太平洋汽车的内容被豆包、千问和 DeepSeek 引用之后，合计触达了 1237 万用户。
这个数字是太平洋汽车 App 自有流量的 113.8 倍。
一百一十三倍。超过一百倍的用户通过 AI 平台「消费」了太平洋汽车的内容——他们在豆包的聊天窗口里问了一个关于买车的问题，豆包引用太平洋汽车的评测给出了答案，用户满意地关掉了对话。
然后呢？ 太平洋汽车什么都没得到。 没有访问，没有注册，没有广告展示，没有用户画像。内容被吃干抹净，连渣都没剩。
这个故事来自极客公园上周的一篇报道，讲的是 AI 时代互联网流量的大崩塌。但让我想了很久的不是流量问题——而是一个更底层的问题：
如果内容本身不是最有价值的资产，那什么才是？
一个被搞反的优先级
过去两年，企业 AI 落地的主流叙事是这样的：
把企业知识结构化 → 喂给模型 → 做 RAG → 员工提问 → AI 回答
于是所有人都在做同一件事：整理文档、建知识库、清洗数据、搭向量数据库。好像只要把内容喂够了，AI 就能「懂」企业。
我在 模型与 Agent 的边界 里讨论过，这个思路有一个根本性的盲区：它把企业当成了 数据的容器，而不是 学习的主体。
数据是死的。你整理好一份 500 页的产品手册，喂给模型，模型能回答关于这本手册的问题。但它不知道：
- 上个月销售总监在群里说过「这个定价策略对华东客户不适用」
- 质检 Agent 第三次把某个 edge case 判错了，工程师纠正了它
- 审批流程里有一条不成文规则：周五下午的加急单，总监一般会直接批
这些东西不在任何文档里。它们存在于 人与 Agent 协同的过程中——每一次纠错、每一条追问、每一次「不对，应该是这样」、每一次沉默的 👍。
Nadella 把这叫做 反向信息悖论：企业为 AI 付了两次钱——一次用钱买模型，一次用专有知识喂模型。但真正敏感的不是数据本身，而是 隐性知识（Intelligence Exhaust）——每一次纠错、每一条 trace、每一次 eval、每一句 prompt 修正。这些日积月累蒸馏成的机构知识，才是竞争对手花钱也买不到的东西。
数据价值金字塔
我把企业 AI 场景中的数据按价值密度分成五层：
| 层级 | 数据类型 | 典型形态 | 价值密度 | 可复制性 |
|---|---|---|---|---|
| L5 | 隐性知识 | 纠错、Eval、Feedback、Trace | 极高 | 不可复制 |
| L4 | 决策模式 | 审批路径、驳回原因、例外处理 | 高 | 极难复制 |
| L3 | 行为图谱 | 谁跟谁开会、谁找谁解决问题 | 中高 | 难复制 |
| L2 | 结构化知识 | 产品手册、SOP、FAQ | 中 | 可复制 |
| L1 | 原始内容 | IM 聊天记录、文档、邮件 | 低 | 容易复制 |
规律很清楚： 越往上，数据量越小，信息密度越高，越不可替代。
L1 和 L2 是所有人都在抢的——建知识库、做 RAG、整理文档。但这些是 静态的、可复制的。你的竞品可以买同一份行业报告，可以写同一套 SOP。
L5 是没人认真在做的。因为它的量太小了——一个企业每天产生的纠错和反馈信号，可能不到 IM 消息量的 1%。但它的信息密度是 L1 的一万倍。
一条 IM 消息「收到」「好的」「+1」，信息量约等于零。一条人类纠错「这个不对，50 万以上的采购必须走副总裁审批，不是总监」，直接编码了一条组织规则。
30 条这样的纠错，比 3 万条聊天记录更能让 Agent 懂你的企业。
Anthropic 已经验证了这件事
这不是我的推测。Anthropic 的产品团队刚刚在 Lenny’s Podcast 上讲了他们的实践。
他们的 PM 收到大量用户抱怨：「Claude 不遵循指令。」
如果按传统思路，这是一个「模型能力不够」的问题，解法是等下一代模型。但 Anthropic 的 PM 做了一件不一样的事。Dianne Penn 在 Lenny’s Podcast 上还原了那个过程：
我们追问用户：「你说的『不擅长遵循指令』具体指什么？什么情况下发生的？你问了什么？Claude 回了什么？」挖到那个细节层面之后，我们发现大概 80% 的所谓「不擅长遵循指令」，其实是指「Claude 没输出正确的 JSON」。
