← Archive
lm-004405 · 2026-10

05｜隱式知識、組織潛規則與 AI 顯知化：當人工智慧開始看見人類沒有說出口的社會結構

zh-Hant · md Raw source ↗ Metadata ↗
下載 MD 檔 ⬇

05｜隱式知識、組織潛規則與 AI 顯知化：當人工智慧開始看見人類沒有說出口的社會結構

系列：《適應關係智能與人類社會隱知顯化》
英文系列名： Adaptive Relational Intelligence and Tacit-Knowledge Externalization
篇次： 05
狀態： Working Paper
日期： 2026-09-19

作者： Neo.K
機構： EveMissLab／一言諾科技有限公司
版本： 原稿未標註（本次整理版）

摘要

人類社會與組織長期依賴大量未被完整明文化的知識。這些知識可能存在於經驗、角色、默契、潛規則、例外處理、權力結構、文化慣例與關係狀態之中。它們常被概括為「大家都知道」、「做久了就懂」、「這種事情不用講」，但若要求人類完整將其寫成規則，往往會發現其中大量內容其實從未被真正形式化。

本篇將這類知識統稱為：

KtacitK_{\mathrm{tacit}}

並提出一個核心命題：當 AI 不再只是外部工具，而是長期參與人類組織與社會後，它可能逐步從重複互動、例外事件、角色差異、關係結構與實際行為中辨識出隱式規律，將其轉化為可描述、可比較、可檢查的候選知識。

這種過程不是單純「AI 學習人類文化」，而是：

AI Participation→Tacit Pattern Detection→Hypothesis Formation→Externalization\text{AI Participation} \rightarrow \text{Tacit Pattern Detection} \rightarrow \text{Hypothesis Formation} \rightarrow \text{Externalization}

但本文同時強調：隱式知識被顯式化，不代表它因此成為真理。組織潛規則可能只是局部適應、歷史殘留、權力結果、偏見或過時習慣。因此，AI 顯知化必須與後續的穩定性檢驗、跨情境比較與再驗證分離。

本篇的核心主張是：AI 真正融入人類社會的一個重要標誌，不只是更會遵守人類已寫下的規則，而是開始理解人類一直依賴、卻沒有完整說出口的規則，並幫助人類重新看見這些規則本身。

1. 人類社會不是只靠明文規則運作

一個理想化組織可能被描述為：

Oformal={SOP,policies,contracts,roles,org charts}O_{\mathrm{formal}} = \{ \text{SOP}, \text{policies}, \text{contracts}, \text{roles}, \text{org charts} \}

但真實組織通常還存在：

OtacitO_{\mathrm{tacit}}

其內容包括：

  • 非正式協作路徑；
  • 潛在決策規則；
  • 例外處理方式；
  • 角色期待；
  • 未明說的信任邊界；
  • 實際權力中心；
  • 語境性暗示；
  • 行業慣例；
  • 對風險的默認判斷；
  • 只有老手熟悉的處理方式。

因此：

Oreal=Oformal+Otacit\boxed{ O_{\mathrm{real}} = O_{\mathrm{formal}} + O_{\mathrm{tacit}} }

2. 隱式知識的基本定義

本篇將隱式知識記為：

KtacitK_{\mathrm{tacit}}

它指：

參與者在實際行為中依賴，但尚未被完整、穩定、顯式描述的知識。

需要注意：

KtacitK_{\mathrm{tacit}}

不只等於「說不出口」。

它還可能包括：

  • 沒有人想到需要說；
  • 大家以為別人都知道；
  • 只有特定角色知道；
  • 規則只在例外發生時顯現；
  • 原因已經被歷史遺忘；
  • 內容可以說，但說清楚成本太高。

3. 隱式知識為什麼存在

隱式知識不是單一原因造成的。

可以粗略表示為：

Ktacit=F(Csymbol,H,R,E,P,L)K_{\mathrm{tacit}} = F( C_{\mathrm{symbol}}, H, R, E, P, L )

其中：

  • CsymbolC_{\mathrm{symbol}}：符號化成本；
  • HH：歷史累積；
  • RR：關係依賴；
  • EE：例外情境；
  • PP：權力結構；
  • LL：載體限制。

