作者 | 松壑

1951年，豐田啓動了一項叫做「創意提案制度」的實驗。公司要求每一個流水線工人把自己在工作中發現的改進方法提交上來，工人們照做了。

半個多世紀裏，豐田累計收到約5000萬條改善建議，高峯期每名員工每年提交近50條，近年穩定在每人每年14條左右，豐田生產方式由此成為全球製造業的教科書。

工人願意交出自己的訣竅，原因很樸素：豐田承諾終身僱佣，人的經驗讓公司更強，公司保證你的位置。信任先行，知識隨後。

2026年，一些中國企業正在要求員工做一件近乎相似的事：把你的工作經驗交給AI，包括並不限於整理知識庫、編寫系統性提示詞和Skill、錄入判斷邏輯、校驗AI的輸出。

福特當年推行流水線的時候，工人從分散的車間集中到傳送帶旁邊，工作被拆成更細的單元，效率提高了，但沒有人被要求把自己的手藝寫成說明書交給機器。

AI改造完全不同。它要求每個人主動增加一層額外勞動，為AI準備它需要的上下文，但回報與風險承擔卻是不確定的。

豐田給了一個承諾，大多數激進推行AI改造的企業什麼都沒給。

今年7月，福布斯技術委員會發表了一篇文章，標題叫《The Hidden Context Tax That's Killing Your Enterprise AI Agents》，標題就提出了一個概念：

上下文稅

研究提出，企業AI系統中因上下文不足或管理不當導致的效率損耗和精度下降，屬於一種隱性稅負。

這個概念可以往前推一步：上下文稅首先是一個組織問題。

企業為了讓AI變得聰明，需要員工在本職工作之外額外付出勞動來整理、提交和維護上下文，而這個額外勞動在權利、責任、風險和收益四個維度上全部失衡。

MIT在2025年發布的《The GenAI Divide》報告顯示，約95%的企業生成式AI試點未能產生可衡量業務回報，僅約5%進入了生產環境，主要障礙包括工作流脆弱、上下文學習不足和與日常運營脫節。

