组织知识库是为了重复利用过去的判断、流程、成功经验和失败经验而建立的。随着积累增加，组织无需每次都从头重新考虑同一个问题，从而提高决策的速度和一致性。然而，知识被重复利用得越多，就越可能从“过去曾这样判断”的记录，转变为“现在仍应这样判断”的规范。这里存在一个悖论：知识越有价值，重新审视其成立条件的动机反而越弱。
当AI使用知识库时，这种固化可能进一步加强。如果过去的文档和决策历史被检索出来，并反复作为回答的依据呈现，那么这些信息就可能因使用频率而获得事实上的权威。即使后来出现不同的案例，如果因为它们与既有知识的匹配度较低而被边缘化，知识库就只会再生产它已经知道的世界。这不是信息不足，而是由于缺乏更新路径所造成的自我封闭。
为了避免这个问题，知识不仅要保存内容，还必须保存该知识成立时的条件。它在什么时期、针对什么对象、出于什么目的、在什么限制条件下有效？有哪些证据支持它，又有哪些已知例外？如果这些条件得以保留，就可以与当前情况进行比较。当条件丢失、只保存结论时，过去局部性的判断就很容易被当作普遍规则重新使用。
此外，不把异议置于知识之外也很重要。当出现不符合现有规则的案例时，不应把它仅仅作为例外丢弃，而应记录“哪一个条件发生了变化，以至于现有知识不再适用”。异议不是摧毁知识的信息，而是使其适用范围更加精确的信息。成熟的知识库，并不是反面信息更少的知识库，而是能够通过反面信息更新自身边界的知识库。
在这种结构中，更新历史本身也会成为重要知识。如果只保留当前结论，我们就无法知道先前的判断为什么发生了变化。如果把旧判断、新证据、变更理由和当前适用条件关联起来，那么以后遇到其他情况时，我们不仅可以重新利用最新信息，也可以重新利用变化的逻辑。知识由答案的集合扩展为包含答案如何变化的历史。
AI自身的输出也需要按照同样的原则处理。如果在后续处理中无条件信任AI过去生成的摘要和判断，那么生成内容可能随着时间推移获得类似一手信息的地位。因此，源自AI的知识需要始终与其依据、生成时间、未经确认的部分以及后续更正保持关联。不能仅仅因为某项内容是AI自己以前生成的，就提高它的权威性；这就是反思性距离在知识库中的对应形式。
在组织中，知识的固化也与责任结构相联系。“一直以来都是这个流程”这一理由，会降低解释当前判断的负担。但如果环境已经发生变化，这种稳定性可能延迟问题的发现。如果知识库被设计为能够接纳当前的例外和异议，它就可以优先保持与当前现实的一致，而不是优先维持与过去的一致。
从技术上说，与把知识项作为孤立句子管理相比，把依据、适用条件、相关异议、更新历史和当前状态连接起来，更适合自我修正。重要的不是增加信息量，而是能够追踪哪些信息支持哪些主张，以及在什么条件下这些主张会变得更弱。当知识项之间的关系可见时，新证据进入后，就更容易确定其影响范围。
评价指标也需要改变。仅凭搜索准确率和回答速度，无法衡量知识库是否僵化。需要考察：新的反证出现时，相关知识是否得到更新；旧结论是否被适当地降低其地位；例外是否反映到适用条件中；变更理由是否可以追踪。知识的质量不仅在于拥有正确的信息，也在于面对错误和条件变化时能够被修正。
对Sai＊aus而言，积累知识并不是为了把人理解为固定不变的实体。重要的是，在利用过去的对话和理解的同时，也允许当前的发言对先前的理解提出质疑。同样的原则也可以应用于组织知识。随着积累增加，不应只是让确定性变得更强；相反，系统应当能够更精确地处理在什么条件下发生了什么变化。这是一种把知识量与认识论上的克制结合起来的设计。
知识库持续质疑自身，并不意味着让所有知识都变得不稳定。它意味着稳定地使用已经充分确立的知识，同时永远不丢失其适用条件和更新路径。当新的现实与既有知识发生冲突时，系统应能够检验究竟哪一方需要修正，而不是把现实作为例外排除出去。具备这种能力后，知识库就会从保护过去正确答案的仓库，转变为持续更新自身与现实关系的机制。
知识越多，与这些知识保持距离的能力就越必要。系统不能无条件地赋予自身积累以权威，而必须在同一知识结构中保留有效条件、异议、更正和变化。这样一来，自我修正就不再是例外处理，而是知识要继续作为知识而存在所必需的正常功能。Sai＊aus所追求的理解，既不是忘记过去，也不是服从过去，而是维持一种关系：能够利用过去，同时又能让当下的现实一次又一次地重新质疑过去。
不是答案，而是理解。