用 AI 复制关键人之前，先分清模型、影子、孪生——80% 的经验，根本进不了资料库
先说一个 1970 年的故事。它正好能回答一个问题：什么样的"备份"才算数，什么样的，只是一道影子。
1970 年 4 月 13 日，阿波罗 13 号飞到距地球三十多万公里的地方，一个氧气罐炸了。
把人带回来的，不完全是太空里的那艘船，而是地面上的另一艘——NASA 造了两艘一模一样的飞船，一艘上天，一艘留在地面当模拟器。工程师把太空传回的数据灌进地面这艘，在模型上一次次试，试到方案确定，再让宇航员照着操作。
严格说，那台地面模拟器是物理的，不是虚拟的，把它当成"数字孪生"的原点并不准确。但这个意象是对的：真正的备份，不是一份档案，是一个可以拿来试的东西。
现在换回你的公司：那个"一走就没人接手"的关键人，你手里留下的是一艘能试的船，还是一道影子？
一、三种东西，被混成了一种
这两年我见过太多老板说"我们也做数字孪生了"：把制度、手册、历史方案、会议纪要整理进一个知识库，接上大模型，问它问题它能答——然后就没了。
先说这个词的本义。数字孪生最早来自制造业：给一台设备建一个虚拟副本，让它跟真机同步运行。好处不是"留个记录"，是能在副本上先试——换参数、模拟故障、推演后果，试完了再动真机。
问题在于，这一类东西在学界其实被分成三级，差别不在技术含量，在数据往哪边流：
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
分类参考自数字孪生文献中对 digital model / digital shadow / digital twin 的经典三级划分；概念源头为 Grieves 于 2002 年提出的三要素模型（物理实体、虚拟表示、双向数据流）。
绝大部分企业做到的，是第二级——一道影子。
影子会跟着人动，但影子从来不会反过来影响那个人。所以你得到的不是副手，是一个会背材料的实习生。
二、80% 的知识，长在人脑子里
为什么会这样？因为知识这个东西，本来就不长在文件里。
英国哲学家波兰尼在 1966 年留下一句话，六十年来没人能推翻：我们知道的，多于我们能说出来的。
他举的例子很朴素：你能一眼认出妻子的脸，但你说不清自己是怎么认出来的；你会骑车，但你写不出一份让外行照着学会骑车的说明书。这类知识叫隐性知识——它不好编码、依附情境、和当事人的经验长在一起。
经济学界有个被反复引用的经验法则：企业有价值的知识里，大约 80% 处于隐性状态，真正被写成文字、存进数据库的只有 15%–20%。（这个比例是业界通行估计，不是精确统计；张维迎也说过"这些知识和经验中 80% 深藏于员工内心"。）
这意味着什么？你公司的知识库再大，装的也就是那 20%。
隐性知识有三层麻烦，一层比一层难缠：
第一层，它说不清。就是波兰尼那句话，当事人自己也拆不出步骤。
第二层，它离不开情境。同一个报价判断，换个客户、换一年的行情，结论就变了。所以脱离场景记下来的"经验"，往往是错的——这也解释了为什么很多员工手册写得漂亮，新人照着做还是不会。
第三层最难，拥有它的人不一定愿意讲。
他的经验来之不易，又正是他在公司里的位置和议价能力所在。师傅把绝活讲透了，等于给自己培养掘墓人——这话不体面，但真实。
所以这件事的阻力从来不在技术，在人性。
三、这件事，八十年代已经试过一次，失败了
现在很多文章把"AI 复制专家"讲成新事物。不是。上一轮的版本叫专家系统，而且曾经非常成功。
DEC 公司 1980 年上线的 XCON，用几千条规则帮客户配置 VAX 机器，处理的订单准确率超过 95%，一年省下数千万美元。那是符号 AI 第一次在工业规模上赚到真钱，也直接引爆了 80 年代的 AI 投资热。