內在原因並不來自於技術，而是組織關係的重構沒有跟上。

95%這個數字的背後，恰恰是一筆沒有算清楚的上下文稅。

一. 企業焦慮始作

企業作為上下文稅的徵稅方，確實有自己的焦慮與困境。

尤其一些互聯網公司推進AI改造的動機是真實的、多層的，很多時候甚至是迫切的。

最表層的是競爭焦慮。

當同行紛紛宣佈全員擁抱AI、當股東或投資人在盡調裏問「你們的AI戰略是什麼」、當客戶開始用AI產品的效率來比價，不搞AI就意味着在下一輪競爭中喪失位置。

這種焦慮在2026年，已經瀰漫到了幾乎所有行業。

更實在的動機是解決現實問題。

關鍵崗位的人才流失率居高不下，核心員工離職意味着經驗和客戶關係同時消失。如果能把這些經驗沉澱到系統裏，組織的抗風險能力就能上一個台階。

對於重複性高、規則性強的工作，AI確實能釋放人力去做更有判斷力的事。

還有一層不太被公開討論的動機：管理層需要通過AI改造來證明自己的戰略眼光。

AI是當下最大的敘事，推得早、推得快，意味着在董事會和股東面前佔據認知高地。

這個動機未必是壞事，但它會讓推進的節奏變得更激進，對落地效果的容忍度更低，留給員工適應的時間更少。

這些動機疊加在一起，構成了企業強推AI改造的合理性，但合理的推進動機並不自動解決推進方式上的權利失衡。

企業站在組織效率的角度看到的是「我需要這些經驗進入系統」，員工站在個人利益的角度看到的是「系統學會了我的經驗之後我會怎樣」。

兩種視角各自成立，但一些衝突必然會在中間地帶發生。

二. 交不出與不願交

企業的上下文分兩種。一種是系統數據，審批記錄、CRM字段、ERP憑證，這些可以通過API和連接器打通，技術上有成熟方案。

另一種是人身上的經驗，客戶為什麼翻臉、這筆賬通常是哪裏出了問題、這份合同的第三條到底在防什麼。這些知識不在任何數據庫裏，只有從業者自己知道。

AI需要第二種上下文才能真正幹活。一個Agent看不見行業Know-How，就只能做搬運工，做不了決策者。

許多企業AI改造推到深水區之後，障礙最終總是落在同一個地方：

怎麼把人腦裏的經驗變成AI能用的輸入。

交不出來的人至少分三種情況。

第一種是經驗本身就是碎片化的、直覺性的。

一個做了20年的老師傅知道一台機器的聲音不對勁，但他說不清哪裏不對，因為那是身體層面的感知，天然不可編碼。

組織學裏區分顯性知識和隱性知識，不少核心經驗屬於後者。

第二種是經驗發生在線下。

工廠車間、門店現場、面對面的客戶談判、工地上的安全判斷，這些場景裏的上下文不會自動變成數字信號。

讓一個銷售把每次客戶拜訪的談判策略錄入系統，等於要求他做兩遍工作。

第三種是AI使用者的能力本身就弱。

總有人不會寫提示詞，不知道怎麼把自己的經驗轉化成AI能理解的結構化輸入，工具用不好，整理出來的東西AI也讀不懂。

解決這一點企業可以強推AI培訓，但培訓解決的是意願問題，能力缺口需要的是更長時間的適應。

比交不出更棘手的是不願交。不願交的理由有兩層，每一層都指向制度設計的缺失。

第一層是恐懼。

因為上下文交出去之後，自己變得可替代。何況更多人拓展自身能力以適應新環境的速度，遠遠追不上交上下文的速度。

上海政法學院教授王倩在今年5月的一篇分析中指出，企業通過讓員工「記錄工作流程」「進行知識管理」，實際上在提煉員工的工作經驗、決策思路和溝通話術，形成標準化的、可複用的技能模塊。

這個過程中，企業至少從中獲得四重收益：知識留存、效率提升、降低對個體的依賴、形成專屬數字資產，但勞動者的貢獻沒有對應的權利保障。

帝國理工學院和微軟研究院聯合發表的一篇FAccT論文為這個現象提供了學術框架。論文引用了一個概念：

知識萃取主義

（knowledge extractivism）

研究引用數據殖民理論中的「剝奪式積累」，來描述企業AI系統在權力不對等條件下提取員工隱性知識的過程。

論文甚至指出，AI甚至可以跳過員工主動提交的內容，直接從員工與系統交互的行為模式中推斷隱性知識，比如誰和誰經常協作、誰在哪個節點做了什麼決策。員工自己都不知道這些信息被記錄了。

