2026-08-01 閱讀綜合筆記

今天兩篇的共同主線：你最想要的那個東西，多半不能直接寫進目標函數，寫進去的那一刻，追求的動作本身就把它趕跑了。能寫進去的，只有它背後的那件事。

本篇為轉化版，不是把來源摘要換句話說，而是把兩篇內容嚼過之後，抽出可以跨情境使用的原理。

主線洞察（先讀這段）

今天一篇談哲學心理學（為什麼睡眠、聲望、心流不能直接追求），一篇談企業導入 AI 的實務。表面上毫無關係，實際上是同一條原理的兩個切面。

第一層：有一類東西是「過程的屬性」，不是可以單獨取出的物件。 睡眠是意識運作的屬性、聲望是你長年怎麼做人的屬性、心流是投入程度的屬性。直接去追它，等於往過程裡塞進一個異物，一個自我、一個指標、一份算計。過程一變質，長在過程上的東西就凋謝了。挪威社會科學家埃爾斯特 1983 年把這類狀態叫作「本質副產品」，重點在「本質」兩個字：不是很難直接得到，是邏輯上不可能。

第二層：組織裡的版本更貴。 白熊實驗（1987）證明的是個人層次，你越努力不想白熊，監控進程就越勤快地把白熊調出來比對。組織把它放大了一千倍：設下「訊息回覆率」「觸達率」這種過程指標，員工就會生產出漂亮的回覆率，而不是生產出成交。求聲望得到吹捧、求權威得到沉默、求信任得到監控下的暫時配合，同一個結構：你能量測到的，只是被量測這件事所催生出來的表演。

第三層：「導入 AI」本身就是典型的本質副產品。 企業把「我們要用上 AI」寫進目標，追到的就是一個能演示的 AI；把「這件事怎麼做才能降本增收」寫進目標，AI 才會作為副產品長出來。模型選型也是同一個誤區：糾結國產還是國外模型的企業，通常是還沒想清楚要解決什麼問題，模型能力的差距，遠小於自身資料、流程、知識設計造成的差距。

第四層：迂回不等於躺平。 先秦四家，孔子的「練」、老子的「減」、孟子的「養」、莊子的「忘」，沒有一家叫你什麼都不做。企業版也一樣：放棄直接追求 AI，換來的不是輕鬆，而是更硬的工作：把老師傅腦子裡的隱性知識挖出來、結構化。力氣沒變少，只是換了施力點。

一、越用力越拿不到：本質副產品與諷刺進程

讀到什麼

睡眠醫學有個專門說法叫 orthosomnia（完美睡眠強迫傾向）：買了睡眠手環、盯著分數、刻意早睡，結果分數一天比一天低，最後怕上床。韋格納 1987 年的白熊實驗給出機制解釋，要求受試者五分鐘內不要想白熊，沒有一個人做到，平均每分鐘至少按一次鈴（該筆記待查證）。他後來提出「諷刺進程理論」：大腦同時開兩個進程，一個負責找別的事想，一個負責監控「我還在想白熊嗎」，而監控要比對，就必須隨時把白熊調出來。莫斯團隊 2011 年的研究把同一個機制放到幸福感上：越重視幸福的人越不幸福，而且這個效應在最有理由幸福的順境裡最明顯（該筆記待查證）。對外的版本則是另一套機制：聲望、信任、尊敬長在別人腦子裡，而人天生有一具「防偽雷達」，會判斷你為什麼這麼做，一旦聞出是做給他看的，你做得越多扣分越狠。

🔑 可遷移原理

指標的宿命是被優化，而優化指標往往等於毀掉指標背後的東西。 這條在三個尺度上同時成立：個人（盯著睡眠分數就睡不著）、關係（反覆檢修「你愛不愛我」只會把愛換成服從）、組織（考核過程數據就得到過程數據的表演）。

實務上可以拆成一組判斷題：這個東西是「物件」還是「過程的屬性」？ 物件可以直接拿，營收、庫存、交期，設 KPI 就設 KPI。屬性不能直接拿，信任、專業聲望、團隊的主動性、創作的靈感。碰到屬性類的目標，唯一有效的作法是換成它背後那件「可以直接做的事」：聲望背後是行動和貢獻、信任背後是一次次被兌現的承諾、心流背後是一件難度剛好貼著能力邊緣的事。

還有一個更細的判準：埃爾斯特區分過「希望被敬佩」與「為了被敬佩而做」，前者完全正當，後者才會失效。 你可以理直氣壯地想要，甚至可以預見這件事會帶來那個結果，只要做的理由不是它。不是「我要顯得勇敢」，而是「這件事值得我冒險」。這條讓迂回不至於淪為虛偽的自我欺騙。

