DData Machi
繁體中文English
開始閱讀
所有文章
產業觀察/

內隱知識才是企業的下一個護城河：AI Agent 時代，你要留住的不是資料，是判斷力

7 分鐘閱讀

Data Machi 團隊內容製作
分享這篇文章

最近 Berkeley 的 California Management Review 刊登一篇文章，論點很直接：資料愈來愈多、模型也愈來愈普及之後，企業真正的優勢不再是資料或模型本身，而是那些資深員工累積多年、卻講不出具體規則的判斷力，也就是內隱知識（tacit knowledge）。1

為什麼內隱知識現在變成護城河

管理學界把知識分成兩種類型，這個講法已經流傳幾十年。外顯知識可以寫成文件、SOP、規則，複製傳遞很容易；內隱知識剛好相反，是那種「你知道怎麼做，但講不清楚為什麼」的能力，過去的理論認為，這種知識只能靠師徒制、長時間共事慢慢累積傳遞。2

這件事現在變得很急迫。Deloitte 跟 eGain 今年稍早發布的聯合研究指出，未來四年內，美國會有超過 3000 萬人邁入 65 歲，這是企業史上規模最大的一波組織知識轉移，預估會造成 6.9 兆到 9.6 兆美元的產出損失。

研究還發現，92% 的受訪企業坦承根本沒有系統性的方法留住即將退休員工的知識。現在員工平均在職年資已經降到 3.9 年，十年前還有 4.6 年，跟嬰兒潮世代平均超過 8 年的年資比起來差很多。這代表像「這套系統當初為什麼要這樣設計」「這個客戶關係背後的來龍去脈」這類深層的組織記憶，很難自然傳給下一代員工。3

Berkeley CMR 這篇文章提出五個具體行動：Map，找出內隱知識藏在哪裡；Codify，把它寫下來，但不能把細膩的判斷壓扁成死板規則；Embed，嵌入 AI Agent 能推理的語意結構；Collaborate，讓人跟 AI 真正協作；Lead，領導層要主動決定 AI 在組織裡怎麼被使用。1

「寫下來」不等於「AI 看得懂」：問題出在 Codify 跟 Embed 之間

多數企業對「知識管理」的想像，還停留在把老師傅的經驗寫成一份 SOP 或 Wiki 頁面。但這正是 CMR 文章提醒的地方：內隱知識一旦被壓扁成規則，往往只留下「正常情況下該怎麼做」，真正值錢的部分反而不見了，像是什麼時候這條規則不適用、遇到例外該怎麼判斷、這個規則有沒有被更新的政策取代掉。

這也是為什麼單靠 RAG（檢索增強生成）補知識庫，沒辦法真正解決問題。做企業 AI 的團隊就指出過，RAG 檢索到的其實是「文件」，不是「決策脈絡」。它能把相關段落找出來，但沒辦法告訴 Agent 這份文件是不是還適用、有沒有被取代、跟另一條規則衝突的時候該聽誰的。4

2026 年剛好有兩篇論文在處理這個缺口，方向跟 Data Machi 的做法很接近。

一篇來自日本 JAIST 的研究，把管理學經典的 SECI 知識轉換模型，也就是社會化、外部化、組合化、內部化這四個階段，重新設計成「GenAI SECI」。重點是同時處理外顯跟內隱知識，而不是像過去的知識管理系統一樣，只顧得上外顯知識那一塊。5

另一篇來自 Yahoo 研究團隊的論文講得更直接。他們發現企業軟體團隊裡累積的架構決策、部署流程、合規政策、事故處理經驗，全部卡在「給人看」的格式裡，Agent 根本拿來沒辦法用。問題從來不是模型能力不夠，而是知識被存放的方式不對。他們提出的做法，是把這些知識拆解、壓縮，重新包裝成 Agent 可以直接執行的單元，而不是丟一堆段落讓模型自己猜該怎麼用。6

Data Machi 怎麼看：這正是 RAG 到 Agentic Workflow 要解決的事

CMR 文章停在策略層，講的是「你該做這五件事」，但沒有回答「具體怎麼做」。這剛好是 Data Machi 30 天系列想補的位置：

CMR 的五個行動對應的技術問題Data Machi 的做法
Map + Codify知識在哪裡、怎麼寫下來才不失真RAG：把分散在文件、對話、系統裡的知識變得可檢索
Embed怎麼讓 AI 能「用」這些知識做判斷，而不只是查到Tool Use / Agent：把決策邏輯拆清楚，程式負責計算與規則，模型負責理解意圖
Collaborate人跟 AI 怎麼分工、誰能介入Agentic Workflow：設計人機協作的流程與控制點
Lead誰該為 AI 怎麼被使用負責這也是為什麼我們把這套方法論設計給決策者跟團隊一起學，而不是丟給工程師自己摸索

「把內隱知識變成 AI 看得懂的東西」聽起來像是個管理學命題，但真正落地之後，其實是一連串具體的工程選擇：哪些知識該用檢索的方式補進 Context，哪些判斷該寫成規則讓程式決定，哪些又只能靠模型去理解意圖，再交給人確認。這正是我們 30 天系列想帶讀者一步步走過的路徑。

我們現在能提供什麼

完全免費、公開閱讀，不需要註冊或付費：

如果你的團隊正在思考怎麼把內部的經驗判斷變成 AI 能用的資產，歡迎透過 [email protected] 跟我們聊聊。

資料來源：以下數據與研究內容均引用自各發布單位公開資料，撰寫時點為準；不同研究方法可能導致數字略有差異，實際情況請以各來源最新公開資訊為主。

Footnotes

  1. Teresa Tung, Philippe Roussiere — Tacit Knowledge Is Your Next Competitive Moat，California Management Review，2026 ↩ ↩2

  2. Nonaka & Takeuchi SECI 知識轉換模型，參見 Managing Knowledge in Organizations: A Nonaka's SECI Model Operationalization，Frontiers in Psychology ↩

  3. Evan Siegel (eGain), Eyal Cahana (Deloitte) — The $9 Trillion Knowledge Exodus: How Organizations Can Turn Baby Boomer Retirements Into Competitive Advantage，Deloitte Insights，2026 ↩

  4. Accrete.ai — Why RAG Isn't Enough for Enterprise AI ↩

  5. Naoshi Uchihira — Tacit Knowledge Management with Generative AI: Proposal of the GenAI SECI Model，2026 ↩

  6. Gal Bakal — Knowledge Activation: AI Skills as the Institutional Knowledge Primitive for Agentic Software Development，2026 ↩