模型會商品化，文件可以被複製，但「我們在什麼情境下做了什麼，最後發生什麼」才是下一代企業 AI 真正需要的資料。
最近企業談 AI，開始出現一個逐漸形成的共識。
大家用的 Model，差距會越來越小。
今天你用 GPT，明天我用 Claude，後天又出現一個更便宜、更快、效果差不多的模型。
甚至很多模型最後可能就像 Cloud、Database 一樣：
很重要。
但很難單靠「我們用了哪一家」形成長期競爭優勢。
Stanford Digital Economy Lab 在 2026 年的《Enterprise AI Playbook》裡，就把 Proprietary Data 直接稱為企業 AI 中比較持久的競爭優勢。在他們研究的企業案例中，75% 提到 proprietary data 是 AI strategy 的重要因素，47% 更把長期累積的資料視為競爭護城河。(Stanford Digital Economy Lab)
IBM 也提出類似觀點：
通用大型模型學到的是大家都能取得的公開知識，真正讓 AI 理解一家公司的，是它自己的資料、流程、產品、客戶與語言；甚至直接形容「model 是 commodity，真正的價值在 workflow」。(Proprietary data—your competitive edge in generative AI )
所以現在很多人的結論是：
AI Model 會商品化，真正的差異在企業自己的 Data 與 Know-how。
這個方向我基本上同意。
但我最近愈來愈覺得：
還少了一層。
Know-how 很重要，但 Know-how 還不是 Experience
我們過去做 Knowledge Management，很習慣把高手的知識整理出來。
例如問一個很資深的業務主管：
「遇到客戶殺價時應該怎麼辦？」
他可能會說：
不要急著降價，要先理解客戶真正的顧慮，再重新確認價值。
很好。
我們把它整理成 SOP。
放進知識庫。
再做 RAG。
以後員工問 AI：
「客戶要求降價怎麼辦？」
AI 就可以回答：
「不要急著降價，應先理解客戶真正的顧慮……」
恭喜。
公司成功打造了一個很會背主管語錄的 AI。
（笑）
問題是，真正厲害的業務主管，靠的通常不只這一句。
真正的 Experience 很可能長這樣：
客戶先說：
「你們比競爭對手貴 20%。」
業務沒有立刻解釋價格，而是問：
「如果價格不是問題，現在這個方案還有哪些地方讓您猶豫？」
客戶回答：
「其實我比較擔心導入之後沒有人維護。」
業務發現：
原來價格根本不是問題。
於是整個談判策略改變。
這時候真正值得保存的，不只是：
「不要急著降價。」
而是：
Situation
→ Action
→ Reaction
→ Adjustment
→ Outcome
這才叫 Experience。
Knowledge 是答案，Experience 是軌跡
我會這樣區分兩者。
Knowledge 比較像：
「遇到 A，通常可以做 B。」
但 Experience 是：
「在這個 Context 下，我做了 B，對方產生 C 反應，所以我改成 D，最後結果變成 E。」
Knowledge 很適合放進：
文件、FAQ、SOP、知識庫。
Experience 卻更像是一段：
Trajectory。
它具有：
情境。
時間。
動作。
反作用。
結果。
有時候還有失敗。
這也是為什麼真正的專家知識往往那麼難寫成 SOP。
你問老師傅：
「你怎麼知道這個聲音不對？」
他可能真的只能回答：
「做久了就知道。」
很討厭。
但他不是故意藏私。
是因為他的知識本來就不是一條文字規則。
而可能是一堆長年累積的：
Context → Pattern → Action → Outcome
有趣的是，2026 年真的開始有研究走到這一層
今年 Academy of Management 有一篇研究很接近這個想法。
