上禮拜去成大跟清大上了 AI Agent Workshop ，在討論常見的 Context 相關問題時，我提到：我在這一年工作中實驗一些 AI 應用時，我個人覺得最常見、也最難解決的瓶頸，是許多人類的知識、規則與判斷，很難完整地說清楚。

舉例來說，一個分析師很擅長寫出獨具洞察的報告，但究竟這種洞察本身怎麼第一次產生出來，一般可能可以給一個框架，讓其他人學習。

但要是分析師本人也說不清楚那些洞察是如何產生的，只知道自己「看得出來」，或是這套框架不能有效被其他人穩定複製。這種能力一旦無法被拆解，就很難被傳承。

而當我們開始嘗試把工作交給 AI，這個差異就會變得非常明顯。

AI 拿得到文件、數據與指令，但很多狀況下缺乏形成這些結果的過程與標準、哪一份資訊具有最高權威，或資深員工會在什麼情況下選擇破例。

面對錯誤、矛盾或缺漏的 Context，除非存在明確的行業標準或普世價值，否則 AI 很難真正知道什麼是對的，只能用它認為最合理的途徑完成任務。

這不禁讓我想起我大四的時候曾經上了一門《數據參謀》，老師讓我們看了「羅輯思維」的其中一集，內容在討論一本叫做《數據之巔》的書。

節目開頭就講了一個故事，說福特汽車曾經有一款車型叫「平托車」，這款車的設計有一個缺陷，就是油箱的位置容易導致後車追尾時油箱爆炸，且這樣的事故真的發生了，受害者把福特告上了法庭。

然後有一個記者出來爆料說：其實管理層知道這個缺陷，且一輛車只要 11 美金就可以改善。

可是管理層算了以後發現，考量事故率、死傷與撞毀的汽車，賠償金大約要花 5000 萬，對比他們生產 1000 多萬輛，每部花 11 美元改善這個缺陷，總共要花 1.4 億美金，因此福特汽車決定不改善這個設計缺陷。

這其中有一個很殘酷的邏輯，就是在這邊的計算中，一條人命值 20 萬美金。

因此，最後福特在輿論上受到重挫，人命是無價的！怎麼可以因為商業利益就不改善這個缺陷呢？

可是站在公司的角度，安全設計是沒有盡頭的，如果人命是無價的，那公司要花無限的成本才能滿足這一條「人命無價」的規則。

後續福特改善了這個缺陷，滿足了 20 英里碰撞測試，但後續有報告出來說，一台車只要再花 15 美金就可以滿足 35 英里的碰撞測試，那請問這筆錢要花嗎？何時到盡頭？

這個故事讓我印象深刻的地方是：「人命無價」雖然是一個重要的價值原則，卻不是一套可以直接執行的決策程序。

如果安全永遠是第一順位，公司是否應該投入無限成本，持續提升每一項安全規格？

其實政府經費分配也是這樣，政府選擇把經費投向防災、醫療還是教育、安全，如果我們往下去拆解其背後的邏輯，都很難繞開「為人命定價」的計算。

只要資源有限，抽象原則最後都必須被轉換成某種標準、門檻、優先順序與責任分配。

數據的作用，就是把這些原本模糊的判斷轉換成可以被執行的規則：我們在降低什麼風險？願意投入多少資源？用什麼指標判斷投入是否有效？

這些規則不一定都要被壓縮成一個數字，但必須明確到其他人能理解、重複與檢驗。

節目的結尾總結：所謂「數據文明」有三個好處：建立標準、促進協作、持續累積與改進。

例如中餐，很多老師傅之所以味道無法傳承、後人無法改進，就是因為沒有把自己的做法轉換成一套標準化的工作流，讓其他人可以複製這樣的做法，甚至控制變因進行改善。

很多組織能力的累積，本質上就是把個人的經驗，逐步轉換成他人可以理解、複製與改進的工具、制度與流程。

講這麼多這期節目的內容（都快變搬運工了哈），說穿了我覺得 AI 應用的瓶頸也是一樣的問題。

過去數據化與標準化的目的，主要是為了讓人與人之間更容易協作；到了 AI 時代，這些標準是否足夠明確，又多了一個新的檢驗方式：AI 能不能根據你提供的資訊，穩定產出符合要求的結果？

如果不能，問題未必只在模型能力，也可能代表人類自己從未把這份工作的判斷方式說清楚。

這裡至少包含兩個層面：

（一）把知識與規則寫下來。未必每一個流程都需要被轉換成數字，但文字、流程、案例與例外條件，必須清楚到 AI 可以穩定執行。 （二）建立衡量 AI 產出的指標。只有知道什麼叫做「做得好」，我們才能判斷一套 AI workflow 哪裡出了問題、應該優先改善什麼。

換個方式說，真正的問題是：我們是否真的理解，這些工作為什麼能被做好？

當我們開始嘗試把工作交給 AI，才會發現許多流程之所以能運作，依賴的並不是清楚的制度，而是少數人的經驗、默契與臨場判斷。

從這個角度看，AI 也許不只是數位轉型的催化劑，也會成為白領工作進一步標準化的催化劑，迫使我們不得不解釋清楚自己是如何工作的。

這個過程也會暴露組織累積的「認知債務」：流程可以運作，卻沒有人能完整解釋它為什麼能運作。

例如關鍵規則可能只存在某些人的腦中、不同部門可能對同一個名詞有不同定義、流程可能長期依賴特定員工補洞、某些指標則早已失去原本的意義，卻仍因為沒有人記得設計初衷而被沿用。

這些問題過去當然也存在，只是人類很擅長利用默契、經驗與臨場判斷，讓一個定義模糊的系統繼續運作。

但 AI 對 Context 的依賴，以及更快的執行與迭代速度，使他沒有能力長期依賴這些看不見的補丁。這些問題被更早且明顯地暴露出來。

AI 未必能立刻解決這些問題，但它會迫使我們把問題攤開來。

從這個角度來看，AI 落地的過程，本質上也是一場組織判斷的形式化工程。

而這或許就是數據文明的下一輪演進：從記錄與量化業務活動，進一步走向整理、保存與改進更高維度的業務判斷。