The company brain and the knowledge nobody wrote down

One vendor page states the promise cleanly enough to test. "Company Brain is the memory that never resigns: everything your organization knows, structured, governed, and answerable in seconds." Take the middle clause literally. Everything your organisation knows. The claim I want to defend is narrower and harder to argue away. A company brain can only be assembled from what the company recorded, and the knowledge that decides expensive questions was mostly never recorded.

That boundary is no argument against the technology. It sets the price worth paying, and it names the half of the problem that stays yours. The interesting part is that the limit does not move when models improve. It is set by how much an organisation writes down, and that is a property of the organisation.

What the category actually promises

The pitch settled into a recognisable shape during 2026. Ingest the working substrate of the company: chat, mail, tickets, documents, the CRM, meeting transcripts, the code host. Extract entities and relations into a knowledge graph. Define the vocabulary once, in a semantic layer. Retrieve with a hybrid of vectors, keywords and graph traversal, and cite sources. Keep episodic memory across sessions. Put a governance plane on top for permissions and masking.

That is competent engineering. Each component does something real, and I have no quarrel with the parts.

The same page carries three numbers, and they are worth reading as a specimen. Over 35,000 operational documents at "a global aviation operator". Sixty times faster resolution for dispatch teams. Six hours down to seven seconds at "a professional-services firm". No customer is named. No baseline is defined. No method is published. Those illustrate a capability. They do not measure an effect, and a buyer should file them accordingly.

Strip the language and one sentence remains: we will make your company queryable. Everything below is an argument about how much of a company can be turned into a query at all.

A knowledge problem moved indoors

Friedrich Hayek published "The Use of Knowledge in Society" in the American Economic Review 35(4), September 1945. It runs from page 519 to 530. He wrote it against Oskar Lange and the case for a planned economy. The argument he makes is one about information.

Hayek's opening move restates what the economic problem is. Society does not face a problem of allocating resources whose properties a planner already knows. It faces "a problem of the utilization of knowledge which is not given to anyone in its totality" (§I). In section III he names the kind of knowledge he means: "the knowledge of the particular circumstances of time and place".

Section IV states the constraint that matters here. The knowledge he is concerned with "is knowledge of the kind which by its nature cannot enter into statistics and therefore cannot be conveyed to any central authority in statistical form". His conclusion follows in section V. "The ultimate decisions must be left to the people who are familiar with these circumstances, who know directly of the relevant changes and of the resources immediately available to meet them."

Hayek wrote about an entire economy, and his coordinating device was the price system. Carrying the argument inside a single firm is my extension, not his. It cannot be done mechanically either. Ronald Coase explained why in "The Nature of the Firm" (Economica, New Series, 4(16), November 1937, 386–405). Firms exist because organising some activity internally costs less than transacting for it in a market. If Hayek's objection held unchanged inside organisations, firms of any size would be impossible. They are not, so centralising knowledge within a company must sometimes pay.

What transfers is the filter. The verdict does not. Hayek's central authority could receive only what fitted into statistics. A retrieval system can receive only what fitted into a record. Both centres are limited at the same step. Something has to be written down before it can travel, and the writing loses most exactly where the knowledge was tied to a situation.

Where an organisation keeps what it knows

James Walsh and Gerardo Ungson drew the best available map of this in "Organizational Memory". It appeared in the Academy of Management Review 16(1), 1991, pages 57 to 91. They define organisational memory as stored information from an organisation's history that can be brought to bear on present decisions. They then locate it in five retention facilities plus external archives.

Hold the ingestion pipeline against that list.

1. External archives. Documents, mail, tickets, records held inside the firm and outside it. Ingested well. This is where the category delivers.
2. Transformations. The procedures that turn inputs into outputs. Ingested to the degree somebody documented them. That varies enormously by function, and it is worst where the work leans on judgement.
3. Structures. Roles and the links between people. An org chart is ingestible. Who actually decides, and whose objection stops a project, is not on the chart.
4. Individuals. Memory, skill, the pattern library of people who have seen the failure before. Not ingestible.
5. Culture. Shared frames and language that settle which interpretations get taken seriously. Not ingestible.
6. Ecology. The physical arrangement of the workplace, which encodes status and shapes who talks to whom. Not ingestible, and mostly not even noticed.

The honest description of a company brain follows. A strong index over one retention facility, a partial index over two, silence on three. Model quality does not change that mapping. Neither does context length, nor the care taken over the ontology.

The word "brain" is doing heavy lifting, and it deserves resistance. Walsh and Ungson spend their opening pages on the anthropomorphism problem for good reason. Once you accept that an organisation has a memory the way a person does, you stop asking where that memory physically sits.

What the record systematically loses

An archive is not a random sample of what happened. It is a biased one, and the bias runs in a direction that hurts.

Chris Argyris and Donald Schön separated two things in Theory in Practice: Increasing Professional Effectiveness (Jossey-Bass, 1974). The espoused theory is what a person says they would do, and why. The theory-in-use is what actually governs the behaviour, and it is often unknown even to the actor. The gap between them is not dishonesty. It is the normal condition of skilled work.

A corpus of company documents is a corpus of espoused theory. The memo says the supplier was chosen on total cost of ownership. The theory-in-use was that the head of operations had been burned by the other vendor in 2023 and would not say so in writing. Both are true. Only one is retrievable.

The second bias is selection. Things get written down when somebody has to approve them, defend them, or bill for them. So documentation is densest where a regulator, an auditor or a client demanded it, and thinnest where the work is pure judgement. The archive over-represents the parts of the business that were already legible, and a brain built on it inherits that shape.

The third bias is decay. Artefacts survive; reasons do not. The contract is still in the drive five years later, and the argument that produced clause 7 lives in the head of somebody who has since moved to a competitor. So the graph ends up rich in objects and poor in causes. The cause was what you needed.

The barrier was never access

If the missing bins were merely inconvenient, the pitch would still hold. You could argue that indexing the archive removes the main obstacle to reusing what the firm knows. There is a measurement on exactly that question, and it is thirty years old.

Gabriel Szulanski studied 122 transfers of best practice inside eight companies, 271 observations in total. He published the results as "Exploring Internal Stickiness: Impediments to the Transfer of Best Practice Within the Firm" in the Strategic Management Journal 17, Winter Special Issue 1996, 27–43. The conventional view at the time blamed motivation. People hoard, departments compete, nobody shares.

The data pointed elsewhere. The largest barriers were the recipient's lack of absorptive capacity, causal ambiguity, and an arduous relationship between source and recipient.

Read the pitch against that finding. A company brain is an excellent answer to the problem of finding and asking. Causal ambiguity means nobody can state precisely why the practice works, so there is no correct text to retrieve. Absorptive capacity means the recipient lacks the prior knowledge to use the answer once it arrives. An arduous relationship is a problem of trust between two people, and a search box is not a party to it.

