我們是否正將專業服務自動化成知識危機?

AI 採用中隱藏的專業危機 

隨著專業服務業加速採用 AI,企業面臨失去判斷力和專業知識的風險。為何認知而非自動化應主導 2026 年的 AI 策略。 

2026 年,專業服務公司將面臨一場意外的清算。AI 將深入嵌入法律、諮詢、金融、會計和政府相關工作中。生產力將提升。周轉時間將縮短。數據證實了這一轉變:湯森路透發現,企業使用生成式 AI 在 2025 年增加到兩倍,且 95% 的專業人士相信 AI 很快將成為其工作流程的核心。  

隨著 AI 站穩腳跟,組織將感受到對其成功至關重要的某些東西正在流失。那個「某些東西」就是專業知識。 

過度關注 AI 取代人類的潛力意味著我們正忽視一個更緊迫的近期問題:AI 可能會移除專業人士學習如何思考的經驗的風險。 

專業服務業的大多數 AI 實施都是圍繞速度、效率和成本降低來設計的。模式識別任務被自動化。資訊檢索即時完成。輸出更清晰、更快速。但這種方法造成了一個危險的盲點:如果早期和中期職業專業人士不再接觸批判性思維和決策背後的認知工作,那麼未來的資深專業人士將從何而來? 

2026 年專業服務業 AI 的決定性挑戰不是提升技術能力。而是企業能否在採用 AI 的同時,不掏空使專業建議一開始就有價值的判斷力、直覺和策略推理。 

在這兩種情況下,解決方案不是放慢 AI 採用速度。而是重新思考在專業知識是驅動企業財務成功的貨幣的行業中,AI 能夠且應該實現什麼。  

專業知識究竟是什麼——以及為何 AI 難以捕捉它 

專業知識的發展既來自經驗,也來自正式指導。行為科學告訴我們,一旦某人知道在複雜情況下該看哪裡,他們就無法「看不見」它。  

但向新手解釋專家的感知卻極其困難。 

經驗從根本上改變了人們看待世界的方式,就像一幅模糊的圖像,一旦隱藏的模式被揭示,突然就變得清晰。 

 圖片來源: 《情緒是如何產生的:大腦的秘密生活 (2017) 作者:Lisa Feldman Barrett 博士。 

在法律、金融、諮詢和公共政策等複雜領域,最重要的不是遵守規則,而是在混亂、往往高風險的環境中邊做邊學。 

隨著時間推移,專家發展出模式識別和對需要關注的事物的精準感知。但這種知識對他們來說變得不可見。最有價值的洞察變成了本能。資深專業人士很少闡述他們如何知道自己所知道的,因為大部分知識在意識覺察之下運作。 

這造成了結構性脆弱性。組織最重視的專業知識由多年累積的戰術權衡、策略判斷和微妙線索組成。然而,由於這些知識很少被記錄下來,企業往往直到它消失時才意識到自己有多依賴它。 

專業服務業中正在浮現的無聲知識危機 

機構記憶的侵蝕不僅僅是因為人員流動,而是因為使他們有效工作的不可見思維從一開始就從未被捕捉或傳遞。 

與此同時,企業報告越來越難找到「有經驗」的人才。他們尋找的不僅僅是服務年限。而是在情境中應用知識、駕馭模糊性和在壓力下做出正確決策的能力。如一些企業正在做的那樣,提高經驗要求不會創造這些能力。相反,它縮小了人才庫卻沒有解決根本問題。初級員工需要豐富的機會在情境中發展判斷力。  

實際上,這意味著企業與其說是缺乏經驗,不如說是存在經驗創造問題。隨著傳統職業路徑縮窄和初級職位被削減,組織在要求經驗的同時卻不提供經驗形成的條件。 

缺失的中間層:專業判斷和專業知識真正發展的地方 

受訓者了解理論。資深專業人士能夠駕馭現實。通過多年的客戶工作,他們發展出經驗訣竅,能夠本能地權衡策略取捨並做出決策。  

正在消失的是兩者之間的橋樑:將理論知識轉化為實際判斷的經驗學習。 

歷史上,學徒式學習彌合了這一差距。初級人員通過坐在專家附近、偷聽對話、觀看決策展開以及學習策略如何即時演變來吸收專業知識。至關重要的是,「耳濡目染」模式傳遞的不僅是知識,還有思維方式。這種模式正在崩潰。 

混合工作和自動化大幅降低了對專家推理的接觸。許多初級人員現在只看到決策的輸出,卻從未見證其背後的思考過程。 

隨著 AI 壓縮傳統職業階梯,企業不能再依賴經驗隨時間自然湧現。等待「現成」的經驗既不切實際又具有排他性。現在必須通過工作流程、角色和 AI 系統刻意創造經驗,讓專業人士在情境中接觸判斷、權衡和決策,而不是將他們與之隔離。 