研究者訪談了 52 個正在導入 GenAI 的組織，共進行 66 次半結構訪談，探討 GenAI 怎麼幫企業整合 Tacit Knowledge。
他們發現一個很重要的機制，稱為：
pattern-based mediation。
簡單說，以前企業想保存資深員工的 know-how，通常得請專家：
「麻煩把你的經驗寫下來。」
然後專家永遠說：
「好。」
接著半年過去。
（笑）
但研究發現，AI 有機會改成從專家實際工作的 context-action pattern 中學習：什麼情境下採取什麼行動，再把這些 pattern 擴散到組織其他地方。(Academy of Management Journals)
我覺得這個差異非常重要。
因為它意味著：
我們不一定非得叫專家「描述他的知識」。
未來更有價值的做法，可能是：
記錄專家如何工作。
這是完全不同的 Knowledge Management。
從「把老師傅叫來寫 SOP」，變成「把他的決策過程留下來」
想像一個工作二十年的主管。
公司以前會想：
他快退休了，趕快把 Know-how 傳承下來。
於是安排：
訪談。
錄影。
寫教材。
整理 SOP。
最後產出：
《主管溝通技巧 50 條》。
然後新主管看完。
還是不知道明天怎麼跟那個很難搞的部屬談話。
因為他缺的不是：
Knowledge。
他缺的是：
Experience。
例如部屬說：
「這不能全部怪我吧？」
有經驗的主管會做什麼？
先談責任？
先同理？
問細節？
如果對方防衛上升呢？
如果對方開始推卸給其他部門呢？
什麼時候應該繼續傾聽？
什麼時候應該把話題拉回 Accountability？
這些東西才是「二十年經驗」真正值錢的地方。
所以我開始覺得，企業下一代真正要建立的資料，不只是 Knowledge Base
而是：
Experience Base
這不是目前一個標準化的企業 IT 名詞，我比較把它當成一個概念。
它保存的不是只有：
What do we know?
而是：
What happened?
What did we do?
What happened next?
Did it work?
甚至：
If it didn’t work, what did we change?
我會把一筆 Experience Data 最簡單地定義為：
Context + State + Action + Reaction + Outcome
如果再進一步，可以增加：
Evaluation / Evidence
也就是：
Context
當時發生什麼事情？
State
人、客戶、系統當時處於什麼狀態？
Action
我們做了什麼？
Reaction
對方／環境產生什麼反應？
Outcome
最後發生什麼？
Evaluation
這個結果是好還是不好？為什麼？
這六個東西一旦開始被結構化，
企業擁有的就不只是：
知識。
而是：
經驗。
其實企業早就在收集 Experience，只是沒有把它當 Experience 看
CRM 裡有客戶紀錄。
客服有 Conversation Log。
ERP 有 Transaction。
HR 有績效資料。
專案系統有 Task。
Email 有決策過程。
會議有 Transcript。
甚至 Slack、Teams 裡都有大量：
「為什麼最後我們決定這樣做？」
的痕跡。
問題是，這些資料現在通常是散的。
我們知道：
A 發生了。
B 發生了。
C 發生了。
但不知道：
是不是因為 A 採取了某個 Action，所以才導致 B，最後形成 C？
Process Mining 過去就在做類似的事情：從 event logs 還原實際流程與行為模式，而不是只看公司寫在 SOP 裡「理論上應該怎麼運作」。(科學直接)
而最新的研究甚至已經開始把 Process Mining 從：
What happened?
往：
What action should be taken next?
