能不匹配；一个流程理论上完整，为什么执行时会被组织惯性吞掉。

这些东西不是资料没有写，而是资料写不完。

这并不意味着 AI 没用。

正相反，AI 会把信息层的能力迅速拉平。

以后“知道很多资料”“能快速整理文档”“会写一份漂亮方案”，都会越来越便宜。真正稀缺的，是你能不能判断资料背后的场景、代价和边界。

我觉得知识工作者接下来要训练三层能力：

第一层，信息层。

这是 AI 最擅长帮你的部分。让它读材料、归纳事实、列方案、补背景、做对比。不要和 AI 比谁记得多。

第二层，体感层。

这是你要刻意留下来的部分。每次做完一个判断，问自己：我为什么这么选？我排除了什么？我当时害怕什么？后来证明哪个判断有效，哪个判断只是运气？

第三层，责任层。

这是 AI 最难替你承担的部分。业务里很多选择没有标准答案，只有后果。谁拍板，谁承担，谁复盘，谁在下一次把经验变成更好的判断。

AI 可以帮你把第一层做得更快。

但第二层和第三层，仍然需要你自己长出来。

以后遇到一个“AI 能不能替代这件事”的问题，可以先问三个问题：

如果答案都是前者，AI 很快会做得很好。

如果答案落在后者，人暂时还不能退场。

但“不能退场”不是安全感。

真正的安全感不是说“AI 永远不懂我”，而是你持续把自己的经验变成可复盘的体感：做过什么判断，为什么这么做，结果如何，下次该怎么修正。

很多人担心 AI 学会所有知识之后，人还剩什么。

我现在的回答是：人剩下的不是知识本身，而是在真实世界里形成判断、承担后果、修正体感的能力。

资料可以被蒸馏。

体感只能被经历出来。