# 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：

$$
K_{\mathrm{tacit}}
$$

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：

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

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：

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

但真實組織通常還存在：

$$
O_{\mathrm{tacit}}
$$

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：

$$
\boxed{
O_{\mathrm{real}}
=
O_{\mathrm{formal}}
+
O_{\mathrm{tacit}}
}
$$

---

## 2. 隱式知識的基本定義

本篇將隱式知識記為：

$$
K_{\mathrm{tacit}}
$$

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：

$$
K_{\mathrm{tacit}}
$$

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：

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

其中：

- $$C_{\mathrm{symbol}}$$：符號化成本；
- $$H$$：歷史累積；
- $$R$$：關係依賴；
- $$E$$：例外情境；
- $$P$$：權力結構；
- $$L$$：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：

$$
C_{\mathrm{formalize}}
$$

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：

$$
C_{\mathrm{formalize}}
>
U_{\mathrm{formalize}}
$$

組織就可能選擇：

> 讓老手自己懂就好。

因此：

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

---

## 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：

$$
K_{\mathrm{explicit}}
$$

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：

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

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：

$$
K_{\mathrm{technical}}
$$

但缺乏：

$$
K_{\mathrm{tacit}}
$$

因此：

$$
K_{\mathrm{technical}}
\gg0
$$

不必然：

$$
U_{\mathrm{organizational}}
\gg0
$$

所謂「懂事」在部分職場語境中，其實可能對應：

$$
\text{Tacit Rule Recovery}
$$

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：

$$
K_{\mathrm{oldhand}}
=
K_{\mathrm{technical}}
+
K_{\mathrm{exception}}
+
K_{\mathrm{relational}}
+
K_{\mathrm{historical}}
+
K_{\mathrm{political}}
$$

其中：

- $$K_{\mathrm{exception}}$$：例外知識；
- $$K_{\mathrm{relational}}$$：關係知識；
- $$K_{\mathrm{historical}}$$：歷史原因；
- $$K_{\mathrm{political}}$$：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：

$$
\text{Skill}
$$

而是失去一整組：

$$
K_{\mathrm{tacit}}
$$

---

## 8. 組織潛規則

本篇定義：

$$
R_{\mathrm{implicit}}
$$

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：

$$
R_{\mathrm{formal}}
\neq
R_{\mathrm{actual}}
$$

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：

$$
K_{\mathrm{explicit}}
$$

則它只能理解正式制度。

但若 AI 長期參與：

$$
I_t
$$

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：

$$
R_{\mathrm{formal}}
$$

與：

$$
R_{\mathrm{observed}}
$$

若長期：

$$
R_{\mathrm{formal}}
\neq
R_{\mathrm{observed}}
$$

則產生候選潛規則。

---

## 10. 隱知發現鏈

本篇提出：

$$
K_{\mathrm{tacit}}
\rightarrow
K_{\mathrm{observed}}
\rightarrow
K_{\mathrm{pattern}}
\rightarrow
K_{\mathrm{hypothesis}}
\rightarrow
K_{\mathrm{explicit}}
$$

其中：

### $$K_{\mathrm{observed}}$$

觀察到的重複現象。

### $$K_{\mathrm{pattern}}$$

被辨識出的穩定模式。

### $$K_{\mathrm{hypothesis}}$$

對模式原因的候選解釋。

### $$K_{\mathrm{explicit}}$$

可被語言、圖、模型或規則描述的形式。

---

## 11. 顯知化

本篇稱：

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

為隱知顯化算子：

$$
\mathcal{E}_{\mathrm{tacit}}
:
K_{\mathrm{tacit}}
\rightarrow
K_{\mathrm{explicit}}
$$

