作者 | 松壑

1951年，丰田启动了一项叫做“创意提案制度”的实验。公司要求每一个流水线工人把自己在工作中发现的改进方法提交上来，工人们照做了。

半个多世纪里，丰田累计收到约5000万条改善建议，高峰期每名员工每年提交近50条，近年稳定在每人每年14条左右，丰田生产方式由此成为全球制造业的教科书。

工人愿意交出自己的诀窍，原因很朴素：丰田承诺终身雇佣，人的经验让公司更强，公司保证你的位置。信任先行，知识随后。

2026年，一些中国企业正在要求员工做一件近乎相似的事：把你的工作经验交给AI，包括并不限于整理知识库、编写系统性提示词和Skill、录入判断逻辑、校验AI的输出。

福特当年推行流水线的时候，工人从分散的车间集中到传送带旁边，工作被拆成更细的单元，效率提高了，但没有人被要求把自己的手艺写成说明书交给机器。

AI改造完全不同。它要求每个人主动增加一层额外劳动，为AI准备它需要的上下文，但回报与风险承担却是不确定的。

丰田给了一个承诺，大多数激进推行AI改造的企业什么都没给。

今年7月，福布斯技术委员会发表了一篇文章，标题叫《The Hidden Context Tax That's Killing Your Enterprise AI Agents》，标题就提出了一个概念：

上下文税

研究提出，企业AI系统中因上下文不足或管理不当导致的效率损耗和精度下降，属于一种隐性税负。

这个概念可以往前推一步：上下文税首先是一个组织问题。

企业为了让AI变得聪明，需要员工在本职工作之外额外付出劳动来整理、提交和维护上下文，而这个额外劳动在权利、责任、风险和收益四个维度上全部失衡。

MIT在2025年发布的《The GenAI Divide》报告显示，约95%的企业生成式AI试点未能产生可衡量业务回报，仅约5%进入了生产环境，主要障碍包括工作流脆弱、上下文学习不足和与日常运营脱节。

