@rohanpaul_ai: 一家公司的判断力并非存在于其档案中,而是存在于资深员工在工作交付前所做的修改(差异)中。……
摘要
本文认为,公司真正的判断力并非藏于存档文件中,而是体现在资深员工在工作最终定稿前所做的编辑(差异)中;AI 应学习这些差异以捕捉机构知识。
查看缓存全文
缓存时间: 2026/06/26 08:08
一个公司的判断力并不存在于它的档案中;它存在于资深员工在交付前所做的修改(差异)中。
Farsight将这种机制称为判断系统——即一种软件,能够保留实际工作中的编辑痕迹,并将反复出现的决策转化为可衡量的规则。
下一个企业级AI的护城河,不再是存储的知识,而是存储的判断力。
如果AI要学习专业公司的工作方式,它不能仅从精炼的产出中学习。
AI需要第一稿与最终稿之间的差距,因为这一差距中包含着该公司对“好“的私有标准。
Kunal Tangri (@TangriKunal): “三十年来,“捕获机构知识“的含义始终如一:索引文档,然后在其中搜索。
但文档是判断力的产出,而其中判断已被抽离。
判断力存在于差异之中。存在于初稿和最终交付版本之间的标记中。并且“
相似文章
在人工智能的‘最后一公里’中,人类判断的作用是什么,而模型仍然无法胜任?
作者反思自2019年《Ghost Work》一书出版以来,人类在AI‘最后一公里’中的参与是否发生了转变,探讨人类判断当前的独特角色及其潜在演变。
@hnshah: https://x.com/hnshah/status/2066761276945211442
Hiten Shah 反思了 AI 如何将 GitHub 从证据库转变为非编码人员可以直接将产品判断应用于软件工作流程的环境,从而弥合客户理解与代码之间的鸿沟。
@femke_plantinga: 公司维基有一个大多数团队直到为时已晚才意识到的问题。(到那时,你的AI代理已经在用错误的信息工作了……)
本文强调了公司维基中过时文档的问题,尤其是当AI代理依赖过时信息时,并介绍了Slite的自我维护知识库作为解决方案,它能自动检测偏差并建议更新供人工批准。
@addyosmani: https://x.com/addyosmani/status/2084354578196443351
Addy Osmani 反思了在以AI驱动的世界中品味和判断力的作用,认为尽管AI可以习得品味,但植根于责任感和主人翁意识的人类判断力仍然不可替代。
真正的AI护城河正从模型转向工作流吗?
反思AI领域的竞争优势是否正从模型本身转向围绕模型构建的工作流和用户体验,并以编码工具和笔记应用为例。