然后它死了。死因写进了每一本 AI 教材：知识获取瓶颈。
要建一个中等规模的系统，得派"知识工程师"长时间采访专家，把他的判断拆成一条条 IF-THEN。问题在于专家的判断大量是直觉，他自己也说不清为什么。这个访谈过程要耗费数人年，规则上千条之后彼此冲突，改一处影响另一处。
一位研究者对这段历史的总结，我认为是这篇文章最该被记住的一句：
知识获取的瓶颈不会在系统启动前发生一次，它贯穿系统的整个寿命。
1980 年代末，专家系统产业萎缩，AI 进入长达数年的第二个寒冬。这个故事的完整教训不是"技术不行"——XCON 的能力是真的，是把"把默会知识变成可维护的东西"的劳动量，被系统性低估了。
那这次凭什么不一样？一个真变化，一个假变化：
真变化：不用再写 IF-THEN 了。大模型能直接吃下口语化的复盘、含糊的表述、带例外的经验，这在 1985 年是不可想象的。技术门槛确实拆掉了一大半。
假变化："专家愿不愿意讲"这件事，一点没变。当年是知识工程师约不到专家的时间，现在是没人愿意把二十年的手感录成语音。工具换了三代，人性没换。
四、95% 这个数字，该被正视了
历史讲完，看当下。2025 年，MIT 的 NANDA 项目发布了一份企业 AI 现状研究，样本是 300 个公开披露的 AI 项目、150 位高管访谈、350 名员工调研。结论很扎人：
约 95% 的企业生成式 AI 应用，尚未产生可衡量的损益影响。企业侧系统的转化漏斗是 60% 被评估 → 20% 进试点 → 只有 5% 真正进生产。
报告把根因归结为"学习落差"——不是模型不行，是系统无法随组织的工作方式持续学习、也不保留上下文。用报告里的话说：试点验证了模型能做什么，却没有回答企业必须改变什么。
同一份报告里还有三个细节，我认为比 95% 更有用：
① 外购的方案成功率高得多。基于外部专业方案的项目成功率约三分之二，完全自研的约三分之一。这件事自己从零攒，不划算。
② 钱投错了地方。约七成预算砸在销售营销上，但回报最高的往往在后台职能——那些重复、量大、有明确规则的活。
③ 高风险的事，人还是不信它。约九成员工在重要或高风险任务上仍选择人来处理，原因是通用工具"没有记忆"，记不住长期积累的业务上下文。
资料来源：MIT Project NANDA《The GenAI Divide: State of AI in Business 2025》。该报告对"95%"的准确表述是"未形成可衡量的损益影响"，不等于"95% 的项目彻底失败"，引用时不宜简化成失败率。
把第 ① 和 ③ 条放在一起看，指向很清楚：这件事的胜负不在"模型多强"，在"有没有把那个人的上下文留住、并且天天用起来"。这正是数字孪生这个概念本来要解决的问题。
五、"更卷"卷的不是价格，是效率
到这里，道理已经说完了。但道理推不动事——很少有企业是被道理说服才去变的。真正的开关通常是一次丢单、一个大客户被挖走、一个老师傅退休、一次比价输给了同行。改变从来不源于觉悟，源于处境。
而这三年，处境变的位置很具体：
|
|
|
|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
所以老板真正焦虑的，早就不是"没订单"，而是这句话——
"同样的活，为什么我这边非要靠那几个特定的人才能干成。"
六、把"说不清"逼出来：一台面包机给的答案
那这件事到底怎么做？知识管理领域有个我认为最实用的模型，野中郁次郎和竹内弘高 1995 年提出，讲的是隐性知识怎么变成组织资产，四步：社会化 → 外化 → 组合化 → 内化。它不是理论摆设，起点是一个真事。