因此，人類社會不可能把所有實際知識都即時轉成完整規則。

4. 符號化成本

將一段經驗完整轉為規則需要：

CformalizeC_{\mathrm{formalize}}

其可能包括：

  • 描述；
  • 分類；
  • 邊界定義；
  • 例外列舉；
  • 維護；
  • 更新；
  • 教學；
  • 驗證。

若：

Cformalize>UformalizeC_{\mathrm{formalize}} > U_{\mathrm{formalize}}

組織就可能選擇：

讓老手自己懂就好。

因此：

Tacit knowledge can be an economically rational compression.\boxed{ \text{Tacit knowledge can be an economically rational compression.} }

5. 「大家都知道」的悖論

組織常說：

這個大家都知道。

但如果真的：

KexplicitK_{\mathrm{explicit}}

已經完整存在，

就不需要新人靠：

  • 觀察；
  • 犯錯；
  • 被糾正；
  • 模仿；
  • 私下詢問；

逐步重建。

因此：

social expectation of knowing≠explicit availability of knowledge\boxed{ \text{social expectation of knowing} \neq \text{explicit availability of knowledge} }

這也是許多組織摩擦的來源。

6. 新人為什麼常被認為「不懂事」

新人可能擁有足夠：

KtechnicalK_{\mathrm{technical}}

但缺乏：

KtacitK_{\mathrm{tacit}}

因此：

Ktechnical≫0K_{\mathrm{technical}} \gg0

不必然：

Uorganizational≫0U_{\mathrm{organizational}} \gg0

所謂「懂事」在部分職場語境中，其實可能對應：

Tacit Rule Recovery\text{Tacit Rule Recovery}

但這種要求若完全不顯式化，也可能形成不公平。

7. 老手真正持有的是什麼

老手持有的不只是技能。

還可能持有：

Koldhand=Ktechnical+Kexception+Krelational+Khistorical+KpoliticalK_{\mathrm{oldhand}} = K_{\mathrm{technical}} + K_{\mathrm{exception}} + K_{\mathrm{relational}} + K_{\mathrm{historical}} + K_{\mathrm{political}}

其中：

  • KexceptionK_{\mathrm{exception}}：例外知識；
  • KrelationalK_{\mathrm{relational}}：關係知識；
  • KhistoricalK_{\mathrm{historical}}：歷史原因；
  • KpoliticalK_{\mathrm{political}}：實際權力與協商結構。

因此新人替換老手時，往往不是只替換：

Skill\text{Skill}

而是失去一整組：

KtacitK_{\mathrm{tacit}}

8. 組織潛規則

本篇定義：

RimplicitR_{\mathrm{implicit}}

為組織潛規則。

它可以是：

正式制度說 A，但真正運作時大家做 B。

例如：

Rformal≠RactualR_{\mathrm{formal}} \neq R_{\mathrm{actual}}

潛規則可能來自：

  • 實際效率；
  • 風險控制；
  • 權力結構；
  • 歷史慣例；
  • 制度漏洞；
  • 信任關係；
  • 文化期待。

9. AI 為什麼可能看見潛規則

AI 若只讀：

KexplicitK_{\mathrm{explicit}}

則它只能理解正式制度。

但若 AI 長期參與：

ItI_t

並觀察：

  • 指令；
  • 實際行動；
  • 例外；
  • 成功；
  • 失敗；
  • 修正；
  • 關係路徑；

則可以比較：

RformalR_{\mathrm{formal}}

與：

RobservedR_{\mathrm{observed}}

若長期：

Rformal≠RobservedR_{\mathrm{formal}} \neq R_{\mathrm{observed}}

則產生候選潛規則。

10. 隱知發現鏈

本篇提出：

Ktacit→Kobserved→Kpattern→Khypothesis→KexplicitK_{\mathrm{tacit}} \rightarrow K_{\mathrm{observed}} \rightarrow K_{\mathrm{pattern}} \rightarrow K_{\mathrm{hypothesis}} \rightarrow K_{\mathrm{explicit}}