推進，希望從企業 event data 建立可以支援 Agent 行動決策的 evidence package。(From Event Logs to Governed Action: A BlueSky Agenda for Agentic Process Mining)
我覺得這正是一個很重要的方向轉變。
Knowledge Base 解決「AI 不知道」，Experience Base 解決「AI 不會判斷」
這兩件事情差很多。
例如，公司建立一個 HR Knowledge Base。
AI 可以回答：
PIP 應該包含哪些步驟？
很好。
這是 Knowledge。
但是如果你問：
「現在員工說：『這件事情又不是我的責任』，主管下一句到底應該怎麼回？」
突然變難了。
因為這不是查資料。
這是一個：
Decision under Context。
更重要的是：
主管說完之後，
對方會怎麼反應？
如果更防衛了呢？
如果開始合作呢？
下一步呢？
到了這裡，我們需要的已經不是 Search。
而是：
Simulation。
這也是為什麼我最近一直在想 World Model
大型語言模型非常厲害的一件事情是：
知道很多。
但一個真正能協助人做複雜決策的系統，還需要另外一種能力：
理解「我做了這件事情之後，世界可能怎麼改變」。
這就是 World Model 很核心的一個概念。
在 AI / robotics 裡，trajectory、action、observation、future state 本來就是很重要的學習單位。現在的研究也持續在探索讓模型利用 world model 去預測 action 後的 future state，而不只是模仿下一個動作。(On the Capability Separation Between World-Model Policy Learning and Imitated World-Action Models)
這跟企業管理看起來離很遠。
但我覺得概念其實非常像。
主管說一句話。
部屬的狀態改變。
業務提出一個方案。
客戶的反應改變。
客服回覆一句話。
客戶繼續抱怨或開始合作。
這些全部都是：
Action → State Transition
而企業真正累積幾十年的「經驗」，
某種程度就是：
我們已經看過很多次這些 State Transition。
這也剛好解釋了為什麼我最近在 Kairos 裡愈來愈重視 Evidence Chain
例如我們做主管 PIP 演練。
如果 Jasmine 說：
「這件事情不能全部算我的。」
主管回答：
「我理解其他部門確實也有責任。」
如果只分析這一句，
AI 可能說：
「很好，展現同理心。」
結束。
但我們真正關心的不是這一句好不好聽。
而是：
Jasmine 接下來怎麼了？
如果她從：
高防衛
變成：
願意說明細節，
接著主管再問：
「那我們把外部因素跟你可以控制的部分分開來看，好嗎？」
Jasmine 開始承認：
「每週追蹤這部分，我確實沒有一直做到。」
這整段才是一個有價值的 Experience。
也就是：
Trigger
→ Behavior
→ Reaction
→ Adjustment
→ State Transition
→ Outcome
這就是 Evidence Chain。
所以 Evidence Chain 不只是為了：
讓 AI 評分比較有依據。
它還可能是一種更重要的東西：
把人的互動經驗轉成可累積資料的方法。
這一點我最近愈來愈覺得重要。
因為 Score 本身其實沒有那麼值錢
假設公司做了十萬次主管訓練。
最後留下來的是：
主管 A：82 分。
主管 B：76 分。
主管 C：91 分。
十年後 AI 看著這些資料：
「……所以呢？」
😂
分數是 Summary。
不是 Experience。
真正值錢的是：
A 在面對什麼情境時卡住？
採用了什麼行為？
對方出現什麼反應？
A 怎麼調整？
最後有沒有建立共識？
高手跟普通主管的差別到底在哪一個 transition？
這些才是可以讓下一代系統：
Learn、Simulate、Predict、Train
的資料。
所以資料量大，不一定代表你有 Experience Data
這也是企業很容易搞錯的一件事。
公司可能說：
「我們有二十年的 CRM Data。」
很好。
但如果只有：
客戶名稱。
金額。
成交 / 未成交。
這些資料當然有價值。
但它只能告訴你：
結果。
如果你想知道：
為什麼那個業務成交？
可能需要的是：
客戶當時有什麼疑慮。
業務做了什麼。
客戶怎麼反應。
中間策略怎麼改。
最後什麼行為真正改變決策。
這才開始接近 Experience。
