Mózg firmy i wiedza, której nikt nie zapisał

Jedna ze stron sprzedażowych postawiła 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. System przeszukujący istniejące zapisy firmy nie odtworzy niezawodnie powodów, których nikt nie zapisał, a to te powody często rozstrzygają drogie pytania.

Wyobraź sobie umowę przenegocjowaną z rabatem 12%. CRM pokazuje zgodę i osobę, która jej udzieliła. Zapytany, co postanowiono, system odpowie w sekundę, z cytatem. Zapytany dlaczego, nie znajdzie niczego, bo powód padł w rozmowie telefonicznej, której nikt nie nagrał ani nie spisał. Znają go tylko jej uczestnicy.

Ta granica nie jest zarzutem wobec technologii. Wyznacza cenę, jaką warto zapłacić, i nazywa tę połowę problemu, która zostaje po twojej stronie. Lepsze modele same jej nie przesuwają. Przesuwa się, kiedy organizacja zapisuje więcej: kiedy ktoś zapyta osobę, która wie, i spisze odpowiedź, albo kiedy notatki decyzyjne powstają razem z decyzjami. Sam indeks nie zrobi ani jednego, ani drugiego.

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 podawała 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”. Kiedy czytałem tę stronę, żaden klient nie był nazwany. Żaden punkt odniesienia nie był zdefiniowany. Żadnej metody nie opublikowano. 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 1945 roku. Tekst 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” (1937). 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” (1991). 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. W zapisach, które czyta potok, tego nie ma, chyba że ktoś tych ludzi zapyta i spisze odpowiedzi.
5. Kultura. Wspólne ramy i język, które rozstrzygają, jakie interpretacje traktuje się poważnie. W zapisach jej nie ma, chyba że ktoś ją opisze.
6. Ekologia. Fizyczny układ miejsca pracy, który koduje status i wpływa na to, kto z kim rozmawia. W zapisach jej nie ma, a najczęściej nikt jej nawet nie zauważa.

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. Zmienić je mogą tylko nowe zapisy, a ich treść musi przyjść od ludzi.

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 (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 w 1996 roku jako „Exploring Internal Stickiness”. 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): „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 (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 2006 roku, w krytyce teorii Nonaki, że tryby konwersji nie mają pokrycia w dowodach, których nie dałoby się wyjaśnić prościej. Zarzucał też tej 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 powszechnie przyjętego 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. Yuhong Sun i współautorzy opublikowali go w maju 2026 roku. 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 pokryciem dokumentów wzorcowych (recall) 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, na syntetycznych danych firmowych sama konfiguracja wektorowa przegrała z dopasowaniem po słowach.

Rozbicie poprawności na kategorie mówi więcej niż same sumy. Rozpoznanie, że odpowiedzi w zbiorze nie ma, dało 100% we wszystkich trzech systemach. U BM25 i agenta uzgodnienie sprzecznych źródeł wyszło na 80 do 90%, a wnioskowanie wewnątrz jednego dokumentu na 75 do 85%; wyszukiwanie wektorowe wypadło w obu niżej. Dalej zaczyna się osypywanie. Pytania związane z projektami dały od 37,5 do 60%. Kategoria kompletności, która wymaga znalezienia każdego właściwego dokumentu, stanęła na 35 do 40% we wszystkich trzech systemach.

W mojej lekturze wyłania się z tego wzór najwyraźniejszy u BM25 i agenta. System radzi sobie najlepiej, kiedy pytanie pada w słowniku zapisu, a odpowiedź leży w jednym albo dwóch dokumentach. Najgorzej wypada, kiedy odpowiedź trzeba zebrać z wielu dokumentów i kiedy pytanie omija słowa archiwum, co sprawdza kategoria semantyczna. U BM25 i wektorów część spadku przy pytaniach wielodokumentowych może wynikać z konfiguracji, bo oba systemy pobierały zawsze po dziesięć dokumentów. Jeśli ten wzór się utrzyma, jest 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.

