一个人用 AI 时，背景在他自己脑子里，随手就能补上。团队里这些背景散在聊天记录、文档、会议纪要和人的经验里，彼此没有索引和版本关系，每次都要重新解释一遍，最贵的人在做搬运。经验也留不住：项目做完留在参与者脑中，人一走或记不清，下次又从头摸索，AI 根本触不到这些内容。所以团队不缺工具，缺的是让工具真正发挥作用的 context 基础设施。判断标准可以看一件事：新人或 AI 接手同一个任务时，能不能直接拿到上次的判断依据，而不是再问一遍人⁠1,2。

个人提效十倍，不等于公司变快。全职员工按时间付薪，AI 让他三天做完两周的活，薪水不变，接下来多半被塞更多任务，把省下的时间用来摸鱼反而更舒服，于是没有动力把 AI 用到极致。流程也是瓶颈：代码写完排队两天评审，产品做完等一周法务，一个人的加速被整条流水线的慢节点抹平。更麻烦的是，当你因为 AI 减少了一些原本用来对齐的会议，靠这些会议证明价值的人会不安，旧的组织关系会反扑。所以团队上不来，通常不是模型问题，是生产关系没跟上⁠3,4。

要让团队整体上来，需要有人把自己脑子里的隐性知识写成显性形式，变成技能、模板、上下文，AI 才可能放大人的杠杆。这不是让 AI 替人拍板，而是把确定性的部分交给程序，把模糊和需要看上下文的交给 AI，把最终判断留给人，人的反馈再回去改进规则和评估。落到一件可试的事：挑一个团队里反复出现的判断，比如什么算合格方案，先写成一页判断标准，让 AI 按它做一次，再对照人的结论看差在哪，这个差距就是下一步要补的 context⁠5,6。