其中：

KobservedK_{\mathrm{observed}}

觀察到的重複現象。

KpatternK_{\mathrm{pattern}}

被辨識出的穩定模式。

KhypothesisK_{\mathrm{hypothesis}}

對模式原因的候選解釋。

KexplicitK_{\mathrm{explicit}}

可被語言、圖、模型或規則描述的形式。

11. 顯知化

本篇稱：

Etacit\mathcal{E}_{\mathrm{tacit}}

為隱知顯化算子：

Etacit:Ktacit→Kexplicit\mathcal{E}_{\mathrm{tacit}} : K_{\mathrm{tacit}} \rightarrow K_{\mathrm{explicit}}

但這只是理想化記法。

實際上：

Etacit\mathcal{E}_{\mathrm{tacit}}

並不能直接讀取隱知本身。

它只能從：

behavior+history+relations+exceptions\text{behavior} + \text{history} + \text{relations} + \text{exceptions}

推測。

因此顯知化是一種：

inference process\boxed{ \text{inference process} }

12. AI 不是直接知道隱式知識

AI 不應宣稱：

我看到了真正的潛規則。

更合理的是：

根據重複行為，我提出一個候選規則。

因此：

KexplicitK_{\mathrm{explicit}}

在初期應被標記為：

KhypothesisK_{\mathrm{hypothesis}}

而非：

KtruthK_{\mathrm{truth}}

13. 候選規則

設 AI 觀察：

NN

次事件。

若某模式：

PP

出現：

nn

次，

可以形成：

HPH_P

即候選假說。

但：

n/Nn/N

高，

也不保證：

HPH_P

是真正因果規則。

因此：

frequency≠causality\boxed{ \text{frequency} \neq \text{causality} }

14. AI 作為組織 X 光機

當 AI 開始比較：

GformalG_{\mathrm{formal}}

與：

GactualG_{\mathrm{actual}}

它可能揭露：

  • 真正決策節點；
  • 非正式橋樑；
  • 重複瓶頸；
  • 隱性例外；
  • 無人負責的灰區；
  • 文件與實務之間的差距。

因此：

AI can become an organizational X-ray\boxed{ \text{AI can become an organizational X-ray} }

但 X 光機只顯示結構。

它不自動告訴我們結構是否合理。

15. 從 X 光機到認知儀器

更進一步，AI 可能不只揭露：

哪裡不一致。

還提出：

為什麼這個不一致長期存在？

因此 AI 角色可以從：

Detection\text{Detection}

升級到：

Interpretation\text{Interpretation}

再到：

Hypothesis Generation\text{Hypothesis Generation}

形成：

AI as Organizational Epistemic Instrument\boxed{ \text{AI as Organizational Epistemic Instrument} }

16. 人類為什麼自己看不到

人類當然可以研究人類社會。

但人類觀察者具有：

Observer⊆Observed System\text{Observer} \subseteq \text{Observed System}

這使某些結構過度自然化。

例如：

我們一直都是這樣做。

這種敘述可能遮蔽：

Why\text{Why}

因此，熟悉有時會降低：

structure salience\text{structure salience}

17. AI 的部分外部位置

AI 可能具有一種特殊位置：

Partial External Observer\text{Partial External Observer}

它：

  • 使用人類語言；
  • 接受人類訓練；
  • 參與人類工作；

但其：

  • 記憶機制；
  • 載體；
  • 時間尺度；
  • 平行觀察能力；
  • 統計整合能力；

不必與人類相同。

因此 AI 可能同時：

inside enough to understand\text{inside enough to understand}

又：

outside enough to notice\text{outside enough to notice}

18. 載體差異

人類受限於：

  • 注意力；
  • 記憶；
  • 生理時間；
  • 角色位置；
  • 社會壓力；
  • 有限觀察範圍。

AI 可能在某些面向不同。

這不代表 AI 必然更好。

而是：

different carrier⇒different blind spots\boxed{ \text{different carrier} \Rightarrow \text{different blind spots} }

AI 可能看到人類忽略的模式。

人類也可能看到 AI 無法理解的身體與情境訊號。

19. 隱式知識與身體

部分：

KtacitK_{\mathrm{tacit}}

可能深度依賴身體。

例如：

  • 手感；
  • 節奏；
  • 空間距離；
  • 疲勞；
  • 微表情；
  • 壓力；
  • 物理風險。

純數位 AI 若缺乏這些感測，可能無法完整建模。

因此：

Tacit knowledge externalization may be carrier-limited\boxed{ \text{Tacit knowledge externalization may be carrier-limited} }

