随着AI普及，数据分析逐渐成为企业标配，依靠通用分析工具建立差异化优势，已经越来越难。真正难以被机器复刻的，是根植于真实场景、难以传递的粘性知识。卓越的战略家会沉到一线，依托长期积累的专业判断力去挖掘这类隐性经验，以此构筑AI无法取代的长期竞争壁垒。
    竞争战略的本质，就是做到与众不同。迈克尔·波特在三十年前就告诉了我们这一点，这条底层法则至今没有改变。变化的是，AI让实现差异化这件事变得愈发艰难。如今，几乎所有竞争对手都能用上同样的AI分析工具、相同的战略框架、一致的情景建模能力，还有海量的市场与竞品数据。于是大家得出相似结论，采取相近行动，好不容易找到的竞争优势转瞬即逝。人人都能获取的精良分析，再也无法成为核心竞争优势。
    但那些最独树一帜的战略，向来依托AI无法触及的东西。毕竟，星巴克并非诞生于市场数据分析。它的起点是1983年的米兰之行：霍华德·舒尔茨本是咖啡设备销售商，对美国市场了如指掌。当他走进一家意式浓缩咖啡馆，看到了任何数据集都无法呈现的真相：在合适的场景里，咖啡不再只是一款商品，而是与场所绑定的一种体验。这种认知属于隐性知识，根植于特定场景，蕴藏在实践之中。舒尔茨必须亲身感受，才能领悟其中的道理。加布里埃尔・舒兰斯基将这类知识称为粘性知识：它依附于场景和人与人的关系，最关键的一点是，很难向外传递。
    重点在于，正是这类知识难以编码、不易传递的特性，让AI几乎无从学习。它之所以常常是隐性的，是因为掌握它的人自己未必察觉，或是觉得没必要用语言描述；而且这类知识往往只对应某个独一无二、不会重复出现的场景。这种难以言说、极少出现的知识，缺少可供机器学习的素材。这也意味着，随着大模型持续迭代，依托粘性知识建立的优势非但不会缩小，反而会持续扩大。
    舒尔茨的洞见，必须亲身到访现场才能获得，还需要足够的判断力看懂眼前所见，凭借想象力思考这套理念还能迁移到哪些领域、如何落地。优秀的战略家一直都在依靠粘性知识。很多人会犯一个错：把这类重大发现当成偶然运气，而不是一种可以刻意培养的能力。尤其是当AI抹平了分析能力的差距之后，这一点更加重要。当数据分析变成大众标配，粘性知识将会成为重要的竞争优势来源。但想要抓住这份优势，依靠新工具远远不够，战略家还需要转变思维，重新理解自身工作的本质。

