为什么Agent还没抢走我们的工作？屏幕之外的隐性知识与技术债

“模型暂时还无法抵达的区域”

2026年3月，杰克·多尔西（Jack Dorsey，Twitter联合创始人、Blcok CEO）与罗洛夫·博塔（Roelof Botha，红杉管理合伙人）联名发表了一篇文章，题为《从层级到智能》（From Hierarchy to Intelligence）。文中，他们围绕金融科技公司Block正在推行的新型组织模型，写下了这样一段话：

“在传统公司里，智能分散存在于人身上，由层级来路由它。而在我们的模型中，智能存在于系统，人位于边缘（edge）。边缘，才是行动发生的地方。

边缘是智能与现实接触的地方。人会进入那些模型暂时还无法抵达的区域。（People reach into places the model can't go yet.）他们会感知那些模型不能感知的东西：直觉、果断的方向感、文化语境、信任的微妙流动、一个房间里的氛围。他们会做出那些模型不应该单独做出的判断，尤其是伦理判断、全新情境中的判断，以及那些一旦犯错就可能带来生存性代价的高风险时刻。”[1]

这段话值得反复读三遍。第一遍，它像是为人类保留了一个不可替代的位置——直觉、语境、重要判断。第二遍，你会捕捉到一个词：“暂时”（yet）。模型只是“暂时还无法抵达”这些领域。第三遍，你意识到它的真实含义：人的位置是模型能力的补集，而这个补集正在不断缩小。两位作者没有许诺人在AI时代的永恒价值，他们只是诚实地刻画了当前的分工边界。

《从层级到智能》文章题图：智能存在于系统，人位于边缘（图源：X@jack）

这种人类暂时守住的阵地，在近两年的AI讨论中，常被冠以一个经典概念——“隐性知识”（Tacit Knowledge）。它由匈牙利裔英国哲学家迈克尔·波兰尼（Michael Polanyi）在1950年代提出，指的是那些我们掌握、却无法用语言精确说出的知识。用波兰尼的名言概括：“我们所知道的，多于我们所能言说的。”[2]上文所列举的直觉、果断的方向感、文化语境、信任的微妙流动、一个房间里的氛围……皆属此列。

举个例子：招聘时，主管看完一份简历，又快速扫视候选人的领英动态、GitHub上一个小项目的README，再翻了翻这个职位往期候选人的简历，然后对HR说：“让他进下一轮。”HR问依据，他答：“技术栈不是最匹配的，但我直觉他可以胜任。至于怎么直觉的，我说不清。”这就是隐性知识：你知道，但你说不出为什么知道。

诚然，大模型时代以来，许多曾被视作人类专属的隐性知识，已被AI成功捕获。比如，曾以为只有人类才懂的幽默与讽刺，如今大模型不仅能听懂，还能写得比多数人更好；曾以为只有机关老手才掌握的公文措辞火候，大模型凭借海量训练数据，也能拿捏得八九不离十；曾以为只有资深员工才会写的软施压邮件——话递到几分、语气软中带硬，大模型学得如此逼真，以至于对方可能意识不到自己正在被一个算法说服。

然而，仍有一些领域，如多尔西和博塔说的直觉、果断的方向感，以及所谓的“组织上下文”（Organizational Context），暂时被多数人相信，是人类最后的隐性知识安全区，也是AI无法跨越的边界。[3][4]因为，相比那些可以通过读取组织知识库（如共享文档、SOP）来掌握的显性知识，隐性知识格外难以被收集和掌握。周鸿祎就曾感叹：“企业里的知识库不太容易收集，文档只是一部分，但企业里更多的是‘潜知识’，它们藏在企业的数据库里、员工的硬盘里、老板的脑子里……怎么把这些知识收集到，是一个挑战。”[5]

然而，今年3月在GitHub上发布的“同事.skill”项目，让许多人意识到：通过吸收基于组织上下文的海量数据，AI可以不断拓宽自身隐性知识能力的疆界。因为它的输入文件，不只是操作手册这类显性知识的载体，还包括团队日常的聊天记录、邮件往来、会议纪要等，其中蕴含了大量的组织上下文和隐性知识。AI从这些文本中，可以逐渐学会判断在这个组织的语境里，什么情况下该坚持、什么情况下该让步，也能模仿资深成员的语气给出建议。[6]

