今年7月，福布斯技术委员会发表了一篇文章，标题叫《The Hidden Context Tax That's Killing Your Enterprise AI Agents》，标题就提出了一个概念： 上下文税
企业AI能不能落地，我认为有一笔账必须先算清楚：员工为了教会AI，多做了什么，交出了什么，最后又能得到什么。
原文引用“上下文税”，描述AI因上下文不足或管理不当造成的效率损耗。更值得讨论的是它往前走的一步：让AI获得上下文，本身就需要劳动，也会改变组织与员工之间的利益关系。
企业需要经验，员工需要确定性
企业推进AI有现实理由。竞争对手在提效，客户在重新比较成本，关键员工离职又可能带走经验和客户关系。把知识沉淀进系统，既能减少重复劳动，也能降低组织对少数人的依赖。
还有一种动力来自管理层自身：需要向董事会和股东证明，自己抓住了技术变化。这会推动行动，也可能让推进速度超过组织的承受能力。
企业问的是：怎样让这些经验进入系统？员工问的是：系统学会以后，我会怎样？
我认为，这两个问题都合理。推进AI的必要性，不能代替对员工利益的回答。尤其当整理知识库、编写Skill、测试输出都叠加在原有工作上时，组织得到的是资产，员工首先感受到的却是新增任务。
系统里的数据与人脑里的经验，是两种难题
审批记录、CRM字段、ERP凭证，已经存在于系统中。打通接口、配置权限、减少重复搬运，可以解决相当一部分上下文问题。
真正难的是另一类知识：客户为什么突然变卦，合同条款在防什么，机器的声音哪里不对。这些判断往往依赖长期积累，未必能被本人完整说清楚。
“交不出来”至少有三种原因：经验是隐性的，工作发生在线下，员工缺少把经验转成结构化输入的能力。
要求销售把每次谈判重新整理一遍，相当于让他多做一轮工作。要求老师傅写出所有直觉背后的规则，也可能超出知识本身能够被表达的程度。培训可以补充方法，但不能立即消除这些困难。
我会先区分知识难以表达、工具不好用和员工缺乏动力。把三者统称为“不拥抱AI”，只会让管理动作失去针对性。
上下文税之外，还有纠错成本和替代风险
“不愿交”同样有其逻辑。一个人把多年积累的谈判方法整理进系统，其他人都能调用，公司对他的依赖随之降低。如果没有对应回报，下一次他很可能只提交最低限度的内容。
更麻烦的是责任分配：贡献经验未必得到奖励，AI出错却仍需要员工检查、补救，甚至承担后果。上下文维护加上输出纠错，可能把工具带来的节省重新吃掉。
原文引用的员工调查和工作行为研究，都在提醒这种矛盾：企业希望借AI提高效率，员工却可能经历更大的工作压力，并产生抵触。
不过，我不接受把原文引用的“95%的试点未产生可衡量回报”，直接解释为“95%的信任缺口”。调查口径、技术能力、工作流设计和组织激励是不同问题。信任可能是重要障碍，单个比例不能证明全部因果。
判断AI有没有提效，应该把整理、维护、复核和返工一起计入成本。只看生成速度，容易把劳动转移误认为劳动减少。
降低上下文税，需要同时改工具和制度
原文提出的几条路径，可以分别处理不同层面的问题。
第一，打通已有系统。让AI在授权范围内读取必要数据，减少员工导出、复制、上传的劳动。这解决的是信息搬运成本。
第二，把采集嵌入工作过程。从审批、协作和讨论中形成可用上下文，减少事后补写材料。但自动采集只是让负担变轻，并不意味着知识使用的边界已经清楚。收集什么、谁能调用、保留多久，仍然需要透明。
第三，让知识贡献得到回报。经验被谁使用、解决了什么问题、产生了多少价值，应尽可能被记录，并进入贡献评价和激励机制。否则，企业奖励的是使用成果的人，却可能忽视创造知识的人。
我还会加一个判断标准：AI是否帮助员工完成了过去做不到的事？当员工获得新的能力、承担更有价值的工作，贡献经验才更可能成为主动选择。
知识成为组织资产，交换条件也应当明确
原文用“知识圈地”描述这种变化。这个比喻的价值，在于提醒我们：企业沉淀的已经不只是工作记录，还包括员工持续产生工作成果的经验与判断方法。
但经验进入系统，并不自动等于人的能力被完整复制，更不能把所有知识管理都视为剥夺。真正需要追问的是，知识转移过程中，员工有没有知情、参与和获得回报的机会。
如果贡献边界模糊、使用范围不透明、收益完全归组织、风险继续留给个人，员工保留知识就是可以预期的反应。管理层再强的动员，也难以持续获得高质量经验。
原文以丰田创意提案制度开篇，把员工愿意分享经验与长期雇佣承诺联系起来。我看重的是背后的交换关系：员工帮助组织变强，也相信组织会给自己一个未来。
今天的企业未必能够提供同样的承诺，但至少应该明确知识整理的工时安排、贡献回报、AI出错的责任边界，以及员工后续发展的机会。
要求员工教会AI之前，管理层需要回答：当你的经验让公司更有价值，公司准备怎样让你也从中受益？