1980 年代中期，松下要开发家用面包机，最大的难关是揉面——机器揉出来的面团总不如面包师。工程师试了很多参数都不行。
最后她们没去改参数，而是去拜师：软件工程师田中郁子到大阪国际酒店，跟着首席面包师学揉面。她发现师傅的手法有一个特征，师傅自己从没总结过——不是揉，是"拉伸、扭转"。
她把"扭曲拉伸"这一个词带回实验室，重新设计了机器。
一句话：不是把师傅的经验写成手册，而是找到一个词，把师傅说不清的手感翻译出来。
这就是"外化"：隐性知识不是被"采集"出来的，是被"对话"逼出来的。你得有个场，有人在旁边追问，当事人才能把自己都没意识到的东西讲出口。
落到"用 AI 理解一个人"，我把它拆成三层。要说明一句：这三层和 SECI 那四步不是按顺序对应的，是按知识形态对应的。
第一层 · 语料层：他说过什么
会议记录、客户沟通、内部培训、批复意见、复盘录音。对应"组合化"——把零散的显性知识拼成体系。最容易采，也最容易被当成全部。
第二层 · 决策层：他怎么定
什么情况他批、什么情况他否；报价让到哪一步就停；出问题时先保客户还是先保成本。对应"外化"——最难，也最值钱。
第三层 · 边界层：他什么时候会犹豫
哪类事他会说"这个我得问问"、哪类事他宁可不做、他犯过的错和吃过的亏。这一层靠"社会化"来——只有长期共事、见过他几次犹豫，你才知道边界在哪。它最容易被跳过，却恰恰决定孪生像不像。
只做第一层，是数字影子；三层都做，才有资格叫孪生。而三层之间，靠的不是爬虫，是几十场有质量的对话。
至于那四步里的最后一步"内化"，落点在后面的"落地四步"表里——让人每周真的用起来，知识才会重新长回人身上。
七、落地四步：不用高科技，用笨功夫
这套东西落到你自己的公司，我建议就按这四步走。别一次全上——一次做一步，做完一步再谈下一步。
|
|
|
|
|---|---|---|
|
约 1 周 |
|
|
|
约 4–6 周 |
|
|
|
约 3 周 |
|
|
|
持续 |
|
|
注意第四步我改了名字：从"用起来"改成"长出来"。因为只有双向的数据流——系统给出建议、人纠正它、它据此改进——这件事才算从影子变成孪生。
八、四个坑，踩一个就白花钱
坑一：影子当孪生
灌完资料就问"为什么它不懂我们公司"，其实它懂的是文件，不懂人。没有双向互动，做到 100 分也只是影子。
坑二：让它当替身
它是副手，不是责任人。AI 可以出结论，签字必须是活人。责任不能外包。这也能解释 MIT 报告里那九成员工为什么在高风险任务上仍选人——他们要的不只是一个答案，是一个能担责的人。
坑三：采集越界
客户真实姓名电话、原始合同条款、员工薪酬绩效原始数据，这三类不进模型。先签内部授权、先做脱敏、再入库，顺序反了就是给自己埋雷。
坑四：只存不用
花三个月建好，全年没人打开。那不是数字孪生，那是电子骨灰盒。先想清楚谁每周会用、用来干什么，再动手。
最后，三句实话
第一，别等"想清楚了"再做。你不是靠想清楚才开始改的，是被同行逼的。认清这点，少走弯路。
第二，先做一个人，别做全公司。做透一个，全公司才会信；铺开做，三个月后一定烂尾。
第三，老板本人先做。你按前面那个标准盘一遍——最贵、最难替代、最说不出所以然的那个人，很可能就是你自己。你出差两周公司就乱，说明你的判断力从来没被备份过。
NASA 在地面留一艘飞船，不是为了让人下岗，是为了出事的时候，还有一艘可以试。
这一轮卷到最后，赢的不是最努力的那家，
而是同一个人的判断力，能被组织用上十次的那家。
想一想：
过去一年逼着你做出改变的那件事，是丢了一个客户，还是被人比了一次价？
评论区写一句就行，不用写公司名。我们会挑几条典型情况，专门写文拆解。
