人工智能在企业环境中的应用正进入新阶段。最新研究表明,决定成功的关键因素已不再是计算资源的强大程度,而是企业从员工身上提取并形式化隐性知识的能力——那些经过多年积累却很少被记录在文档中的实践技能和直觉判断。
这一概念可追溯至哲学家迈克尔·波兰尼及其“我们知道的比能说出的更多”原则,如今正获得实践意义。通用AI模型在拥有大量开放数据和明确验证标准的领域确实表现惊人。然而,在那些公司内部背景和专家判断至关重要的任务中,仅凭书面指令远远不够。这种情况让人联想到20世纪初工程师弗雷德里克·泰勒试图系统化工厂工人经验的做法——只不过现在的工具不再是秒表,而是神经网络。
桥水基金:基于专家数据微调模型
一个典型例子是桥水基金AIA实验室与Thinking Machines Lab于6月30日联合发布的研究。团队测试了领先的AI模型(包括Claude Opus 4.6、4.8、Gemini 3.1 Pro、GPT-5.4和GPT-5.5)在六项金融任务上的表现,包括新闻分析和央行文档解读。使用标准指令时,模型准确率在45.6%至50.1%之间波动。然而,在应用桥水基金专家设计的提示词后,准确率飙升至74.3%至78.2%。
关键突破出现在微调阶段:基于桥水基金专家标注数据训练的Qwen3-235B模型,平均准确率达到84.7%。据开发者计算,与最佳通用模型相比,错误率降低了29.8%,任务处理成本下降了13.8倍。这种被称为“差异化智能”的方法,旨在针对特定组织的具体流程和需求定制独立模型。
福特:召回老员工训练AI
另一个鲜明案例是福特的策略。过去三年,这家汽车制造商雇佣、晋升或重新聘用了约350名经验丰富的技术专家。他们的任务是检查设计、识别潜在故障、培训年轻工程师,以及——尤为重要的是——参与改进自动化质量控制工具。福特硬件开发副总裁查尔斯·庞明确表示:“人工智能是出色的工具,但其效果完全取决于用于训练的信息质量。”公司承认,此前未能系统性地保存资深工程师的知识,导致部分专家在经验完全融入内部流程之前就已离开福特。
我的分析:我们正目睹企业AI战略的根本性转变。公司不再追逐越来越强大的通用模型,而是开始意识到真正的价值蕴藏于自身数据和专业知识之中。那些能够有效“数字化”员工隐性知识的企业,将获得持久的竞争优势。这不仅是技术趋势——更是对人工智能时代人力资本角色的重新思考。