Institutional Knowledge
组织在长期运营中积累的、嵌入人员和流程中的隐性知识——难以文档化、难以自动化、人员流失即知识流失。
核心特征
- 嵌入性: 知识存在于工程师的经验判断、团队的协作模式、组织的决策惯例中，而非文档或数据库中
- 不可完全转移: 文字化、系统化只能捕获一部分；剩余部分依赖人际传递（师徒制、轮岗、复盘）
- AI 放大器效应: AI 系统的有效性取决于训练数据质量，而训练数据质量取决于制度性知识的完整性
AI 时代的制度性知识困境
"Mistakenly, we thought that by just introducing artificial intelligence and adjusting the design requirements that we had, that that would produce a high-quality product." — Charles Poon, Ford VP of vehicle hardware engineering
Ford 案例（→ 20260625-ford-ai-quality-jd-power）揭示了一个递归困境：
- AI 需要制度性知识来训练
- 制度性知识在专家离职前未完成转移
- AI 系统因此产生质量缺陷
- 修复缺陷需要找回已离职的专家
这与软件工程的 "Bus Factor" 问题同构——关键知识集中在少数人手中，人员流失导致系统不可维护。
关键数据点
- Ford AI 质量案例 (2026): JD Power 报告显示搭载 AI 辅助设计工具的 Ford 新车在品质排名上显著下滑，直接触发 VP Charles Poon 公开承认"错误地认为引入 AI 即可保证产品质量"
- Bus Factor 同构性: 与软件工程中的 Bus Factor 问题同构——当关键知识仅存于少数人的经验判断中时，任何一人离职都会导致系统性风险
- 递归困境: AI 需要制度性知识来训练 → 制度性知识在专家离职前未完成转移 → AI 系统产生质量缺陷 → 修复缺陷需要找回已离职的专家
前提与局限性
- 可迁移性假设有限: 该概念假设部分制度性知识可以通过师徒制、轮岗、复盘等方式转移，但转移效率高度依赖于组织文化和时间投入
- AI 并非万能解药: 引入 AI 本身不能解决制度性知识丢失问题——AI 只是制度性知识的放大器，其输出质量受限于输入数据的完整性
- 不适用于所有知识类型: 该概念聚焦隐性、情境化的知识，显性事实性知识（如操作手册、API 文档）不在此列
- 规模边界: 小团队中制度性知识可通过面对面交流自然共享；随着组织规模扩大，隐性知识碎片化加速，管理成本呈指数增长
关联概念
- AI-Capability-Gap — AI 的能力边界部分取决于制度性知识的完整性；制度性知识缺失会导致 AI 能力 gap 扩大
- Judgment — 制度性知识的核心是判断力，难以编码为规则或模型
- Wisdom-Work — 制度性知识是 Wisdom Work 的组织层面表现，两者都涉及人类独有的价值判断和情境理解
- Knowledge-Compilation — 将制度性知识编译为 AI 可用格式的挑战，是 bridging institutional knowledge and AI 的关键环节
- AI-Ready-Organization — 组织需要为 AI 部署重新设计知识管理流程，主动捕获和管理制度性知识