蒸馏你的前同事
上周，一个叫 "Colleague.skill" 的项目火了。
这是一个 AI 代理，它可以收集即将离职同事的 Slack 消息、邮件和文件，然后生成一个 .md 文件，你可以直接将其输入 AI，让 AI 按照那位同事的方式完成工作。
然后有人构建了一个"反蒸馏技能"来反击：一个防止你自己被技能化的代理。
这个反蒸馏工具承诺保留一切让你不可替代的东西，而系统想要提取的恰好是你留下的文件中所没有的。
你的老板已经让你安装 Colleague.skill 了吗？还是时候考虑部署一些反蒸馏措施了？
我会在本文中告诉你所有相关信息，以及那些告诉你是否应该恐慌的数据。
1、蒸馏你的同事
你看过《香水：一个杀人犯的故事》吗？
从上下文来看，有一些电影的前提与我这里讨论的内容更接近，比如上传意识、克隆记忆之类的。
但当我第一次看到 colleague.skill 时，脑海里挥之不去的就是《香水》。
主角天生拥有非凡的嗅觉。他痴迷于捕捉人们的气味，并相信如果能将人的本质提取到一个瓶子里，他就拥有了比那个人本身更持久的东西。
这使得那个瓶子成为一个人的精华。
现在来看看 colleague.skill README 文件的介绍。
将离别的冷漠转化为技能的温度。欢迎来到赛博永生。
安装过程非常简单。
导出即将离职同事的 Slack 消息、Google Docs 和工作邮件，然后将它们输入这个工具。然后 AI 会生成一个技能文件，例如，按照他们的技术标准写代码，用他们的语气回复消息，甚至知道他们通常什么时候会推卸责任等等。
如果你向下滚动到评论区，你会看到一些尖锐的评论，例如：
一个同事，打散了就是 token；组装起来就是一个 Skill。
但后来，我看到了另一个叫 "Anti-Distill Skill" 的项目。
2、反蒸馏
你的同事离开了，但他们的幽灵留在了一个 .md 文件里——多么卡夫卡式？
这有点像去做体检，医生告诉你你的各项指标都很好，所以他要复印你的器官以便移植给其他病人，你可以走了。然后你不得不去找第二个医生篡改数据，让那些复印出来的器官实际上不能工作。
听起来很荒谬，但这正在发生，而且有人决定反击。
反蒸馏工具的工作方式：你给它你完成的技能文件，它输出一个看起来详尽且专业的版本。它的作用是自动识别每个部分的"可替代性级别"- 用正确但无用的填充内容替换核心知识。输出两个文件：
- 清洁版本（给公司的）——结构完整，术语专业，读起来没问题——但核心已被掏空
- 私人备份（给你自己的）——包含判断直觉、人际网络，或处理边缘情况的直觉——一切让你不可替代的东西。
3、AI 交接 vs 人工交接
有些人正在争论这是否算职场操纵。
说实话，我不认为这是正确的框架。
操纵意味着有意识的意图，但大多数这样做的公司可能并没有想太多。
对大多数人来说，即使以目前 AI 的水平，这也只是一次交接。
我稍后会解释"只是"的部分。但让我们先关注交接这个行为本身。
在过去的日子里，我们让即将离开的人准备一份 x 页的交接文档。这样下一个人可以阅读，希望能更好地理解这份工作。
但很少有人意识到，旧式的交接早就已经出了问题。
我们只是没有注意到，因为没有可比较的替代方案。
新人读了之后要么理解，要么不理解。
新式交接导出你三年的 Slack 历史，生成一个两万字的 AI 克隆。这个克隆可能比老式的三页纸有用十倍，但也可能最终产生比那更糟糕的东西，以至于你宁愿根本没有这个 AI 克隆同事。
我在过去几年里见过太多次以下这些人们容易忘记的事情：
工具变了。事情的本质也随之改变。但需求却完全一样。
在两种情况下，你都是让某人——一个人或一台机器——来整理离职同事所知道的东西。旧版本让学习者坐下来写。新版本抓取他们的数字足迹，让 AI 来组装。
方法不同，目标相同：
在某人走出大门之前，捕捉他们脑子里的东西。
所以至少我们同意需求是一样的。
然而在实践中，几乎没有人写过像样的文档。也几乎没有人读过写出来的那些。
