前两天看到一条资讯，说的是某制造企业把老师傅十五年的质检经验，通过一套录制系统喂给了AI模型。三个月后，新来的实习生拿着平板对着工件拍张照，AI就能给出和老师傅几乎一致的判断——有没有裂纹、公差是否超标、能不能放行。

效率提升是真的。培训周期从两年压缩到两周也是真的。

但没人问过老师傅的感受。

一个在某个领域泡了十五年才沉淀出来的判断力，现在被一个录制按钮和三个月的实习期就复现了。这件事在技术圈被当成"AI赋能传统行业"的成功案例来讲，但如果你换一个角度看，它指向了一个更深层的问题：当经验可以被一键提取，"教会徒弟"这件事的底层逻辑变了。

被压缩的不是知识，是积累过程

过去，专家的价值不只在于"知道答案"，而在于"知道为什么"。一个资深工程师看一眼日志就能定位问题，不是因为背过所有错误码，而是因为他踩过足够多的坑，知道什么条件下会出什么问题。这种判断力很难通过文档传递，只能在实战中一点一点磨出来。

这就是所谓的隐性知识——说不清道不明，但在关键时刻值千金。

AI改变了这个传递路径。不需要师徒制，不需要十年磨一剑，只要给模型足够多的决策记录，它就能在极短时间内提取出模式。而且它不吃饭、不离职、不需要情绪管理。

对组织来说，这是效率革命。但对专家个人来说，这件事的性质完全不同：你花了十几年积累的东西，被一次性"提取"了。而且这个提取过程给你的回报，可能只有一次项目奖金。

隐性知识的贬值速度超乎想象

更要命的是，这种提取一旦发生，就不可逆。

以前的隐性知识之所以值钱，因为它是稀缺的。只有少数人掌握了某个领域的核心判断力，组织离不开他们。但现在，如果AI模型能覆盖80%的判断场景，专家的议价能力就急剧下降。

你不再是"不可替代"的，你是"大部分时候可以被替代"的。

这还引出了一个更深的问题：如果经验可以被快速提取和替代，那还有人愿意花十年去积累吗？当一个新人发现花五年掌握的技能，AI五天就能学会，他还有动力去深耕吗？

这才是知识压缩最危险的地方——它可能摧毁人才培养的生态。专家之所以是专家，不只是因为他知道答案，更因为他知道什么条件下答案会失效、什么假设不成立、什么边界条件不能跨越。如果没人愿意走这条路，未来的专家从哪里来？

组织欠了专家一笔账

很多公司在推AI知识提取项目时，忽略了一个根本性的问题：经验的所有权归谁？

传统雇佣关系下，公司倾向于认为员工在职期间积累的经验属于公司。AI只是加速了提取过程，本质上没变。

但员工不这么想。那些隐性知识是你加班到凌晨、救火无数、半夜爬起来oncall才沉淀出来的。现在公司说"我们帮你把经验数字化"，听起来像是在帮你，实际上是在把你的核心竞争力从你脑子里搬到服务器里。

更现实的问题是：教会机器的人，得到了什么？

在很多案例里，答案是——什么也没有。甚至，他们可能加速了自己的被替代。当经验被模型覆盖后，专家的谈判筹码大幅缩水。这不是未来才会发生的事，是正在发生的现实。

该讨论的不是要不要做，是怎么做

AI提取专家知识这件事不会停下来，趋势不可逆。真正值得讨论的是：怎么在提取的同时，让专家持续被激励？

我见过的一个比较好的模式是：让专家从"被提取者"变成"训练者"和"审核者"。AI提取的模型需要持续校准，需要有人评估输出质量，需要有人处理边界情况。让专家承担这些角色，既保留了他们的价值，也让组织的AI系统持续进化。

但大多数公司只做了第一步——提取、部署、然后开始讨论headcount优化。短期看财报好看了，长期看，那些真正理解业务边界条件的人走了，留下的AI模型会越来越难应对真实世界的复杂性。

回到开头那个质检的例子。AI确实能学会老师傅80%的判断，但剩下那20%——那些AI见过不够多、训练数据覆盖不到的异常场景——恰恰是最值钱的部分。而这部分的载体，就是那些你刚刚"提取"完的专家。

23秒能学会判断，但学不会理解。真正的判断力不只是知道答案，更是知道为什么。理解这个东西，目前还没有任何模型能做到。

如果你的组织正在做AI知识提取项目，在庆祝效率提升之前，先想清楚一件事：教会机器的那个人，明天还愿意留下来吗？