如果沒有新的方法來呈現和傳遞這種不可見的專業知識,能力差距只會擴大,直到我們達到不可逆轉的技能衰退的臨界點。  

當 AI 取代思考時,專業能力衰退 

許多專業服務公司將 AI 視為工具問題:如何訓練人們有效使用它,以便他們能夠提高生產力、提供更好的客戶服務,並最終讓公司賺更多錢。這方面的需求很明確。2025 年湯森路透調查發現,55% 的專業人士報告由於採用 AI,其工作方式發生了重大變化,而 88% 的人表示他們會青睞特定專業的 AI 助手。  

然而,改善工具採用和熟練度並不能解決日益擴大的認知差距。   

大多數 AI 工具被設計為向使用者推送資訊,而不是發展他們的思維能力。它們提供答案、摘要和建議,但很少促進反思、意義建構或判斷。雖然這提升了速度,但它可能會短路專業知識形成所需的認知努力。專業人士可能變得更快,但不一定更好。 

這很重要,因為專業知識不僅僅通過接觸答案來發展。它通過與不確定性搏鬥、權衡取捨以及理解決策為何以其方式展開來發展。 

2026 年的危險在於,技術如此有效地簡化思考過程,以至於人們完全停止積累新知識。如果 AI 總是決定什麼重要,專業人士永遠學不會自己識別它。 

當專業人士先思考然後使用技術時,結果會改善。思考必須排在第一位。  

為何知識管理系統無法捕捉判斷 

知識管理系統已成為優秀的文檔目錄,完美地組織展示如何做事的案例研究、模板和手冊。  

然而,有一個巨大的缺失數據集——工作實際如何完成的不成文規則。專家注意到什麼。他們何時改變方向。哪些信號重要,哪些可以忽略。當沒有明顯正確答案時如何權衡取捨。這種不可見的思維存在於「想像中的工作」和「實際完成的工作」之間的差距中。 

大型語言模型 (LLM) 不包含這些知識,因為它沒有被記錄下來。它是生活經驗的一部分。除非組織找到幫助專家呈現它的方法,否則 AI 將加速其消失而不是保存它。 

從自動化到認知支援:重新定義 AI 在專業服務中的角色 

2026 年,領先的專業服務公司將明確區分旨在自動化任務的 AI 和改善認知的 AI。 

專注於自動化的 AI 擅長提升效率。專注於認知的 AI 植根於行為科學,旨在呈現和增強判斷,而非取代它。 

以行為科學為主導的 AI 專注於更好的問題而非更快的答案。它促使專業人士暫停和反思、闡述他們的推理並大聲思考他們的工作。這樣做能加深思考,並呈現專家自己都沒有意識到的心智模型——而這些對於提供使企業脫穎而出的卓越工作至關重要。   

這對資深專業人士尤其重要,他們通常需要幫助識別他們無意識使用的線索和權衡。當他們的思維對自己和他人變得可見時,它也變得可轉移。專家可以完善自己的推理,測試他們不知道自己正在做的假設,並持續提升判斷力。這種可見性還使他們的專業知識能夠向客戶解釋:增強信任、展示價值,以及提升付費意願和留存率。對團隊成員而言,它通過不僅澄清需要什麼,還澄清為何重要以及應如何處理決策,來降低返工和錯位。當專業知識被明確表達時,它可以被組織和分享,以造福所有團隊和客戶,無論是當前還是未來。   

真正的專業工作不是線性的。它涉及曲折、方向修正和相互競爭的優先事項。尊重這種複雜性而非將其抹平的 AI 系統,才是能幫助組織保存和擴展專業知識而非取代它的系統。 

2026 年專業服務業的關鍵要點 

1. 最大的 AI 失敗將是認知性的,而非技術性的
僅專注於速度的企業將面臨技能衰退,因為經驗學習機會消失。這將是學習失敗,而非技術失敗。

2. 專業知識將成為一個有意的設計機會
隨著自動化和混合工作擠壓學習機會, 企業將需要有意創造微機會,讓初級員工建立判斷力、反思、批判性思維和決策技能,並由能在情境中呈現和分享專家思維的 AI 提供支援。

3. 放大人類判斷的 AI 將優於取代判斷的 AI

最有價值的 AI 系統將使不可見的專業知識變得可見,創造植根於專業人士如何思考和推理的新「專業知識數據集」。

4. 最成功的人才策略將從聘用經驗轉向創造經驗

專注於幫助人們建立經驗的企業將優於那些只是預先要求經驗的企業。 

專業服務公司面前的選擇 

未來的風險不在於 AI 能否完成工作,而在於當 AI 讓工作看起來很容易,而專業人士停止學習如何思考和做出艱難判斷時會失去什麼。  

將 AI 純粹視為效率工具的企業會發現其專業知識正在悄然侵蝕,而那些使用 AI 呈現判斷的企業將發展、擴展和改善批判性思維,即使機器和 LLM 變得更強大。 

當涉及培養下一代專業人士以提供卓越客戶成果時,差異化因素不在於誰最快採用 AI,而在於誰最明智地採用它。