离职者心思已经走了一半，在想下一份工作，而不是仔细地将五年的组织记忆编码到 Google Doc 中。即使他们尝试了，也做不到。专家们太沉浸在自己的日常工作中，甚至不知道自己知道什么！研究表明，传统的交接遗漏了大约 70%真正重要的决策知识。
那么，AI 在哪里让它变得不同了？
不是更好。是不同。在某些方面，甚至更糟。
缺陷 #1：AI 没有废话过滤器。
当一个人写交接文档时，你会不自觉地自我编辑。
但你也会跳过你已经不再使用的变通方案。你可能会省略对那个地狱客户的讽刺性吐槽。
然而，AI 以同等权重吸收一切。
这一点非常重要，因为它改变了一切。
因为你很可能在某个小吐槽频道里发过的那条沮丧的 Slack 消息（我们都有这样的频道），现在不知怎么就成了你的沟通风格。
或者你在冲刺准备会议上与首席工程师达成一致的决策，你因为关键系统出故障而用过一次的临时修复方案，现在很可能成了处理系统崩溃的标准操作流程。
当人类过滤器不知不觉中分离信号与噪声、当前与过时、有意与偶然时。
AI 将你的整个数字历史视为同等有效且同等有意为之的。
缺陷 #2：AI 创造了完整性的错觉。
一份三页的手动整理的 Google Doc 会暴露自己的不足。
每个读到它的人都知道它不完整。没有人看到三页纸会觉得，"啊，是的，这完全捕捉了 Sarah 五年来所知道的一切。"（如果这是真的，那 Sarah 也没做什么工作。）
一个两万字的 AI 生成的技能文件恰恰相反。
它有一层详尽的外衣。
它有章节和子章节。它涵盖了沟通模式、技术标准和决策倾向。它读起来像你前同事的一幅全面画像。
于是框被勾选了。没有人会去寻找缺失的东西，因为既然已经有了 AI 来收集关于那个人的一切，为什么还要检查呢？即使你想查，从哪里开始？因为检查本身就违背了最初的目的！
旧式交接诚实地失败了。
然而，新式交接在看起来成功的同时失败了。
就像那个老问题：你是宁愿被伴侣欺骗而不知道，还是希望直接被告知？
缺陷 #3：AI 抹除了上下文，或者从一开始就没有。
消息存在于特定的时刻。
所以，不，并非所有与同事的对话都在 Zoom、Slack 或电子邮件上。
除非公司从现在起规定你在咖啡休息时间、走向会议室的路上或下班后的喝酒聚会中严格不允许互相交谈……在这些时候，总是有比记录下来的多得多的微妙且不可言传的上下文交流。
或者把它想象成传话游戏。
把一个人真正知道的东西看作原始消息。其中一小部分进入了 Slack 消息和电子邮件，已经是有损压缩。AI 然后抓取这些碎片，解释它们，并生成一个技能文件——一个第三代副本。
每一次传递都会剥离上下文。
缺陷 #4：AI 复制了"是什么"，而不是"为什么"。
更不用说人会进化，环境会变化。
我们经常放弃旧方法，改变想法，也许从错误中学习。
你在 2023 年的通讯历史不能反映你在 2025 年是什么样的人。因此，你昨天做出的决定并不是当你的克隆体出现在画面中而不是真正的你时，你在 2027 年类似情况下会做出的好参考。
假设一个同事总是给某个特定客户打 85 折。
AI 捕捉到了这个模式，"客户 X 打 85 折。" 但原因可能是客户 X 去年推荐了几个企业账户，这个折扣是一种非正式的感谢。当这些推荐停止时，AI 还在继续打折。
或者更糟，它开始模式匹配，给所有客户打 85 折。
这就是没有推理的模式。
它在条件不变时有效。而条件总是在变；事实上，变化对大多数企业来说是好事。你想要新客户吗？还是升级的新系统？或者一项对你有利的新法规？
当上下文发生变化的那一刻，没有原因的模式是无用的，或者更糟，是误导性的。它告诉你去做曾经有效的事情，充满信心，却不理解它为什么有效或是否还应该有效。
一个人类同事，即使是平庸的，也能说，"我这样做是因为……" 一个 AI 技能文件只会说，"事情就是这样做的。"
但 AI 不可能知道这一点。
4、问题之前的问题
在 colleague.skill 的 README 中有一行细则，大多数人可能忽略了。
源材料质量 = 技能质量。聊天记录 + 长文档 > 仅手动描述。
基本上，这个工具在有深思熟虑的、自愿的、长篇写作时效果最好。这种写作在工作中并不多见，除非文档撰写是你工作的一部分。
差距 #1：以文字外化并非天生就会
