AI 知識萃取的盲點：公司以為買下知識庫，其實只拍了一張照片
你萃得走他昨天的位置，萃不走他明天的速度
最近越來越常聽到一種說法：有了 AI，關鍵人才好像沒那麼難取代了 — — 只要把那個人現在做的事「萃取」成一支 SKILL，產出就能以相同品質延續。人員大量流動時，這念頭更是甚囂塵上，彷彿只要養一支 AI Team，公司就能照常運轉。
我總覺得這裡有偏誤。它混淆了兩件事：一個是「他做了什麼」，一個是「他為什麼那樣做」。前者看得見、寫得下、萃得走；後者 — — 他怎麼判斷方向、怎麼盤點手上的資源、怎麼在資訊不全時押一把 — — 才是公司真正付錢買的東西。AI 萃得走前者，萃不走後者。
哈佛商學院 2026 年那篇《Cyborgs, Centaurs and Self-Automators》把這件事講得很準：人跟 AI 的協作，說到底是在回答兩個問題 — — 誰決定要做什麼，誰決定要怎麼做。研究追蹤 244 名 BCG 顧問，發現在真實工作裡，那些「守住問題定義、只把有邊界的步驟交給 AI」的 Centaur，商業建議的正確率是三種模式裡最高的。關鍵不在用不用 AI，在於誰還握著方向盤。
萃取，萃到的是存量，不是流量
先把最關鍵的區分講清楚。
AI 萃取的是存量：一個人昨天為止知道的一切、做過的每條流程、可查表的每條知識。但人才的價值是流量：他明天還會長出來的新判斷、新解法、新的「這次不一樣」。存量是位置，流量是速度。老闆以為用 AI 買斷了一座知識庫，其實只拍了一張照片 — — 照片不會跟著市場、客戶、對手一起變，人會。
而且要命的是：存量會過期，過期的速度還在加快。
這裡得誠實一點，話才不會說過頭。判斷不是完全萃取不出來 — — 你確實可以把一個人昨天的判斷寫成文件、拆成規則，那正是所有 SOP、決策紀錄在做的事。真正的問題是：萃取永遠落後於一個移動中的目標。你拍得下他昨天的判斷，他今天又更新了。你萃走的是位置，萃不走那個「持續往前」的導數。
所以分水嶺不是「萃不萃得出來」，是這個位置的環境動不動：
- 流程穩定、規則明確、環境不太動的工作 — — 萃取就是正解，AI 接手甚至更穩，別浪費一個人在這。
- 判斷密集、環境每天在變的位置 — — 你以為萃取後省下一個人，其實是拔掉了系統裡唯一會自我更新的那顆零件。
換句話說，在 AI 進入商業場域的今天：可萃取的（程序、流程、可查表的知識）硬技能持續貶值；不可萃取的（判斷、品味、關係、能動性）軟實力反而升值。下面四個支柱，就是後者的四種樣貌。
判斷力：AI 出錯的那一刻，你認得出來嗎？
2023 年哈佛商學院和 BCG 那篇後來被反覆引用的實驗（HBS Working Paper 24–013），讓 758 名顧問在真實任務裡使用 GPT-4。結果不是「用了 AI 一起變強」這麼單純，而是浮現出一條他們稱為 「鋸齒狀前緣」（jagged frontier） 的能力邊界 — — 有些任務 AI 輕鬆勝任，有些看起來難度相近的，它卻整個做不來。
落在邊界之內，用 AI 的人完成量多 12%、速度快 25%、品質被評高四成；但一旦題目落在邊界之外，用 AI 的人得出正確解的機率，反而比完全不用的人低了約 19%。
問題就在這：那條邊界不會亮燈告訴你「我到了」。你得自己認得出「這題可以交給它、那題交了會出事」，還要能驗證它給的答案信不信得過。這件事寫不進任何一支 SKILL — — 它是一種對邊界的直覺，由思考模式、經驗、品味長年綜合出來，得用時間換。前面那篇 Centaur 研究其實補上了同一個結論：正確率最高的人，不是最會用 AI 的，是最知道「什麼時候不該把方向交出去」的。
你萃得走一個人昨天怎麼做，萃不走他撞上新問題時，那一下「這裡不對」的遲疑。
品味：當生成變便宜，選擇就變貴
想像一個場景：你要一張主視覺，AI 一秒給你二十個版本，每一個單獨看都「很不錯」。接下來的十分鐘，決定成敗的不是生成，是你能不能一眼指出哪一個是對的 — — 不是最漂亮的，是最對的。
那「一眼」是什麼？它是一個被壓縮過的判別器。一個人之所以有品味，是因為他過去看過、做過、被打槍過成千上萬個版本，每一次「這個成、那個不成」的回饋，都被熬進一種幾乎不經大腦的直覺。所以品味最麻煩的特性是：它是前語言的 — — 你常常說不出為什麼，但你就是知道是這一個。而一個連本人都完整講不出來的東西，你要怎麼把它寫進一支 SKILL？萃取的前提是「說得出來」，品味恰好活在說不出來的地方。
AI 給不了這個，不是因為它看得不夠多 — — 它看過的比誰都多 — — 而是因為它被訓練成「回歸平均」。它給你的是所有人看過的東西的中位數：安全、能用、像模像樣。但品味的價值，正好是知道「這個場合，中位數剛好是錯的」 — — 是那個對的偏離。AI 負責把選項拉到及格線，品味負責知道及格線在這裡不夠。
而且品味有很大一部分，其實是否決權。二十個版本裡砍掉十九個，靠的不是「生成」而是「拒絕」；AI 的預設動作是「再給你一個」，稀缺的動作是「這些都不要」。當生成變得幾乎免費，會生成的人到處都是，敢說「不對，重來」而且說得準的人，才是瓶頸。
華頓商學院教授 Ethan Mollick（《Co-Intelligence 共同智能》作者）把這個轉變講得很清楚：AI 從「我們指揮的工具」變成「近乎魔法的存在」後，人的角色正在從「流程的執行者」變成 「產出的鑑賞家」（connoisseurs of output rather than process）。他點出的新素養裡最關鍵的一層是：知道何時該召喚 AI、何時該與它協作、何時該完全不用它。這本身就是品味判斷。
還有一件事讓品味站在對的一邊：它是四種能力裡，唯一越用越利的。判斷會累、關係會斷、能動性會被磨平，品味卻每多看一個好東西、每多砍一次爛版本就更準一點 — — 它不是會過期的存量，它本身就是流量。
