設想一個常見的導入路徑：發帳號、開 prompt 教學課、整理模板與檢核表、把「AI 使用率」放進週報。幾個月後，產出速度確實上升了，但程式碼審查開始堆積，文件越來越厚而共識越來越薄，新人直接從「描述需求、審查產物」起步，卻說不清系統為什麼這樣設計。這是設想的情境，不是特定事故的記錄；它濃縮的是本文作者觀察到的反覆落差：組織把 AI 協作當成工具擴散問題處理，而真正的瓶頸往往不是工具知識。
設想一位資深工程師看一眼錯誤日誌，就說「這是連線池被耗盡了」，而且多半是對的。她說不太清楚自己是怎麼看出來的，只知道這種日誌她看過很多次，其中幾次讓她熬了整夜。這種說不清楚、卻能可靠地引導判斷的知識，是工程組織最重要也最難傳遞的資產之一。本文討論的是：當這種知識的養成途徑，以及它所依賴的公共知識來源，都因為模型生成而改變時，組織會在哪裡失去發現自己錯誤的能力。