AI 能力很強 但它讀不懂言外之意

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——甚麼算「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。」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權。

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。

AI委派核心挑戰

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。

這意味著，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，每個人都应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 的角色是甚麼？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甚麼？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。

作者：童欣、傅禹銘（香港大學經管學院）