最後一條護欄：選那些即使副產品沒來、無人喝采也值得做的事。「不指望」恰恰是唯一能通過防偽雷達的訊號。

二、企業 AI 落地：手段被當成目的的最新現場

讀到什麼

一場關於企業 AI 落地的分享與問答，講的全是實際踩過的坑。最核心的原則是「AI 做執行、主動推進；人做決策、承擔責任」，把 AI 類比成培訓後的應屆畢業生：擅長標準的、有答案的、重複瑣碎的工作，沒有情緒波動；人負責複雜場景的決策與承擔結果。實際數字：某教育公司導入後，人工組承接 36,620 條線索、AI 組承接 84,600 條，人均線索量提升 1.4 倍；人工組因為重新設計了接量與激勵規則，轉化率反而提升 15%，單銷售單月人均 GMV 提升 60%（該筆記待查證）。

更有意思的是那個「不做圖像識別」的決定。一家紡織面料 B2B 企業，客戶訂單多是手寫、圈註、實物照片，AI 辨識準確率很低，做到 100% 成本極高。但分析後發現：人工登打訂單只要十幾秒，真正吃掉業務時間的是後續冗餘的審批、出貨與付款提醒流程。於是方案整個掉頭，先改造 ERP 流程解放業務時間，圖像辨識延後再說。不要為了 AI 而 AI，現在用 AI 幹不划算的，可以晚點幹或先不幹。

🔑 可遷移原理

「導入某項技術」永遠不該是目標，它只能是某個真實問題被解決之後的副產品。 這聽起來像廢話，但這場分享提供了一個可操作的鑑別法：去問「這件事怎麼做才能降本增收」，而不是「這件事怎麼用 AI 做」。 兩個問句只差幾個字，導出的方案卻是完全不同的兩條路，後者一定會走向圖像辨識（因為那看起來最像 AI），前者才會發現真正的瓶頸在流程冗餘。

第二條可遷移的是能力邊界的成本曲線。從 80% 準確率推到 100%，成本不是線性成長而是陡升。所以判斷任何自動化方案，要問的不是「AI 做得到嗎」，而是「做到堪用的那一段要花多少、剩下那段的邊際成本是多少、那段能不能交給人」。這條在導入決策裡比模型選型重要一個量級。

第三條是組織適配的必然性。AI 上線不是換工具，是換分工，分工一換，考核和招募都得跟著換：原本考核回覆速度、努力程度這類過程指標的，要改成成交量、複合作比例這類結果指標；原本要求「執行力強、夠勤奮」的職位，改成要求「懂內容、會溝通」；原本看重行業經驗的，改成看重溝通與學習能力，因為行業經驗已經沉澱進 AI 了。這正好是第一節那條原理的組織版：舊的過程指標之所以必須廢掉，不只因為它過時，而是因為 AI 會把它優化到極致，然後你會發現指標很漂亮而生意沒變好。

三、迂回的代價：隱性知識是唯一繞不過去的苦工

讀到什麼

兩篇在同一個地方收束。萬維鋼那篇強調先秦四家沒有一家主張躺平，孔子練了幾十年才「從心所欲不逾矩」，老子的「為道日損」是持續撤除異物，孟子當農夫鬆土澆水，莊子的「忘」是技藝純熟到「以神遇而不以目視」。AI 那篇則指出，落地真正的難點不在模型，而在提煉隱性知識：客戶問「推薦適合垂感高級夏天連衣裙的面料」，這問題不在任何標準文件裡，得從業務現場把老手的經驗翻譯成克重、材質這類 AI 能理解的結構化規則。分享者對「AI 落地翻譯官」（FDE）給出的三個標準也全都指向這件事：能同時對接高層與一線並挖出隱性知識、清楚知道 AI 的能力邊界與各級成本、能從零完整還原業務現場的工作流程。至於 IT 主導的 AI 業務方不買帳，根因也在這裡，IT 只能處理看得見的標準化資料，挖不出人腦子裡的東西。

🔑 可遷移原理

迂回省掉的是「盯著目標」這個動作，不是「花力氣」這件事。 力氣從監控轉移到打井，地下水不能用命令的，但井要一鏟一鏟挖。這給了一個好用的檢驗法：如果某個「迂回」方案聽起來比直接追求更輕鬆，那它多半不是迂回，只是放棄。 真正的迂回通常更難、更慢、前期更沒有成果可展示。

推論一：任何「把經驗變成系統」的專案，瓶頸都不在系統，在提煉。 這解釋了為什麼關鍵角色是翻譯者而不是工程師，他處理的是「話沒說出口的那部分」。那三個 FDE 條件可以壓縮成一句：這個人能不能讓一線願意把腦子裡的東西講給他聽。

推論二：分享者建議這件事最好由業務方主導、或引入沒有立場的外部第三方，因為推動變革需要的是「有權限調整流程且願意扛責任」的人，不是「有技術能力」的人。技術能力和落地能力是兩種不同的稀缺資源，混為一談是很多導入案失敗的起點。

附：今日來源

• 《副產品：最珍貴的東西大多不能被直接追求》， 得到專欄（萬維鋼《精英日課》）
• 《企業 AI 落地經驗分享與問題解答》， 線上分享問答（企業 AI 導入實務）