當組織裡的同仁，一個接著一個，開發出很不錯的應用，我開始思考：如果每個人都能很快做出滿足需求的東西，那麼，把大家放在同一個組織裡，還能多創造什麼？組織長期累積的優勢，又會留在哪裡？這個問題，我現在還沒有完整的答案。但它讓我開始留意：當我們鼓勵大家自由嘗試，除了眼前做出來的應用，還有哪些東西，值得一起留下來？

應用可以各自嘗試，核心要怎麼累積？

這讓我想起那位帶我做產品的主管，曾經問過我的問題：「當 AI 已經能協助人們快速做出滿足需求的應用，產品還需要把所有功能，都收進一個集中、統一的使用者介面嗎？還是可以掌握最核心的部分，其餘留給大家，依照自己的需要去嘗試？」這個問題的答案還在探索中，不同的產品與工作情境，可能需要不同的安排。但放回我們組織裡，我目前比較傾向的方向是：讓應用保有探索的空間，同時把支撐這些應用的資料與知識，好好累積起來。因為應用可以換，工作裡累積的經驗，卻不應該每換一次工具，就重新整理一次。

模型可以取得，工作的脈絡要自己整理

AI 的能力持續進步。對我們來說，比較實際的方向，是善用這些能力，讓它理解我們正在處理的工作，而這就回到 context：它需要知道什麼，才有機會把事情做好？我們的目標、資料的定義、過去做過的決定，以及為什麼做出那些決定，都可能影響結果。問題是，很多重要的東西並不在文件裡，有些是個人的經驗，有些是判斷事情的方式，也有些是當時的顧慮與感受。這些脈絡，往往要透過討論、回顧和實際工作的紀錄，才慢慢說得清楚。這也是我開始在意資料管理的原因。讓經驗有機會被記錄下來，其他人和 AI 才可能在下一次工作時，接著使用。但記錄只是起點。資料從哪裡來、代表什麼、現在還適不適用，也需要一起整理。否則，留下了很多內容，使用時仍然不知道該相信哪一份。

資料留下來之外，還要留下做事的方法

資料回答了一部分「我們知道什麼」，但還有另一部分，是「我們怎麼把事情做好」。這讓我想到 skill。我想累積的，是能夠反覆使用的工作方法：遇到什麼任務，需要哪些資訊，依照什麼原則判斷，最後又怎麼確認結果。把組織的商業邏輯與專業技能整理成這樣的形式，才比較有機會讓下一次工作接著往前走。而且，這不會是整理一次就完成的事。實際使用之後，可能會發現原本的方法少考慮了一種情況，或某個標準需要調整。這些修正，也要回到原本的方法裡。我們內部正用一個專案實驗這個方向，目前已經有了初步的雛形，正在導入應用中驗證。我想確認的，是這些整理出來的資料與方法，能不能在不同任務裡被使用，也能不能隨著工作持續更新。

每次完成工作，都能替下一次留下什麼？

最近，我看到 Y Combinator 的 Garry Tan，在 AI Engineer World's Fair 2026 的演講〈Every Company Should Have a Brain〉，提出類似的方向。他談到整理組織的記憶，也強調在工作完成、結果修正到滿意之後，把有效的方法留下來，變成可以重複使用的 skill，減少每次任務都重新開始的「組織失憶」。這讓我更想追問：我們每次用 AI 完成一件事，除了拿到當下的結果，有沒有替下一次留下什麼？可能是釐清了一個資料定義，留下某次決策的原因，或整理出一套已經試過、可以再用的方法。如果這些東西能被其他同仁接著使用，個人的嘗試，才比較有機會變成組織共同累積的能力。

集中到什麼程度，還需要拿捏

不過，開始累積資料與 skill，也會帶出另一個問題：哪些東西需要共同管理，哪些可以留給個人或部門自行調整？如果什麼都要先統一，可能會壓縮原本想保留的探索空間。但如果完全各自發展，又容易重複整理資料，或讓相似的方法散落在不同地方。所以，我目前想從資料這一層切入。先讓重要資料的來源、定義與使用方式，有共同的依據；應用則保留彈性，讓大家依照工作需要去做。至於哪些方法已經穩定、值得整理成共用的 skill，再從實際使用中慢慢辨認。

這是我們正在嘗試的取捨，還需要繼續驗證。

護城河，要在使用與修正裡慢慢形成

回到一開始的問題，應用愈來愈容易做出來之後，我開始把注意力放到那些比較不容易快速複製的東西上。它們可能是我們長期累積的工作脈絡，也可能是經過實際使用、修正，逐漸形成的專業方法。資料多，不一定就有優勢；skill 整理好了，也不代表一定有用。它們需要持續被使用，有人維護，也能隨著新的經驗調整，才可能成為組織的資產。這些東西沒辦法一夜之間出現，所以我認為，現在就值得開始累積。

應用可以讓大家各自探索；而每次探索留下的資料、判斷與方法，要有機會成為下一個人工作的起點。