制度性知识是最难被自动化的资产

福特刚做了件反直觉的事：一边继续投入 AI 质检，一边又返聘了 300 多名资深工程师。

一家持续投入自动化和 AI 的汽车巨头，为什么要把人请回来？这件事值得每个想用 AI 替人的组织想一想。

先说清楚信息来源：这件事目前来自近期多条社交媒体帖子的转述，中文帖称福特返聘约 350 名、英文帖称超过 300 名资深工程师，我还没有核到权威媒体的一手报道，所以下面统一用”300 多名”这个更保守的说法。

据这些转述，福特一度对 AI 在质量把关上寄予厚望。但在一批经验丰富的工程师提前离开后，汽车质量出现了问题。有报道把”资深工程师流失”和”质量下滑”联系在一起——这个因果是否严格成立，其实还值得存疑，但福特确实把人请了回来，让他们”教 AI”、把经验传下去。

无论福特的具体因果如何，这件事点出的分界线是真实的：显性知识和隐性知识。

能写进文档、SOP、表格、检验标准的，是显性知识。这类知识更容易被 AI 检索和调用。

但真正决定质量的，往往是另一类东西：老师傅听一耳朵异响，就大致知道哪里可能出问题；说得出这道工序当年为什么非改不可……这些隐性的制度性知识（institutional knowledge），装在人的身上，靠多年现场一点点积累，很难写下来，自然也很难交给 AI。

而在质量这件事上，这类经验往往是底座。

这里有个常被跳过的前提：如果这些经验没有被及时组织化、沉淀成可复用的记录，那么资深的人一走，这层知识就可能断档。AI 接不住断掉的部分，质量随之波动。福特的教训与其说是”AI 没用”，不如说是提醒：那些”没写下来的经验”，比想象中更重要。

福特这一课其实很朴素：AI 的上限，取决于它背后的经验、数据和领域知识。在那些高度依赖现场判断的环节，把 AI 当替代品、指望它把人换掉，容易撞上这堵墙；把它当放大器、让它放大有经验的人，才更走得通。

做质量、做精益的人，对这件事不该陌生。我们熟悉的那套质量管理体系——工艺文件、检验规程、追溯记录、FMEA——存在的部分意义，就是尽量把这些”只可意会”的现场经验，转化成可追溯、可验证的证据。它对冲的，正是”人一走、经验就散”这种组织的脆弱。

制度性知识越是只装在几个人脑子里，组织就越脆弱；越是被沉淀成可传承、可验证的资产，组织就越稳。这不是 AI 时代才有的道理，但 AI 时代把它放大了。

换个角度看：福特请回来的，与其说是一双双手，不如说是一份份判断力。

当执行变得越来越便宜——AI 能写、能算、能生成——判断反而变得越来越稀缺。谁手里握着那些一时难以被 AI 替代的经验，谁就更可能在组织能力上形成优势。

一个问题，留给你：你的组织里，最关键的那部分经验，有多少还只装在几个人的脑子里？一旦这几个人离开，现在的记录和系统，接得住吗？