AI 可以在幾秒內讀完文件、整理摘要、分類筆記，再從大量內容中找出一段看似合適的答案。這些能力確實把資料轉成資訊、把資訊整理成可用知識的成本壓低了。但一個人知道得更多、一套系統找得更快，不代表下一次就會做出更好的決定。

這正是 DIKW 在 AI 時代值得重新討論的原因。Data、Information、Knowledge、Wisdom 常被畫成一座由下而上的金字塔，好像只要不斷加工資料，最後自然會得到智慧。實務上並沒有這麼自動。資料不會自己變成判斷，知識也不會只因為被寫進知識庫，就改變人的行動。

本文採用一個可操作的工作定義：Wisdom 是讓已知內容真正改變下一次行動，並接受結果檢驗的能力。 這是我用來設計知識管理與 Personal Context 的整合主張，不是要取代哲學、資訊科學或管理學對智慧的所有定義。

DIKW 原本就不只是一張四層金字塔

Russell Ackoff 在 1989 年的〈From Data to Wisdom〉中，討論的是 data、information、knowledge、understanding 與 wisdom 之間的差異。後來常見的 DIKW 圖，通常把 understanding 省略，留下資料、資訊、知識、智慧四層。Jennifer Rowley 對相關文獻的回顧也指出，DIKW 有很多不同版本，各層定義與轉換關係並不完全一致。

因此，DIKW 比較適合當成一副檢查鏡片，而不是自然定律。它幫我們追問：眼前保存的是原始紀錄、已放入脈絡的資訊、可支持判斷的知識，還是已經能改變行動的智慧？它不能保證資料一定線性向上轉換，也不能替我們解決默會知識、價值判斷、錯誤來源與社會脈絡等問題。

Martin Frické 對知識金字塔的批評更直接：資料經處理不會必然生成知識，歸納與分類也不能取代假設、理論與檢驗。這個批評在生成式 AI 出現後尤其重要。模型能把內容整理得非常像知識，但流暢的表達不能證明內容為真，更不能證明它適用於眼前情境。

所以，我不把 DIKW 當成「越往上資料量越少、價值越高」的漂亮圖示，而把它改寫成四個需要分別驗收的工作狀態。

Data：先留下發生過什麼

Data 是原始觀測與事件痕跡，例如會議逐字稿、感測數值、使用者操作、程式執行紀錄、測試輸出、交易結果或一段對話。它的價值在於保留發生過的事情，而不是立刻給出解釋。

AI 系統常見的第一個錯誤，是只保存最後的摘要，沒有保存摘要所依據的原始紀錄。當結論日後受到質疑，就無法回查哪一段資料支持它，也無法判斷是不是在壓縮時遺失了限制條件。

但反過來說，保留全部資料也不是答案。沒有時間、來源、任務與權限的原始紀錄，只會形成更大的資料堆。Data 層至少要回答：它從哪裡來、何時產生、屬於哪個事件、是否完整，以及誰有權使用。

Information：把資料放回脈絡

Information 不是換一種格式重述資料，而是補上足以理解差異的脈絡。相同數字放在不同基準、時間區間或任務目標下，意思可能完全不同；同一句使用者回饋，也要知道它針對哪個版本、哪一段流程與哪個使用情境。

AI 很擅長完成這一層的初步工作：擷取欄位、整理時間線、分群、比較版本與產生摘要。它可以大幅降低人力，但仍需要清楚的資料邊界。若來源互相衝突、時間點混用，或模型補上原文沒有的因果關係，得到的只是包裝得更好的錯誤資訊。

因此 Information 層的驗收，不是「有沒有摘要」，而是脈絡能否被追溯：這段整理連回哪些資料？省略了什麼？它描述的是事實、推論，還是尚待確認的假設？

Knowledge：形成有邊界、可查證的判斷依據

Knowledge 開始回答「遇到這種情況，應該如何理解與處理」。它可能是一條原則、一個因果模型、一個案例比較、一份規格，或經多次任務驗證後形成的做法。和資訊相比，知識多了適用條件、理由與可承擔的判斷。

知識庫最容易停在這裡。文件有分類，搜尋找得到，AI 也能根據內容回答，但系統未必知道哪個版本有效、哪條規則只適用於特定專案，也未必能區分外部研究、作者判讀與一次性的工作心得。

