幾週前，我向一家全球企業的高階主管展示了我正在開發的產品的其中一部分。這位主管負責指導該公司在人工智慧方面的採用，這家公司是個價值數十億美元的企業。我們的談話是離題的，但他們告訴我的話——以及他們為何無法購買我的產品——構成了我這篇文章的基礎。
首先，他們告訴我，他們所見到的我展示的 AI 系統，是他們第一次看到一個適用於複雜企業工作、且看起來已準備好部署的 AI 系統。是的，他們有一些熟悉的疑慮：他們的資料必須留在他們的控制之下（這不成問題，我的架構正是為此設計的）。
接著，他們告訴我大型顧問公司向他們推銷的方案：報價高達數十萬美元，大致落在三倍的範圍內。最高端的報價承諾達到 99.5% 的準確度，這是黃金標準；而低端的報價則是一種刻意踏入門檻的策略。共同點是，這些公司都在銷售他們自己的學習曲線。
我展示了一個可行的產品，而這些龐然大物——我的競爭對手——卻要求付費才能建立一個可行的產品。
接著我被告知，他們無法向我購買。為什麼？
他們簡潔地說：從一家小型創新公司購買需要勇氣，而從一家大型、知名公司購買則是一種保險政策，風險規避的買家必須要有這份保險。
這種保險——比價格和產品更重要——是企業軟體一直以來交易的基礎。
我的談話並非孤例——當然——這是這個產業學會稱之為「審慎」的六十年失敗的縮影。
我今天寫這篇文章是為了提醒大家注意這種失敗，並公開宣告要繼續建造下去。
這是 2011 年。惠普以 111 億美元收購了 Autonomy，然後一年後，它減記了 Autonomy 88 億美元的價值（80%！），指控詐欺並起訴了 Autonomy 的創始人 Mike Lynch。
快轉到 2024 年 6 月——經過十三年的法律訴訟——美國陪審團在所有指控上都判決 Lynch 無罪。Lynch 的律師證明，在做出 111 億美元的收購決定前，HP 的高層與 Autonomy 進行了約六小時的電話會議。在他無罪判決兩個月後，Lynch 在他的遊艇「Bayesian」號在地中海西西里島海岸沉沒時喪生。
HP，地球上最大的企業 IT 客戶之一，在與創始人進行六小時的電話會議後，為一個知識管理產品支付了 111 億美元，但一年後卻無法說明它買了什麼。
這就是我想談論的類別——企業知識管理——這個承諾捕捉組織所知並使其可用的軟體。它已經存在了四十年或更久，但從未提供它聲稱的智慧。
我估計，它造成的損失，包括減記、機會成本和誠實計算的生產力損失，已超過 2500 億美元。而它在 2026 年的化身——「只需為你的維基百科加上 AI」——是迄今為止最糟糕的版本。
原因不是技術不好（儘管肯定也有這樣的例子）。原因是買家選擇的標準是錯誤的。
他們選擇的是熟悉度。他們一直以來都選擇熟悉度。
十二年前，我寫了一篇文章，認為資訊資產的實現價值是轉化它的技術的函數。資產的潛在價值與企業實際提取的價值之間的差距，應該是整個企業資訊管理產業的經濟學核心。技術的選擇不是結果的裝飾——它是因果關係。
當然，沒有人讀那篇文章——儘管即使全世界都讀了，也不會真的有什麼區別——這個產業繼續購買同樣的東西。潛在價值與實現價值之間的差距擴大，而在過去三年中的某個時刻（與 ChatGPT 同期），企業知識管理開始崩潰，變成一種無法再隱藏的徹底尷尬。
這是我的事前死亡預告。它也是，最終，我的提案。
2011 年，Rich Hickey——Clojure 程式語言的創始人，也是過去二十年來最重要的電腦科學家之一——發表了一個名為「簡單與容易」的演講。他劃分了一個這個產業至今仍忽略的區別。
簡單是客觀的：兩件事是簡單的，如果它們不糾纏在一起，不相互鎖定，移除其中一個不會導致另一個崩潰。
容易是相對的：什麼對誰來說是容易的？
容易是近在眼前。容易是熟悉的。容易是你團隊已經知道的，你的 CIO 聽過的，分析師的象限圖去年和今年都會顯示的。
企業軟體數十年來一直在混淆這兩者。