如果说“同事.skill”还主要停留在民间化和娱乐化的阶段，那么近期曝光的Meta的MCI项目（Model Capability Initiative，直译为“模型能力计划”）则让我们更加不安：当隐性知识的行为数据被组织自上而下系统化地采集、标注、喂给模型，那些暂时逃逸的隐性知识，是否终将被AI捕获殆尽？到那时，多尔西和博塔笔下那个充满克制与诚意的“yet”，还能剩下多少时间？

Meta的雄心：围猎隐性知识

2026年4月，Meta通过一份内部备忘录向员工公布了MCI项目。这是一个强制性的内部数据收集项目，旨在通过监控员工的操作行为来训练AI，最终目标是打造能够自主完成工作任务的AI智能体，从而彻底重组Meta的工作流程。该项目将全面采集员工的鼠标移动轨迹、点击位置、键盘输入内容，并会不定期进行屏幕截图。它强制部署在美国员工的公司电脑上，与公司同期约10%的裁员计划并行推进。[7]

MCI在Meta内部引发了强烈反弹。经过一个多月的抗议，管理层做出了有限的让步：员工每次可暂停数据收集最多30分钟，也可申请豁免参与该计划。[8]但对绝大多数人而言，MCI的监控依然如影随形。

MCI的野心，正在于试图收集那些难以言传的隐性知识。企业家特金德尔·沃赫拉（Tejinder Vohra）用一个面包师做蛋糕的比喻，形象地揭示了MCI将员工的隐性知识一网打尽的做法如何违背了基本的劳动伦理：

“任何工作都有三个层次。

第一层：产出——蛋糕、代码、报告、设计。这属于雇主，一直如此，没有争议。

第二层：过程——食谱、工作流程、用于创建产出的工具和步骤顺序。这里变得模糊：如果你在公司使用公司工具开发了一个独特的过程，公司有合理权利要求它。

第三层：直觉——面包师判断面糊何时恰到好处的本能，开发者判断bug在哪里的直觉，管理者判断团队何时即将分崩离析的敏锐。这是隐性知识，是你无法写进手册的那种。它存在于你的头脑中，需要多年才能培养出来。任何雇主都不应该有权在没有明确同意和公平补偿的情况下提取和复制它。

Meta的MCI——以及任何捕获员工行为的AI训练程序——的问题在于，它不区分这些层次。它一网打尽。产出、过程和直觉都被扁平化为‘训练数据’。”[9]

有了MCI，上一节中那位招聘经理判断候选人“是否值得进入终面”的直觉，就可以被屏幕上的窗口切换顺序和鼠标移动轨迹所捕获：主管的鼠标在简历的项目经历某一行上选中并高亮了某段文字；然后切到浏览器，搜索并打开了候选人的领英和GitHub主页，鼠标滚轮在某几条工作描述上滚过时速度显著放缓；紧接着翻找出往期录用者的简历进行对比，鼠标在几份简历的教育经历一栏来回滑动；最后在聊天工具中给HR发去一条消息：“让他进下一轮。”模型通过学习这些行为序列，逐渐逼近原本只有资深主管才能掌握的选人直觉。当足够多的审批行为被记录、标注、训练，那些曾经被认为是“黑箱”的隐性知识，便开始被同为“黑箱”的AI捕获。

屏幕之外：那些暂时逃逸的隐性知识

然而，MCI并非万能。它再精密，也只能记录那些在屏幕上留下轨迹的行为。而人类的许多隐性知识恰恰发生在屏幕之外的物理空间和大脑深处，难以被MCI所捕捉。

想象一位资深销售与客户面对面谈判的场景：客户没有明确拒绝销售的推荐，只是端起水杯喝了一口，同时眼神微微向左上方飘了一下。销售立刻话锋一转，不再逼单，转而聊起行业趋势，缓和现场气氛，之后再换角度营销。这一连串判断，依赖的是对微表情的解读、对现场气氛的感知、对对方心理状态的直觉。MCI对此一无所知，因为整个过程没有键盘、没有鼠标，也没有留下任何数字化记录。这些隐性知识发生在屏幕之外，存在于物理空间中或大脑神经回路里，从未被任何数字系统记载。这正是人类目前仍然保有的、AI暂时无法围猎的领地。