内在原因并不来自于技术，而是组织关系的重构没有跟上。

95%这个数字的背后，恰恰是一笔没有算清楚的上下文税。

一. 企业焦虑始作

企业作为上下文税的征税方，确实有自己的焦虑与困境。

尤其一些互联网公司推进AI改造的动机是真实的、多层的，很多时候甚至是迫切的。

最表层的是竞争焦虑。

当同行纷纷宣布全员拥抱AI、当股东或投资人在尽调里问“你们的AI战略是什么”、当客户开始用AI产品的效率来比价，不搞AI就意味着在下一轮竞争中丧失位置。

这种焦虑在2026年，已经弥漫到了几乎所有行业。

更实在的动机是解决现实问题。

关键岗位的人才流失率居高不下，核心员工离职意味着经验和客户关系同时消失。如果能把这些经验沉淀到系统里，组织的抗风险能力就能上一个台阶。

对于重复性高、规则性强的工作，AI确实能释放人力去做更有判断力的事。

还有一层不太被公开讨论的动机：管理层需要通过AI改造来证明自己的战略眼光。

AI是当下最大的叙事，推得早、推得快，意味着在董事会和股东面前占据认知高地。

这个动机未必是坏事，但它会让推进的节奏变得更激进，对落地效果的容忍度更低，留给员工适应的时间更少。

这些动机叠加在一起，构成了企业强推AI改造的合理性，但合理的推进动机并不自动解决推进方式上的权利失衡。

企业站在组织效率的角度看到的是“我需要这些经验进入系统”，员工站在个人利益的角度看到的是“系统学会了我的经验之后我会怎样”。

两种视角各自成立，但一些冲突必然会在中间地带发生。

二. 交不出与不愿交

企业的上下文分两种。一种是系统数据，审批记录、CRM字段、ERP凭证，这些可以通过API和连接器打通，技术上有成熟方案。

另一种是人身上的经验，客户为什么翻脸、这笔账通常是哪里出了问题、这份合同的第三条到底在防什么。这些知识不在任何数据库里，只有从业者自己知道。

AI需要第二种上下文才能真正干活。一个Agent看不见行业Know-How，就只能做搬运工，做不了决策者。

许多企业AI改造推到深水区之后，障碍最终总是落在同一个地方：

怎么把人脑里的经验变成AI能用的输入。

交不出来的人至少分三种情况。

第一种是经验本身就是碎片化的、直觉性的。

一个做了20年的老师傅知道一台机器的声音不对劲，但他说不清哪里不对，因为那是身体层面的感知，天然不可编码。

组织学里区分显性知识和隐性知识，不少核心经验属于后者。

第二种是经验发生在线下。

工厂车间、门店现场、面对面的客户谈判、工地上的安全判断，这些场景里的上下文不会自动变成数字信号。

让一个销售把每次客户拜访的谈判策略录入系统，等于要求他做两遍工作。

第三种是AI使用者的能力本身就弱。

总有人不会写提示词，不知道怎么把自己的经验转化成AI能理解的结构化输入，工具用不好，整理出来的东西AI也读不懂。

解决这一点企业可以强推AI培训，但培训解决的是意愿问题，能力缺口需要的是更长时间的适应。

比交不出更棘手的是不愿交。不愿交的理由有两层，每一层都指向制度设计的缺失。

第一层是恐惧。

因为上下文交出去之后，自己变得可替代。何况更多人拓展自身能力以适应新环境的速度，远远追不上交上下文的速度。

上海政法学院教授王倩在今年5月的一篇分析中指出，企业通过让员工“记录工作流程”“进行知识管理”，实际上在提炼员工的工作经验、决策思路和沟通话术，形成标准化的、可复用的技能模块。

这个过程中，企业至少从中获得四重收益：知识留存、效率提升、降低对个体的依赖、形成专属数字资产，但劳动者的贡献没有对应的权利保障。

帝国理工学院和微软研究院联合发表的一篇FAccT论文为这个现象提供了学术框架。论文引用了一个概念：

知识萃取主义

（knowledge extractivism）

研究引用数据殖民理论中的“剥夺式积累”，来描述企业AI系统在权力不对等条件下提取员工隐性知识的过程。

论文甚至指出，AI甚至可以跳过员工主动提交的内容，直接从员工与系统交互的行为模式中推断隐性知识，比如谁和谁经常协作、谁在哪个节点做了什么决策。员工自己都不知道这些信息被记录了。