Hickey 的機智反駁是「附帶的（Incidental）在拉丁語中就是你的錯。」
整個企業技術選擇的體系——分析師報告、RFP 評分標準、CTO 晚宴、Gartner 的象限圖、AI 世界巡迴、參考客戶要求、首選供應商小組——是一個獎勵熟悉度的機器。它不是一個獎勵正確性的機器。
下面列出的每一個失敗，以及它們所坐落的四十年墓地，都有相同的結構性原因：買家購買了他們熟悉的，而不是正確的東西。看起來安全的供應商擊敗了創新的供應商。招聘委員會認識的語言擊敗了能讓系統可維護的語言。出現在過去三份分析師報告中的架構，擊敗了能以更低成本解決問題的架構。
熟悉度是重要的選擇標準，而且在我出生之前就已經是了。據我粗略估計，它已經造成了數千億美元的損失。
微軟在 2020 年自豪地宣布 SharePoint 擁有超過兩億月活躍用戶。他們完全有權為此感到自豪。SharePoint 實際上被部署在每一家財富 1000 強公司中。
同時，根據其用戶的說法，它是史上最糟糕的產品之一。
Forrester 在 2012 年的 SharePoint 調查中，IT滿意度為 73%，業務經理滿意度為 62%。這十一個百分點的差距說明了一切。企業 IT 購買 SharePoint 是因為它與 Office 捆綁銷售，但業務部門容忍它，因為業務部門別無選擇。
一位 SharePoint 顧問——在 2014 年寫道——稱它為「文件死亡之地」。他是帶著感情說的。
這就是一個擁有兩億用戶的產品，為何會被普遍描述為文件死亡之地。
無論如何，實際產品並不決定銷售——而是供應商的熟悉度決定了銷售。產品是購買信號的產物，而不是反過來。
看看任何一家大型企業軟體供應商的技術招聘頁面。計算一下提及 Java、.NET、Azure、Oracle、SAP、ServiceNow 的次數。然後看看有沒有提到其他東西。這種分佈不是偶然的。這是一種政策。
這些招聘廣告中出現的語言堆疊，是招聘範本可以處理的，可以在招聘委員會會議上辯護的，是四大顧問公司組織起來計費的。Java 單體架構創造了數百億美元的企業收入，並非因為 Java 是正確的工具（JVM 作為平台令人印象深刻），而是因為「Java」這個詞，內部晉升委員會、外部審計師和部門採購官都能假裝理解。「Clojure」或「Datomic」？
哈。立即淘汰。完全不熟悉。
這一切有一個普遍的說法：「我們無法僱用 Clojure 開發人員。」
這實際上是我在 Qantas 擔任工程領導職務，領導一個 Clojure 軟體工程師團隊時，被告知的第一件事。
Clojure 並非招聘障礙——它是一個招聘篩選器。
回應 Clojure 工作廣告的工程師，已經自我篩選了，他們傾向於用數據思考而不是儀式化思考——這是一個小眾群體，但人才非凡。在我領導該團隊期間，我僱用了一位從未寫過一行 Lisp 的 Python 工程師，但他善於用 map 和 reduce 思考，三年後他仍在寫 Clojure（現在在他的新創公司）。
熟悉語言的招聘，並非對關鍵人物風險的對沖。它是以你擁有的最佳信號為代價，換取一個更大的池子。
Fred Brooks 在 1986 年劃了一條線：在他的《沒有銀彈》一文中，他將軟體的難度分為本質複雜性（問題的根本）和偶然複雜性（由我們的工具強加）。
Hickey 稱之為附帶複雜性。一樣的東西。企業軟體花了四十年，將偶然複雜性作為容易的語言和架構決策的一部分而大量購買。
AI 為這種特定的熟悉度帶來了新的諷刺。當軟體越來越多地由代理人而非人類編寫時，熟悉語言的論點變得前所未有的薄弱——LLM 並不在乎你的程式碼庫是 Java 還是 Clojure。它關心的是程式碼的 token 效率、數據的結構規則性、語言語義在不同版本之間的穩定性。
