外行领导内行
外行领导内行
2026-07-03 Fri 13:38
起点
和 AI 合作的全部难题，归根结底就是人类社会自己几千年也没弄明白的那个问题：如何外行领导内行。
这句话狠在它把 AI 协作从“提示词技巧”里拽了出来。
真正的问题不是：
我怎么让 AI 听懂我？而是：
当执行者比我更会执行时，我凭什么还能领导它？这不是 AI 时代的新问题。
这是人类组织最古老的问题。
皇帝不懂水利，却要任命治河官。
老板不懂代码，却要管理工程师。
病人不懂医学，却要决定要不要开刀。
投资人不懂每个行业细节，却要决定把钱交给谁。
外行永远在领导内行。
只是 AI 把这个矛盾压缩到了每一次对话里。
你一打开对话框，就变成了一个外行领导者。
你不知道模型内部怎么推理。
你不知道它哪些地方真懂，哪些地方在补全。
你不知道它的方案哪里只是漂亮，哪里真的可执行。
但你还必须发号施令。
这就是 AI 协作的根部张力：
能力在 AI 那边。
目标在人这边。
责任也在人这边。第一层：分工
外行领导内行，最容易犯的错，是把领导理解成“我比你懂”。
如果领导必须比执行者更懂执行细节，那大多数组织一开始就不该存在。
CEO 不可能比每个工程师更懂代码。
主编不可能比每个记者更熟每条线索。
将军不可能比每个士兵更懂每一处地形。
领导不是在每个局部都更聪明。
领导是在另一个维度上不可替代。
这件事必须拆成三个函数：
目标函数：什么算赢
搜索函数：怎么找到方案
验收函数：什么算合格内行强在搜索函数。
他知道怎么做。
他知道有哪些路径。
他知道哪些坑会爆。
外行如果硬装内行，去指挥搜索过程，就会变成灾难。
他会用低分辨率语言，破坏高分辨率工作。
但外行也不是没有位置。
外行的位置在目标函数和验收函数上。
他不一定知道怎么做。
但他必须知道：
我到底要什么？
什么代价不能付？
什么风险不可接受？
什么结果算失败？AI 协作也是一样。
人不需要比 AI 更会写、更会算、更会找资料。
但人必须比 AI 更清楚：
这件事为什么要做？
做到什么程度才算够？
哪个方向错了就不能继续？
最终后果由谁承担？第二层：验收
外行领导内行的核心难题，不是下命令。
是验收。
命令很便宜。
验收很贵。
因为真正的信息差，通常不发生在任务开始，而发生在任务结束。
内行交付一个东西。
它看起来完整。
语言很专业。
结构很漂亮。
论证很顺。
但外行不知道它是不是对。
这就是 AI 协作最危险的地方。
AI 的输出经常拥有一种“完成感”。
它会让你误以为：
可读 = 正确
完整 = 可靠
专业 = 可用
顺滑 = 已经解决但这四个等式全是假的。
如果外行没有验收函数，他不是在领导内行。
他只是在被内行的表达格式催眠。
所以 AI 协作的第一原则不是“写好提示词”。
而是：
先设计验收方式，再委托任务。验收可以有很多形式。
能跑的，让它跑。
能算的，让它算。
能对照的，找外部事实。
能比较的，给候选方案。
能暴露的，做小规模试错。
能被用户判断的，让用户判断。
不能验收的任务，要么先拆小，要么不要全权委托。
最短判别式是：
我可以看不懂过程。
但我不能看不懂好坏。看不懂过程，是正常委托。
看不懂好坏，是放弃领导。
第三层：反馈
外行领导内行，不靠权威。
靠反馈回路。
权威只能让别人执行。
反馈才能让系统变准。
AI 协作的结构应该长这样：
目标 -> 产出 -> 检验 -> 修正 -> 再产出不是这样：
命令 -> 产出 -> 相信第二种是巫术。
第一种才是工程。
人类社会几千年没解决外行领导内行，是因为它总想用身份解决反馈问题。
我是皇帝，所以你听我的。
我是老板，所以你听我的。
我是甲方，所以你听我的。
我是用户，所以 AI 听我的。
但身份只能决定谁有权说话，不能决定谁说得对。
真正能降低错误率的，是反馈结构：
任务是否可拆？
结果是否可测？
错误是否可见？
修正是否可快？
后果是否可控？AI 不怕你外行。
AI 怕你没有反馈。
外行如果能提供高质量反馈，他就能领导比自己更会执行的系统。
外行如果只会表达偏好、情绪和模糊不满，他就只能得到越来越精致的错答案。
这就是为什么“会用 AI”的人，不是提示词背得多。
而是反馈质量高。
他能说清楚：