這往往是一項只有義務沒有權利的非對稱改造，一個員工花2小時把自己積累十年的客戶談判策略錄入系統，系統學會之後所有同事都能用。

但問題是做完這些，錄入者什麼都沒得到，甚至他的不可替代性因此下降了，那他下次一定會提交一份最低限度的東西。

第二層是無激勵無保障。

企業AI改造幾乎總是自上而下推行，管理層宣佈戰略，中層傳達執行要求，基層被要求配合。

配合的方式就是繳納上下文稅：整理數據、貢獻skill、測試跑通、校驗輸出、維護知識庫。

做對了沒有額外的獎勵，做錯了如果因為AI幻覺產生事故反而要承擔責任。

今年4月，企業級AI公司Writer聯合Workplace Intelligence發布了一份覆蓋美歐2400名知識型員工的報告，數據格外刺眼：

29%的受訪員工承認自己做過破壞公司AI戰略的事，包括私自使用未經批准的AI工具、拒絕使用公司指定的AI產品等。

在1997年之後出生的年輕人群體中，這個比例升到了44%。

與此同時，60%的高管表示計劃裁減不會或不願使用AI的員工。

這種反差本身在說明AI化的激進推進中，一些信任正在面臨坍塌。

那些暗中搞砸的年輕員工，與其說是在對抗技術，不如說是在對抗一種只有義務沒有正反饋的工作安排。

員工行為分析平台ActivTrak追蹤了2023到2025年超千家企業、4.43億小時的數字化工作行為數據，結論是：

AI落地後，員工的工作量沒有減少反而增加了，周末加班增多，協作溝通時長增加34%，多任務處理時間增加12%。

大廠員工的反饋更直接：企業強推AI，實際增加了工作壓力，員工不得不為AI的產出擦屁股。

上下文稅加上糾錯稅，總稅負不降反升。

三. 「降稅」路徑湧現

認識到問題之後，行業衆的一些先行者早已在不同方向來嘗試幾條差異化的「降稅」路徑。

第一條路徑是讓系統數據的打通儘可能徹底，減少員工手動搬運數據的負擔。

釘釘完成了上千項核心能力的CLI化改造，飛書支持MCP協議原生接入，WorkBuddy用連接器打通分散在各系統裏的結構化數據。

這條路徑解決的是系統上下文的稅負。效果很直接，飛書產品負責人說不需要手動導出PDF上傳、不需要整理上下文，當然它免不掉人腦經驗那一層的稅。

第二條路徑是讓上下文的採集嵌入自然工作流，員工不需要做額外的事。

飛書的豆包助手每日自動抽取工作記憶，沉澱為長期資產，釘釘悟空在安全沙箱內繼承企業權限，Agent自動讀取審批鏈和協作記錄。

更引關注的是Anthropic的產品設計，其在企業端推出的類似於數字工位產品Claude Tag把AI直接部署到Slack頻道里。

當對話本身成為上下文，這條路徑把顯性的上下文稅變成了隱性的後台採集。

效率的問題解決了，但倫理問題仍然存在。

無痛採集意味着員工感知不到自己在被提取，系統在後台持續積累組織知識，員工不知道什麼被收集了、怎麼被使用。

帝國理工和微軟的上述論文把這種機制叫做「使用中知識的捕獲」，指出它為平台創造了粘性和戰略護城河，員工作為知識的生產者，在這個過程中沒有任何議價能力。

第三條路徑啱啱開始被少數企業探索：建立正向激勵機制。

如果員工貢獻的經驗能被追蹤和量化，貢獻質量與績效考覈或薪酬掛鉤，上下文稅就從一種隱性義務變成了一種可定價的交換。

WorkBuddy開放平台的專家中心允許生態夥伴把行業經驗封裝成AI可調用的專家角色，但價值如何回饋到貢獻經驗的個體，機制尚未明確。

WPS靈犀的模式是讓AI幫用戶做到新事情而非做用戶已經在做的事情，章慶元強調工作並不等於文檔，AI應該從交付內容走向交付結果。

這個思路是減少上下文稅的另一條路，如果AI能幫員工打開新的能力空間，員工就不再把貢獻經驗視為威脅。

帝國理工和微軟的論文在對策部分寫了一條判斷，可以作為這三條路徑的校準線，即開發系統時需要考慮一個根本問題：

系統究竟是被開發來幫助用戶拓展能力邊界的，還是被開發來替代用戶當前工作的？

後者會產生強烈的動機去剝奪員工的知識。研究表明最能提升生產力的技術，是那些幫助用戶做到新事情的技術。

四. 洶湧「知識圈地」

18世紀的英國圈地運動，地主用籬笆圍起了原本屬於公共使用的土地，佃農失去了賴以生存的生產資料，被迫進入工廠成為僱佣勞動者。

在那之前，佃農的土地就是他的全部，失去土地意味着失去一切談判能力。

白領和知識工作者的核心生產資料恰恰是經驗、判斷力、行業認知、客戶關係、談判策略、對問題的直覺。

這些東西不可複製，正因為不可複製，知識工作者纔有議價能力，一個做了十年的銷售老法師的不可替代性，往往在於他知道電話什麼時候該打、打給誰、說什麼。

當企業以AI改造的名義要求員工把這些經驗整理成知識庫、編碼成skill模塊、訓練成AI可以複用的模型，發生的事情在結構上和圈地運動一樣：

生產資料正在從個體轉移到組織。

經典的勞資關係裏，企業獲取的是員工的勞動時間，支付的是工資，剝削髮生在勞動成果和報酬之間的差額上。

上下文稅的存在，帶來了連政治經濟學也沒層染指的新變化——

企業所覬覦的，不僅是勞動時間和勞動成果，而是勞動者之所以能夠產出這些成果的能力本身。

一名銷售的談判策略被AI學會了之後，這個策略仍然在產出價值，但產出價值的主體從人變成了系統，員工原本憑藉經驗積累獲得的不可替代性，隨着經驗被系統化而逐步喪失。

這就是上下文稅和普通的工作負擔之間的本質區別。

加班是在消耗人的時間，上下文稅是在消耗人的護城河。

更關鍵是，這個過程發生在嚴重的信息不對稱之下，員工通常不知道自己提交的經驗會被怎樣使用、會被保留多久、會被誰調用、會在多大程度上降低自己的不可替代性。

前面提到的「使用中知識的捕獲」機制，甚至不需要員工主動提交，系統從交互行為中就能推斷隱性知識，員工對此完全無感知。

沒有知情權、沒有議價權、沒有分潤機制、沒有不可替代性的保障。

員工面對這場知識圈地的處境，和失去土地的佃農沒有本質區別：

他們正在被要求交出自己最有價值的東西，而回報條款是空白的。

現行勞動法框架下，職務作品和職務發明有明確的歸屬規則，但「把一個人十年的談判經驗訓練成AI可複用的技能庫或模型"這件事，不在任何現有法律條文的射程之內。

王倩教授已經在呼籲討論現行法框架下如何判斷此類行為的合法性，世界經濟論壇《2025年未來就業報告》預計，到2030年全球約9200萬個崗位將因技術變革、綠色轉型等因素被替代，其中單獨歸因於AI和信息處理技術的替代約為900萬個。

但對正在被要求交出經驗的在職者來說，區分替代的原因並不能緩解焦慮。立法速度能否追趕圈地速度難以確定。

1951年，豐田的工人們之所以願意提交改善建議，是因為其用終身僱佣回答了「你的經驗交出來之後，你能得到什麼」這個問題。

2026年，大多數激進推行AI改造的企業中，絕大多數沒能回答這個問題。

44%的年輕員工在暗中搞砸AI項目，60%的高管說會裁掉拒絕使用AI的人，但沒有高管說過如何保護那些真心教會AI的人。

95%的AI試點失敗率，說到底是95%的信任缺口。

知識圈地運動的籬笆已經立起來了，但裏面的人還沒有被告知他們的地會換來什麼。