Decision Quality
定义
Decision Quality 是 AI 时代的人类核心能力之一：在不确定条件下，为人类或 AI 选择更优执行路径，明确边界、设置验收标准，并承担后果。
为什么重要
- AI 让执行成本下降，组织的稀缺点从“谁能做”转向“什么值得做、谁来做、做到什么算完成”。
- 同一个任务里，AI 过程时间、人类检查时间、失败代价和成功概率经常彼此冲突，不能靠默认设置解决。
- 当 Agent 产出看起来都“差不多能用”时，真正有价值的是识别隐藏风险、方向错误和验收假象。
核心结构
| 维度 | 低决策质量 | 高决策质量 |
|---|---|---|
| 任务分配 | 看到 AI 能做就直接委托 | 先比较 AI 时间、检查成本、失败代价 |
| 验收方式 | 只看表面是否“像样” | 提前定义验证标准和回滚条件 |
| 风险判断 | 把责任隐含地推给模型 | 明确谁承担后果、何时必须转人工 |
| 组织作用 | 加快错误扩散 | 把速度转化为有效学习 |
1. 任务判断
- 这个任务是否适合委托给 AI
- 成功是否可验证
- 失败是否可逆
2. 边界设计
- 给 Agent 什么上下文、权限和工具
- 哪些步骤必须设置检查点
- 什么结果必须升级给人
3. 验收与追责
- 结果是否真正解决了问题，而不只是生成了产物
- 谁有权否决“看起来能跑”的错误方案
- 是否能从失败中沉淀为下次更好的判断
关键数据点
- Management as AI superpower 把决策问题具体化为委托公式：人类基准时间、AI 过程时间、检查时间和成功概率共同决定是否值得委托。
- 20260413-why-ai-first-strategy-wrong 指出 AI-assisted 常只有 10% 到 20% 效率提升，而 AI-first 的价值来自重写流程后的人类判断层，而不是单纯增加生成速度。
- Knowledge Work Is Dying—Here’s What Comes Next 把公司的两块基石压缩为 decisions 和 relationships，说明知识商品化后，判断本身变成更稳定的人类价值。
操作化问题
在 AI 工作流里，Decision Quality 可以落成一组反复追问：
- 这个任务应不应该交给 AI，而不是“能不能”交给 AI？
- 如果交给 AI，最便宜的可靠验证是什么？
- 如果验证成本过高，是否其实不该委托？
- 这次错误若发生，谁承担损失？
- 今天做出的判断，能否沉淀为下一次更好的 SOP、评测或审查标准？
前提与局限性
- 前提：组织至少具备基本验证能力，否则“判断”只能退化为主观拍板。
- 前提：人类仍掌握任务上下文、风险边界和真实后果，不能把这些外包给模型。
- 局限：当任务极其标准化、失败成本极低时，Decision Quality 的边际价值会下降，执行速度更重要。
- 局限：它不能脱离领域知识独立存在；没有专业背景的人很难判断 AI 输出的隐藏问题。
关联概念
- Judgment - Decision Quality 是 Judgment 在组织与任务分配层面的落地形式
- Taste - Taste 负责识别“哪里不对”，Decision Quality 负责决定“下一步怎么做”
- Ownership - 没有承担后果的权力与责任，决策质量无法稳定提升
- AI-First - AI-first 组织把人的价值从代码产出迁移到决策质量
- Allocation-Economy - 分配经济要求人类持续决定任务该交给谁或什么模型