哪里错了。
为什么错。
错在目标、约束、事实、推理，还是风格。
下一轮应该怎么收窄搜索空间。第四层：赌注
AI 没有你的赌注。
这是人永远不能退位的地方。
AI 可以比你更会执行。
但它不承担你的后果。
它不会因为方案失败而破产。
不会因为判断失误而失去信任。
不会因为产品做坏而面对用户。
不会因为一句话说错而承担关系成本。
不会因为投资错误而真的亏钱。
它没有身体。
没有名誉。
没有生活连续性。
没有不可撤销的代价。
所以它没有你的 stake。
这里才是人类领导 AI 的根本理由。
不是因为人更聪明。
而是因为人承担后果。
领导权不是智力奖杯。
领导权来自剩余风险。
谁承担不可转嫁的后果，谁就必须保留最终判断权。
这也是外行领导内行的底层伦理。
你可以把搜索交给内行。
可以把执行交给内行。
可以把局部优化交给内行。
但不能把最终责任伪装成“专业建议”外包出去。
最危险的外行，不是不会。
是把不会当成卸责理由。
他说：
专业的人说可以。
AI 也是这么建议的。
我只是采纳方案。这不是领导。
这是借专家之口逃避后果。
第五层：价值
内行知道怎么做。
但内行未必知道什么值得做。
AI 能优化。
但优化必须吃一个目标函数。
没有目标函数，优化就是乱跑。
目标函数不是知识问题。
是价值问题。
例如：
快一点，还是稳一点？
便宜一点，还是可维护一点？
漂亮一点，还是真实一点？
收益更高，还是尾部风险更低？
用户爽一下，还是长期信任更厚？这些问题没有纯技术答案。
它们是取舍。
取舍意味着放弃。
放弃意味着承担。
承担意味着不能全权交给 AI。
所以人和 AI 的正确关系，不是：
AI 给我答案。而是：
AI 帮我展开搜索空间。
我负责设定价值函数和止损条件。人类社会里很多外行领导内行的失败，都是因为外行既不懂技术，又不愿意承担价值判断。
他一边要求内行“给专业方案”。
一边又在方案失败时说“这是你建议的”。
这会逼内行做一件事：
不再给最优方案，只给最安全的免责方案。AI 也会被这样用坏。
如果人只把 AI 当成免责机器，AI 输出就会变成更漂亮的责任转移。
第六层：边界
所有委托，都有一条不可越过的边界：
能力可以外包。
判断不能外包。
执行可以外包。
责任不能外包。
搜索可以外包。
价值函数不能外包。这条边界如果不清楚，AI 协作就会迅速变形。
它表面上提高效率。
实际上降低主体性。
人会从“使用工具的人”，变成“被工具输出牵引的人”。
他问 AI 要答案。
AI 给出答案。
他再用 AI 的答案证明自己下一步该怎么做。
这形成一个闭环：
不确定的人 -> 询问 AI -> 得到顺滑答案 -> 借答案行动 -> 继续丧失判断这不是增强。
这是判断肌肉萎缩。
正确闭环应该是：
我提出目标 -> AI 展开方案 -> 我设置验收 -> 现实给反馈 -> 我更新判断AI 在中间。
现实在最后。
人站在开头和结尾。
开头负责目标。
结尾负责承担。
这就是外行领导内行的最小结构。
不是外行装内行。
不是内行替外行活。
而是：
外行提供方向、边界、赌注和验收；
内行提供搜索、执行、局部优化和专业判断。终点：接口
钻到底，AI 协作不是提示词问题。
它是接口问题。
人和 AI 之间真正需要设计的，不是漂亮命令。
而是领导接口。
这个接口只有四个按钮：
目标：什么算赢？
边界：什么不能做？
验收：怎么知道它对？
责任：错了谁承担？没有目标，AI 会替你生成目标。
没有边界，AI 会替你优化掉边界。
没有验收，AI 会用流畅感冒充正确。
没有责任，人会用 AI 逃避自己。
所以和 AI 合作的全部难题，归根结底就是：
人能不能成为一个合格的外行领导者。合格的外行，不是假装自己懂。
也不是跪给内行懂。
而是清楚知道自己不能让渡什么。
最短判别式：
我不会做，可以委托。
我不知道为什么做，不可以委托。
我看不懂过程，可以委托。
我看不懂好坏，不可以委托。
我不掌握局部技术，可以委托。
我不承担最终后果，不配领导。AI 越强，人越不能把自己降级成需求提词器。
人必须升级成目标、边界、反馈和责任的持有人。
否则所谓 AI 协作，不过是古老组织病的新版本：
外行不敢领导。
内行没有目标。
系统高速地产生正确格式的错误。