Michael Polanyi named the underlying limit in The Tacit Dimension (1966), on page 4: "I shall reconsider human knowledge by starting from the fact that we can know more than we can tell."

The standard reply is that tacit knowledge can be converted. Ikujiro Nonaka and Hirotaka Takeuchi built the SECI model around that claim in The Knowledge-Creating Company (Oxford University Press, 1995), with externalisation as the step where tacit becomes explicit. It is the licence under which knowledge management has operated for thirty years. It is also contested. Stephen Gourlay argued in "Conceptualizing Knowledge Creation: A Critique of Nonaka's Theory" that the conversion modes lack evidence which cannot be explained more simply. The paper ran in the Journal of Management Studies 43(7), 2006, 1415–1436, and it holds that the framework leaves out knowledge that is inherently tacit.

Gourlay may be wrong. The point for a buyer is different. "We will externalise the tacit knowledge into the graph" is a contested research programme sold as an implementation step, and the plan rarely says which of the two it is.

Permissions are part of the architecture

Every serious product in this category enforces access control, and it should. A brain that leaked the compensation review to the whole company would last one afternoon.

Follow that requirement to its consequence. The system answers per viewer. Two people asking the same question get different answers, and neither of them can tell which parts were withheld. The union of what the platform holds is available to nobody, including the person who signed the contract.

So "everything your organisation knows" is false even for the codified part. What any individual can reach is bounded by clearance, and clearance follows the org chart. The answers reproduce the hierarchy that produced the documents.

None of this is a flaw in the products. It is the correct behaviour, and it quietly refutes the sentence used to sell them. A single source of truth that renders differently for every reader is a permissioned index. The word for that already exists.

What the measurements say

Until recently there was no benchmark for this task on company-internal data. That is an odd gap given how much is being sold into it. EnterpriseRAG-Bench closes part of it. The authors are Yuhong Sun, Joachim Rahmfeld, Chris Weaver, Weijia Chen, Roshan Desai, Wenxi Huang and Mark H. Butler, and the paper is arXiv:2605.05253, posted 5 May 2026 and revised on 19 May. The corpus holds roughly 500,000 documents across nine enterprise sources: Slack, Gmail, Linear, Google Drive, HubSpot, Fireflies, GitHub, Jira and Confluence. There are 500 questions in ten categories.

Three retrieval approaches were run against it. BM25, a keyword ranking function from the 1990s, scored highest on correctness at 68.8%, with 68.4% document recall. Vector search over OpenAI's text-embedding-3-large reached 51.4%. An agent exploring the corpus as a filesystem landed at 60.6% correctness, with the best completeness at 61.1%.

Vector search also lost the semantic category, at 32.8%. That category was built to favour embeddings. Whatever else the result means, the default architecture of most company-brain products was beaten by lexical matching on the kind of data those products are aimed at.

The category breakdown is more instructive than the totals. Recognising that the answer is absent scored 100% across all three systems. Reconciling conflicting sources reached 80 to 90%, and reasoning inside a single document 75 to 85%. Then it falls away. Project-level questions ran from 37.5 to 60%. Completeness sat at 35 to 40% for BM25 and vector search.

Read down that list and a pattern appears. The system performs when the question is phrased in the vocabulary of the record and the answer sits in one place. It degrades when the answer must be assembled, and when the asker uses their own words instead of the archive's. That is absorptive capacity restated in engineering terms. You get a good answer when you already know enough to ask in the right language.

The authors' caveats deserve as much weight as their numbers. The corpus is synthetic, produced by a generation pipeline and then degraded with deliberate noise: 5% of documents relocated at random, 3% misfiled by a model, near-duplicates carrying conflicting facts. Documents are flattened into JSON key-value pairs, which the authors say does not capture the nested structure of real enterprise documents. Gold answers are described as revisable hypotheses rather than fixed ground truth, because exhaustive annotation at half a million documents is not feasible.

Every one of those caveats makes the benchmark friendlier than production. A clean generated corpus with known answers is the easy version. Roughly two answers in three is the ceiling observed on it.

One more result belongs here, because it kills the obvious workaround. If retrieval is the weak step, put the whole corpus in the context window. Nelson Liu and colleagues measured what happens then, in "Lost in the Middle: How Language Models Use Long Contexts" (Transactions of the ACL, 2024). Accuracy traces a U-shaped curve. It is highest when the relevant passage sits at the start or the end of the context, and it degrades in the middle, including in models built for long contexts. A larger window relocates the retrieval problem.

The audit, worked through

Abstract arguments about codification are easy to nod along to and hard to act on. So here is the exercise I would run before signing anything, worked through on an invented firm. The numbers below are illustrative. They are not a case study, and nobody measured them.

Take a services company of 140 people. List the last ten decisions that moved real money. For each one, write a single sentence giving the actual reason it went that way. Then check whether that sentence exists in any system the platform would ingest.

A legal settlement: the reason is in the board minutes, because the board had to approve it. Recorded. A contract renegotiated at a 12% discount: the CRM records the approval and the approver, and says nothing about why the discount was granted. Not recorded. A senior hire: the scorecard is in the applicant system, and the decisive factor was a reference call that nobody wrote up. Not recorded.

A supplier switch: the memo cites total cost of ownership, and the operations lead had a bad experience with the incumbent in 2023. Half recorded, and the recorded half is the espoused one. A module rewritten from scratch: the design document argues from maintainability, while the immediate cause was one engineer refusing to keep patching it. Not recorded. Five remain: an office move, a paused product line, a retention deal, a walked-away tender, a price rise on the smallest tier. Three of them have a written rationale. Two have a chat thread that names the decision and skips the cause.

Count comes out at four out of ten with a recorded reason. That is the ceiling on what any brain can know about how this company decides. It is not a bad score for a firm of that size, and it is nowhere near "everything your organisation knows".

Now notice what a demo would do with the same ten. Asked what was decided, it answers ten out of ten, with citations. The gap between those two scores is the entire subject of this essay, and it is invisible in every product evaluation that only asks questions with documented answers.

The strongest evidence against this essay

If a company brain answers the easy questions and cannot hold the hard ones, the natural prediction is atrophy. People stop asking colleagues. The human network thins. The organisation leans on the archive it can query, and less on the people who understand it. That prediction has now been tested, and it failed.

Ralf Buechsenschuss, Irmela Koch-Bayram, Torsten Biemann and Phanish Puranam ran a randomised field experiment at a technology services firm in Central Europe. They reported it as "GenAI Adoption Increases the Density of Knowledge and Collaboration Networks", INSEAD Working Paper 2026/22/STR, dated 1 April 2026 and posted as SSRN 6028034. Three hundred and sixteen employees in 42 teams took part. Teams were randomly assigned either an assistant grounded on the firm's own knowledge bases and communication data through retrieval-augmented generation, or work as usual. Outcomes were measured over two weeks before and three months after.