在所有這些方面，產業為人類便利性選擇的語言，比它因不熟悉而被拒絕的語言，對機器來說都是更差的選擇。這值得單獨寫一篇文章——我已經詳細寫過了。
對於這篇文章，重點更簡單：支撐 Java 數十年的熟悉度正在從產業腳下蒸發，但產業仍在像以前一樣購買。
企業軟體並非基於結果銷售。公平地說，大多數東西都不是。
然而，軟體的經濟學——零邊際複製成本——實際上有利於基於結果銷售：想像一下，如果軟體供應商以零前期成本銷售他們的產品，但持續獲得其軟體產生的節省成本的 10% 的權利？如果他們的軟體未能產生節省，他們就不會損失額外資本。但如果成功了，潛在收益是無限的。
那麼，為什麼軟體不是這樣銷售的呢？這背後有一系列非常強大的經濟原因。
一個原因是，企業軟體採購是一個買家在購買前無法驗證質量、購買後無法更換、並且在合同期間沒有衡量結果機制的市場。
另一個原因是存在顯著的資訊不對稱：供應商知道買家不知道的事情。
供應商知道，企業軟體實施異常困難，需要買家員工進行大規模的行為改變，並且失敗率極高。在許多情況下，軟體是「檸檬」——並非因為程式碼有問題，而是因為承諾的組織轉型是一種幻覺。
如果供應商基於結果銷售，他們就會將實施風險轉移到自己的資產負債表上。相反，他們銷售的是使用工具的授權。他們預先收取 90% 的毛利率，實際上就洗手不關心工具是否真正實現了業務成果。他們提取了承諾的價值，同時將執行的風險完全轉移給買家。
George Akerlof 在 1970 年描述了這種動態，並因此獲得了諾貝爾獎：檸檬市場。贏得檸檬市場的供應商不是產品最好的供應商。他們是擁有最佳檸檬市場信號的供應商。也就是說：那些熟悉的供應商。
買家不想基於結果購買的另一個原因是，這將需要定義結果、建立基準、衡量結果並追究責任。這會引入複雜性，也許更重要的是，會引入職業風險。如果一位採購官將自己的聲譽押注在與一家創新新創公司簽訂一份新穎的基於結果的合同上，而合同失敗了，那麼他的聲譽將會毀滅，他可能需要開始新的職業生涯。
相反，採購官會理性地保護自己。他們尋求「檸檬市場信號」——熟悉度、Gartner 魔力象限的定位，以及龐大的品牌影響力。
他們購買的是企業版的 IBM。如果失敗了（這經常發生），這位官員是安全的。他可以對預算委員會說：「我們購買了行業標準。」
軟體是通過安全性的感知來銷售的，而銷售者是那些因選擇安全選項而獲得獎勵，並因選擇事後證明不安全的選項而受到懲罰的人，無論這些選項實際上是否更安全。
理性的策略不是購買最好的產品。而是購買其他機構的其他官員也購買的任何產品。最安全的決定是最熟悉的決定。職業風險最小化。組織風險最大化。而花費營銷預算使自己成為熟悉選擇的供應商，無論其產品是否有效，都會獲勝。
1984 年，Doug Lenat 發起了一個名為 Cyc 的項目。雄心勃勃，他相信常識智能是通過手動編碼普通成年人對世界的約一千萬條規則來實現的。
Cyc 運行了四十年，消耗了約兩千人年的工作，花費了約兩億美元，輸出了約三千萬條手動編碼的斷言，並且完全失敗了。
在 Digital Equipment Corporation，一個名為 XCON 的專家系統於 1980 年開始配置 VAX 訂單，到 1987 年增長到 6,200 條規則。據報導，其中 40-50% 的規則每年都會變動，並且需要八名專職工程師才能維持現狀。XCON 在一定程度上是成功的，每年節省了 4000 萬美元，但它過於脆弱，無法在狹窄的用例之外使用，並且隨著 VAX 業務的崩潰，它在 1990 年代初被淘汰。
當時的其他專家系統——用於抗生素的 MYCIN、用於內科的 CADUCEUS、用於礦產勘探的 PROSPECTOR——在技術上是成功的，但在商業上從未部署。Symbolics，託管了其中許多系統的 Lisp 機器公司，在六年內從 1.016 億美元的收入跌至破產保護。
