组织的 AI 转型，从建立共同的工作背景开始

一个组织对世界的理解，究竟存放在哪里？

一部分在运行数据里，一部分在制度和流程里。还有很大一部分，在资深成员的经验、管理者的判断、项目组的讨论，以及那些没有写进正式报告的取舍中。组织每天依据这些理解行动，却未必能把它们完整地交给一个新同事，更不用说交给 AI。

我越来越倾向于一个判断：组织的 AI 转型，可能需要重建这部分基础——让组织对自身工作的理解，从分散、隐含、依赖特定的人，逐步变成一套由人和 AI 共同使用、共同维护的工作背景。也就是共同的 context。

如果把组织管理理解为不断扩大协作的范围，流程让更多人能够配合做事，信息系统让不同岗位能够使用相互衔接的数据，知识管理让经验有机会跨越人员更替继续存在。AI 的加入，又把一个问题推到了面前：组织能否把自己为什么这样做、现在相信什么、什么仍然拿不准，也变成可以接续使用的工作基础？

这些能力一直都重要。AI 使它们的价值有了进一步放大的可能。一个人的经验，过去主要通过带徒弟、开会和审阅方案影响其他人；如果其中的依据、条件和方法能够被保留下来，就有机会进入更多人和 AI 的日常工作。组织的积累，也就有机会从“有人知道”，走到“组织能够持续使用”。

这是我理解共同 context 的意义。它关系到组织怎样把经历变成能力，怎样让一次判断成为下一次工作的起点。

最近读到关于“Context 就是竞争力”的讨论，我对这件事有了更明确的认识。那段讨论提出，要为 context 设计责任分工、流转方式和支撑工具。这让我重新看待自己过去做的一些尝试：它们看起来分别是记忆管理、材料整理和判断记录，实际都在处理工作背景如何留下来、传下去的问题。

我曾经需要把同一件事分别交代给不同的 AI：项目是什么，哪些事情已经决定，哪些办法试过但不合适，工作要遵循什么要求。反复交代之后，我开始把这些背景当作需要持续维护的东西。现在回头看，我在个人协作和咨询项目中逐渐形成了几种做法，可以归纳为“保留来源、分类沉淀、按需调用、反馈修正”。它们分布在不同的工具和工作流程里，仍需要我参与核对与维护。

首先，我会保留材料的出处，让整理后的内容能够查回去。咨询项目中的访谈和会议记录，会先整理成 AI 方便读取的文本，再提取事实陈述、议题和决策等内容，同时保留原话与来源。提取只是整理的开始：一段访谈能证明某个人表达过某种看法，却不自动证明这种看法就是事实。涉及关键判断时，仍然要回到原文和其他证据核对。表格与数据则尽量直接查取，避免让模型在转述中改变数字和口径。

接下来，我把不同用途的背景分别维护。项目材料保存具体工作的事实、问题和决定；共同记忆保存跨任务仍然有用的背景、偏好、约束和当前状态；反复使用的方法则写成技能说明，记录做事的步骤和检查要求。对于需要持续检验的观点，我另用判断卡记录结论、依据、反证条件和修改经过。这样，使用一项结论时，能够知道它来自哪里，也能分清它是已经确认的决定，还是等待验证的判断。

这些内容有一个共同原则：同一类信息尽量只维护一份源头。例如，跨 AI 使用的背景集中在一处更新，再按需要提供给不同工具；可复用的方法也有自己的维护位置。更换 AI 时，已有背景和方法可以继续使用。与此同时，项目资料、个人记忆和公开内容各有边界，并不是每个工具都获得全部材料。

实际使用时，我也不会把所有资料一次性塞进对话。共同记忆先提供一份简短索引，让 AI 知道有哪些背景、到哪里找；遇到具体任务，再读取相关条目的全文。项目工作则按问题查材料，存疑时回到原始依据。比如讨论一项职责调整，需要的是相关访谈、现有方案和约束条件，而不是整个项目的全部记录。长期保存多少信息，与这一次需要读多少信息，是两件事。

工作结束后，还要判断哪些新发现值得留下来。我给任务收尾加了一道检查：这次有什么下次还会用到的内容，已有记忆是否需要修正，原来明确要做的事有没有实际发生。需要形成长期结论的内容先核对、确认，再放回合适的位置。发现旧结论有误，要记录什么时候、因为什么改变了看法；已经结束的事项可以从常用入口移开，但历史仍保留，以便日后追溯。

判断卡让我尤其重视这一点。证据不支持原来的解释时，可以暂停判断，不必急着换一个听起来合理的新解释。留下“不知道”和“暂不判断”，也能帮助下一次工作避开已经走过的弯路。上下文的可靠性，取决于它是否准确呈现我们目前知道什么、还不知道什么。

