AI 的能力很强，但它读不懂“言外之意”
哈佛商学院与 BCG 曾合作过一项大规模实验：让 700 多名谘询顾问使用 GPT-4 完成一系列接近真实工作的谘询任务。结果耐人寻味。在落在 AI 能力边界内的任务上，使用 AI 的顾问完成得更快，质量也更高；但在一个被设计为超出 AI 能力边界的复杂管理问题上，使用 AI 的顾问反而更容易得出错误结论。[1]
一种解释是模型能力仍有边界。但另一个常被忽视的原因或许更值得重视：复杂任务往往依赖大量没有被说出口的标准——什么算“好”，怎样算“达到要求”，哪些边界不能越过。这些标准存在于人的经验里，却很少被写成规则。
这并不是一个新问题。它恰好对应知识理论和组织管理中一个经典概念：默会知识（tacit knowledge）。
这一概念最早由科学哲学家 Michael Polanyi 系统提出，核心洞察是：“我们知道的，远比我们能说出来的多。”[2] 默会知识指的是那些难以用规则、流程或语言完整概括，却真实存在于经验和判断中的知识。一个资深编辑对“好标题”的直觉，一个投资人对“时机”的把握，一个设计师对“差一点”和“刚刚好”之间的分辨。这些判断每天都在发挥作用，却几乎无法完整写进操作手册。
理解了这一点，就不难解释人们使用 AI 时最常见的困惑：问题往往不是“AI 做不了”，而是“AI 做出来的不是想要的”。原因在于，AI 并不知道使用者心中那些没有被表达出来的标准。
这种说不清楚的默会知识，使得将工作交给 AI 变成一件不简单的事。而这又引出管理学和组织经济学中另一个经典议题：委派（delegation）。
经济学家 Aghion 和 Tirole 在研究中指出，委派的核心张力在于：委托方在移交部分控制权的同时，仍然希望代理方的行动与自身目标保持一致。委派可以提升代理方的信息获取和主动性，但代价是委托方会失去一部分控制。[3]
管理人时，委派之难往往来自下属有自身偏好和私人收益，可能选择对自己更有利、但不一定对委托方最优的行动。管理 AI 时，难点有所不同：AI 不会因为私人利益而偷懒或选择性执行，但它也不会自动获知那些没有被说出口的标准。换句话说，AI 委派的核心挑战，不是传统意义上的激励不一致，而是任务是否被充分说明、背景是否被充分提供、结果是否能被有效验证。
技术社区为解决此问题探索了不少工程方法，从提示词工程（prompt engineering）到驾驭工程（harness engineering）。但回到底层结构来看，它们做的事情有很大一部分是相通的：把原本只存在于人脑中的判断标准，尽可能外化为 AI 可读取、可执行、可校验的形式。这个过程，本质上是在降低默会知识传递和结果验证的成本。
这意味着，使用 AI 的过程不能默认“它应该知道”，也不能指望它自动领会惯例。那些存在于个人经验和团队默契中的判断标准，需要被转化为可传递、可复用的明确表达。
也就是说，在 AI 时代，每个人都应逐渐变成定义标准的人。在把任务交给 AI 之前，有几个问题值得提前想清楚：AI 的角色是什么？它应该从哪几个角度考虑这个问题？这个任务的成功标准是什么？有没有 AI 可以学习的案例？有哪些是必须避免的错误？
这几个问题看似简单，但能回答好，本身就是一种稀缺的管理能力。
[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
港大经管学院创新与资讯管理教授及港大经管学院经济学教授
傅禹铭
港大经管学院研究助理
（本文同时于二零二六年六月十三日载于《经济一周》明德者言专栏）