Collaboration-network degree centrality rose by 7.77 in the treated group against 1.12 in the control, a difference of 6.65 at p < .001. Knowledge-network centrality rose 5.21 against 0.84, a difference of 4.37 at the same threshold. Specialists gained more in knowledge centrality. Generalists gained more in output. Satisfaction with knowledge access improved.

People talked to each other more. The authors read the assistant as lowering the cost of coordination and raising the value of individuals as sources of knowledge, and their reading fits the data they collected.

Two limits sit on the result, and I would want both on the table before treating it as a purchase justification. It is a working paper under review, covering one firm over three months. More importantly, the primary outcomes are self-reported by employees: interactions, projects handled, satisfaction. That is the exact measure which failed in METR's randomised trial of experienced open-source developers (arXiv:2507.09089, July 2025). Participants were 19% slower with AI tools across 246 tasks, while estimating afterwards that they had been 20% faster.

What survives contact between the two studies is a distinction. The INSEAD experiment measures how the assistant changed the shape of the network, and how people felt about access. It does not measure whether the answers were right, and neither does any figure a vendor has shown me. Both things can hold at once. A grounded assistant makes an organisation more connected, and it still cannot contain what nobody recorded.

The second objection is stronger, and this one I accept. Enormous amounts of enterprise knowledge are codified already, or codify cheaply: contracts, tickets, policies, invoices, code, specifications, the history of a customer account. For those domains a good retrieval layer is worth its price. The EnterpriseRAG-Bench figures look weak in the abstract, and they describe work that used to take a person an hour of reading. The boundary here is about job selection, the same shape as the argument in Mainframe and the boundary of GenAI competence. Same instrument, different task, wildly different value.

A test you can run before you sign

The decision is not whether to buy. It is how much of your problem you are buying a solution to, and the difference is measurable in about a week.

1. Audit ten decisions. Run the exercise from the worked example above on your own last ten. Count the ones whose reason exists in writing. That fraction is your ceiling.
2. Log the questions. For one week, have your team record the questions they ask each other directly. Sort them into three piles: answerable from a document, answerable only by a specific person, answerable by nobody today. Pile one is what you are actually buying.
3. Pilot against pile two. Vendor demos are built from pile one, which is why they impress and why they predict nothing. Run the trial on questions that currently need a person, and have that person mark the answers for correctness.
4. Price pile three as an organisational problem. Questions nobody can answer are not a retrieval failure. They are a record-keeping failure, and the fix is a habit: decision records, incident write-ups, a written reason for every rejected option.

That last habit has the longest half-life, and nobody sells it, because it cannot be installed. The cost of a company brain is a line in the budget. The cost of writing down reasons is paid by senior people in fifteen-minute increments, forever. It is also the only thing on the list that raises the ceiling in step one.

Which lets you read the vendor's sentence more usefully. The archive is indeed the memory that never resigns. Whoever knows why the archive says what it says can still hand in their notice on Friday.

What the boundary is worth

A company brain is a good product with a false name. It indexes the residue of work. That residue has real value, and it is a different object from what the organisation knows.

Buying it as an index is a sound decision at a defensible price. Buying it as a mind is how you end up with a system that answers every question except the ones worth asking.

Before the next demo, run step one. Count how many of your last ten expensive decisions have their reason written down anywhere. Whatever that number turns out to be, no vendor can sell you a way past it.

Sources

1. primaryF.A. Hayek, "The Use of Knowledge in Society," American Economic Review 35(4), September 1945, 519–530 — knowledge "not given to anyone in its totality" (§I); "the knowledge of the particular circumstances of time and place" (§III); knowledge that "by its nature cannot enter into statistics" (§IV); decisions left to those familiar with the circumstances (§V). Written against Oskar Lange's case for a planned economy. Applying the argument inside a single firm is this essay's extension, not Hayek's.
2. primaryR.H. Coase, "The Nature of the Firm," Economica, New Series, 4(16), November 1937, 386–405 — firms exist because internal organisation is sometimes cheaper than transacting in a market; used here as the limit on transferring Hayek's conclusion indoors.
3. primaryJames P. Walsh & Gerardo R. Ungson, "Organizational Memory," Academy of Management Review 16(1), 1991, 57–91 — organisational memory as stored information from an organisation's history brought to bear on present decisions; five retention facilities (individuals, culture, transformations, structures, ecology) plus external archives; the anthropomorphism warning.
4. primaryChris Argyris & Donald A. Schön, Theory in Practice: Increasing Professional Effectiveness (Jossey-Bass, 1974) — espoused theory as what a person says governs their action, theory-in-use as what actually governs it, and the gap between the two.
5. primaryGabriel Szulanski, "Exploring Internal Stickiness: Impediments to the Transfer of Best Practice Within the Firm," Strategic Management Journal 17, Winter Special Issue 1996, 27–43 — 271 observations of 122 transfers in eight firms; absorptive capacity, causal ambiguity and an arduous relationship outrank motivational barriers.
6. primaryMichael Polanyi, The Tacit Dimension (Doubleday, 1966), p. 4 — "we can know more than we can tell".
7. primaryIkujiro Nonaka & Hirotaka Takeuchi, The Knowledge-Creating Company (Oxford University Press, 1995) — the SECI model and externalisation as the conversion of tacit knowledge into explicit knowledge.
8. primaryStephen Gourlay, "Conceptualizing Knowledge Creation: A Critique of Nonaka's Theory," Journal of Management Studies 43(7), 2006, 1415–1436 — the conversion modes lack evidence that cannot be explained more simply; inherently tacit knowledge is omitted from the framework.
9. primaryYuhong Sun, Joachim Rahmfeld, Chris Weaver, Weijia Chen, Roshan Desai, Wenxi Huang & Mark H. Butler, "EnterpriseRAG-Bench: A RAG Benchmark for Company Internal Knowledge" (arXiv:2605.05253, 5 May 2026; revised 19 May 2026) — ~500,000 synthetic documents across nine enterprise sources, 500 questions in ten categories; BM25 68.8% correctness and 68.4% document recall, vector search 51.4%, filesystem agent 60.6% with 61.1% completeness, vector 32.8% on the semantic category; category spread from 100% on absent answers down to 35–40% on completeness; the authors' own limitations on synthetic generation, JSON flattening and revisable gold labels.
10. primaryNelson F. Liu, Kevin Lin, John Hewitt, Ashwin Paranjape, Michele Bevilacqua, Fabio Petroni & Percy Liang, "Lost in the Middle: How Language Models Use Long Contexts," Transactions of the Association for Computational Linguistics 12 (2024) — U-shaped accuracy by position of the relevant passage, long-context models included.
11. primaryRalf Buechsenschuss, Irmela Koch-Bayram, Torsten Biemann & Phanish Puranam, "GenAI Adoption Increases the Density of Knowledge and Collaboration Networks: Evidence from a Field Experiment," INSEAD Working Paper 2026/22/STR (1 April 2026, SSRN abstract 6028034) — 316 employees in 42 teams at a Central European technology services firm, RAG-grounded assistant, two-week baseline and three-month follow-up; collaboration centrality +7.77 against +1.12 (p < .001), knowledge centrality +5.21 against +0.84 (p < .001). (Working paper under review; primary outcomes self-reported by employees.)
12. primaryMETR, "Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity" (arXiv:2507.09089, July 2025) — 16 developers, 246 tasks, 19% slower with AI tools against a self-estimated 20% speed-up; cited here for the divergence between self-report and measurement.
13. secondarySphereIQ, "Company Brain — Enterprise Knowledge Platform" (product page, accessed 21 August 2026) — the quoted headline, the component list (knowledge graph and ontology, semantic layer, hybrid retrieval with citations, episodic memory, governance plane) and the unattributed customer figures: 35,000+ operational documents at "a global aviation operator", 60× faster resolution, six hours to seven seconds at "a professional-services firm". Vendor marketing, cited as evidence that the pitch exists, not that it works.