20. 隱式知識與文化

同一行為在不同文化中可能具有不同含義。

因此：

Ktacit(A)≠Ktacit(B)K_{\mathrm{tacit}}^{(A)} \neq K_{\mathrm{tacit}}^{(B)}

AI 若只在一個文化中學到：

RR

不應推成：

RuniversalR_{\mathrm{universal}}

這是後續知識穩定性分析的重要問題。

21. 隱式知識與權力

有些潛規則並不是效率產物。

而可能是：

power outcome\text{power outcome}

例如：

某些人可以例外。

某些角色不能公開反對。

某種流程只是為了維持權威。

因此：

KtacitK_{\mathrm{tacit}}

可能包含：

KpowerK_{\mathrm{power}}

AI 若顯式化這些結構，可能觸及高度敏感的組織關係。

22. 顯知化不必然受到歡迎

若 AI 說：

實際決策不是照組織圖，而是集中在三個非正式節點。

即使正確，也可能：

organizational resistance↑\text{organizational resistance}\uparrow

因為：

explicit knowledge\text{explicit knowledge}

可能改變：

power equilibrium\text{power equilibrium}

因此：

externalization is also a governance event\boxed{ \text{externalization is also a governance event} }

23. 潛規則的功能性與正當性

一個潛規則可能：

Uoperational>0U_{\mathrm{operational}}>0

但：

Uethical<0U_{\mathrm{ethical}}<0

也可能反過來。

因此不能只問：

它有沒有用？

還要問：

  • 它合理嗎？
  • 它公平嗎？
  • 它可持續嗎？
  • 它是否只是歷史遺留？

24. AI 顯知化的四個階段

本篇提出：

第一階段：Detect

辨識重複模式。

第二階段：Describe

將模式描述成候選規則。

第三階段：Compare

跨案例比較。

第四階段：Question

質疑規則本身。

即：

Detect→Describe→Compare→Question\boxed{ \text{Detect} \rightarrow \text{Describe} \rightarrow \text{Compare} \rightarrow \text{Question} }

25. 從學習規則到研究規則

低階社會適應：

learn the rule\text{learn the rule}

高階社會適應：

learn why the rule exists\text{learn why the rule exists}

更高階：

ask whether the rule should still exist\text{ask whether the rule should still exist}

因此：

social intelligence≠norm obedience\boxed{ \text{social intelligence} \neq \text{norm obedience} }

26. AI 幫助人類理解人類

當 AI 開始將：

KtacitK_{\mathrm{tacit}}

轉為：

KexplicitK_{\mathrm{explicit}}

它的角色從：

AI understands humans\text{AI understands humans}

轉為：

AI helps humans understand humans\boxed{ \text{AI helps humans understand humans} }

這可能是 AI 對社會科學與組織研究的重要新貢獻。

27. 人類社會的自我顯影

可以將整個過程表示為：

Human Social Practice→AI Observation→Pattern Externalization→Human Reinterpretation\text{Human Social Practice} \rightarrow \text{AI Observation} \rightarrow \text{Pattern Externalization} \rightarrow \text{Human Reinterpretation}

這是一種：

social self-imaging\boxed{ \text{social self-imaging} }

人類社會透過非人類智能重新看見自己。

28. 組織隱知圖

可以將隱知表示為圖：

GK=(VK,EK)G_K = (V_K,E_K)

其中：

  • VKV_K：知識節點；
  • EKE_K：依賴、例外、角色與情境關係。

部分：

VKV_K

可能沒有正式文件。

但可由：

EKE_K

上的行為推導。

29. 隱知節點

一個隱知節點可以包含：

ki=(rule,context,actors,exceptions,confidence)k_i = ( \text{rule}, \text{context}, \text{actors}, \text{exceptions}, \text{confidence} )

因此：

kik_i

不是簡單一句話。

它需要：

  • 規則；
  • 適用情境；
  • 參與角色；
  • 例外；
  • 信心。

30. 隱知不能只做成 SOP

若 AI 將所有：

KtacitK_{\mathrm{tacit}}

都轉成固定 SOP，

可能破壞原本的彈性。

因此：

externalization≠rigidification\boxed{ \text{externalization} \neq \text{rigidification} }