何为粘性知识
    战略本质上就是一套假设：如何赢得竞争、取得成功。真正出色的战略，可以打造持久优势。这些优质假设从何而来？两大来源：精深的分析能力，以及知识。二者都有可能创造优势，但很难同等地打造出长期可持续的竞争力。
    精深的分析能力，正是商学院教授的内容：战略框架、分析工具、评估竞争格局与商业模式取舍的能力。分析功底深厚的战略家，可以更快排除错误方案，更可靠地锁定潜力机会。而随着AI技术进步，这种优势如今越来越容易获取。
    至于第二个来源——知识，并非所有知识都具备同等差异化价值。有一类知识流动性很强，几乎可以无摩擦地复制、规模化传播。这类知识通常经过编码、成文、结构化，比如市场数据、客户购买倾向、财务指标、行业基准。企业偶尔可以依靠优先获取这类流动性知识抢占先机，比如早期的数据资产，但这种优势很难长久。流动性知识本身的特质，决定了它很难长期被独家占有。
    粘性知识则恰恰相反，核心特征就是难以传递。正如舒兰斯基的研究，传递障碍主要来自三方面。
    有时障碍来自动机层面：知识真实存在，也具备分享的条件，但持有者不愿分享。想要消除这类粘性，需要建立恰当激励，或是基于信任的合作关系。1979年，史蒂夫·乔布斯到访施乐帕克研究中心就是典型例子。当时苹果的投资方正是施乐，乔布斯依托和施乐高管的交情，才说服工程师展示当时尚属前沿的图形用户界面与鼠标。正是这些技术，后来让苹果电脑脱颖而出。
    有时障碍属于认知层面，根源在于知识本身。这类知识复杂、模糊，多个要素互相作用，逻辑并不直观。掌握知识的人，心里明白，却很难用语言完整表达。知识藏在隐性经验里，难以转述。舒尔茨在米兰咖啡馆感受到的，正是这类知识。
    还有时候障碍来自场景层面。一套方案在某个环境里效果出众，换到别处就不再奏效。它的价值无法自动迁移，需要做出哪些调整，往往难以预判、难以理解。21世纪初，大都会人寿原本成熟的保险销售打法——推出保单，为风险定价、弥补损失，这套模式在日本市场却水土不服。美国总部的管理者百思不得其解。本书作者之一齐亚当时担任大都会人寿首席创新官，主导一项大型创新项目，历时两年开展民族志调研，才找到背后原因：日本国民寿命很长，潜在客户不想成为子女的负担，他们希望在漫长人生里保有自主、健康与尊严。基于这个洞察，大都会人寿在2018年推出360Health线上项目，把自身定位从单纯的保险服务商，转变为健康生活伙伴。这次战略差异化取得巨大成功，带动公司业务大幅增长。
    在全球其他市场奏效的营销话术，在日本完全无法打动消费者。这份认知扎根于总部团队完全不熟悉的本土场景，普通问卷调研根本无法挖掘出来，因为消费者自己也不会用这套逻辑思考问题。只能走进场景本身，才能找到答案。
    动机、认知、场景，这三类粘性案例都指向同一个关键点：想要获取粘性知识，当事人必须亲临现场，建立信任、挖掘隐性认知，理解特定方案在对应场景下创造价值的底层逻辑。我们把兼具深厚专业积累、主动扎根粘性知识原生场景的战略家，称为深度在场的专家型战略家。
    已有的相关储备知识，可以帮助接收方识别值得深挖的机会，理解这套方法在原生场景奏效的原因，思考如何迁移到其他领域。举个例子，乔布斯看到施乐的技术，难以理解对方为什么不把它商业化。帕克中心的工程师只把成果当成精巧原型，完全没有意识到直观的图形交互，能够推动计算机普及。这就是乔布斯的洞见，也成就了苹果。AI做不到这一点。
    发现知识、识别价值、落地行动。这套完整链路，AI无法独立跑完。AI可以辅助识别、辅助落地，甚至助力发现线索。但它无法像齐亚在大都会人寿一线那样建立信任，也无法挖掘那些未曾言说、甚至尚未被人意识到的想法。AI能够找到相关性，可如果一件事奏效的底层逻辑，连亲历者都说不清楚，那就没有可供匹配的关联。它只能在已知范围内做归纳，但乔布斯在施乐帕克中心完成的类比跃迁——把一个领域的技术，经过改造应用到另一个领域，依靠的是判断力，而非模式匹配。这正是深度在场战略的核心。

我们需要做出哪些改变

    依托粘性知识打造战略优势，不是在现有工作流程上简单增加一项技巧，而是战略家整套行事方式的变革。四个核心思路支撑这种转型。
    分清哪些已经商品化，哪些没有。数据分析如今已是入场必备的基础门槛。能够催生独特战略的隐性知识，蕴藏在难以言说的专业经验中，往往绑定特定场景，这类知识不会被商品化。看清这个区别的战略家，会相应调整精力分配；看不到这一点的人，会不断精进分析能力，去争夺一个早已不复存在的优势。
    粘性知识需要主动探寻。它不会通过常规渠道自动送上门，必须去到它扎根的现场寻找。识别它，需要依托经验与专业积累形成判断力与直觉；挖掘它，则需要适配场景的方法。如果知识被刻意保留，就需要建立长期关系、搭建信任；如果持有者无法用语言描述经验，就需要严谨试验与实地观察；如果知识高度依附场景，就要沉浸式进入现场，再借助类比推理，把底层原理迁移到别处。
    识别能力才是最大约束。就算接触到粘性知识，如果没有足够专业功底看懂它的价值，一切都是空谈。所以这类工作不能交给初级员工或是外部顾问。只有做好充分储备的头脑，才能发挥亲临现场的价值，而这种储备需要长年积累。经济学家赫伯特·西蒙曾说，直觉本质就是识别：专家一眼就能看出新手看不到的东西。这种识别能力，也让这份竞争力难以被对手攻破。竞争对手可以复制战略的表层动作，却复制不出催生洞见的长期专业积累，以及获取这份知识所依托的人际信任。在场、专业功底、判断力三者之间的相互作用，本身就是竞争优势，远比单一要素更难模仿。
    最后，要做好取舍。亲临现场需要付出高昂成本。泡在工作室、工厂、客户身边的时间，就没法用来复盘分析报告。想要把现场调研变成习惯，就要主动分配时间，打破固有的工作习惯——因为仅剩的竞争优势，就藏在一线现场。想要获取这种新优势，却沿用旧的时间分配方式，等于没有真正做出选择。战略从古至今，核心就是取舍。
    这一切，都要求转变思维模式。不要再把邂逅粘性知识、灵光一闪的顿悟当成运气，而是把它设为目标，像过去钻研分析能力一样，刻意地去追寻。完成这种转变的战略家——深耕专业，扎根知识发生的现场——将手握一项关键优势，并且随着AI持续迭代，这份优势会越来越强。