Mózg firmy i wiedza, której nikt nie zapisał

Jedna ze stron sprzedażowych stawia obietnicę na tyle precyzyjnie, że da się ją sprawdzić. „Company Brain to pamięć, która nigdy nie odchodzi: wszystko, co wie twoja organizacja, uporządkowane, nadzorowane i gotowe do odpowiedzi w kilka sekund". Weź środek tego zdania dosłownie. Wszystko, co wie twoja organizacja. Teza, której chcę bronić, jest węższa i trudniejsza do zbicia. Mózg firmy da się złożyć wyłącznie z tego, co firma zapisała, a wiedza rozstrzygająca drogie pytania w większości nigdy nie została zapisana.

Ta granica nie jest zarzutem wobec technologii. Wyznacza cenę, jaką warto zapłacić, i nazywa tę połowę problemu, która zostaje po twojej stronie. Najciekawsze jest to, że granica nie przesuwa się razem z jakością modeli. Wyznacza ją to, ile organizacja zapisuje, a to jest cecha organizacji.

Co ta kategoria naprawdę obiecuje

Oferta ustabilizowała się w 2026 roku w rozpoznawalnym kształcie. Wciągnij roboczy osad firmy: czaty, pocztę, zgłoszenia, dokumenty, CRM, transkrypcje spotkań, repozytoria kodu. Wyciągnij z tego byty i relacje do grafu wiedzy. Zdefiniuj słownik raz, w warstwie semantycznej. Szukaj hybrydowo, wektorami, dopasowaniem leksykalnym i przechodzeniem po grafie, i cytuj źródła. Utrzymuj pamięć epizodyczną między sesjami. Połóż na tym płaszczyznę nadzoru z uprawnieniami i maskowaniem danych.

To porządna inżynieria. Każdy z tych elementów robi coś realnego i nie spieram się z częściami.

Ta sama strona podaje trzy liczby i warto przeczytać je jak okaz. Ponad 35 000 dokumentów operacyjnych u „globalnego operatora lotniczego". Sześćdziesiąt razy szybsze rozstrzyganie spraw w zespołach dyspozytorskich. Sześć godzin skrócone do siedmiu sekund w „firmie usług profesjonalnych". Żaden klient nie jest nazwany. Żaden punkt odniesienia nie jest zdefiniowany. Żadna metoda nie została opublikowana. To ilustracje możliwości, a nie pomiary skutku, i kupujący powinien je tak zaszeregować.

Po zdjęciu językowej ozdoby zostaje jedno zdanie: sprawimy, że twoją firmę da się odpytać. Cała reszta tego eseju dotyczy tego, ile firmy w ogóle daje się zamienić w zapytanie.

Problem wiedzy przeniesiony do środka firmy

Friedrich Hayek ogłosił „The Use of Knowledge in Society" w American Economic Review 35(4) we wrześniu 1945 roku. Tekst zajmuje strony od 519 do 530. Powstał przeciwko Oskarowi Langemu i argumentom za gospodarką planową, a wywód, który prowadzi, dotyczy informacji.

Hayek zaczyna od przedefiniowania problemu ekonomicznego. Społeczeństwo nie stoi przed zadaniem rozdysponowania zasobów, których właściwości planista już zna. Stoi przed „problemem wykorzystania wiedzy, która nie jest dana nikomu w całości" (§I). W sekcji III nazywa rodzaj tej wiedzy: „wiedza o szczególnych okolicznościach czasu i miejsca".

Sekcja IV formułuje ograniczenie, które liczy się tutaj najbardziej. Chodzi o wiedzę, „która ze swojej natury nie może wejść do statystyki i dlatego nie może zostać przekazana żadnej centralnej władzy w postaci statystycznej". Wniosek pada w sekcji V. „Ostateczne decyzje muszą zostać pozostawione ludziom, którzy znają te okoliczności, którzy wiedzą bezpośrednio o odpowiednich zmianach i o zasobach natychmiast dostępnych, żeby na nie odpowiedzieć".

Hayek pisał o całej gospodarce, w której koordynację zapewniał system cen. Wniesienie tego argumentu do wnętrza jednej firmy to moje rozszerzenie, nie jego. Nie da się go zrobić mechanicznie. Ronald Coase wyjaśnił dlaczego w „The Nature of the Firm" (Economica, nowa seria, 4(16), listopad 1937, 386–405). Firmy istnieją, bo zorganizowanie części działań wewnątrz kosztuje mniej niż kupowanie ich na rynku. Gdyby zastrzeżenie Hayeka obowiązywało wewnątrz organizacji bez zmian, firmy jakiejkolwiek wielkości byłyby niemożliwe. Są możliwe, więc centralizacja wiedzy w firmie musi się czasem opłacać.

Przenosi się filtr, a nie werdykt. Centralna władza u Hayeka mogła przyjąć tylko to, co mieściło się w statystyce. System wyszukiwania przyjmie tylko to, co zmieściło się w zapisie. Oba ośrodki ogranicza ten sam krok. Coś musi zostać zapisane, zanim ruszy dalej, a zapis gubi najwięcej tam, gdzie wiedza była związana z sytuacją.

Gdzie organizacja trzyma to, co wie

Najlepszą mapę tego zagadnienia narysowali James Walsh i Gerardo Ungson w pracy „Organizational Memory". Ukazała się w Academy of Management Review 16(1) w 1991 roku, na stronach od 57 do 91. Definiują pamięć organizacyjną jako zgromadzoną informację z historii organizacji, którą da się przyłożyć do bieżących decyzji. Umieszczają ją w pięciu zbiornikach oraz w archiwach zewnętrznych.

Przyłóż do tej listy potok wciągania danych.