这些做法放在一起，让我逐渐把上下文管理理解为一项持续的工作：保住依据，分清性质，在需要时取用，遇到新情况再修正。它们还不能证明一套组织转型方案已经成立，但提供了一个推导的起点——如果个人与多个 AI 之间需要这样接续工作，一个有更多成员、更多分工的组织，也值得建立相应的共同基础。

可以设想一个组织，正在讨论建设与运维两项职能应该合并还是分开。最终方案写下“适度分离”，这句话足以进入汇报，却不足以支撑半年后的重新判断。接手的人还需要知道：当时遇到了什么问题？哪些业务适合分离？为什么没有选择合并？方案依赖哪些人员和资源条件？有哪些异议尚未解决？

如果这些背景没有留下来，下一轮讨论可能重新走过同样的争论。AI 即使读遍最终文件，也只能围绕结论作出推演，很难知道它什么时候已经不适用。

现在继续设想：围绕这项调整，组织持续维护一份共同的工作背景。访谈意见保留为意见，核实过的事实标明依据，备选方案留下比较，正式决定记录理由，执行结果不断补充进来。半年后，某个关键条件发生变化，新的分析便可以从“原判断的哪一项前提变了”开始。

在这种工作方式下，人和 AI 接续的是同一个问题的发展过程。每一次工作既消费已有背景，也有责任把新发现和新决定补充回来。随着任务推进，组织对这件事的理解能够逐步积累，而不只是在文件夹里多出几版报告。

真正困难的部分，也会从这里开始显现。

谁来确认一条信息已经可以作为事实？谁负责维护服务对象和项目的当前状态？谁有权把一项建议改成正式决定？旧判断需要修改时，由谁复核，又怎样让正在执行的人和 AI 知道？这些问题会进入岗位职责和管理流程。维护 context 将成为工作本身的一部分，需要投入时间，也需要承担责任。

管理者的工作可能因此发生变化。除了分配任务、审核结果，还要确保团队拥有足够的背景来作出判断。专业人员的贡献，也会多出一个维度：能否让自己的经验被别人准确理解，在合适的条件下复用，并在不再适用时被及时修正。

共同维护不意味着所有人看同一份材料，更不意味着所有人必须同意同一个结论。对外沟通的人需要了解已经作出的承诺，执行者需要了解资源约束，管理者需要了解风险和取舍。不同角色应当获得与任务有关、在权限范围内的背景；他们使用的信息彼此能够对得上，分歧也有地方被明确记录。一个可靠的共同 context，应该容得下“这件事我们还没有达成一致”。

我的实践也提醒我，维护比想象中难。知识库整理曾出现过这样的情况：重写后的条目更多了，原有的大量细节却丢失了。还有一次，核对工具已经做好，日常工作却没有真正用上它。由此我开始在意两件事：整理之后，支撑判断的依据还在不在；下一次工作发生时，这些积累到底有没有被使用。

推到组织层面，这意味着共同 context 必须进入真实的工作过程。启动任务时查阅已有背景，作出决定时留下理由，执行出现偏差时回查假设，收尾时把新认识补充进去。它的效果应当体现在更少的重复解释、更少的旧口径误用，以及新成员能否更快接续工作。

当然，信息清楚了，利益冲突仍然可能存在。大家可以充分理解彼此，却因为考核和资源分配而选择不同的行动。共同 context 无法代替战略选择与权责安排，但它可以让这些选择建立在更清楚的事实和分歧之上，让组织知道自己究竟在为什么争论。

如果未来模型和 AI 工具变得更容易获得，组织之间的差异，可能会更多地体现在它们能够交给 AI 什么：对服务对象的具体理解，对工作约束的认识，经历过的失败，作出过的取舍，以及不断修正这些认识的能力。共同 context 能让这些积累有机会参与更多工作，其价值取决于它怎样帮助组织采取行动。

因此，我愿意把“共同维护一个 context”视为组织 AI 转型的核心命题之一。下一步值得尝试的，可以是一项反复发生的跨部门任务：让参与者共同维护它的背景、依据、决定和变化，再看下一次接手是否真的变得容易。

当新同事或一个新的 AI 加入时，组织能够交给它的，除了任务要求，还有我们已经走到哪里、为什么走到这里，以及哪些地方仍然可能走错。组织的下一次工作，就能从这里开始。

---

初稿说明：本文从个人与咨询项目实践出发，提出关于组织转型的推导性观点。建设与运维的场景为设想，不对应已验证的客户案例。

写作参考：用户提供的“Context 就是竞争力”节选、Context Infrastructure 项目，以及关于共同 Context 与组织转型的讨论。