Jedno z zastrzeżeń działa w obie strony. Autorzy zauważają, że wygenerowane rozmowy trzymają się tematu bardziej niż prawdziwe, więc w zbiorze jest mniej dokumentów wyraźnie nie na temat, które łatwo odrzucić, ale też mniej realistycznego szumu do odsiania. Syntetyczne dane mogą zatem uczynić test łatwiejszym albo trudniejszym niż produkcja. A 68,8% to najlepszy z trzech wyników konfiguracji bazowych i nie mówi, ile takie systemy mogą osiągnąć. Wniosek z tego pomiaru jest węższy. Na syntetycznych, celowo zaszumionych danych firmowych najlepsza z nich, BM25, nie odpowiedziała poprawnie prawie na co trzecie pytanie.

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” (2024). Dokładność 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 z początku eseju, 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 zapisany faktyczny powód, dwie mają wątek na czacie, który nazywa decyzję i pomija przyczynę.

Wynik: cztery na dziesięć z zapisanym powodem, nie licząc zmiany dostawcy, zapisanej tylko w połowie. W tej wymyślonej firmie indeks jej zapisów mógłby wyjaśnić co najwyżej cztery decyzje, a pozostałe sześć powodów musiałoby przyjść od ludzi. Ta liczba nie dowodzi niczego o firmach w ogóle. Pokazuje metodę, a znaczenie ma dopiero wynik policzony w twojej firmie.

Zobacz teraz, co z tą samą dziesiątką zrobiłby pokaz handlowy. Zapytany, co postanowiono, odpowiedziałby 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 i troje współautorów, wśród nich Phanish Puranam, przeprowadzili randomizowany eksperyment terenowy w firmie usług technologicznych w Europie Środkowej. Opisali go w pracy roboczej INSEAD z kwietnia 2026 roku, „GenAI Adoption Increases the Density of Knowledge and Collaboration Networks”. Wzięło w nim udział 316 pracowników w 42 zespołach. Członków tych zespołów 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 (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, która wcześniej oznaczała ręczne przekopywanie się przez dokumenty. 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 mówi, jaką część powodów twoich decyzji indeks dzisiejszych zapisów w ogóle może zwrócić.
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 pierwszej i drugiej. Pokaz dostawcy musi pokazać poprawne odpowiedzi, więc składa się z pytań z kupki pierwszej. Dlatego robi wrażenie i nie mówi, gdzie produkt przestaje wystarczać. Kupka pierwsza zmierzy, ile produkt jest dla ciebie wart. Kupka druga, czyli pytania, które dziś wymagają człowieka, pokaże tę granicę. Poprawność każdej odpowiedzi niech oceni ktoś, kto zna sprawę.
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, spisane rozmowy z ludźmi, którzy znają powody.

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 wynik 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, zaczynasz oczekiwać od niego tego, czego nie pomieści: powodów, których nikt nie zapisał.

Przed następnym pokazem wykonaj punkt pierwszy. Policz, ile z twoich dziesięciu ostatnich drogich decyzji ma gdziekolwiek zapisany powód. Jakakolwiek wyjdzie ta liczba, sam indeks jej nie podniesie. Mogą to zrobić rozmowy z ludźmi i notatki decyzyjne, a ta praca zostaje po twojej stronie.

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; skan pod linkiem ma datę 1967), 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% pokrycia dokumentów wzorcowych, wyszukiwanie wektorowe 51,4%, agent plikowy 60,6% przy kompletności 61,1%, wektory 32,8% w kategorii semantycznej; poprawność w kategoriach od 100% przy braku odpowiedzi w zbiorze do 32,8% dla wyszukiwania wektorowego w pytaniach semantycznych; 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), 157–173 — dokładność 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 (Joel Becker, Nate Rush, Elizabeth Barnes i David Rein), „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. W październiku 2026 nie znalazłem cytowanego nagłówka na obecnej stronie Company Brain dostawcy, a ta strona wymienia z nazwy klienta. Bez kopii z sierpnia nie potrafię rozstrzygnąć, czy strona się zmieniła, czy cytat pochodził z innej strony, dlatego pozycja nie ma linku.