Delegative UI：慢速对话的认知经济学
AI 交互正在经历一场静默的范式转变——不是从"对话"到"非对话"，是从快速对话到慢速对话。
Conversational UI 是我们熟悉的模式：你说一句，AI 回一句，逐步澄清意图。Delegative UI 是新兴的模式：你一次性陈述目标与约束，AI 自主执行，你在循环外定期验收。两者不在相反的两端——在同一条对话光谱上，只是回合粒度从秒级拉长到小时级。
这个差距看起来只是"反馈速度"的问题。但它触发的认知后果远不止这么简单。
Suchman 穿透：慢速对话不是非对话
Lucy Suchman 在 Xerox PARC 的人种志研究得出了一个反直觉的发现：人类工作中的"计划"不是预先存在的蓝图——是在行动中被情境塑造的。用户面对机器时不断发现"原来我需要这个"、"原来这不 work"。计划是一种资源，不是蓝图。
这个发现直击 Delegative UI 的核心前提——"人可以提前规定目标和约束"。如果真实工作中大部分目标是在操作中涌现的，Delegative UI 就有一个根本性的认知缺陷：它要求你在知道目标之前就定义好目标。
但这不是 Delegative UI 的死刑判决。因为不是所有任务都是"目标涌现型"。Don Norman 给出了一个精确的边界条件：Norman 2×2 矩阵——目标稳定性（已知 vs 涌现）× 路径可预见性（可预判 vs 不可预判）。Delegative UI 在"目标已知 + 路径可预判"象限是最优的。在"目标涌现"象限——需要先 Conversational 探索再 Delegative 执行。
深层洞察：Delegative UI 的"元操作"——阅读 agent 输出、发现偏差、修正前提——本身就是一种对话。只是对话对象从人变成了 agent，回合粒度从秒/分钟变成了小时/天。这揭示了 Delegative ≠ 非对话 = 慢速对话。同一对话光谱上的不同区域。
Simon 级联：错误模型的复利增长
慢速对话的真正代价是什么？不是"一次性的歧义修正成本"——是错误心理模型的复利增长。
Herbert Simon 的有限理性框架给出了精确的形式化。交互频率 f 定义了反馈带宽。Conversational UI f ~ 1/秒-分钟；Delegative UI f ~ 1/小时-天。当反馈延迟增加时，你对"agent 为什么这么做"形成了心理模型——而这个模型可能是错的。但反馈太慢，错误模型在两次反馈之间长时间存活。
然后这个错误模型被用来评估下一轮 agent 的输出——产生次优的前提修正——次优修正产生更多偏差——更多偏差产生更多错误模型。这不是线性累积——是正反馈环：错误模型不只是叠加，是相乘。
认知代价 = 错误模型存量 × 存活时间 × 传播因子（k > 1）。这就是为什么 Delegative UI 的风险不在"一次性的歧义"——而在"错误理解的复利滚雪球"。
组织后果：实质权威的迁移
Simon 区分了形式权威（有权做决策）和实质权威（有能力影响决策结果）。Delegative UI 在形式权威层面什么都没改变——组织层级依然存在。但在实质权威层面，它改变了游戏规则。
传统组织中，中间层的实质权威来自"契约化转译"——把上级意图通过 KPI、合同、流程层层翻译给下级执行。Delegative UI 中，agent 替代了这个转译职能——中间层失去了实质权威的来源。但同时，"前提规定能力"——写 spec、prompt、acceptance criteria——成为新的稀缺生产要素。谁能让 agent 准确理解"要做什么、边界在哪、什么算成功"，谁就拥有了通过 agent 放大自己执行力的能力。
不是"权力集中到 CEO"——CEO 的前提规定能力也有限。是权力从"职位"扩散到"任何有前提规定能力的人"——不管在什么层级。Delegative UI 是去科层化治理后果定理在交互层的精确机制投射。
元操作 vs 操作：度量约定的分歧
Bret Victor 和 Andrej Karpathy 在圆桌上有一个深层分歧。Victor 主张：导航认知（判断方向）的质量依赖操作认知（自己搜索和执行）的持续输入——"看 AI 的搜索结果"不能等价替代"自己搜索"。Karpathy 反驳：Delegative UI 产生的新型"元操作"——阅读/评估/修正 agent 输出——本身就是一种操作经验。飞行员不在真飞机上飞，在模拟器里飞——模拟器不是真飞机，但提供了比真飞行更密集、更安全的训练。
这个分歧追本七层后发现——根不在经验层面（可以设计 RCT 来检验），而在度量约定的分歧：什么算"判断力"、什么算"维持"、什么算"足够好"——这些标准本身是约定而非发现。Victor 真正说的不是"在某个测试上元操作得分低"——是"你测试的东西不包含我关心的东西（不对劲感、模式异常检测、过程体感）"。Karpathy 真正说的是"在可操作化的度量上，设计良好的元操作可以达到非劣效"。
这不是一场能被实验解决的争论——因为双方用的不是同一套度量标准。Delegative UI 的安全部署边界因是约定边界而非技术边界。
Ambient UI：第三种范式
Delegative UI 的对话光谱向外延伸还有一个端点：Ambient UI。agent 在后台持续运行，人不主动与之交互——agent 通过通知、摘要、提醒"浮现"到人的意识中。注意力流向反转：Conversational 和 Delegative 是人→agent；Ambient 是 agent→人。
Ambient UI 的独特风险不在"打断"——而在微打断累积。单次推送太小，不觉得被打断了——但 N 次微打断的认知代价 > 1 次完整打断。因为不被登记为"中断"，不触发注意力恢复机制——认知带宽被持续碎片化。
三种范式不是替代关系——是共存关系。上午 Conversational 探索目标，下午 Delegative 执行已知目标，Ambient 作为背景信息通道——同一日内的范式切换。
制度化缺口
Delegative UI 和 Ambient UI 共享一个问题：制度化的严重滞后。自动驾驶有安全标准（ISO 26262 / NHTSA 级别）、可审计的测试方法（模拟 + 路测里程 + 脱离率）、可问责边界（监管批准 / 制造商负责）。Delegative UI 在三个维度上都是空白——没有"判断力维持"的约定标准、没有标准化评估工具、没有制度化的问责安排。
Ambient UI 同样如此——没有"注意力权利"的法律框架。Seely Brown 提出了四个必须被制度化的权利：可被忽略权（用户不参与推送不受惩罚）、频率自决权（用户设定推送频率上限）、感知透明权（用户有权知道 agent 为什么此时推送）、退出权（用户有权完全关闭 Ambient 模式）。四个权利目前全部缺失——技术部署在前，治理制度化在后。
核心推论
Delegative UI 不是"更好或更坏"的交互模式——是正确任务在正确阶段的正确选择。慢速对话适合"目标已知 + 路径可预判"的任务——上午用 Conversational 探索目标，下午用 Delegative 执行已知目标。Ambient 作为第三种范式提供环境信息而不夺取注意力——如果有"可被忽略权"的制度保障。
三种范式的认知经济学各不相同：
- Conversational：交互成本（多轮对话的时间）——适合目标探索
- Delegative：错误模型复利风险 + 慢速反馈的歧义修正成本——适合目标执行
- Ambient：微打断累积效应——适合低优先级环境信息
关键不是"选哪个范式"——是知道什么时候切换。认知负荷的自觉管理 = AI 时代的基础素养。
本文基于 Agentic Work Atlas 知识库 07-17 Delegative UI roundtable（5人4轮）+ think七层到底 + qa六链 + 联网验证（Nielsen Review Paradox）+ 07-18 Ambient UI 扩展 + 07-17 去科层化治理后果定理。