1. Archiwa zewnętrzne. Dokumenty, poczta, zgłoszenia, rejestry trzymane w firmie i poza nią. Wciągane dobrze. Tu ta kategoria produktów naprawdę dowozi.
2. Przekształcenia. Procedury zamieniające wejścia na wyjścia. Wciągane w takim stopniu, w jakim ktoś je opisał. To waha się ogromnie między działami i wypada najgorzej tam, gdzie praca opiera się na osądzie.
3. Struktury. Role i powiązania między ludźmi. Schemat organizacyjny da się wciągnąć. Tego, kto naprawdę decyduje i czyj sprzeciw zatrzymuje projekt, na schemacie nie ma.
4. Jednostki. Pamięć i wprawa ludzi, którzy widzieli już tę awarię. Do tego zbiór wzorców, który każdy z nich nosi w głowie. Nie do wciągnięcia.
5. Kultura. Wspólne ramy i język, które rozstrzygają, jakie interpretacje traktuje się poważnie. Nie do wciągnięcia.
6. Ekologia. Fizyczny układ miejsca pracy, który koduje status i wpływa na to, kto z kim rozmawia. Nie do wciągnięcia i najczęściej nawet niezauważany.

Stąd uczciwy opis mózgu firmy. Mocny indeks jednego zbiornika, częściowy indeks dwóch, milczenie o trzech. Jakość modelu tego przyporządkowania nie zmienia. Nie zmienia go też długość kontekstu ani staranność projektu ontologii.

Słowo „mózg" pracuje tu ponad siły i warto mu się oprzeć. Walsh i Ungson nie bez powodu poświęcają pierwsze strony problemowi antropomorfizmu. Kiedy raz uznasz, że organizacja ma pamięć tak, jak ma ją człowiek, przestajesz pytać, gdzie ta pamięć fizycznie siedzi.

Co zapis systematycznie gubi

Archiwum nie jest losową próbką tego, co się wydarzyło. Jest próbką obciążoną, a obciążenie idzie w niewygodną stronę.

Chris Argyris i Donald Schön rozdzielili dwie rzeczy w książce Theory in Practice: Increasing Professional Effectiveness (Jossey-Bass, 1974). Teoria głoszona to odpowiedź, jakiej człowiek udziela zapytany, co i dlaczego by zrobił. Teoria stosowana to ta, która faktycznie rządzi zachowaniem, i bywa nieznana samemu działającemu. Rozziew między nimi nie jest nieuczciwością. Jest normalnym stanem pracy opartej na wprawie.

Zbiór dokumentów firmowych to zbiór teorii głoszonych. Notatka mówi, że dostawcę wybrano na podstawie całkowitego kosztu posiadania. Teoria stosowana brzmiała: szef operacji sparzył się na konkurencie w 2023 roku i nie napisze tego na papierze. Oba zdania są prawdziwe. Tylko jedno da się wyszukać.

Drugie obciążenie to selekcja. Zapisuje się to, co ktoś musi zatwierdzić, obronić albo zafakturować. Dokumentacja jest więc najgęstsza tam, gdzie zażądał jej regulator, audytor albo klient, a najrzadsza tam, gdzie praca jest czystym osądem. Archiwum nadreprezentuje te części firmy, które i tak były czytelne, a mózg zbudowany na nim dziedziczy ten kształt.

Trzecie obciążenie to rozpad. Artefakty zostają, powody znikają. Umowa leży na dysku pięć lat później, a spór, z którego wyszedł paragraf siódmy, mieszka w głowie kogoś, kto przeszedł do konkurencji. Graf wychodzi bogaty w obiekty i ubogi w przyczyny. Przyczyna była tym, czego potrzebowałeś.

Barierą nigdy nie był dostęp

Gdyby brakujące zbiorniki były tylko niewygodą, oferta broniłaby się dalej. Można by argumentować, że zaindeksowanie archiwum usuwa główną przeszkodę w ponownym użyciu tego, co firma wie. Na dokładnie to pytanie odpowiada pomiar sprzed trzydziestu lat.

Gabriel Szulanski zbadał 122 przypadki przenoszenia dobrych praktyk wewnątrz ośmiu firm, łącznie 271 obserwacji. Wyniki ogłosił jako „Exploring Internal Stickiness: Impediments to the Transfer of Best Practice Within the Firm" w Strategic Management Journal 17, zimowy numer specjalny 1996, 27–43. Ówczesny pogląd obwiniał motywację. Ludzie chomikują, działy rywalizują, nikt się nie dzieli.

Dane wskazały w inną stronę. Największymi barierami okazały się brak zdolności absorpcyjnej po stronie odbiorcy, niejednoznaczność przyczynowa oraz uciążliwa relacja między źródłem a odbiorcą.

Przyłóż ofertę do tego wyniku. Mózg firmy świetnie rozwiązuje problem znalezienia i zapytania. Niejednoznaczność przyczynowa znaczy, że nikt nie potrafi powiedzieć precyzyjnie, dlaczego dana praktyka działa, nie ma więc poprawnego tekstu do wyszukania. Brak zdolności absorpcyjnej znaczy, że odbiorca nie ma wiedzy wcześniejszej, żeby użyć odpowiedzi, kiedy już ją dostanie. Uciążliwa relacja to problem zaufania między dwojgiem ludzi, a okno wyszukiwania nie jest jego stroną.

Ograniczenie, które leży u podstaw tych barier, nazwał Michael Polanyi w The Tacit Dimension (1966), na stronie 4: „Rozważę wiedzę ludzką na nowo, wychodząc od faktu, że wiemy więcej, niż potrafimy powiedzieć".

Standardowa odpowiedź brzmi, że wiedzę ukrytą da się przekształcić. Ikujiro Nonaka i Hirotaka Takeuchi zbudowali wokół tego twierdzenia model SECI w książce The Knowledge-Creating Company (Oxford University Press, 1995), z eksternalizacją jako krokiem, w którym wiedza ukryta staje się jawna. Na tym twierdzeniu zarządzanie wiedzą stoi od trzydziestu lat. A jest ono sporne. Stephen Gourlay dowodził w tekście „Conceptualizing Knowledge Creation: A Critique of Nonaka's Theory", że tryby konwersji nie mają pokrycia w dowodach, których nie dałoby się wyjaśnić prościej. Praca ukazała się w Journal of Management Studies 43(7), 2006, 1415–1436, i zarzuca ramie pominięcie wiedzy z natury ukrytej.

Gourlay może się mylić. Dla kupującego liczy się co innego. Zdanie „wyeksternalizujemy wiedzę ukrytą do grafu" to sporny program badawczy sprzedawany jako krok wdrożeniowy, a harmonogram wdrożenia rzadko mówi, z którym z nich ma się do czynienia.