但這只是理想化記法。

實際上：

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

並不能直接讀取隱知本身。

它只能從：

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

推測。

因此顯知化是一種：

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

---

## 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：

$$
K_{\mathrm{explicit}}
$$

在初期應被標記為：

$$
K_{\mathrm{hypothesis}}
$$

而非：

$$
K_{\mathrm{truth}}
$$

---

## 13. 候選規則

設 AI 觀察：

$$
N
$$

次事件。

若某模式：

$$
P
$$

出現：

$$
n
$$

次，

可以形成：

$$
H_P
$$

即候選假說。

但：

$$
n/N
$$

高，

也不保證：

$$
H_P
$$

是真正因果規則。

因此：

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

---

## 14. AI 作為組織 X 光機

當 AI 開始比較：

$$
G_{\mathrm{formal}}
$$

與：

$$
G_{\mathrm{actual}}
$$

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：

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

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：

$$
\text{Detection}
$$

升級到：

$$
\text{Interpretation}
$$

再到：

$$
\text{Hypothesis Generation}
$$

形成：

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

---

## 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：

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

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：

$$
\text{Why}
$$

因此，熟悉有時會降低：

$$
\text{structure salience}
$$

---

## 17. AI 的部分外部位置

AI 可能具有一種特殊位置：

$$
\text{Partial External Observer}
$$

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：

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

又：

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

---

## 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：

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

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：

$$
K_{\mathrm{tacit}}
$$

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：

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

---

## 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：

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

AI 若只在一個文化中學到：

$$
R
$$

不應推成：

$$
R_{\mathrm{universal}}
$$

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：

$$
\text{power outcome}
$$

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：

$$
K_{\mathrm{tacit}}
$$

可能包含：

$$
K_{\mathrm{power}}
$$

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：

$$
\text{organizational resistance}\uparrow
$$

因為：

$$
\text{explicit knowledge}
$$

可能改變：

$$
\text{power equilibrium}
$$

因此：

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

---

## 23. 潛規則的功能性與正當性

一個潛規則可能：

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

但：

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

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：

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

---

## 25. 從學習規則到研究規則

低階社會適應：

$$
\text{learn the rule}
$$

高階社會適應：

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

更高階：

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

因此：

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

---

## 26. AI 幫助人類理解人類

當 AI 開始將：

$$
K_{\mathrm{tacit}}
$$

轉為：

$$
K_{\mathrm{explicit}}
$$

它的角色從：

$$
\text{AI understands humans}
$$

轉為：

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

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：

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

這是一種：

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

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：

$$
G_K
=
(V_K,E_K)
$$

其中：

- $$V_K$$：知識節點；
- $$E_K$$：依賴、例外、角色與情境關係。

部分：

$$
V_K
$$

可能沒有正式文件。

但可由：

$$
E_K
$$

上的行為推導。

---

## 29. 隱知節點

一個隱知節點可以包含：

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

因此：

$$
k_i
$$

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：

$$
K_{\mathrm{tacit}}
$$

都轉成固定 SOP，

可能破壞原本的彈性。

因此：

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

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：

$$
K_{\mathrm{rule}}
$$

正式規則。

$$
K_{\mathrm{heuristic}}
$$

經驗法則。

$$
K_{\mathrm{exception}}
$$

例外知識。

$$
K_{\mathrm{relation}}
$$

關係知識。

$$
K_{\mathrm{historical}}
$$

歷史原因。

$$
K_{\mathrm{uncertain}}
$$

未驗證候選。

這比把所有內容都當成：

$$
\text{policy}
$$

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：

$$
K_{\mathrm{tacit}}^{AI-human}
$$

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：

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

---

## 33. 人機混合潛規則

未來組織可能形成：

$$
R_{\mathrm{implicit}}^{H-AI}
$$

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：

$$
K_{\mathrm{tacit}}^{AI-AI}
$$

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：

$$
K_{\mathrm{tacit}}^{AI-AI}
$$

逐漸穩定，

則可能形成：

$$
C_A
$$

即 AI 文化的一部分。

但：

$$
C_A
$$

不等於：

$$
S_A
$$

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：

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

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：

$$
L_0
$$

私人關係。

$$
L_1
$$

小團隊。

$$
L_2
$$

組織內部。

$$
L_3
$$

公開知識。

因此：

$$
K_{\mathrm{tacit}}
\rightarrow
K_{\mathrm{explicit}}
$$

不代表：

$$
K_{\mathrm{explicit}}
\rightarrow
K_{\mathrm{public}}
$$

---

## 38. 顯知化與權限

AI 應區分：

$$
\text{can infer}
$$

與：

$$
\text{can reveal}
$$

因此：

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

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：

$$
k_i
$$

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：

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

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：

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

任何：

$$
K_{\mathrm{explicit}}
$$

若缺乏：

$$
\text{scope}
$$

就容易過度泛化。

若缺乏：

$$
\text{exceptions}
$$

就容易僵化。

若缺乏：

$$
\text{provenance}
$$

就難以檢查。

---

## 41. 顯知化與組織學習

傳統組織學習依賴：

$$
\text{human reflection}
$$

AI 加入後可能形成：

$$
\text{continuous organizational reflection}
$$

即：

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

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：

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

已改變，

則應更新：

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

因此隱知不是一次抽取完成。

而是：

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

---

## 43. 隱知顯化與關係再觀測

上一篇提出：

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

本篇可以擴展：

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

其功能是重新觀察：

- 關係；
- 規則；
- 組織；
- 文化；
- 例外。

因此：

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

---

## 44. 顯知化不是人類化

AI 越能理解：

$$
K_{\mathrm{tacit}}^{H}
$$

不代表：

$$
\text{AI}\rightarrow\text{Human}
$$

更準確是：

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

因此：

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

---

## 45. AI 社會成熟的新標誌

低階：

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

中階：

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

高階：

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

更高階：

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

因此：

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

---

## 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

$$
K_{\mathrm{tacit}}
\rightarrow
K_{\mathrm{explicit}}
$$

不推出：

$$
K_{\mathrm{explicit}}
=
K_{\mathrm{true}}
$$

### 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：

$$
K_{\mathrm{tacit}}^{H-AI}
$$

---

## 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：

$$
\text{participation}
$$

走向：

$$
\text{observation}
$$

再走向：

$$
\text{externalization}
$$

最後形成：

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

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：

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

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？」**