这往往是一项只有义务没有权利的非对称改造，一个员工花2小时把自己积累十年的客户谈判策略录入系统，系统学会之后所有同事都能用。

但问题是做完这些，录入者什么都没得到，甚至他的不可替代性因此下降了，那他下次一定会提交一份最低限度的东西。

第二层是无激励无保障。

企业AI改造几乎总是自上而下推行，管理层宣布战略，中层传达执行要求，基层被要求配合。

配合的方式就是缴纳上下文税：整理数据、贡献skill、测试跑通、校验输出、维护知识库。

做对了没有额外的奖励，做错了如果因为AI幻觉产生事故反而要承担责任。

今年4月，企业级AI公司Writer联合Workplace Intelligence发布了一份覆盖美欧2400名知识型员工的报告，数据格外刺眼：

29%的受访员工承认自己做过破坏公司AI战略的事，包括私自使用未经批准的AI工具、拒绝使用公司指定的AI产品等。

在1997年之后出生的年轻人群体中，这个比例升到了44%。

与此同时，60%的高管表示计划裁减不会或不愿使用AI的员工。

这种反差本身在说明AI化的激进推进中，一些信任正在面临坍塌。

那些暗中搞砸的年轻员工，与其说是在对抗技术，不如说是在对抗一种只有义务没有正反馈的工作安排。

员工行为分析平台ActivTrak追踪了2023到2025年超千家企业、4.43亿小时的数字化工作行为数据，结论是：

AI落地后，员工的工作量没有减少反而增加了，周末加班增多，协作沟通时长增加34%，多任务处理时间增加12%。

大厂员工的反馈更直接：企业强推AI，实际增加了工作压力，员工不得不为AI的产出擦屁股。

上下文税加上纠错税，总税负不降反升。

三. “降税”路径涌现

认识到问题之后，行业众的一些先行者早已在不同方向来尝试几条差异化的“降税”路径。

第一条路径是让系统数据的打通尽可能彻底，减少员工手动搬运数据的负担。

钉钉完成了上千项核心能力的CLI化改造，飞书支持MCP协议原生接入，WorkBuddy用连接器打通分散在各系统里的结构化数据。

这条路径解决的是系统上下文的税负。效果很直接，飞书产品负责人说不需要手动导出PDF上传、不需要整理上下文，当然它免不掉人脑经验那一层的税。

第二条路径是让上下文的采集嵌入自然工作流，员工不需要做额外的事。

飞书的豆包助手每日自动抽取工作记忆，沉淀为长期资产，钉钉悟空在安全沙箱内继承企业权限，Agent自动读取审批链和协作记录。

更引关注的是Anthropic的产品设计，其在企业端推出的类似于数字工位产品Claude Tag把AI直接部署到Slack频道里。

当对话本身成为上下文，这条路径把显性的上下文税变成了隐性的后台采集。

效率的问题解决了，但伦理问题仍然存在。

无痛采集意味着员工感知不到自己在被提取，系统在后台持续积累组织知识，员工不知道什么被收集了、怎么被使用。

帝国理工和微软的上述论文把这种机制叫做“使用中知识的捕获”，指出它为平台创造了粘性和战略护城河，员工作为知识的生产者，在这个过程中没有任何议价能力。

第三条路径刚刚开始被少数企业探索：建立正向激励机制。

如果员工贡献的经验能被追踪和量化，贡献质量与绩效考核或薪酬挂钩，上下文税就从一种隐性义务变成了一种可定价的交换。

WorkBuddy开放平台的专家中心允许生态伙伴把行业经验封装成AI可调用的专家角色，但价值如何回馈到贡献经验的个体，机制尚未明确。

WPS灵犀的模式是让AI帮用户做到新事情而非做用户已经在做的事情，章庆元强调工作并不等于文档，AI应该从交付内容走向交付结果。

这个思路是减少上下文税的另一条路，如果AI能帮员工打开新的能力空间，员工就不再把贡献经验视为威胁。

帝国理工和微软的论文在对策部分写了一条判断，可以作为这三条路径的校准线，即开发系统时需要考虑一个根本问题：

系统究竟是被开发来帮助用户拓展能力边界的，还是被开发来替代用户当前工作的？

后者会产生强烈的动机去剥夺员工的知识。研究表明最能提升生产力的技术，是那些帮助用户做到新事情的技术。

四. 汹涌“知识圈地”

18世纪的英国圈地运动，地主用篱笆围起了原本属于公共使用的土地，佃农失去了赖以生存的生产资料，被迫进入工厂成为雇佣劳动者。

在那之前，佃农的土地就是他的全部，失去土地意味着失去一切谈判能力。

白领和知识工作者的核心生产资料恰恰是经验、判断力、行业认知、客户关系、谈判策略、对问题的直觉。

这些东西不可复制，正因为不可复制，知识工作者才有议价能力，一个做了十年的销售老法师的不可替代性，往往在于他知道电话什么时候该打、打给谁、说什么。

当企业以AI改造的名义要求员工把这些经验整理成知识库、编码成skill模块、训练成AI可以复用的模型，发生的事情在结构上和圈地运动一样：

生产资料正在从个体转移到组织。

经典的劳资关系里，企业获取的是员工的劳动时间，支付的是工资，剥削发生在劳动成果和报酬之间的差额上。

上下文税的存在，带来了连政治经济学也没层染指的新变化——

企业所觊觎的，不仅是劳动时间和劳动成果，而是劳动者之所以能够产出这些成果的能力本身。

一名销售的谈判策略被AI学会了之后，这个策略仍然在产出价值，但产出价值的主体从人变成了系统，员工原本凭借经验积累获得的不可替代性，随着经验被系统化而逐步丧失。

这就是上下文税和普通的工作负担之间的本质区别。

加班是在消耗人的时间，上下文税是在消耗人的护城河。

更关键是，这个过程发生在严重的信息不对称之下，员工通常不知道自己提交的经验会被怎样使用、会被保留多久、会被谁调用、会在多大程度上降低自己的不可替代性。

前面提到的“使用中知识的捕获”机制，甚至不需要员工主动提交，系统从交互行为中就能推断隐性知识，员工对此完全无感知。

没有知情权、没有议价权、没有分润机制、没有不可替代性的保障。

员工面对这场知识圈地的处境，和失去土地的佃农没有本质区别：

他们正在被要求交出自己最有价值的东西，而回报条款是空白的。

现行劳动法框架下，职务作品和职务发明有明确的归属规则，但“把一个人十年的谈判经验训练成AI可复用的技能库或模型"这件事，不在任何现有法律条文的射程之内。

王倩教授已经在呼吁讨论现行法框架下如何判断此类行为的合法性，世界经济论坛《2025年未来就业报告》预计，到2030年全球约9200万个岗位将因技术变革、绿色转型等因素被替代，其中单独归因于AI和信息处理技术的替代约为900万个。

但对正在被要求交出经验的在职者来说，区分替代的原因并不能缓解焦虑。立法速度能否追赶圈地速度难以确定。

1951年，丰田的工人们之所以愿意提交改善建议，是因为其用终身雇佣回答了“你的经验交出来之后，你能得到什么”这个问题。

2026年，大多数激进推行AI改造的企业中，绝大多数没能回答这个问题。

44%的年轻员工在暗中搞砸AI项目，60%的高管说会裁掉拒绝使用AI的人，但没有高管说过如何保护那些真心教会AI的人。

95%的AI试点失败率，说到底是95%的信任缺口。

知识圈地运动的篱笆已经立起来了，但里面的人还没有被告知他们的地会换来什么。