Uprawnienia są częścią architektury

Każdy poważny produkt w tej kategorii pilnuje uprawnień i słusznie. Mózg, który wypuściłby przegląd wynagrodzeń całej firmie, przetrwałby jedno popołudnie.

Zobacz, dokąd ten wymóg prowadzi. System odpowiada per odbiorca. Dwie osoby zadające to samo pytanie dostają różne odpowiedzi i żadna z nich nie wie, co zostało wycięte. Suma tego, co platforma trzyma, nie jest dostępna nikomu, łącznie z osobą, która podpisała umowę.

Zdanie „wszystko, co wie twoja organizacja" jest więc fałszywe nawet dla części skodyfikowanej. Zasięg pojedynczego człowieka ogranicza poziom dostępu, a poziom dostępu idzie za schematem organizacyjnym. Odpowiedzi odtwarzają hierarchię, która wyprodukowała dokumenty.

Nic z tego nie jest wadą produktów. To zachowanie poprawne i po cichu unieważnia zdanie, którym się je sprzedaje. Jedno źródło prawdy, które renderuje się inaczej dla każdego czytelnika, to indeks z uprawnieniami. Słowo na to już istnieje.

Co mówią pomiary

Do niedawna nie było testu porównawczego dla tego zadania na danych wewnętrznych firm. To osobliwa luka, zważywszy, ile pieniędzy płynie w tę kategorię. Część z niej zamyka EnterpriseRAG-Bench. Autorzy to Yuhong Sun, Joachim Rahmfeld, Chris Weaver, Weijia Chen, Roshan Desai, Wenxi Huang i Mark H. Butler. Praca nosi numer arXiv:2605.05253; ukazała się 5 maja 2026 roku, a 19 maja dostała poprawkę. Zbiór liczy około 500 000 dokumentów z dziewięciu firmowych źródeł: Slack, Gmail, Linear, Google Drive, HubSpot, Fireflies, GitHub, Jira i Confluence. Pytań jest 500, w dziesięciu kategoriach.

Puszczono na nim trzy podejścia wyszukiwawcze. BM25, funkcja rankingowa oparta na dopasowaniu leksykalnym z lat dziewięćdziesiątych, wypadła najlepiej pod względem poprawności z wynikiem 68,8% i trafnością dokumentów 68,4%. Wyszukiwanie wektorowe na modelu text-embedding-3-large OpenAI osiągnęło 51,4%. Agent przeglądający zbiór jak system plików wylądował na poprawności 60,6%, przy najlepszej kompletności 61,1%.

Wyszukiwanie wektorowe przegrało również kategorię semantyczną, z wynikiem 32,8%. Ta kategoria powstała pod przewagę osadzeń. Cokolwiek jeszcze z tego wynika, domyślną architekturę większości produktów typu mózg firmy pobiło dopasowanie po słowach na danych, do których te produkty są kierowane.

Rozbicie na kategorie mówi więcej niż same sumy. Rozpoznanie, że odpowiedzi w zbiorze nie ma, dało 100% we wszystkich trzech systemach. Uzgodnienie sprzecznych źródeł wyszło na 80 do 90%, a wnioskowanie wewnątrz jednego dokumentu na 75 do 85%. Dalej zaczyna się osypywanie. Pytania na poziomie projektu dały od 37,5 do 60%. Kompletność stanęła na 35 do 40% dla BM25 i wektorów.

Przeczytaj tę listę z góry na dół, a zobaczysz wzór. System działa, kiedy pytanie pada w słowniku zapisu, a odpowiedź leży w jednym miejscu. Psuje się, kiedy odpowiedź trzeba złożyć i kiedy pytający używa własnych słów zamiast słów archiwum. To zdolność absorpcyjna przełożona na język inżynierii. Dobrą odpowiedź dostaje ten, kto wie już dość, żeby zapytać właściwym językiem.

Zastrzeżenia autorów ważą tyle samo, co ich liczby. Zbiór jest syntetyczny, wytworzony przez potok generujący, a potem celowo popsuty szumem: 5% dokumentów przeniesionych losowo, 3% błędnie zaszeregowanych przez model, bliskie duplikaty z rozbieżnymi faktami. Dokumenty spłaszczono do par klucz-wartość w JSON-ie, co według autorów nie oddaje zagnieżdżonej budowy prawdziwych dokumentów firmowych. Wzorcowe odpowiedzi opisano jako rewidowalne hipotezy, nie utrwalony wzorzec, bo wyczerpujące oznaczenie pół miliona dokumentów jest niewykonalne.

Każde z tych zastrzeżeń czyni test łagodniejszym niż produkcja. Czysty, wygenerowany zbiór ze znanymi odpowiedziami to wersja łatwa. Obserwowany na niej pułap to mniej więcej dwie odpowiedzi na trzy.

Trzeba dołożyć jeszcze jeden wynik, bo unieważnia obejście, które nasuwa się od razu. Skoro wyszukiwanie jest słabym ogniwem, wrzućmy cały zbiór do okna kontekstu. Nelson Liu ze współautorami zmierzył, co się wtedy dzieje, w pracy „Lost in the Middle: How Language Models Use Long Contexts" (Transactions of the ACL, 2024). Trafność rysuje krzywą w kształcie litery U. Jest najwyższa, kiedy właściwy fragment stoi na początku albo na końcu kontekstu, i spada w środku, również w modelach budowanych pod długi kontekst. Większe okno przenosi problem wyszukiwania w inne miejsce.

Rachunek na dziesięciu decyzjach

Abstrakcyjne spory o kodyfikację łatwo skwitować kiwnięciem głowy, trudniej wyciągnąć z nich decyzję. Poniżej jest więc ćwiczenie, które zrobiłbym przed podpisaniem czegokolwiek, przeliczone na wymyślonej firmie. Liczby są ilustracją. Nie są studium przypadku i nikt ich nie mierzył.

Weź firmę usługową na 140 osób. Wypisz dziesięć ostatnich decyzji, za którymi poszły realne pieniądze. Do każdej dopisz jedno zdanie z faktycznym powodem, dla którego poszło tak, a nie inaczej. Potem sprawdź, czy to zdanie istnieje w jakimkolwiek systemie, który platforma wciągnie.

Ugoda sądowa: powód jest w protokole zarządu, bo zarząd musiał ją zatwierdzić. Zapisane. Umowa przenegocjowana z rabatem 12%: CRM notuje zgodę i osobę zatwierdzającą, a o przyczynie rabatu milczy. Niezapisane. Zatrudnienie na wyższe stanowisko: karta oceny leży w systemie rekrutacyjnym, a przeważyła rozmowa referencyjna, której nikt nie spisał. Niezapisane.