品味不是判斷的同義詞。判斷偏邏輯，講得出理由；品味偏在「好」還沒出現之前，就先認得出它的質感，而且往往講不出理由。AI 負責把選項變多，品味負責把選項變對。當生成變得廉價，「選擇」就成了稀缺品。
關係：讓一群人「以某種方式一起運轉」的能力
Google 內部研究 Project Aristotle 分析了逾 180 個團隊，想找出高效團隊的共同點。結論打破直覺：決定表現的，不是成員多聰明、多資深、個性如何，而是團隊「怎麼一起工作」。其中最關鍵的一項是「心理安全感」 — — 成員敢冒人際風險、敢發問、敢承認錯誤、敢提出異見而不怕被羞辱。心理安全感高的團隊，成員更不易離職、更能整合彼此的多元想法、帶進更多營收，被主管評為高效的機率是其他人的兩倍。
MIT 人類動力學實驗室主任 Alex “Sandy” Pentland 把這件事量化到更誇張（《哈佛商業評論》2012 年 4 月號〈The New Science of Building Great Teams〉）：研究團隊讓約 2,500 名跨產業成員配戴可穿戴感測器，連續數週蒐集社交行為。結果驚人地一致 — — 「溝通模式」是團隊成敗最重要的單一預測因子，其重要性等同於智力、個性、才能等所有其他因素的總和。研究者甚至不必見到成員本人，光看溝通資料就能預測哪些團隊會勝出。
你能讓一群人以某種方式一起運轉 — — 這種製造良性互動的能力，是關係資本裡最不可萃取、也最難複製的一種。它不在任何一個人身上，在人與人之間。
能動性：自己找事，而不是被叫才動
最後一層，是性格底色。
回到那篇 Centaur 研究，它其實也照出了反面：有 27% 的顧問是「Self-Automator」 — — 把整段工作直接丟給 AI，幾乎不迭代、不批判，研究稱之為「棄權式的知識共創」（abdicated knowledge co-creation）。他們不是不會用 AI，是把思考外包了出去。
微軟 2026 年的 Work Trend Index（訪談 10 國、2 萬名 AI 使用者）則照出正面：最進階的那群「Frontier Professionals」，有 80% 說自己正在產出一年前根本做不出來的成果。差別不在工具，在心態 — — 他們用 AI 放大自己，而不是讓自己被 AI 代勞，並且親手對結果負責。
能動性低的人，就算具備前面所有技能，也只在被要求時才啟動；能動性高的人，是自己找事、自己定義問題。這正是萃取不走、也裝不進系統的性格底色。
所以，別想著萃取，想著留住
這四層 — — 邏輯思維（判斷力）、歷練積累（品味）、社會網絡（關係）、人格特質（能動性） — — 金庸小說早就講過：強大的武器要配強大的心法，才能事半功倍。差別在於，武器可以複製，心法只能養。
而這件事最終是管理層的責任，不是工具的責任。微軟那份報告點出一個很少人談的數字：AI 帶來的真實影響，有 67% 取決於管理層能控制的因素 — — 文化、主管、人才制度 — — 而不是工具本身或個人技能。換句話說，護城河從來不在 AI，在你有沒有把那幾個「心法還在持續更新」的人留住、並讓他們敢更新。
所以真正該問的，不是「這個人能不能被萃取成一支 SKILL」，而是：
如果他明天離職，我們失去的是一份存量，還是一台還在運轉的更新機器？
答案是後者的，別想著萃取 — — 想著怎麼留住。
參考資料
- Dell’Acqua, F., McFowland III, E., Mollick, E., Lifshitz-Assaf, H., Kellogg, K., et al. (2023). Navigating the Jagged Technological Frontier. HBS Working Paper 24–013 / Organization Science. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4573321
- Randazzo, S., Lifshitz-Assaf, H., Kellogg, K., Dell’Acqua, F., Mollick, E., Candelon, F., Lakhani, K. (2026). Cyborgs, Centaurs and Self-Automators. HBS Working Paper 26–036. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4921696
- Mollick, E. Co-Intelligence: Living and Working with AI.
- Google re:Work, Project Aristotle. https://rework.withgoogle.com
- Pentland, A. (2012). The New Science of Building Great Teams. Harvard Business Review, April 2012. https://hbr.org/2012/04/the-new-science-of-building-great-teams
- Microsoft (2026). 2026 Work Trend Index Annual Report. https://www.microsoft.com/en-us/worklab/work-trend-index/agents-human-agency-and-the-opportunity-for-every-organization