检索不够：为何组织 AI 需要认知基础设施

组织知识用于 AI agent 通常缺乏 epistemic 结构：retrieval 系统勾选语义相关内容时，无法区分 binding 决定与已放弃的假设、contested claims 与已定论、已知事实与 unresolved questions。我们认为，组织 AI 的 ceiling 不在于 retrieval 精度，而在于 epistemic 精度——系统表示 commitment strength、contradiction status 和 organizational ignorance 作为 computable property 的能力。我们提出 OIDA 框架，将组织知识结构化为带有 epistemic class、importance score 及其 class-specific decay、以及 signed contradiction edge 的 typed Knowledge Object。Knowledge Gravity Engine 以 proved 收敛保证维持 score (sufficient condition: max degree $< 7$；empirically 对 degree 43 稳健)。OIDA 引入 QUESTION-as-modeled-ignorance：一种 inverse decay 的 primitive，用于 surface what organization 不 know 且随时间 urgency 增加的机制——此机制在所有调查系统中均未出现。我们描述 Epistemic Quality Score(EQS)，一种 five-component 评估方法，包含 explicit circularity analysis。在 controlled comparison($n{=}10$ response pairs)中，OIDA 的 RAG condition(3,868 tokens)实现 EQS 0.530 vs. full-context baseline(108,687 tokens)；28.1\times 的 token budget 差异是主要 confounder。QUESTION 机制经统计验证(Fisher $p{=}0.0325$, OR$=21.0$)。formal properties 已建立；decisive ablation at equal token budget(E4) 已预登记且尚未运行。