Zmiana dostawcy: notatka powołuje się na całkowity koszt posiadania, a szef operacji miał złe doświadczenie z poprzednikiem w 2023 roku. Zapisane w połowie, przy czym zapisana połowa jest tą głoszoną. Moduł napisany od nowa: dokument projektowy argumentuje utrzymywalnością, a bezpośrednią przyczyną była odmowa jednego inżyniera dalszego łatania. Niezapisane. Przeprowadzka biura, wstrzymana linia produktowa, oferta retencyjna, wycofanie się z przetargu i podwyżka cen w najniższym pakiecie: trzy z nich mają pisemne uzasadnienie, dwie mają wątek na czacie, który nazywa decyzję i pomija przyczynę.

Wynik: cztery na dziesięć z zapisanym powodem. To pułap tego, co dowolny mózg firmy może wiedzieć o tym, jak ta firma decyduje. Jak na firmę tej wielkości nie jest to zły wynik. Do obiecanej całości brakuje jednak sześciu powodów na dziesięć.

Zobacz teraz, co z tą samą dziesiątką zrobi pokaz handlowy. Zapytany, co postanowiono, odpowie dziesięć razy na dziesięć, z cytatami. Różnica między tymi dwoma wynikami jest tematem całego tego eseju i pozostaje niewidoczna w każdej ocenie produktu, która zadaje wyłącznie pytania z udokumentowaną odpowiedzią.

Najmocniejszy dowód przeciw tej tezie

Jeżeli mózg firmy odpowiada na łatwe pytania i nie mieści trudnych, naturalna prognoza brzmi: zanik. Ludzie przestają pytać współpracowników. Sieć ludzka rzednie. Organizacja opiera się na archiwum, które umie odpytać, bardziej niż na ludziach, którzy je rozumieją. Tę prognozę właśnie przetestowano i nie wytrzymała.

Ralf Buechsenschuss, Irmela Koch-Bayram, Torsten Biemann i Phanish Puranam przeprowadzili randomizowany eksperyment terenowy w firmie usług technologicznych w Europie Środkowej. Opisali go jako „GenAI Adoption Increases the Density of Knowledge and Collaboration Networks", INSEAD Working Paper 2026/22/STR, z 1 kwietnia 2026, opublikowany jako SSRN 6028034. Wzięło w nim udział 316 pracowników w 42 zespołach. Zespoły losowo przydzielono do asystenta osadzonego na firmowych bazach wiedzy i danych komunikacyjnych przez generowanie wspomagane wyszukiwaniem albo do pracy jak dotąd. Pomiar objął dwa tygodnie przed i trzy miesiące po.

Centralność stopnia w sieci współpracy wzrosła o 7,77 w grupie objętej wdrożeniem wobec 1,12 w kontrolnej, czyli o 6,65 przy p < 0,001. Centralność w sieci wiedzy wzrosła o 5,21 wobec 0,84, czyli o 4,37 przy tym samym progu. Specjaliści zyskali więcej na centralności wiedzy. Generaliści zyskali więcej na wyniku. Zadowolenie z dostępu do wiedzy poprawiło się.

Ludzie rozmawiali ze sobą więcej. Autorzy tłumaczą to tak, że asystent obniżył koszt koordynacji i podniósł wartość jednostek jako źródeł wiedzy, a ta interpretacja pasuje do danych, które zebrali.

Na wyniku ciążą dwa ograniczenia i oba chciałbym mieć na stole, zanim uznam go za uzasadnienie zakupu. To praca robocza w recenzji, jedna firma, trzy miesiące. Ważniejsze jest drugie, bo podstawowe zmienne wynikowe zgłaszają sami pracownicy: interakcje, obsłużone projekty, zadowolenie. Ta sama zmienna zawiodła w randomizowanym badaniu METR na doświadczonych programistach open source (arXiv:2507.09089, lipiec 2025). Uczestnicy pracowali z narzędziami AI o 19% wolniej na 246 zadaniach, a po fakcie szacowali, że byli o 20% szybsi.

Ze zderzenia obu badań wychodzi rozróżnienie. Eksperyment INSEAD mierzy, jak asystent zmienił kształt sieci i jak ludzie odbierali dostęp do wiedzy. Nie mierzy, czy odpowiedzi były poprawne, i nie mierzy tego również żadna liczba, którą pokazał mi dotąd którykolwiek dostawca. Obie rzeczy mogą być prawdziwe naraz. Osadzony asystent zwiększa łączność organizacji i nadal nie mieści tego, czego nikt nie zapisał.

Drugi zarzut jest mocniejszy i ten przyjmuję. Ogromne ilości wiedzy firmowej już są skodyfikowane albo kodyfikują się tanio: umowy, zgłoszenia, polityki, faktury, kod, specyfikacje, historia konta klienta. Dla tych obszarów dobra warstwa wyszukiwania jest warta swojej ceny. Wyniki EnterpriseRAG-Bench wyglądają słabo w oderwaniu od kontekstu, a opisują pracę, na którą wcześniej człowiek tracił godzinę czytania. Granica dotyczy doboru zadania i ma ten sam kształt co argument w eseju Mainframe i granica kompetencji GenAI. To samo narzędzie, inne zadanie, skrajnie różna wartość.

Test do wykonania przed podpisem

Nie rozstrzygasz, czy kupić, tylko na jaką część twojego problemu kupujesz rozwiązanie, a tę różnicę da się zmierzyć w mniej więcej tydzień.

1. Prześwietl dziesięć decyzji. Zrób na własnej dziesiątce ćwiczenie z sekcji powyżej. Policz te, których powód istnieje na piśmie. Ten ułamek jest twoim pułapem.
2. Zapisuj pytania. Przez tydzień poproś zespół o notowanie pytań, które zadają sobie nawzajem. Podziel je na trzy kupki: takie z odpowiedzią w dokumencie, takie z odpowiedzią tylko u konkretnej osoby i takie, na które dziś nie odpowie nikt. Kupka pierwsza to jest to, co realnie kupujesz.
3. Pilotaż puść na kupce drugiej. Pokazy dostawców buduje się z kupki pierwszej, dlatego robią wrażenie i dlatego niczego nie prognozują. Próbę zrób na pytaniach, które dziś wymagają człowieka, a poprawność niech oceni ten właśnie człowiek.
4. Kupkę trzecią wyceń jako problem organizacyjny. Pytania bez odpowiedzi ujawniają awarię zapisu, nie wyszukiwania. Lekarstwem jest nawyk: notatki decyzyjne, opisy incydentów, pisemny powód dla każdej odrzuconej opcji.

Ten ostatni nawyk ma najdłuższy okres półtrwania i nikt go nie sprzedaje, bo nie da się go zainstalować. Koszt mózgu firmy to pozycja w budżecie. Koszt zapisywania powodów płacą starsi stażem ludzie w kwadransach, bez końca. Jest to też jedyna rzecz z tej listy, która podnosi pułap z punktu pierwszego.