Nature Human Behaviour 在 2025 年一篇研究也再次顯示，若要預測人的決策，光靠大量資料未必最好；把行為理論與機器學習結合，可以更有效預測人在新情境中的選擇。(Predicting human decisions with behavioural theories and machine learning)
換句話說：
不是資料越多越有用，而是資料有沒有把「行為是怎麼發生的」留下來。
所以企業下一步真正要問的，不是「我們有多少資料？」
我反而會問五個問題：
第一，我們有沒有保留 Context？
不是只有結果。
第二，我們有沒有保留 Action？
當時到底做了什麼？
第三，我們有沒有保留 Reaction？
客戶、部屬、系統怎麼回應？
第四，我們有沒有保留 Outcome？
後來發生什麼？
第五，我們知道哪些是好的 Experience 嗎？
否則：
垃圾經驗 × 100 萬筆
也只是讓 AI 非常有經驗地犯錯。
這可能也是企業 Knowledge Management 的下一階段
第一代：
Document Management
把文件存下來。
第二代：
Knowledge Management
把 Know-how 整理出來。
第三代：
AI Knowledge
讓 AI 可以搜尋、摘要、回答。
而我覺得下一階段可能是：
Experience Engineering
不只是整理「我們知道什麼」。
而是有意識地設計資料結構，把：
我們遇到過什麼情境、採取過什麼行動、造成過什麼結果
保存下來。
這些資料以後不只是給人讀。
而是給：
Agent。
Simulator。
World Model。
Training System。
Decision Support。
使用。
這件事情會改變企業看待「資料資產」的方式
過去 Data Strategy 很容易集中在：
Customer Data。
Transaction Data。
Financial Data。
Operational Data。
未來可能還有一種非常重要：
Experience Data
而且這類資料最大的特色是：
很難買。
GPT 可以買。
GPU 可以買。
Vector Database 可以買。
Consultant 可以請。
但一家企業十年裡：
處理過十萬次客訴。
做過五萬次銷售談判。
帶過一千個績效改善面談。
完成過三百個大型專案。
遇過一百種 Crisis。
如果這些東西當時只有：
「案件已結案」
那它們就消失了。
如果留下的是完整的：
Context → Action → Reaction → Outcome
那可能會變成一個競爭者非常難複製的資產。
所以 AI 時代，真正珍貴的也許不是答案，而是經歷
以前我們很努力把公司變成：
知道很多事情的公司。
建立 Knowledge Base。
寫 SOP。
文件化。
這仍然很重要。
但 AI 本身已經是一台極度擅長「知道事情」的機器。
於是企業下一個問題可能變成：
它有沒有經歷過我們經歷過的事情？
當然，AI 不是真的「經歷」。
但是如果我們可以把人的經驗變成：
情境。
行動。
反應。
結果。
它至少開始可以：
理解 pattern。
模擬。
比較。
預測。
甚至建立新的訓練情境。
2026 年那篇 Academy of Management 的研究已經看到類似跡象：GenAI 有機會不再只靠專家把 Tacit Knowledge 寫成文字，而是從專家的 context-action patterns 中整合知識。(Academy of Management Journals)
我覺得這可能是一個非常重要的轉折。
Model 會變便宜，但 Experience 只會越來越貴
所以如果今天問我：
企業 AI 最值得長期投資的是什麼？
我不會只回答：
「選一個最好的 Model。」
因為模型一定會換。
我也不會只說：
「把文件全部做 RAG。」
那只是第一步。
我反而會問：
你今天發生的這些工作，有多少會在事情結束之後，變成公司明天可以使用的 Experience？
如果一個資深員工做了二十年，
退休那天帶走的不是文件。
而是：
二十年的 State → Action → Outcome。
如果這些從來沒有被留下來，
AI 再強，
也只能重新從頭學一次。
所以我現在愈來愈相信：
大家已經開始同意：AI 本身會逐漸商品化，真正的競爭優勢在企業自己的 Data 與 Know-how。
但這還只是第一步。
下一個真正重要的企業資產，可能不是 Knowledge。
而是：
Experience。
不是：
「我們知道什麼？」
而是：
「我們曾經在什麼情境下做過什麼，然後世界發生了什麼改變？」
如果企業能開始把這些東西留下來，
那一天 AI 才不只是：
讀過公司的知識。
而是開始：
理解這家公司是怎麼做事的。
而我認為，
這才可能是企業 AI 真正拉開差距的地方。