Intellicorp、Teknowledge 和 Inference Corporation 被不同地收購、合併或消失。DARPA 的戰略計算計劃和日本的第五代計算機項目在同一時期總共燒掉了約 14 億美元，但沒有商業產品。
到 1997 年，「老派人工智能」行業——一個圍繞專家系統和符號邏輯建立的行業，而不是我們今天擁有的生成式 AI 行業——已經死亡了足夠長的時間，以至於 Booz Allen Hamilton 可以研究取代它的東西：企業知識管理。
Lucier 和 Torsiliera 發現，84% 的知識管理計劃對採用組織沒有產生顯著影響。這是在 Confluence 和 SharePoint 之前。這 84% 是 Lotus Notes、企業門戶、文檔管理、Plumtree-Vignette 一代的內網中間件，以及與 Autonomy IDOL 短暫的戀情。
這些失敗並非偶然。它們是相同的。它們是時間和熵的失敗。它們需要由組織中最專業的人員來更新系統——而根據定義，他們時間最有價值的用途不是更新 IT 系統。
所有這些失敗都歸因於結構性成本曲線的經濟學，在這個曲線下，編碼的知識比知識工作者能更新它的速度更快地老化。每一次編碼都超出了其相關性，因為其知識本應編碼的專家忙於實際工作。
這些系統中的每一個都被悄悄淘汰，或被暴力收購，或被允許在運營中的企業中積累，成為一個沒有人有政治勇氣關閉的成本中心。
在 XCON 之後四十年，Lenat——在他 2023 年 8 月去世前幾週——警告說，LLM 是「基於說服力而不是正確性進行訓練」。
他的觀點是，生成式 AI 是繞過時間和熵這個老問題的新嘗試，它用 90 年代空洞、過時的數據庫換來了一個系統，該系統可以簡單地編造看似合理的答案，這樣專家就不必自己動手了。
這與上一代企業知識管理系統的失敗模式相同，只是用不同的語言、不同的十年、不同的價格表達出來。
這個產業不斷購買同一種形狀的東西，而這種東西——基於簡單的第一年經濟學原理——無法奏效，卻不斷得到相同的結果，卻似乎無法吸取教訓。
失敗的熟悉度本身就是一種熟悉度，而這種熟悉度是我們的敵人。
2023 年初，一種新的架構出現在每個財富 1000 強企業架構圖中。檢索增強生成（Retrieval Augmented Generation，RAG）。四個步驟：將你的文檔分塊，生成這些文塊的向量嵌入。當你需要智慧時，檢索與你的查詢語義相似的文塊，將它們全部塞入大型語言模型的上下文窗口。詢問你的文檔。
大約十八個月以來，檢索增強生成被譽為企業知識的決定性答案。
2024 年 6 月，史丹佛大學的監管、評估和治理實驗室對 Lexis+ AI 和 Thomson Reuters 的 Westlaw AI-輔助研究進行了基準測試——這是世界上最昂貴的商業法律 RAG 系統中的兩個。在權威語料庫上，引用附帶的情況下，Lexis+ AI 的幻覺率為 17%，Westlaw 則超過 34%。
事實證明，引用指向檢索到的文塊，而不是聲稱的證據。語言模型在上下文負載下，會忽略檢索到的文塊，而是從其參數記憶中編造。有時引用是真的，總結是編造的。有時引用是編造的，總結是內部連貫的。有時整個東西都是對的。但沒有可靠的方法可以分辨哪個是真的。
當然，最先進的模型自那時以來已經取得了長足的進步。它們無疑會繼續進步，但幻覺是一種特性，而不是錯誤。在高風險環境（如我們的法律系統）中工作的系統，需要建立在考慮到這一點的基礎上，而不是假裝它不存在。但這是一個難以解決的問題。
Pinecone，這個類別的定義性向量資料庫（向量是 RAG 的基礎），在 2023 年 4 月以 7.5 億美元的估值籌集了風險投資資金，但據報導在 2025 年正在探索出售——2024 年的收入為 2660 萬美元。普遍的共識是 pgvector 獲勝了——Postgres 擴展以吞噬該類別，並使專業向量資料庫變得多餘。