然而，这道防线正被技术持续侵蚀。要捕捉会议室里的眼神、停顿和语气变化，其实只需摄像头、麦克风、眼动追踪等传感器，而它们已经足够成熟。只是，这类监控的侵入性远超MCI，目前还没有多少企业敢于强制在办公室和会议室里部署全天候、全方位的传感器监控。

至于那些原本只在大脑中发生的思维回路，脑机接口也已成为一个明确的技术方向。未来，随着柔性电极、高带宽信号处理和AI解码算法的持续突破，它或许真能将那些感觉、直觉和未被言说的判断转化为可阅读的信息，甚至能比屏幕监控更精准地捕获隐性知识。只不过，相伴而来的安全与伦理问题，使它暂时还难以像MCI那样大规模铺开。

因此，我们存在于屏幕之外的隐性知识仍有一段短暂的逃逸窗口。

技术债：旧世界的遗产

然而，即使未来某一天，AI能够完美捕获人类所有的隐性知识，它仍然可能在另一类障碍面前止步：那便是前AI时代留下的、系统性的历史债务。

Box CEO亚伦·利维（Aaron Levie）在一集播客中，详细描述了硅谷之外的大多数公司——他称之为“真实世界”（Real World）——尝试“智能体化”（Agentify）时所面临的真实困境：

“员工更少具有技术背景，数据更加碎片化，系统也更加老旧……大多数老旧系统环境并没有最权威的访问控制。作为人类，你总是会说：‘嘿，Sally，你能把那个我没有权限的东西分享给我吗？’或者：‘嘿，Bob，你的数据系统里那个问题的答案是什么？’因此，如果Agent只获得和你完全相同的权限，它们就会到处碰壁。而且不像人类，它们不知道去找Sally谈谈，或者去问Bob。所以，它们就会卡在那里……或拿到的是错误的数据或文件 。”[10]

这种混乱的局面，可以被软件工程领域的一个概念概括：技术债（Technical Debt）。技术债指的是为了短期交付而牺牲长期系统质量所积累的代价，它会像真正的金融债务一样随着时间越滚越大，直到有人勇敢地来清偿它。[11]

传统企业的系统和数据之所以充斥着技术债，难以整合为Agent通行无阻的环境，原因很简单：每次需要新功能时，“临时搭个新表、建个新系统、配个新权限”总比“把全公司的数据、系统和权限梳理清楚，重构一套统一架构”来得快得多。一旦你真想回头梳理，就会发现层层叠叠的跨代际债务：那位已退休的权限管理员没有留下任何文档，谁要什么权限就随手给什么，导致用户权限极度凌乱；系统总是在某个固定环节出bug，得打电话给IT老李让他后台手工重跑；报表里的数据口径和领导真正关心的业务口径之间总差着一截，而领导要的准确数字，还躺在隔壁部门老王的私人Excel表里。对于那些存续时间足够长的企业，利滚利后的技术债已经大到不仅没人敢清理，甚至没人敢多看一眼。

而对技术债的绕过，往往离不开人工接驳——就像前文例子中的Sally、Bob、老李和老王所做的那些手工操作。这类行为不仅无法在单块屏幕内完成，还常常要跨越到物理空间：比如打电话给老李，或者走到老王的工位旁，先确认他有没有忙得焦头烂额，再礼貌地催他发一版最新数据。

你可能会问：为什么非要在屏幕之外？在钉钉或企业微信上发条消息不就够了吗？

一个常见的原因是，许多人工接驳式的“绕过”行为时效性极高，等不起对方半小时后再回复。此外，这类绕过往往带有灰色属性，比如请同事用自己的高权限账号代查数据。面对面恰好提供了一个“不留痕”的信任空间：你我都知道这是权宜之计，但谁也不会说出去。