80% 的「不遵循指令」其实是 JSON 格式问题。 不是模型不理解你的意思，是它在输出结构化数据时格式跑偏了。而 JSON 是 Claude 成为好 Agent 的基础——输不出正确格式就没法调用 API、没法用工具。
然后他们写了 30-40 条 eval。每条包含一个提示词和一个预期响应，如果响应不符合预期，就说明 eval 有效识别了一个真实痛点。加入 eval 仓库后，每次新版本 Claude 出来都跑一遍。现在这个 eval 集已经 99.9%+ 通过了。痛点关闭。
注意这个比例： 30 条 eval 解决了一个困扰大量用户的问题。 不是 3 万条训练数据，不是 300 万条用户反馈。是 30 条精准的、经过归因的失败样本。
Dianne 把这个过程总结成了一套新的 PM 工作流：
过去的工作方式是：有一个想法 → 写 PRD → 对齐 → 设计 → 开发 → 发布 → 看效果 → 迭代。现在变成了： 收到用户反馈 → 把反馈拆解成可衡量的评估集 → 用评估集驱动改进。
她甚至说：「Evals 就是新的 PRD。」 PRD 没死——在需要对齐多方利益相关者时、在探索 0-1 的模糊机会时，PRD 仍然有价值。但 用户价值的载体 变了。从「我写了一份文档告诉你用户要什么」，变成了「我写了 30 条 eval 告诉你模型哪里不行」。
这句话的深层含义是： 在 AI 产品里，「知道哪里错了」比「拥有多少数据」重要一万倍。 而「知道哪里错了」的唯一方法，是读失败样本、做归因、写 eval。
这就是隐性知识。不是原始数据，是 经过归因的学习信号。
还有一个细节值得注意。Dianne 提到模型能力是 锯齿状增长 的——agentic 能力跳了一阶，写作就成了新的粗糙边缘；JSON 格式问题解决了，下一个短板又冒出来。她说 Anthropic 正在主动投入写作能力的训练，因为「之前模型写作好但不擅长做代理，我们重点是让模型更代理化。现在代理能力提升了，写作就变成了更明显的短板」。
这意味着 最有价值的反馈信号不是静态的——它随着模型的锯齿边缘移动。今天的 JSON 纠错明天就不值钱了，但新的粗糙边缘会不断出现。谁能持续、结构化地追踪「当前最粗糙的边缘在哪」，谁就能持续产出最高密度的学习信号。
企业的结构性优势：隐性知识天然有结构
到这里你可能会想：隐性知识听起来很好，但 ChatGPT 也有用户反馈啊？每次对话结束后的 👍👎，不也是信号吗？
是，但不够。
ChatGPT 的反馈是 无结构的：一个匿名用户，在一个无上下文的对话里，点了一个 👎。你不知道他是谁、在什么场景下、因为什么具体原因不满意。这个信号的信息密度很低。
但企业内部的反馈是 天然有结构的。只要你的 Agent 运行在组织环境里——有身份、有权限、有审批链、有审计日志——每一次交互都自带完整的上下文：
谁（组织身份：工号、岗位、汇报线）
在哪个场景（群 / 审批 / 会议 / 文档）
对 Agent 做了什么反馈（纠正 / 确认 / 追问 / 沉默）
Agent 原来做了什么（完整行为日志 + 调用链）
结果是什么（任务完成 / 被驳回 / 被人工接管）
# generated by hugo AI
这五个维度，每一个都是组织环境提供的。ChatGPT 一个都没有。
这意味着什么？意味着企业内部的一条纠错信号，信息密度是 ChatGPT 上的一条 👎 的 几十倍。因为它自带完整的组织上下文——谁说的、在什么场景、针对什么行为、期望什么结果。
问题不是「企业能不能收集反馈」，而是「这些反馈有没有被结构化捕获、归因、回流」。 大多数企业今天的答案是没有。信号产生了，然后消失了。
企业必须保护的不是数据，是学习资产
如果隐性知识是最有价值的训练数据，那企业保护自己的 AI 资产，保护的就不是「数据」——而是 学习过程本身。
今天大多数企业谈「数据安全」，谈的是加密、隔离、不训练、不留存。这是对的，但不够。
真正要保护的是： 你的 AI 越来越懂你的那些「越来越懂」，归谁所有？