Pgvector 受限於 8KB 的頁面大小限制，對維度有限制。它只支持 HNSW 和 IVF_FLAT 索引——沒有 DiskANN，沒有 GPU。它的 HNSW 索引從實時生產資料庫中佔用記憶體。它沒有分布式工作負載的解決方案。性能在約一千萬個向量後就會崩潰，而這正是生產環境的起點。Pinecone 並非輸給了更好的產品。它輸給了兩個不夠好的產品中更熟悉的那一個——輸給了一個其運營團隊已經在某處運行了 Postgres 的買家，而這個買家的定價從一開始就是錯誤的。
微軟在 2024 年發表了一篇名為 GraphRAG 的論文，正確地指出基於文塊的檢索無法回答多跳問題，因為文塊之間互不了解。七個月後，微軟發表了 LazyGraphRAG，承認他們自己的原始 GraphRAG 的索引成本太高，無法在生產環境中使用。微軟公開承認，它一直在銷售的企業 AI 解決方案的索引經濟學如此糟糕，以至於必須從頭開始重建。
2025 年 6 月，Gartner——一家專業產出是企業 IT 支出合法化的公司——預測到 2027 年底，將有超過 40% 的代理式 AI 項目被取消。「目前大多數代理式 AI 項目都是早期實驗或概念驗證，主要由炒作驅動。」
所有這些之下的類別錯誤是假設你可以將一個文檔庫或維基百科——一個非結構化、無類型、無審計追蹤的文檔堆——通過附加一個語言模型來使其智能。
但你不能。維基百科不是智能的，因為維基百科不知道什麼是實體，或者一個實體可能擁有什麼關係，或者這些編碼是如何隨著時間演變的。
分塊維基百科也不會增加這些。嵌入文塊也不會增加。用自然語言向文塊提問也不會增加這些。智能答案所需的信息從一開始就不在維基百科中。
地球上的每個維基百科供應商現在都試圖為他們的維基百科添加 AI。這是本世紀的類別錯誤。維基百科不是你添加 AI 的東西。維基百科是被 AI 取代的東西。
我正在緩慢地看到這一幕。昨天，我為公共和私人部門的團隊舉辦了一個體驗式學習工作坊；我們在限時的「大逃殺」式遊戲中讓團隊相互競爭——每個團隊都有不同的 AI 工具（一個團隊擁有我的產品）。
擁有最大傳統供應商產品的團隊？他們花了將近一半的時間，只是試圖登錄到正確的產品實例，而該實例沒有被他們組織的企業 IT 策略完全禁用。
這就是大型官僚機構如何能夠獲得過去 30 年中最具變革性的技術潛力，然後使其完全無法用於任何嚴肅的工作。他們要求它必須是熟悉的。
上述五種失敗模式是當代的——它們之下的失敗墓地呢？
專家系統（1965-1995）。知識管理 1.0（1995-2010）。語義網（2000-2015）。現代知識圖譜和 Palantir（2010 年至今）。檢索增強生成及其向量資料庫基礎（2022 年至今）。五波浪潮。同一波浪潮。每一次，產業都承諾縮小信息潛在價值與實現價值之間的差距。每一次，技術都未能達到承諾。每一次，買家都購買了該類別中最熟悉的解決方案，並得到了他們所支付的。
Cyc 的 2 億美元。HP-Autonomy 的 88 億美元。Lisp 機器行業從 5 億美元收入到零的崩潰。日本的第五代計算機項目 4 億美元。DARPA 戰略計算項目 10 億美元。SharePoint 2 億用戶的機會成本。天哪，我甚至無法想像那得是什麼樣子。Freebase 的關閉。每一個 Pfizer、Equinor 和 FIBO 的語義網項目都悄悄結束了。向量資料庫類別溶解到 Postgres 中。Gartner 剛剛告訴我們將被取消的 40% 的代理式 AI 項目。
這個產業累計花費了超過 2500 億美元在未能兌現承諾的技術上。
然而，產業在 2026 年的回應是再次購買同一種形狀的東西，只是換了個牌子。失敗的熟悉度仍然是熟悉度。買家仍然會選擇明顯錯誤的標準。
