# 範式轉移與動態領域能力

## From Static Expertise to Organizational Relearning

**作者：** Neo.K（許筌崴）  
**機構：** 一言諾科技有限公司（EVEMISSLAB）  
**版本：** v2.0 理論重構稿  
**日期：** 2026-07-19  
**定位：** 行政管理、企業管理與組織治理理論；不以其他經濟學理論作為前提  


## 摘要

舊系列正確指出，既有領域知識可能在技術革命中折舊，甚至成為阻礙新學習的認知枷鎖。但「學習能力乘上技術變化速度」的原公式仍過於線性。本文將領域知識理解為會累積、折舊、轉譯與重組的動態資產，並區分三種能力：既有範式內的操作能力、跨範式的轉譯能力，以及重新定義問題的範式建構能力。

---

## 1. 知識不是存量常數

$$
D_{\mathrm{eff}}(t+\Delta t)
=
(1-\delta_v)D_{\mathrm{eff}}(t)
+
\lambda L\Delta t
$$

- $\delta_v$ ：舊知識折舊率；
- $L$ ：學習、試驗與制度更新能力；
- $\lambda$ ：學習能否真正轉化為組織能力。

個人學會新工具，不等於組織完成轉型。若預算、權限、績效與升遷仍獎勵舊模式， $\lambda$ 會很低。

## 2. 三種動態能力

### 2.1 範式內優化能力

在既有規則下提高效率、品質與規模。

### 2.2 範式轉譯能力

把外部新技術轉換成既有組織可以理解與採用的語言。

### 2.3 範式建構能力

重新定義產品、使用者、流程與組織邊界。

AI 時代真正稀缺的未必是提示技巧，而是第三種能力：判斷哪些舊分類已經失效。

## 3. 成功經驗的鎖定

既有成功會形成：

- 身分鎖定；
- 資產鎖定；
- KPI 鎖定；
- 人才鎖定；
- 客戶敘事鎖定；
- 董事會認知鎖定。

因此：

$$
D_{\mathrm{legacy}}\uparrow
\quad\not\Rightarrow\quad
A_{\mathrm{future}}\uparrow
$$

在範式轉移時，舊能力越強，轉向成本有時越高。

## 4. 時代範式能力的修正

舊文把各時代壓縮為單一「元 $D_p$ 」，容易過度簡化。v2.0 改為「範式能力組合」：

$$
D_{\mathrm{paradigm}}
=
D_{\mathrm{technical}}
+
D_{\mathrm{institutional}}
+
D_{\mathrm{interface}}
+
D_{\mathrm{coordination}}
+
D_{\mathrm{learning}}
$$

AI 時代的核心不是人人都成為模型工程師，而是不同角色都能理解：

- AI 能做什麼與不能做什麼；
- 如何把任務拆成可協作結構；
- 如何驗證輸出；
- 如何配置資料、權限與責任；
- 如何重新設計工作流程；
- 如何避免把自動化當作判斷。

## 5. 組織學習的必要制度

1. **雙軌預算：** 同時維持現有業務與新範式試驗。
2. **邊界團隊：** 由產品、技術、營運與治理人員共同工作。
3. **舊指標暫停權：** 新模式早期不得被舊 KPI 立即處死。
4. **失敗知識保存：** 保存不成功試驗的條件與原因。
5. **權力更新：** 新知識形成後，決策權必須隨之移動。
6. **退出機制：** 對已失效能力設置停止投資條件。

## 6. 個人指南與學術理論的分離

原《時代的範式 $D_p$ 與個人的生存指南》混合了組織理論、職涯建議、道德勸說與未驗證的薪資倍數。v2.0 將其拆分：

- 學術核心保留「知識折舊與動態能力」；
- 個人習慣、健康、英文與時間管理移出核心系列；
- 不再把未採取特定技能解釋為墮落或自由意志失敗；
- 不使用「超越 90%」等缺乏資料支持的敘述。

## 7. 結論

組織真正的學習能力，不是員工參加多少課程，而是新知識能否改變資源配置、決策權、產品架構與成功標準。

若知識更新而權力不更新，組織只是在學習新詞彙；若權力、流程與指標同步更新，才構成真正的範式轉移。