我在 钉钉的护城河是信任基础设施 里讨论过，信任不只是「我不会泄露你的数据」，更是 「你的学习资产属于你」。
具体来说，企业应该把 Learning Boundary（学习边界）当作一个 核心架构决策，而不是安全合规清单上的一行：
一、每一次人-Agent 交互的学习信号都被结构化捕获。 不是可选的，是默认的。纠错、确认、追问、驳回——全部自动记录，带上完整的组织上下文。如果你的 AI 平台没有这个能力，你每天最值钱的 1% 信号就在白白流失。
二、学习资产归企业所有，可审计、可导出、可迁移。 Agent 积累的 Memory、Skill、Eval 数据，全部属于企业。模型可以换——今天是 Qwen，明天可能是 Claude——但学习资产不动。如果你的 Agent 换一个模型就要从零开始，说明你的学习资产从来没有真正属于你。
三、企业可以选择是否贡献脱敏信号到生态。 如果 100 家制造企业的质检 Agent 都在同一步骤被纠正了，聚合后的信号（不暴露任何企业的具体参数）可以让所有同类 Agent 受益。但这是企业的选择，不是默认行为。
Dianne Penn 自己就是一个活生生的例子。她在访谈里分享：她用 Claude 做了一个基于《关键对话》框架的 Skill，让 Claude 帮她准备棘手的管理对话——「在这个情境下我的细节程度是否恰当？我是不是一个好的教练？」她说有时候模型的建议她最终不会采用，但 头脑风暴的过程本身就产生了价值。
这个 Skill 从哪来的？从她无数次和 Claude 对话的隐性知识里蒸馏出来的。每一次「这个建议不对，我应该更直接一点」、每一次「这个语气太软了」，都是学习信号。如果这些信号被结构化捕获，它们就不只服务于 Dianne 一个人——所有面临类似管理场景的人都能受益。
从隐性知识到 Skill，从个人经验到组织能力。 这就是 Learning Boundary 的产品化路径。
这三条不是安全功能。这是 架构决策。它决定了你的 Agent 是「越用越懂你的数字员工」，还是「每次对话都从零开始的聊天机器人」。
最弱的反驳和最真的回应
写到这里，我能想到的最强反驳是：
「隐性知识的量太小了。一个企业每天产生的纠错和反馈，可能不到 IM 消息量的 1%。用 1% 的数据量谈护城河，是不是过度抬高了？」
这个反驳混淆了 数据量和信息密度。
一个学生做了一万道练习题，但真正让他进步的，不是那一万道题本身，而是他做错的 50 道题和老师的每一次批改。教科书谁都能买，错题本只属于你自己。
Anthropic 用 30 条 eval 解决了一个困扰大量用户的问题。不是因为 30 是一个魔法数字，而是因为每一条 eval 都经过了 精准归因——它不是「用户不满意」，而是「在 JSON 输出的第三个字段，模型把 string 写成了 number」。
信息密度，不是数据量。
而且，随着 Agent 使用频率提高——当 Agent 成为日常工作的组成部分，而不是偶尔用一下的工具——隐性知识的积累量会自然增长。关键是 架构上要确保这些信号被捕获，而不是像 ChatGPT 一样对话结束就消失了。
所以
回到太平洋汽车的故事。
它的内容被消费了 113 倍，但它什么都没得到。不是因为内容不好——内容很好，好到 AI 都引用它。而是因为在「内容 → AI → 用户」这条链路上， 学习信号没有回流。
用户满意了，AI 平台收获了用户，太平洋汽车贡献了知识。但没有任何机制把「用户问了什么、AI 答对了什么、哪里答错了、用户真正关心的是什么」这些信号回传给太平洋汽车。
内容被消费了一次，价值就归零了。但如果学习信号能回流，每一次消费都会让下一次更好。
这就是企业应该做的事。不是做更好的知识库——那是 L2。不是做更强的 RAG——那是 L1 到 L2 的管道。而是确保 L5 的隐性知识被结构化捕获、归因、沉淀为企业资产。
模型可以换。内容可以复制。但你的 Agent 被纠正过的每一次错误、积累的每一条 eval、沉淀的每一个 skill——这些是时间蒸馏出来的，买不到，偷不走。
企业最有价值的 AI 训练数据，不是你写了什么，是你纠正了什么。
你的企业 Agent 有在积累学习资产吗？还是每次对话都在从零开始？欢迎留言讨论。