在六十年裡，該類別從未生產出一個可靠兌現其營銷承諾的產品。而 2026 年的答案——來自地球上每一個維基百科供應商、每一個搜索供應商、每一個與微軟合作的系統集成商——都是為堆棧添加 AI，並向客戶收取另一代費用。
我們已經來了五次。這是第六次。
有一件事我認為這六十年的墓地實際上應該告訴我們。
四十多年來，這個產業只有兩個選擇，而且只有兩個。
選項一：手動編碼結構。專家系統、本體論、語義網、Cyc、Palantir 風格的實施。你可以獲得智慧——如果你能負擔得起博士軍團來構建和維護它。經濟學定義了你不能。
選項二：跳過結構。維基百科、Confluence、SharePoint。你獲得了採用，因為沒有人必須做任何困難的事情，但你沒有獲得智慧，因為沒有人做任何困難的事情。
選擇選項二的買家並沒有錯，他們只是選擇了唯一能夠在與一個討厭記錄、討厭結構化、並且不會為任何人手動編碼任何東西的勞動力接觸後生存下來的選項。企業知識一直以來都是一個人的問題，就像一個技術問題一樣。沒有人想做結構化工作，而之前的每一個架構都要求有人做結構化工作，而不是他們實際的工作。
我認為，這是第一次，有一個第三種選擇。
一個語言模型，通過正確的約束，可以讀取一個非結構化的 PDF，並提出其中的實體、關係和類型化的事實。約束捕捉模型的錯誤，並將工作記錄在一個不可變的分類帳中，用於 A/B 測試、改進、成本優化和審計。結果是一個已解析的知識圖譜。人類丟失了一個文件或轉發了一封電子郵件——這是他們實際的、增值工作的餘輝。他們不必做任何額外的事情。不需要博士軍團。簡單的採用曲線適用，因為從用戶的角度來看，行動是「不做任何額外的事情」，而不是「填寫本體論」。
結構，第一次，可以從內容中產生，而不是從人們那裡要求。這使得圖形原生智慧能夠在五人專業提取團隊之外變得可行——並且最終打破了這個產業被困了——我甚至不確定——多少十年的兩選項陷阱。
2013 年，三位創始人——David Vélez、Cristina Junqueira 和一位名叫 Edward Wible 的美國工程師——在聖保羅坐下來，面前是一張白紙。這些瘋狂的傢伙要建立一家銀行。他們問自己的問題之一是：如果我們要從零開始建立一家銀行，理想的平台會是什麼樣子？
Wible 讀了一篇名為《走出泥潭》（Out of the Tar Pit）的文章，作者是 Ben Moseley 和 Peter Marks（你們中的許多人可能聽說過，但如果有的話，值得再讀一遍），文章認為可變狀態是導致企業系統調試和更改變得異常複雜的偶然複雜性。
Wible 然後做出了兩個明智的人都不會做的選擇。
他找到了 Datomic，並認為它聽起來很適合一家不想像老銀行一樣的新銀行。Datomic 是一家基於不可變事實和時間查詢的商業數據庫，來自一家名為 Cognitect 的小型美國公司，由 Rich Hickey 創立。當時 Datomic 的總用戶量可以裝滿一個小禮堂。原則上，它無法擴展到零售銀行。但它編碼並實現了 Rich 在 Clojure 中提出的哲學。簡單，而非容易。正確，而非熟悉。
Datomic 隨後引導 Wible 和他的團隊使用了 Clojure，他們選擇 Clojure 作為他們新銀行的基礎。這是一種 Lisp 方言，託管在 JVM 上，其社區非常小，以至於在 IRC 頻道上相遇的兩個人就算一次對話。對於一家銀行來說。不熟悉。
Wible 對接下來發生的事情的描述值得完整引用，因為這與所有熟悉的供應商架構圖預測的完全相反：
Nubank 現在是世界上最大的獨立數字銀行。擁有超過 1 億客戶。巴西近 9000 萬（佔人口的 40%），3000 多個 Datomic 資料庫，其中一些擁有超過 1000 億個 datoms（事實），Kubernetes 上有 4000 個微服務。通過 Kafka 每天有 720 億個事件，每秒數百萬次請求，在紐約證券交易所公開上市。Nubank 在 2020 年收購了 Rich Hickey 的 Cognitect，而當時沒有人會選擇的語言和數據庫現在運行著南半球最大的零售銀行（按客戶數量計算）。Nubank 現在擁有數百名 Clojure 開發人員，並且他們每年繼續培訓和招聘更多。