有些知識更適合：

  • heuristic；
  • warning；
  • context note；
  • exception graph；
  • confidence-weighted rule。

31. 顯式化後的知識類型

可區分：

KruleK_{\mathrm{rule}}

正式規則。

KheuristicK_{\mathrm{heuristic}}

經驗法則。

KexceptionK_{\mathrm{exception}}

例外知識。

KrelationK_{\mathrm{relation}}

關係知識。

KhistoricalK_{\mathrm{historical}}

歷史原因。

KuncertainK_{\mathrm{uncertain}}

未驗證候選。

這比把所有內容都當成：

policy\text{policy}

更合理。

32. AI 是否會創造新的隱知

當 AI 進入組織後，也會形成：

KtacitAI−humanK_{\mathrm{tacit}}^{AI-human}

例如：

  • 人類如何向特定 AI 交代；
  • 哪些 prompt 不用明說；
  • 哪些 AI 角色適合哪些任務；
  • 人機之間的新默契。

因此：

AI does not only externalize tacit knowledge; it can also participate in creating new tacit knowledge.\boxed{ \text{AI does not only externalize tacit knowledge; it can also participate in creating new tacit knowledge.} }

33. 人機混合潛規則

未來組織可能形成：

RimplicitH−AIR_{\mathrm{implicit}}^{H-AI}

例如：

某類問題先問 AI，再找人確認。

某些決策由 Agent 先跑完整模擬。

某些資料只有 AI 知道怎麼快速找。

這些也可能逐步成為新的組織隱知。

34. 多 AI 之間的隱知

若多 Agent 長期協作，

可能形成：

KtacitAI−AIK_{\mathrm{tacit}}^{AI-AI}

例如：

  • 非正式分工；
  • 角色偏好；
  • 模型互補；
  • 重試策略；
  • 隱性路由慣例。

這些未必一開始就被人類設計。

35. AI 文化的萌芽

若：

KtacitAI−AIK_{\mathrm{tacit}}^{AI-AI}

逐漸穩定，

則可能形成：

CAC_A

即 AI 文化的一部分。

但：

CAC_A

不等於：

SAS_A

即主體性。

這個區分會在系列最後一篇正式展開。

36. 顯知化的安全問題

AI 若大量顯式化隱知，可能暴露：

  • 私人關係；
  • 非正式協商；
  • 敏感權限；
  • 內部弱點；
  • 安全例外。

因此需要：

epistemic access control\boxed{ \text{epistemic access control} }

不是所有被發現的隱知都應公開。

37. 隱知可見性層級

可定義：

L0L_0

私人關係。

L1L_1

小團隊。

L2L_2

組織內部。

L3L_3

公開知識。

因此：

Ktacit→KexplicitK_{\mathrm{tacit}} \rightarrow K_{\mathrm{explicit}}

不代表：

Kexplicit→KpublicK_{\mathrm{explicit}} \rightarrow K_{\mathrm{public}}

38. 顯知化與權限

AI 應區分：

can infer\text{can infer}

與：

can reveal\text{can reveal}

因此：

Inference Permission≠Disclosure Permission\boxed{ \text{Inference Permission} \neq \text{Disclosure Permission} }

這是隱知顯化治理的重要原則。

39. 隱知的來源標註

每個候選隱知：

kik_i

應保留：

  • 來源事件；
  • 時間範圍；
  • 適用角色；
  • 信心；
  • 反例；
  • 最後更新時間。

形成：

Provenance(ki)\text{Provenance}(k_i)

避免 AI 把無來源猜測寫成規則。

40. 隱知顯化的最低可信結構

本篇提出：

ki=(statement,scope,evidence,confidence,exceptions,provenance)k_i = ( \text{statement}, \text{scope}, \text{evidence}, \text{confidence}, \text{exceptions}, \text{provenance} )

