我們知道的，遠比說得出來的多：博藍尼悖論 「Polanyi's paradox」，與企業導入 AI 的真正難關

每一間公司裡，幾乎都有一兩個「做久了就知道」的人。

哪個環節最容易出包、這批料的眉角在哪、這個客戶真正在意的是什麼，他心裡都有一本帳，出手往往又快又準。你問他是怎麼辦到的，他想了想，往往只能回你一句：「做久了就知道。」

這句「做久了就知道」，聽起來雲淡風輕，背後卻藏著一個讓所有想導入 AI 的企業都頭痛的難題。

你會的事，未必說得出來

1960 年代，哲學家麥可・博藍尼（Michael Polanyi）寫下一句話：「我們知道的，比我們說得出來的還要多。」（We know more than we can tell.）後來這被稱為博藍尼悖論（Polanyi's Paradox）。

他的意思是，人類大量的能力屬於內隱知識（tacit
knowledge）——你會騎腳踏車，卻沒辦法用一套規則教會別人怎麼抓平衡；你一眼認得出朋友的臉，卻說不清楚到底是從哪裡認出來的。這些知識存在於身體與直覺裡，從來沒被寫成文字，也很難被寫成文字。

為什麼這正好卡住企業導入 AI

過去幾十年，自動化的邏輯很簡單：把人做事的規則寫成程式，交給機器執行。但博藍尼悖論點出一個尷尬的事實——企業裡最值錢的
know-how，常常正是那些「寫不出規則」的部分。報價時對成本的直覺、跟客戶談判時的分寸、判斷一張詢價單值不值得接的眼光，這些都沒有寫在任何一份 SOP 裡。

這也是為什麼，很多企業興沖沖導入 AI，最後卻卡住。問題往往不在技術，而在於：你要 AI 學會的那件事，公司裡根本沒有人「說得清楚」。

舉個製造業天天在發生的例子。一張詢價單進來，資深業務十分鐘就能給出一個八九不離十的報價。你想用 AI 把這個流程自動化，於是去問他：「你是怎麼算的？」他可能給你幾條規則——材料、工時、數量。但真
正關鍵的那些判斷：這個客戶以前常常殺價，所以報價要留一點空間；那種公差他們嘴上要求很嚴，實際驗收時其實沒那麼計較；這批急單值得犧牲一點利潤去搶……這些他自己未必意識到，更不會主動講。AI
拿到的，只是冰山露出水面的那一角。

生成式 AI 鬆動了悖論，但沒有讓它消失

有趣的是，這一波生成式 AI
與大型語言模型，某種程度上鬆動了博藍尼悖論。過去機器只能執行被明確寫下的規則；現在的模型可以從大量範例中「歸納」出人說不清楚的模式。它不需要你寫出騎腳踏車的公式，看夠多次就能抓到感覺。

但這沒有讓難題消失，只是換了個位置。模型要從範例學，前提是企業手上得有「範例」——也就是把那些散落在資深員工腦袋裡、藏在 email 往來與 LINE 對話裡、寫在便條紙上的判斷，變成 AI
看得到、學得到的資料。對絕大多數公司來說，這些東西從來沒有被好好留下來。資深的人一退休，知識就跟著走出大門。

真正的起點：把內隱變外顯

所以，企業導入 AI 真正的起點，往往不是挑哪個模型、買哪套工具，而是更基本的一件事：把內隱知識，一點一點變成外顯知識。

這件事沒有捷徑，但有方法：

- 先從「說得出規則」的部分自動化。 報價、詢價分類、規格表、法規文件——這些流程裡有很大一塊其實是有跡可循的雜務，先讓 AI 接手，把人的時間留給真正需要判斷的環節。
- 在做事的過程中，順手把判斷記下來。 與其要資深員工憑空寫一本武功祕笈（他寫不出來），不如在他每天實際決策的當下，把「為什麼這樣判斷」一筆筆累積成一套團隊與 AI
都查得到的知識系統。內隱知識最容易被捕捉的時刻，就是它正在被使用的時候。
- 讓人留在迴圈裡。 AI 不是要取代資深的人，而是先把他會的東西放大、複製給整個團隊；同時透過培訓，讓現場與辦公室的員工分得清楚：哪些事該交給 AI、哪些事還是得靠人。
- 讓整理好的知識，也被外面的 AI 看見。 你把產品、製造能力、公差與認證整理成結構化資料的這份功夫，不只餵養內部的 AI——當全球買家用 AI
採購代理尋找供應商時，讀得懂你、把你列進名單的，正是這份資料。AI 時代的訂單，正從「靠人脈被找到」轉向「靠資料被 AI 找到」。

結語：最難的一關，也是最深的護城河

博藍尼悖論不是一句要我們放棄的喪氣話，而是一張地圖，標出了企業導入 AI 真正的戰場——不在伺服器，而在那些「做久了就知道」、卻一直沒被寫下來的智慧裡。

對台灣的製造業來說，這既是最難的一關，也是最深的護城河。那些累積了數十年、對手學不走的 know-how，只要被好好留下來，就會從「人一走就消失的風險」，變成「AI 幫你不斷複製的優勢」。

在洛科智策，我們相信企業導入 AI 的第一步，不是追逐最新的模型，而是先把團隊裡那些「做久了就知道」的智慧留下來、用起來——讓它替你自動化日常、傳承經驗，也讓 AI 時代的買家因此找到你。