創始團隊選擇他們所選擇的原因——以及它之所以有效的原因——是因為他們拒絕選擇熟悉的。正如 Wible 後來所說：「在開始打字之前，我們試圖仔細思考我們想建造什麼以及我們想如何建造它。」
他們沒有購買分析師報告顯示的內容，而是構建了問題所需的東西。技術選擇是因果關係。平台規模化的成功，源於 2013 年他們周圍的每個人都會告訴他們是錯誤的選擇。
這就是不熟悉的東西的樣子，它不是一種氛圍，不是營銷，不是一種勇敢的逆反姿態，它是一個嚴肅的工程決策——關於問題實際需要什麼——由願意犯錯的人做出，因此有機會做對。
這也是我過去十年來構建軟體的方式。
這就是我的文章變成推銷的地方。安全的選擇是再等一年再寫——等到我構建的東西有足夠的客戶，我的論點就不需要自己支撐了。
我決定不選擇安全選項。事情發展太快了，一篇等待其推銷無可辯駁的文章，是一篇來得太晚而無法真誠的文章。所以，這是我構建的東西——請將我的論點與實現分開評判。
我構建的是一個澳大利亞本地託管的智能平台，其中每一個關鍵的架構選擇都是一個反熟悉度的選擇，我會一一命名，因為架構是我反對熟悉度的論點。
它建立在 Clojure 之上。我在 2013 年或 2014 年觀看了「簡單與容易」，它改變了我的生活，因為它顯著改變了我的職業生涯——從那以後，我做出了讓我繼續使用 Clojure 的職業選擇。我相信 Clojure 在企業中的應用，因為我相信企業系統中的附帶複雜性是一種會累積數十年的負債，而 Clojure 的不可變性和穩定性是這個時間範圍內的唯一答案。我也選擇在此基礎上建立業務，因為我知道在 Clojure 上構建的好處將會惠及我和我的客戶，而我的競爭對手永遠不會選擇 Clojure。
它建立在 Datomic 之上，因為審計不是事後添加的，而是架構本身——而 Datomic 是唯一一個數據模型本身就是審計分類帳的圖形數據庫。
它是圖形原生的——不是一個帶有圖形功能的向量數據庫，不是一個帶有圖形視圖的文檔存儲，而是以圖形為核心——因為智能系統實際需要回答的多跳問題，無法通過對分塊文本進行餘弦相似度計算來回答，無論你在上面添加多少 AI。
它的實體解析層利用了多個獨立的信號——因為將「JPMorgan Chase & Co.」和「Chase Manhattan」解析為一個單一的規範實體，是通過證據而不是猜測來實現的，這才是真正的智能，而單一信號永遠不足夠。
它有一個確定性的約束圍繞著其隨機組件。語言模型提出建議，但腳手架進行驗證。每一次推理、每一次工具調用、每一次狀態更改都被捕獲在一個不可變的分類帳中作為一級數據，這使得非確定性組件可以在需要確定性的地方安全部署。
它在設計上是主權的——不是作為部署拓撲，而是作為管轄權、法律和商業決策控制運營的問題。在需要的地方進行本地託管，在足夠的地方進行客戶控制的雲託管。在當今世界，附加在他人雲上的認證標籤與客戶實際控制的部署之間的區別，在於一個勾選框和主權控制之間的區別。
它建在澳大利亞——這是世界上建立智能平台最不熟悉的地方之一。這是故意的，因為該產品的客戶是政府、大型企業和受監管行業的風險部門。基於客戶所在地——而不是風險投資所在地——是另一個反熟悉度的選擇。此外，就其價值而言，這也不是我願意放棄的選擇。
這些選擇都不是熟悉的，而且它們本身都不是萬靈藥（Brooks 在這方面是正確的）。
企業知識的困難部分是本質複雜性：捕捉默會知識、贏得機構信任、讓人類就他們認為真實的東西達成一致、在政治氣候中生存足夠長的時間以積累有用的語料庫。