一筆能進入 Personal Context 的知識，至少要有來源、適用範圍、更新狀態與信心水準。高風險任務還需要保留反例與未知邊界。這樣 Agent 取得的不是一段孤立文字，而是一個能支援此刻判斷、也能在證據改變時被修正的知識物件。

Wisdom：讓知識進入決定，並由結果校正

在本文的操作框架裡，Wisdom 不等於知道更多，也不等於 AI 給出最像專家的回答。它至少包含三個連續動作：根據目標與限制選擇要採用的知識，把判斷轉成實際行動，再用外部結果修正原本的理解。

假設一次部署失敗，Data 是錯誤紀錄與環境狀態；Information 是失敗發生在哪個步驟、與前一版本有何差異；Knowledge 是找出觸發條件與可重現的修正方式；Wisdom 則是把這次經驗改成下一次的發布檢查、回歸測試或停止條件，使相同錯誤不再靠臨場記憶避免。

這也是為什麼「得到答案」和「形成能力」之間仍有距離。答案可以在此刻解決問題，能力則要求下一次在相似但不完全相同的情境裡，仍能選對方法、辨認例外、驗證結果，並在方法失效時調整。

AI 把 D 到 I、I 到 K 變便宜，卻沒有替我們完成最後一哩

生成式 AI 讓擷取、整理、重寫與初步連結的成本大幅下降。以前需要花數小時做的摘要與分類，現在可能幾分鐘就能完成。問題是，成本下降也會增加未驗證內容的產量：更多摘要、更多「最佳實務」、更多看似完整但沒有來源與適用邊界的文件。

真正昂貴的部分仍然存在：選擇值得解決的問題、承擔決策、在真實環境中行動、辨認結果是否達標，以及修正造成結果的假設。AI 可以協助每一步，卻不能只靠文字生成證明任務成功。發出部署指令不等於網站已可用；產生分析報告不等於決策已改善；寫下一段反思，也不等於系統真的學會。

所以，AI 時代的知識管理不能只追求更快抵達 Knowledge。它要補上從 Knowledge 到 Action，再從 Outcome 回到 Knowledge 的路徑。

把 DIKW 接成 Personal Context 的學習循環

Personal Context → Agent Experience關心的不是把所有資料塞給 Agent，而是讓使用者掌握足以影響此刻判斷的脈絡，並讓經驗在驗證後回到下一次任務。DIKW 可以放進這條循環，但不是單向往上爬：

  1. Data 保存事件、輸入、行動與結果的原始痕跡。
  2. Information 加上人物、任務、時間、來源與環境狀態。
  3. Knowledge 形成有證據、有適用範圍、可以被取用的判斷依據。
  4. Action 由人或 Agent 根據目標與風險採取行動。
  5. Outcome 用測試、系統狀態、實際績效或人工核准確認結果。
  6. Reflection 比較預期與實際，找出規則、假設或流程需要修正之處。
  7. Codification 把經過審閱的經驗固化成 Rule、Skill、Memory、Eval 或 SOP。
  8. Reuse 在下一個相似任務中重新取用，再接受新的結果檢驗。

這條循環裡，Wisdom 不是一個永久貼在文件上的標籤，而是知識在特定情境中被正確使用、產生可驗證結果，並能持續修正的表現。一次成功也不能直接證明方法普遍有效；必須保留條件、失敗案例與淘汰機制，避免把偶然結果固化成規則。

用下一次行動驗收你的知識系統

要判斷一套知識庫是否跨過「找得到」，可以抽一個高頻任務，檢查五件事：

  1. 搜尋結果是否保留來源、時間與適用條件，而不只是一段摘要？
  2. 執行前能否選出這次任務真正需要的最小充分脈絡？
  3. 行動後是否有獨立於模型說法的結果證據？
  4. 成功與失敗是否被轉成下一次能直接使用的規則、Skill 或測試？
  5. 新證據推翻舊理解時，系統能否更新、撤回或標示不再適用？

如果答案都是否定的，這套系統可能仍是一個有效的資料庫或搜尋工具，但還沒有形成學習循環。問題不在工具不夠多，而在資料、判斷、行動與結果之間缺少交接。

知識管理沒有因 AI 而過時。相反地，當生成內容變得便宜，知道什麼值得相信、何時可以採用，以及採用後如何校正，反而更重要。它的終點也不再只是「我找得到以前寫過什麼」，而是讓人與系統在下一次面對任務時，能根據可追溯的經驗做得更好。

參考來源