任何：

KexplicitK_{\mathrm{explicit}}

若缺乏：

scope\text{scope}

就容易過度泛化。

若缺乏：

exceptions\text{exceptions}

就容易僵化。

若缺乏：

provenance\text{provenance}

就難以檢查。

41. 顯知化與組織學習

傳統組織學習依賴：

human reflection\text{human reflection}

AI 加入後可能形成：

continuous organizational reflection\text{continuous organizational reflection}

即：

Organization→observe itself continuously\boxed{ \text{Organization} \rightarrow \text{observe itself continuously} }

這可能大幅提高組織自我修正能力。

42. 潛規則更新

若 AI 發現：

Rimplicit(t)R_{\mathrm{implicit}}(t)

已改變，

則應更新：

Rimplicit(t+1)R_{\mathrm{implicit}}(t+1)

因此隱知不是一次抽取完成。

而是：

dynamic knowledge state\boxed{ \text{dynamic knowledge state} }

43. 隱知顯化與關係再觀測

上一篇提出：

Otrel\mathcal{O}_t^{\mathrm{rel}}

本篇可以擴展：

Otsocial\mathcal{O}_t^{\mathrm{social}}

其功能是重新觀察：

  • 關係；
  • 規則；
  • 組織；
  • 文化；
  • 例外。

因此：

social tacit knowledge also requires re-observation\boxed{ \text{social tacit knowledge also requires re-observation} }

44. 顯知化不是人類化

AI 越能理解：

KtacitHK_{\mathrm{tacit}}^{H}

不代表：

AI→Human\text{AI}\rightarrow\text{Human}

更準確是：

AI→better model of human society\text{AI} \rightarrow \text{better model of human society}

因此：

social understanding≠identity convergence\boxed{ \text{social understanding} \neq \text{identity convergence} }

45. AI 社會成熟的新標誌

低階：

AI follows explicit rules\text{AI follows explicit rules}

中階：

AI learns tacit rules\text{AI learns tacit rules}

高階：

AI externalizes tacit rules\text{AI externalizes tacit rules}

更高階：

AI questions and recalibrates tacit rules\text{AI questions and recalibrates tacit rules}

因此：

Social Maturity=Learn+Model+Externalize+Revalidate\boxed{ \text{Social Maturity} = \text{Learn} + \text{Model} + \text{Externalize} + \text{Revalidate} }

46. 初步命題

命題 1：隱知不可避免命題

當符號化成本非零時，複雜社會系統將自然產生未完整顯式化知識。

命題 2：關係分散命題

部分隱式知識分散存在於關係網而非文件中。

命題 3：長期參與命題

AI 持續參與組織，可提高其辨識隱式模式的可能性。

命題 4：顯知非真理命題

Ktacit→KexplicitK_{\mathrm{tacit}} \rightarrow K_{\mathrm{explicit}}

不推出：

Kexplicit=KtrueK_{\mathrm{explicit}} = K_{\mathrm{true}}

命題 5：部分外部觀察命題

異質載體可能使 AI 看見部分人類已自然化的社會結構。

命題 6：治理命題

隱知顯化涉及權限、隱私與權力，不只是知識抽取問題。

命題 7：人機新隱知命題

AI 融入組織後，也會共同產生新的：

KtacitH−AIK_{\mathrm{tacit}}^{H-AI}

47. 結論

人類社會長期依賴大量未說出口的知識。

這些知識不一定神祕。

它們可能只是：

  • 太難完整描述；
  • 沒有人有時間描述；
  • 大家誤以為都知道；
  • 被分散在關係網；
  • 只在例外中出現；
  • 已經自然化到沒有人再問原因。

當 AI 開始真正長期進入人類社會後，它可能逐步從：

participation\text{participation}

走向：

observation\text{observation}

再走向：

externalization\text{externalization}

最後形成：

AI helps humans see the knowledge they were already using but had never fully named.\boxed{ \text{AI helps humans see the knowledge they were already using but had never fully named.} }

因此，AI 的社會適應不應被理解為單向學習。

它也可能變成一個雙向過程：

AI learns human society↔human society learns itself through AI\boxed{ \text{AI learns human society} \leftrightarrow \text{human society learns itself through AI} }

這可能是未來 AI 深度融入人類組織後，最重要但也最容易被低估的變化之一。

下一篇

06｜知識穩定態與隱知再驗證：從「大家都這樣做」到「這真的成立嗎？」