沒有架構可以消除這些，但上述基礎結構可以使這些問題變得可觸及。過去四十年來，每一個替代的基礎結構都使得這些問題在結構上無法觸及。這是全部主張。執行、採用、支持以及讓組織寫下他們真實想法的緩慢政治工作——這些是下一個十年的工作，而不是下一個圖表的優雅。
如果我有一個請求（除了閱讀我冗長的論文！），那就是請誠實地看待一個熟悉的選擇實際上為你買到了什麼。選擇微軟的買家並不愚蠢。他們一次購買了六樣東西：一個在三年後仍然存在的、有償付能力的供應商；一個不會與現有堆棧衝突的部署；一個用戶不會抵制的採用路徑；一個可以為運營團隊提供招聘池；一個可以在審計時辯護的答案；以及一個組織已經熟悉的心理模型。
這個捆綁包是理性的，但我打賭正確的架構可以將其分離。
客戶控制的部署回答了償付能力問題——你的運營不依賴於供應商的戰略、管轄權或所有權的連續性。一個圖形原生的對話界面一次性解決了摩擦、採用和心理模型問題——分析師已經在實體和關係方面進行思考。一個不可變的分類帳比任何熟悉的供應商都能更完整地回答審計問題。一個更小、基於證據的招聘流程，比熟悉的語言流程提供了更好的左尾招聘答案。
熟悉度捆綁的東西，正確的架構可能會將其分離。類別錯誤從來都不是買家的理性，而是為整個捆綁包付費，而其中只有一部分——產品——對組織來說是承重牆，然後接受供應商碰巧發貨的任何產品，以及組織中的個人碰巧熟悉的產品。
在我結束之前，我提供一個診斷——四項測試——如果超過一項測試失敗，那麼第 1-5 節中的失敗模式對你的組織來說是承重性的——你的知識基礎結構是熟悉度的產物，而不是正確性的產物。
我的大部分文章都令人不快，雖然我沒有特別指責任何人或任何事，但我相信理解底層經濟學和激勵機制，對我來說，這讓這個類別毫無疑問。
企業知識管理已經有四十年時間、2500 億美元的資金和五代不同的技術來解決它存在的根本問題，但它沒有做到，而 2026 年的答案——為維基百科添加 AI——重複了定義之前所有浪潮的相同類別錯誤。
理解這一點的建造者將會構建取代維基百科的東西，而理解這一點的維基百科供應商將會收購他們，或者被他們取代。這就是類別的終結方式，從一個架構到下一個的禮貌過渡，一個垂死類別留給其客戶的不禮貌的強加。
十二年前，我寫道，資訊資產的實現價值是轉化它的技術的函數——事後看來，我覺得我在經濟學方面是正確的。
我沒有意識到的是，答案需要新一代的原始構件——能夠讀取文本並提出結構的語言模型、能夠安全地保存該結構的圖形數據庫、能夠證明結構來源的不可變分類帳——然後技術才能真正跟上理論。
現在已經是了，或者至少，我已經發布了我的答案，雖然我可能是錯的——如果我錯了，我希望別人能構建正確的答案。那也很好，因為這個類別需要正確的答案，而不是需要我來擁有它。
Rich Hickey 在他 2010 年的 Clojure Conj 演講「Hammock Driven Development」中，比我更能清晰地描述了我試圖描述的精神：
所以，對自己也對你說：「熟悉是敵人」。
市場的廣泛敘事，由前沿實驗室推動，表明基礎模型是唯一的能力差異化因素。我比較了 20 個模型在 5 個領域（數千次提取）的表現，以衡量它實際上有多重要：不如提示詞，遠不如問題領域。在之前的 48 小時內
經營一家自籌資金的企業，至少可以說是一場艱苦的鬥爭——所以當你有機會時，慶祝一下是值得的。嗯，今天就是這樣一天，坎培拉時報有一篇關於我從公務員到經營一家科技公司的精彩文章
從傳統的創業公司劇本的每一個指標來看，我都應該在晚上完善提案簡報，早上冷郵件給風險投資人。我應該優化 Series A。相反，我正在試圖理解構建軟體的經濟學的結構性轉變——一個改變了
數據已經告訴我們澳大利亞公共服務部門如何採用 AI，它沒有告訴我們什麼，以及兩者之間的差距為何重要。為什麼本指南存在？澳大利亞公共服務部門關於 AI 的常見問題是規範性的：APS 應該做什麼？