另一个心理因素是，人们会本能地避免“工具化”对方。在钉钉上丢一个请求，对方容易觉得自己被当成了一个API接口：你输入，我输出。而当面求助时，你会先观察对方是否忙碌，寒暄几句，温和地提出请求，最后再表达感谢。这套社交仪式虽然耗时，却尊重了对方的人格与劳动。

于是，正是这种超越屏幕的行为，一方面难以被MCI这样的屏幕捕获计划所采集和收编，另一方面也难以被行为局限在屏幕内的Agent所执行。

这种困境并非AI时代所独有。在AI Agent之前，上一轮试图从组织核心流程层面全面重构企业的技术革命——1990-2010年代的ERP浪潮——也曾在技术债的暗礁上触礁。一个常被提及的失败案例是：2010年代初，美国国家电网（National Grid）内部早已积累了沉重的技术债：财务、人力、供应链等关键业务分散在Oracle、PeopleSoft、Hyperion以及各种遗留系统中，数据口径不一，大量依靠人力手工接驳。此时美国国家电网决定上马一套统一的SAP财务系统，然而他们在动手之前，并没有认真清偿那些已经暴露的技术债，就简单粗暴地进行了数据迁移。结果SAP上线后，系统暴露了巨大问题：员工薪资发放大量出错，超过1.5万张供应商未付发票积压，库存记录一团糟。最讽刺的是，报告的生成依旧严重依赖复杂的Excel手工处理。这个例子说明，当集成和重构的愿景遇上未被清偿的技术债，结果可能是更大的混乱。[12][13]

这种旧组织拖累新技术的现象，在保罗·戴维（Paul David）1990年的经典论文《电动机与计算机》（The Dynamo and the Computer）中已被精准地描述过。该文分析了一个耐人寻味的史实：电动机在1880年代就已发明，但美国工厂的生产率直到1920年代才迎来爆发式增长。中间那三十年，工厂并非没有行动：它们积极安装了电动机，可问题是，这些电动机被直接接入了为蒸汽机设计的、低效的旧式传动系统——皮带、齿轮、天轴，一样没换。结果是，电力的潜力被锁死在19世纪的工厂布局里，效率几乎没有提升。直到老工厂倒闭，新一代按照“单元驱动”（每台机器配独立马达）原则设计的厂房出现，流水线、单层布局、灵活物料流转才成为可能，生产率曲线才真正陡峭起来。

戴维由此提炼出一个跨越技术时代的洞见：一项通用技术（General Purpose Technology）的真正威力，从来不是靠“替换动力源”就能释放的。它需要整个生产系统的重新设计，需要旧架构的淘汰，需要一代人的时间。[14]今天，AI Agent面临的正是同样的局面：我们试图让它在为人类设计的旧系统里运行，还未想过系统性地清理那些历史遗留下来的、需要人工手动接驳的技术债。

群轴驱动工厂：动力通过天轴和皮带传输，危险、低效、僵化（图源：Lathes.co.uk）

1920年代的单元驱动工厂：每台机器配独立马达，明亮、高效、灵活，生产率由此爆发（图源：美国国会图书馆）

当然，并非所有企业都陷在这种泥潭里。那些从零开始的AI原生公司（AI-Native Company）和一人公司（One-Person Company）——没有二十年前的COBOL系统，没有“临时权益之计”的硬编码，也没有老王的私人Excel——它们的技术债几乎为零。此外，组织规模小、业务逻辑清晰也使得债务容易清偿，甚至根本来不及积累。在这样的环境里，Agent几乎可以畅通无阻：数据是干净的，权限是清晰的，流程是写在代码里的。

换句话说，技术债越重的组织，Agent越难落地；Agent越难落地，人类就越安全。只不过这种安全不是坐在敞亮办公室里的从容，而是挤在技术债务的缝隙里，狼狈不堪地藏身：你依赖Sally帮你查文档，依赖老王的Excel里的数据，依赖那句“不好意思，能不能麻烦……”来维持灰色绕行的默契。没有被AI替代，不是因为你有不可替代的创造力，而是因为你的公司还欠着一座技术“屎山”没还。

