在某個鋪著灰色地毯、隔間精確到公分的格子間裡，一位穿著深藍色西裝的部門主管正對著他的投影片微笑。投影片上畫著一個巨大的金色齒輪，上面用醒目的粗體字寫著——
他優雅地按下了簡報筆，彷彿按下了一個能讓世界變得更乾淨、更省錢的魔法按鈕。這很呆伯特，充滿了辦公室裡荒謬而精緻的教條。
然而，在遙遠的另一個星球上，或者在那些真正沾滿機油的工廠車間裡，一位老工程師正用粗糙的手指撫摸著剛出廠的車漆。他閉上眼睛，感受著微米級的起伏，那裡藏著冷冰冰的演算法永遠無法察覺的微弱震顫。這種場景，則帶有一種小王子的哲思：「真正重要的東西，是眼睛（和演算法）看不見的。」
一辦公室裡的「砸牆」交響樂
最近，各大企業的高管們陷入了一場集體的數字狂熱。他們讀到這樣的調查與預測：顧問公司 Orgvue 發現，在因 AI 裁員的企業裡，有 55% 事後承認那是錯的決定；而 Forrester 更預測，這些裁員約有一半會被悄悄逆轉——而且是用更低的薪水、外包或更基層的職位補回來。但穿著西裝的主管們不相信，他們更喜歡看著 GitHub 上的 Star 數和短視頻裡「一夜封神」的開源項目。在他們眼裡，那些頭髮花白、整天碎碎念的老員工，簡直就是阻礙公司邁向數位未來、浪費薪資預算的「高維冗餘物」。
資深工程師：「那個 Bug 是因為特定高溫下硬體線路震動引起的邊界效益，AI 的訓練集裡沒有那條生產線的物理數據。」
主管：「沒關係，AI 的表格看起來比你漂亮，而且它不會要求提高勞保保額。」
於是，揮舞著「AI 降本增效」的大錘，他們興高采烈地把辦公室裡的「承重牆」給砸了。接著，一幕幕橫跨全球製造業與服務業的荒謬劇集體上演：
馬斯克曾希望 Model 3 的產線自動化快到「需要頻閃燈才能看清」，結果柔性材料佈線布不明白，一個節點卡住整條線癱瘓。最後，大老闆只能自己躺在停車場的帳篷裡靠人手組裝，事後發推感嘆：「人類被低估了。」
試圖用全機器人消滅亞洲廉價勞動力。但製鞋不是擰螺絲，針織鞋面的縫合與調整充滿了材料的隨機彈性。四年後，兩家全自動化工廠黯然關閉，技術重新轉移回有經驗的工人工廠。
宣稱 AI 客服幹了 700 人的活，省了 4000 萬美元。隨之而來的是滿意度暴跌與投訴激增，CEO 最終不得不承認「過於執著削減成本而犧牲了服務品質」，默默開始把人請回來。
二顯性知識的黑盒子，與隱性知識的玫瑰
為什麼精密的演算法接不住這些活？因為經理們搞錯了知識的本質。他們以為，只要把設計規範、測試清單輸入系統，大模型就能自動吐出高品質的產品。這就像小王子世界裡的點燈人，只是機械地執行著命令，卻不明白點燈與熄燈的本質意義。
知識在組織內部實際上是以「雙軌制」運行的，而它們在 AI 時代的命運截然不同：
| 知識類型 | 特徵與載體 | AI 的掌握程度與盲區 |
|---|---|---|
| 顯性知識 Explicit Knowledge |
SOP、代碼庫、歷史故障數據庫、可以文檔化的所有設計規範。 | 極高。AI 可以完美壓縮並實現秒級檢索。這是經理們最愛看的「知識資產」。 |
| 隱性知識 Tacit Knowledge |
指尖的手感、特定溫度下的材料漂移直覺、跨越車型週期的邊界問題判斷。 | 極低。因為這些知識從未被寫下來，只存在於老專家的腦子裡，AI 無法從空氣中憑空學習。 |
兩千多年前的修車匠輪扁就對齊桓公說過，他砍車輪的時候，「徐則甘而不固，疾則苦而不入，不徐不疾，得之於手而應於心，口不能言」。這種「口不能言」的奧妙，正是企業最核心的承重牆。當你把擁有隱性知識的老師傅裁掉，這些珍貴的經驗並不會自動轉移到公司的資料庫裡，而是直接在空氣中蒸發了。
「你桌上的大模型是一個記憶力超群但缺乏常識的學生。它學得會全宇宙的法規，卻不知道你們家樓下那台老機器在下午三點時為什麼會莫名其妙地發熱。」
三福特的「灰鬍子」：從執行者到機器的馴服者
幸好，有些企業在天花板徹底砸塌之前醒悟了。福特汽車在過去三年裡，重新請回、聘用並提拔了 350 名資深技術專家，在內部，他們被親切地稱為「灰鬍子」（Greybeards）——那些經歷過無數車型週期、頭髮花白的老靈魂。
如果這是一部庸俗的職場爽文，故事的結局應該是老專家們回到流水線上，用純手工打敗了愚蠢的機器人，高管們流著淚跪求原諒。但真實的商業世界比爽文更有哲理：福特並沒有放棄 AI，他們依然在產線上部署了約 900 台 AI 品質檢測攝影機。
這些灰鬍子回來，不拿扳手，也不親自去流水線上數零件。他們只做三件事：帶年輕工程師、主持強制性的故障排查會議、改進 AI 與自動化工具。他們不再是親自下場的「勞動力」，而是變成了「轉譯層」。他們把腦子裡那些不可言傳的「手感」與「直覺」，翻譯成機器能學、年輕人能接住的參數與防呆規則。
灰鬍子們正在做的，就是「馴服 AI」。他們把冷冰冰的、只會算機率的黑盒子，用人類三十年的生命體證去對焦、去修正。這讓日本管理學家野中郁次郎所謂的「知識創造螺旋」重新轉動了起來：老專家的隱性知識轉譯成 AI 的顯性規則，AI 的規模化執行又內化成下一代工程師的直覺。人與機器，在這裡不再是零和博弈的對手，而是互為鏡像的搭檔。
結活變多了，還是活變難了？
「先裁人，再上 AI」這個動作，在本質上就犯了戰略順序的錯誤。當你把最懂本質的人趕走，AI 就成了一個沒有導師的盲目執行者。它會以每秒十萬次的速度重複著正確的廢話，卻在邊界模糊的關鍵時刻突然掉鏈子。
在 AI 狂飆的時代，判定一個人是不是公司的承重牆，方法其實無比簡單：
看他離開之後，組織裡的活是變「多」了，還是變「難」了。
如果活變多了，說明你裁掉的是「人手」，加幾台伺服器、多寫幾條 Prompt 或許就能解決；但如果活變難了、品質體系開始失控了，說明你裁掉的不是勞動力，而是經驗，是靈魂。
正如小王子對他的玫瑰所說：「你在你的玫瑰花身上所花費的時間，才使你的玫瑰花變得如此重要。」那些在產線上觸摸過無數次車漆、在系統邊界替公司擋過無數次災難的灰鬍子，他們所花費的三十年歲月，才是企業最不可被演算法規模化消滅的本體價值。與 AI 共同演化的第一步，永遠不是盲目的取代，而是深度的馴服；而馴服的前提，是我們必須先學會直視本質，認出那堵默默支撐著整個結構、會呼吸的承重牆。