在 AI 時代，每個人都應逐漸變成定義標準的人。
哈佛商學院與 BCG 曾合作過一項大規模實驗：讓 700 多名諮詢顧問使用 GPT-4 完成一系列接近真實工作的諮詢任務。結果耐人尋味。在落在 AI 能力邊界內的任務上，使用 AI 的顧問完成得更快，質量也更高；但在一個被設計為超出 AI 能力邊界的複雜管理問題上，使用 AI 的顧問反而更容易得出錯誤結論。[1]
一種解釋是模型能力仍有邊界。但另一個常被忽視的原因或許更值得重視：複雜任務往往依賴大量沒有被說出口的標準——什麼算「好」，怎樣算「達到要求」，哪些邊界不能越過。這些標準存在於人的經驗裏，卻很少被寫成規則。
這並不是一個新問題。它恰好對應知識理論和組織管理中一個經典概念：默會知識（tacit knowledge）。
這一概念最早由科學哲學家 Michael Polanyi 系統提出，核心洞察是：「我們知道的，遠比我們能說出來的多。」[2] 默會知識指的是那些難以用規則、流程或語言完整概括，卻真實存在於經驗和判斷中的知識。一個資深編輯對「好標題」的直覺，一個投資人對「時機」的把握，一個設計師對「差一點」和「剛剛好」之間的分辨。這些判斷每天都在發揮作用，卻幾乎無法完整寫進操作手冊。
理解了這一點，就不難解釋人們使用 AI 時最常見的困惑：問題往往不是「AI 做不了」，而是「AI 做出來的不是想要的」。原因在於，AI 並不知道使用者心中那些沒有被表達出來的標準。
這種說不清楚的默會知識，使得將工作交給 AI 變成一件不簡單的事。而這又引出管理學和組織經濟學中另一個經典議題：委派（delegation）。
經濟學家 Aghion 和 Tirole 在研究中指出，委派的核心張力在於：委託方在移交部分控制權的同時，仍然希望代理方的行動與自身目標保持一致。委派可以提升代理方的信息獲取和主動性，但代價是委託方會失去一部分控制。[3]
管理人時，委派之難往往來自下屬有自身偏好和私人收益，可能選擇對自己更有利、但不一定對委託方最優的行動。管理 AI 時，難點有所不同：AI 不會因為私人利益而偷懶或選擇性執行，但它也不會自動獲知那些沒有被說出口的標準。換句話說，AI 委派的核心挑戰，不是傳統意義上的激勵不一致，而是任務是否被充分說明、背景是否被充分提供、結果是否能被有效驗證。
技術社區為解決此問題探索了不少工程方法，從提示詞工程（prompt engineering）到駕馭工程（harness engineering）。但回到底層結構來看，它們做的事情有很大一部分是相通的：把原本只存在於人腦中的判斷標準，儘可能外化為 AI 可讀取、可執行、可校驗的形式。這個過程，本質上是在降低默會知識傳遞和結果驗證的成本。
這意味着，使用 AI 的過程不能默認「它應該知道」，也不能指望它自動領會慣例。那些存在於個人經驗和團隊默契中的判斷標準，需要被轉化為可傳遞、可複用的明確表達。
也就是說，在 AI 時代，每個人都應逐漸變成定義標準的人。在把任務交給 AI 之前，有幾個問題值得提前想清楚：AI 的角色是什麼？它應該從哪幾個角度考慮這個問題？這個任務的成功標準是什麼？有沒有 AI 可以學習的案例？有哪些是必須避免的錯誤？
這幾個問題看似簡單，但能回答好，本身就是一種稀缺的管理能力。
參考文獻
[1] Dell’Acqua, F., McFowland III, E., Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Harvard Business School Working Paper, No. 24-013.
[2] Polanyi, M. (1966). The Tacit Dimension. University of Chicago Press.
[3] Aghion, P., & Tirole, J. (1997). Formal and Real Authority in Organizations. Journal of Political Economy, 105(1), 1–29.
童欣教授
港大經管學院創新與資訊管理教授及港大經管學院經濟學教授
傅禹銘
港大經管學院研究助理
（本文同時於二零二六年六月十三日載於《經濟一週》明德者言專欄）