结语

为什么Agent还没有抢走我们的工作？或许不是因为AI不够聪明，也不是因为人类有什么神秘的、不可替代的灵魂，而是因为那些暂时逃逸在“屏幕之外”的东西——比如隐性知识，与对技术债的人工接驳。

在一篇近期流传甚广的某科技企业的产品复盘文中，作者（一位已离职的产品经理）总结道：大模型有效服务的必要条件是“足够的数据基建和context”。其中，数据基建是技术债的反面，“context”则指向隐性知识所扎根的土壤。当两者都缺位时，AI便只会像一台接入皮带齿轮的电动机，无法对组织的生产力提升起到质变影响。

然而，当隐性知识被一一捕获，当技术债被逐步清偿，当更多组织按照AI原生和无物理空间的远程办公逻辑重新设计，那台电动机终将摆脱皮带和齿轮，接入真正属于它的系统。只是不知道，当那一天真的来临，我们会不会怀念那些得靠“屏幕之外”才能把活儿干完的日子。

注释

[1]Dorsey, J., & Botha, R. (2026, March 31).From hierarchy to intelligence. Block.https://block.xyz/inside/from-hierarchy-to-intelligence

[2]Polanyi, M. (2009). The tacit dimension. InKnowledge in organisations(pp. 135-146). Routledge.

[3]Gold, S. (2025, May 10).To fear or not to fear: AI and the future of work. IndustryWeek.https://www.industryweek.com/technology-and-iiot/emerging-technologies/article/55289465/to-fear-or-not-to-fear-ai-and-the-future-of-work

[4]jpatanooga. (2026, March 31).Your job isn't being automated — but parts of it are. Here's how to think about which parts. DEV Community.https://dev.to/jpatterson_7365c61a93/your-job-isnt-being-automated-but-parts-of-it-are-heres-how-to-think-about-which-parts-dcp

[5]王子霖. (2025, March 4).全国政协委员、360集团创始人周鸿祎：筑牢网络安全根基为大模型发展铺路.上海证券报.https://www.cnstock.com/commonDetail/369104

[6]titanwings. (2026).colleague-skill: dot-skill (同事.skill)(Version 2026.4.19) [Computer software]. GitHub.https://github.com/titanwings/colleague-skill

[7]Paul, K., & Horwitz, J. (2026, April 21).Exclusive: Meta to start capturing employee mouse movements, keystrokes for AI training data. Reuters.https://www.reuters.com/sustainability/boards-policy-regulation/meta-start-capturing-employee-mouse-movements-keystrokes-ai-training-data-2026-04-21/

[8]Paul, K. (2026, June 3).Exclusive: Meta scales back plan for internal mouse-tracking tech, citing staff concerns. Reuters. https://www.reuters.com/world/meta-scales-back-ai-mouse-clicks-tool-citing-employee-concerns-2026-06-02/

[9]Vohra, T. (2026, April 30).Meta’s AI tracking raises a question nobody’s ready for. CustomerThink.https://customerthink.com/metas-ai-tracking-raises-a-question-nobodys-ready-for/

[10]a16z & MTS. (2026, April 28).Box CEO on AI agents & why enterprise can't keep up[Video]. YouTube.https://www.youtube.com/watch?v=dvVbA9OcBqs

[11]Cunningham, W. (1992). The WyCash portfolio management system.ACM Sigplan Oops Messenger,4(2), 29-30.

[12]Dolfing, H. (2019, April 9).Case study 3: How a screwed-up SAP implementation almost brought down National Grid. Henrico Dolfing.https://www.henricodolfing.ch/en/case-study-3-how-a-screwed-up-sap-implementation-almost-brought-down-national-grid/

[13]NorthstarConsulting Group. (2014).A comprehensive management and operations audit of National Grid USA’s New York gas companies(Case No. 13-G-0009). Submitted to the New York Public Service Commission. https://regmedia.co.uk/2018/08/06/final_audit_national_grid_sap.pdf

[14]David, P. A. (1990). The dynamo and the computer: an historical perspective on the modern productivity paradox.The American economic review,80(2), 355-361.