大模型无法在工业企业落地的另一个原因
第一个原因呢，当然就是众所周知的，大模型能力不行，它就是一个统计模型，有什么资格去教别人或者辅助别人管理企业。它懂个屌毛啊。另一个原因是企业也没有什么数据，对，多数中国企业是没有什么真正的数据的。
你以为的数据：ERP、CRM、OA系统里的数据
AI实际需要的数据：老员工脑子里的经验和“潜规则”。
Anthropic一篇报告总结了问题的关键：
“AI落地的瓶颈不是魔性能力，是企业获取关键信息的能力”
对于我们这些职场打工人来说，这是个好消息：你的经验比你想象的值钱。
如果企业信息化数字化做的好，那ERP中的订单数据、CRM中的客户信息、OA系统的审批流程、各种报表和文档。
但这些都是显性化数据，即：能被明确定义、结构化存储、标准化传输的数据。
Anthropic的报告指出
"Looking across tasks, we see a very stable relationship between how much context API customers provide to Claude and how much Claude actually produces. Across economic tasks, each 1% increase in input length is associated with a less-than-proportional 0.38% increase in output length."
"This elasticity of 0.38 suggests that there are strong diminishing marginal returns in translating longer contextual inputs into longer outputs for these economically useful tasks."报告给出了关键点
"The upshot is that deploying AI for complex tasks might be constrained more by access to information than on underlying model capabilities. Companies that can't effectively gather and organize contextual data may struggle with sophisticated AI deployment."
为什么这个问题的根源在于默会知识，那是因为默会知识有两个重要的特点：
第一：组织默会知识的分散性：
分散的：存在于不同部门、不同层级
非结构化的：以经验、直觉、判断的形式存在
个人化的：深深嵌入在具体员工的认知中
企业没有中央化的“智慧库”，只有中央化的“数据库”。信息孤岛不是技术问题，是认知孤岛。
第二：默会知识的不可编码性
Michael Polanyi说过：“We know more than we can tell”（我们知道的比能说出的更多）。
简单来说，这些默会知识多数是专家的直觉、多年工作经验的判断（销售人员对客户的“感觉”、工程师的“设计直觉”）、以及基于不同情境下对于问题理解。
这些信息都是难以形式化的，就像每个企业的CRM系统都有客户的关系信息、交易信息，但销售总监对这个客户的“感觉”、多年合作中的微妙关系变化以及竞争对手的非公开动作和行业潜规则都是不存在的。
企业真正的核心竞争力恰恰就是在中高层管理者和老员工的脑子里那些让企业能在市场中生存的关键知识。
这些知识无法通过现有的数据采集方式获取，因为它们根本不是“数据”，而是“智慧”。
拥有默会知识的员工反而可能因AI而增值，因为他们掌握着AI无法直接获取的上下文！
斯坦福用2500万人的数据统计了从GPT面世以来的各年龄段员工的就业率：22–25岁在最高暴露职业里，自2022年末至2025年7月就业相对下滑约6%，而35–49岁同时期增长>9%。为什么？
因为年轻人掌握的是显性知识（书本知识、标准流程），这些是AI轻易可以替代的。
而资深员工掌握的是默会知识（经验智慧、情境判断），当前技术和组织结构导致这些知识大模型无法获取到！
https://s3.bmp.ovh/imgs/2025/11/01/4db31864d345edd7.jpg
https://s3.bmp.ovh/imgs/2025/11/01/f3354b268af94f53.jpg
https://s3.bmp.ovh/imgs/2025/11/01/2b64a172b877edce.jpg
https://s3.bmp.ovh/imgs/2025/11/01/a10ba8874577fa2e.jpg
页:
[1]