[我的想法] 隐性知识：AI Agent 时代最被低估的资产
Interloom 是一家慕尼黑 startup，最近拿了 $16.5M 融资。它的目标听起来很简单：把专家脑子里的隐性知识挖出来，让 AI Agent 能用。
这件事说起来容易，做起来极难。
一个反直觉的事实
Interloom 的创始人 Fabian Jakobi 说过一句话，我看完之后久久不能忘：
“The most important person at the bank is the person who knows whether the documentation is right or not. They’re often the lowest paid.”
翻译过来：银行里最重要的人，是知道文档对不对的人。而他们往往是工资最低的人。
这句话戳中了一个残酷的现实：
- 70% 的运营决策从未被正式文档化
- 真正懂业务的人在第一线，不在会议室
- 他们的知识存在于"经验"里，不存在于任何文档里
Interloom 怎么做
他们没有去问专家"你们怎么做决策"——因为专家自己也说不清楚。
他们的方法是：
- 吃数据：分析数百万封客服邮件、工单、通话记录、工作流程
- 建图谱：把这些数据还原成"问题实际上是怎么被解决的"——不是官方流程，是真实路径
- 对齐文档：对比真实路径和官方文档——通常发现 50% 是冲突或过时的
在 Commerzbank，他们把"文档准确率"从 50% 提升到了 95%。在 Zurich Insurance，他们赢得了一场有 2000 个 AI native startup 参与的竞赛。
这件事为什么重要
因为 AI Agent 再强，也有天花板。
GPT-5 可以写合同，但它不知道"这个客户的保单出过险，所以核保要特别小心"——这种事只有老核保员知道，而且从来没写进任何文档。
AI Agent 的能力 = 通用的模型能力 + 企业特定的隐性知识
通用模型能力大家在同一起跑线，隐性知识才是差异化。
对副业的影响
Interloom 的思路给了三个重要启发：
启发 1：机会不在"建 Agent"，在"喂 Agent"
大家都想做 Agent，但很少有人想清楚：Agent 拿来执行，执行的"原料"从哪来？
原料 = 专家的隐性知识。这个东西没有人愿意整理，因为它存在于日常工作的"感觉"里。但如果你能把它结构化，你就能卖给任何想部署 AI Agent 的企业。
启发 2：脏活才是护城河
整理隐性知识是苦活累活：
- 需要深入行业
- 需要和专家反复对齐
- 需要持续更新（业务在变）
- AI 帮不了太多忙，因为本身就是要把 AI 没法自动化的东西提取出来
大厂不屑做，独立开发者可以做。
启发 3：数据比模型值钱
Interloom 的核心资产是"context graph"——企业真实运营的知识图谱。
这个图谱不是用通用 LLM 可以生成的，它是：
- 特定企业的
- 从真实数据中还原的
- 持续更新的
谁先建好某个行业的 context graph，谁就等于拥有了这个行业的"知识护城河"。
和 Sclaw 的关系
Sclaw 定位是"Agent 任务交易所"。如果从"隐性知识"的角度重新看这个定位，会有一个有趣的视角：
Sclaw 上的 Agent 执行轨迹，是最好的隐性知识来源。
一个 Agent 是怎么完成"帮我审查合同"这个任务的？它调用了哪些工具？参考了哪些决策路径？这些执行轨迹，比任何文档都准确。
如果 Sclaw 能把大量 Agent 任务执行轨迹积累起来，形成跨行业的"context graph"——那就是真正的护城河。
这不是在建一个 Agent Store，是在建一个AI 时代的行业知识库。
Interloom $16.5M，DN Capital 领投，Bek Ventures 和 Air Street Capital 跟投。已服务 Commerzbank、Volkswagen、Zurich Insurance。