To pozwala przeczytać zdanie dostawcy z większym pożytkiem. Archiwum faktycznie jest pamięcią, która nigdy nie odchodzi. Ten, kto wie, dlaczego archiwum mówi to, co mówi, nadal może złożyć wypowiedzenie w piątek.

Ile jest warta ta granica

Mózg firmy to dobry produkt pod fałszywą nazwą. Indeksuje osad pracy. Ten osad ma realną wartość i jest innym obiektem niż wiedza organizacji.

Kupując go jako indeks, podejmujesz rozsądną decyzję w cenie, którą da się obronić. Kupując go jako umysł, dostajesz system, który odpowiada na każde pytanie poza tymi, które warto było zadać.

Przed następnym pokazem wykonaj punkt pierwszy. Policz, ile z twoich dziesięciu ostatnich drogich decyzji ma gdziekolwiek zapisany powód. Jakakolwiek wyjdzie ta liczba, żaden dostawca nie sprzeda ci obejścia.

Bibliografia

1. primaryF.A. Hayek, „The Use of Knowledge in Society", American Economic Review 35(4), wrzesień 1945, 519–530 — wiedza „nie dana nikomu w całości" (§I); „wiedza o szczególnych okolicznościach czasu i miejsca" (§III); wiedza, która „ze swojej natury nie może wejść do statystyki" (§IV); decyzje pozostawione tym, którzy znają okoliczności (§V). Tekst napisany przeciwko argumentom Oskara Langego za gospodarką planową. Przeniesienie tego rozumowania do wnętrza jednej firmy jest rozszerzeniem tego eseju, nie Hayeka. Cytaty w tłumaczeniu autora eseju.
2. primaryR.H. Coase, „The Nature of the Firm", Economica, nowa seria, 4(16), listopad 1937, 386–405 — firmy istnieją, bo organizacja wewnętrzna bywa tańsza od transakcji rynkowej; użyte tu jako ograniczenie dla przenoszenia wniosku Hayeka do środka.
3. primaryJames P. Walsh i Gerardo R. Ungson, „Organizational Memory", Academy of Management Review 16(1), 1991, 57–91 — pamięć organizacyjna jako zgromadzona informacja z historii organizacji przykładana do bieżących decyzji; pięć zbiorników (jednostki, kultura, przekształcenia, struktury, ekologia) oraz archiwa zewnętrzne; ostrzeżenie przed antropomorfizmem.
4. primaryChris Argyris i Donald A. Schön, Theory in Practice: Increasing Professional Effectiveness (Jossey-Bass, 1974) — teoria głoszona jako to, co człowiek podaje jako regułę swojego działania, teoria stosowana jako ta, która działaniem faktycznie rządzi, i przerwa między nimi.
5. primaryGabriel Szulanski, „Exploring Internal Stickiness: Impediments to the Transfer of Best Practice Within the Firm", Strategic Management Journal 17, zimowy numer specjalny 1996, 27–43 — 271 obserwacji ze 122 przeniesień w ośmiu firmach; zdolność absorpcyjna, niejednoznaczność przyczynowa i uciążliwa relacja przed barierami motywacyjnymi.
6. primaryMichael Polanyi, The Tacit Dimension (Doubleday, 1966), s. 4 — „wiemy więcej, niż potrafimy powiedzieć". Cytat w tłumaczeniu autora eseju.
7. primaryIkujiro Nonaka i Hirotaka Takeuchi, The Knowledge-Creating Company (Oxford University Press, 1995) — model SECI i eksternalizacja jako przekształcenie wiedzy ukrytej w jawną.
8. primaryStephen Gourlay, „Conceptualizing Knowledge Creation: A Critique of Nonaka's Theory", Journal of Management Studies 43(7), 2006, 1415–1436 — tryby konwersji bez pokrycia w dowodach, których nie da się wyjaśnić prościej; pominięcie wiedzy z natury ukrytej.
9. primaryYuhong Sun, Joachim Rahmfeld, Chris Weaver, Weijia Chen, Roshan Desai, Wenxi Huang i Mark H. Butler, „EnterpriseRAG-Bench: A RAG Benchmark for Company Internal Knowledge" (arXiv:2605.05253, 5 maja 2026; poprawka 19 maja 2026) — około 500 000 syntetycznych dokumentów z dziewięciu firmowych źródeł, 500 pytań w dziesięciu kategoriach; BM25 68,8% poprawności i 68,4% trafności dokumentów, wyszukiwanie wektorowe 51,4%, agent plikowy 60,6% przy kompletności 61,1%, wektory 32,8% w kategorii semantycznej; rozrzut kategorii od 100% przy braku odpowiedzi w zbiorze do 35–40% przy kompletności; własne ograniczenia autorów co do generowania syntetycznego, spłaszczenia do JSON-a i rewidowalnych wzorców.
10. primaryNelson F. Liu, Kevin Lin, John Hewitt, Ashwin Paranjape, Michele Bevilacqua, Fabio Petroni i Percy Liang, „Lost in the Middle: How Language Models Use Long Contexts", Transactions of the Association for Computational Linguistics 12 (2024) — trafność w kształcie U zależnie od pozycji właściwego fragmentu, także w modelach długokontekstowych.
11. primaryRalf Buechsenschuss, Irmela Koch-Bayram, Torsten Biemann i Phanish Puranam, „GenAI Adoption Increases the Density of Knowledge and Collaboration Networks: Evidence from a Field Experiment", INSEAD Working Paper 2026/22/STR (1 kwietnia 2026, SSRN 6028034) — 316 pracowników w 42 zespołach w firmie usług technologicznych w Europie Środkowej, asystent osadzony przez RAG, dwa tygodnie przed i trzy miesiące po; centralność współpracy +7,77 wobec +1,12 (p < 0,001), centralność wiedzy +5,21 wobec +0,84 (p < 0,001). (Praca robocza w recenzji; podstawowe zmienne wynikowe zgłaszane przez samych pracowników.)
12. primaryMETR, „Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity" (arXiv:2507.09089, lipiec 2025) — 16 programistów, 246 zadań, 19% wolniej z narzędziami AI wobec samoocenionego przyśpieszenia o 20%; przywołane dla rozejścia się samooceny z pomiarem.
13. secondarySphereIQ, „Company Brain — Enterprise Knowledge Platform" (strona produktowa, dostęp 21 sierpnia 2026) — cytowany nagłówek, lista części składowych (graf wiedzy i ontologia, warstwa semantyczna, wyszukiwanie hybrydowe z cytatami, pamięć epizodyczna, płaszczyzna nadzoru) oraz nieprzypisane liczby klientów: ponad 35 000 dokumentów operacyjnych u „globalnego operatora lotniczego", 60× szybsze rozstrzyganie spraw, sześć godzin skrócone do siedmiu sekund w „firmie usług profesjonalnych". Materiał marketingowy, przywołany jako dowód na istnienie oferty, nie na jej skutek. Cytat w tłumaczeniu autora eseju.