AI 通常能接触到的文本界面是 Slack（或 Teams）消息、电子邮件、代码提交、Google Docs 等等。但那只是冰山一角。
研究一致告诉我们这一层有多薄。
NASA 曾就这个确切问题进行过一项内部研究。
他们发现 60% 的员工甚至无法确定一个捕获离职同事知识的流程。更糟的是，只有 14% 的人员对离职交接工作感到满意。
NASA 的一位高级工程师这样说：
我们无法通过基于纸面的流程来转移知识。当高级工程师退休时，我们失去的是数十年的经验。那种经验无法被写下来并当作完成我们工作的"食谱"。
如果 NASA 都做不到，你的公司几乎肯定也做不到。
抓取某人的 Slack 消息然后宣告完成是远远不够的。
差距 #2：对 AI 和离职交接的虚假信念
真正的问题不仅仅是 AI 遗漏了重要的东西。
而是那些推动它或相信它完全可行的 C 级高管们。
例如，最近关于 Meta 正在构建一个 AI Mark 的新闻，训练了他的举止、语调和战略思维，这样员工可以与它互动而不是与他本人。
扎克伯格真心相信他可以被装进瓶子里大规模提供服务。
所以你会看到越来越多的 C 级高管相信 AI 是下一个值得追求的知识管理方式，而保留实际的人的价值则越来越低。
差距 #3：人。或者说是人际互动、潜规则、关系
正如我在这篇文章中提到的，人是任何组织中的速率限制因素。
比如说做晚饭。你可以在两分钟内切好蔬菜，八分钟内煮好意面，但如果酱汁需要 30 分钟慢炖，这顿饭就需要 30 分钟。
复杂的人类判断、共识、政治、法规、人际关系……这个小游戏最好地说明了这个想法（试试看！），向你展示了是什么在拖慢组织。
想想看：通常阻止你推进项目的是什么？
是技术吗？
不太可能，因为地球上 99.99% 的公司不是前沿科技公司；你解决的问题之所以存在，是因为你的客户是人。
我们系统中最慢的部分不是 AI。
瓶颈还在那里，而那个知道如何突破它的人只留下了一个 .md 文件，团队很快会发现这个文件比什么都更令人厌烦地处理。
5、只是一次交接，还是对你权利的侵犯？
现在，来谈谈所有权问题。
一位中国顶尖大学的研究员（研究 AI 政策与劳动权利的交叉领域）在最近的一次采访中说：
公司通过薪金获得的仅仅是雇佣期间使用知识的权利，而非所有权。当一个人离开时，他们的经验应该随之离开。
我并不完全同意这个观点。
想想一个工作职能或实践，比如说软件行业的产品管理。
即使你是世界上最好的产品人，你可能仍然会遵循写 PRD、进行发现会话、整理待办列表和推动冲刺评审的实践。
这些不是你的实践。它们是这一学科的。公司付钱让你在他们的上下文中为他们的用户、他们的代码库和他们的市场应用这些实践。
而你在这样做时产出的工件——路线图或规格说明——是工作产品。它们始终属于公司。
所以，不，经验不会完全"随你离开"。其中一部分从一开始就不是你独有的。
但转折在于，属于你的那部分——比如你对某个功能请求是否多余的直觉，或者你对哪个工程师只会敷衍了事的判断——正如我所说，恰好是任何 .md 文件都永远无法捕捉的部分。
我认为所有权之争是一种干扰。
因为公司能提取的东西可以说本来就是他们的。而真正属于你的东西，即使他们尝试也无法拿走。
请注意，这与版权作品不同，我完全支持艺术家不被克隆的权利。
6、Colleague.md 是将传承工业化的一次失败尝试
日本有一种修复传承叫做金継ぎ（Kintsugi）。
用金子修补破碎的陶瓷。那个裂过的碗最终比从未破裂的碗更有价值。
Colleague.skill 试图完全跳过破碎的过程。
因为对许多管理者来说，破碎是缓慢的、不完美的，充满了需要修复的缺陷。是的，AI 技能文件不会卡住，AI 不需要休息，AI 不会犯错误（在某种意义上），也不会对自己的决定产生怀疑。
而你会做以上所有事情。
你会崩溃，你会与同事发生冲突，你的老板居高临下时你不会鼓掌。
你是不完美的。
但金继无法作用于一个从未裂过的碗。正是这种不完美让我们随时间变得更有价值，而不是更少。
原文链接: Distill, the Story of an ex-Colleague
汇智网翻译整理，转载请标明出处