你把 AI 當計算機用，難怪團隊的知識永遠在歸零

重點摘要

我猜你的團隊用 AI 的方式大概是這樣：打開 ChatGPT，把背景資料貼進去，問一個問題，拿到答案，複製回文件裡。下次有新問題，重複一遍。

Hiten Shah 今天把這個叫做「計算機模式」。每次都重來，知識從不累積。而他說這正是大多數團隊 AI 沒有帶來真正改變的原因。

「每次從零開始」的隱形成本有多大？

Hiten Shah——FYI 和 KISSmetrics 的創辦人，SaaS 圈的老手——今天在 X 上發了一篇文章叫《You're Using AI Like a Calculator》。他的觀察很準確：多數人和 AI 的互動是一次性的交易，不是持續的關係。

你每次開一個新的 ChatGPT 對話，就等於在跟一個失憶的專家說話。你花 10 分鐘把背景講一遍，拿到一個還不錯的答案，然後關掉。下次又花 10 分鐘講同樣的背景。那個 AI 永遠不會變得更懂你的業務，因為你每次都在 reset 它。

踩過一次坑之後才學到：這個隱形成本比你想像的大。不只是重複貼 context 浪費的時間，更大的問題是 AI 永遠只能給你「通用的好答案」，不能給你「理解你脈絡的精準答案」。

Hiten 的做法：13 個 Slack 頻道，一個什麼都看得到的 AI

Hiten 的解法不複雜，但思路完全不同。他在 Slack 裡部署了一個 AI bot，跑在 13 個頻道上。

這個 agent 看得到產品決策的討論、技術架構的爭論、策略方向的調整——團隊日常工作的所有脈絡。他在推文裡強調：「Knowledge is compound, not reset. That changes what's possible.」

設定只花了 10 分鐘。但三個月後，這個 Slack 裡的 AI 比任何人的個人 ChatGPT 都更懂他們的業務。因為它的知識是複利式累積的——每一天的對話、每一個決策、每一次討論，都在加厚它的理解層。

這跟 Greg Isenberg 上週在 OpenClaw masterclass 裡講的 MEMORY.md 框架是同一個邏輯：Greg 談的是 agent 層級的記憶系統，Hiten 談的是組織層級的知識累積。結論一樣——一個「記得一切」的 AI 和一個「每次從零開始」的 AI，差距不是線性的，是指數級的。

企業知識管理正在被 AI 重新定義

Hiten 的觀點不是個人偏好，是一個正在發生的產業趨勢。

根據市場研究數據，AI 驅動的知識管理市場正以 47.2% 的年複合成長率擴張，預計從 2024 年的 52.3 億美元成長到 2029 年的 358.3 億美元。Deloitte 的 2026 年企業 AI 報告也指出，34% 的受調企業已經開始用 AI 來深度改造核心流程。

更具體的趨勢是「Enterprise Memory Layer」的概念——企業的競爭優勢不再只是「你有什麼人才」，而是「你的組織知識有多可存取、多好用」。2026 年的企業不是在「搜尋」知識，而是在「查詢記憶」。

GraphRAG（用語義知識圖譜驅動的檢索增強生成）正在成為這個領域的關鍵技術。它讓 AI agent 能持續掃描數據、建立深度語義檔案，跨意圖、結構、內容和 metadata 同時做搜尋。聽起來很技術，但白話講就是：讓 AI 真的「記得」你組織裡發生過的所有事。

本週就能做的一件事

我自己的經驗是：不需要等到有完美的企業知識管理系統才開始。

第一步很小：在你的團隊 Slack（或 Teams、或任何你們日常溝通的工具）裡建一個 #ai-workspace 頻道。把所有跟 AI 相關的對話、產出、學習都集中在這裡。不用什麼複雜的設定，就是一個集中的地方。

如果你已經在用 Claude Projects 或類似的工具，把你團隊最常用的背景資料放進去當 project knowledge。這樣每次對話都不是從零開始，而是從你累積的脈絡開始。

Hiten 用 13 個頻道。你不需要 13 個。從一個開始就好。

重點不是工具，是思維的切換：停止把 AI 當一次性的計算機，開始把它當一個需要被餵養脈絡、會隨時間變聰明的團隊成員。三個月後回來看，你會驚訝於差距有多大。

資料來源