心智頻寬詛咒

第一章 為什麼現在

三股力量與一個被忽略的瓶頸

AI 轉型的故事講了兩年，說它多厲害的說法很多，說它多難的檢討也很多。但不管哪一邊，大家講到最後，卡住的地方都指向同一件事：人的問題。

人的問題。這三個字太常用，以至於它像一個垃圾桶，什麼都可以往裡面丟。員工抗拒叫人的問題，主管不會用叫人的問題，組織跟不上也叫人的問題。但「人的問題」不是一個原因，它是一個結果。本書要問的是：人的問題，真正的根因是什麼？

答案不在態度、不在意願、不在聰明與否。答案在大腦的限制。人類大腦處理資訊的能力，從認知科學的角度來看，有一條真實且無法被技術繞過的天花板。當 AI 的輸出速度、決策密度、資訊規模，集體超過這條天花板時，人的問題就會大規模、系統性地出現。不是誰不努力，是大腦沒有被設計來處理這種規模的心智負載。

本書把這條天花板叫做「心智頻寬」（Mental Bandwidth）。它不是一個比喻，是一個可被定義的管理資源：一個人在特定時間內，能夠用來處理判斷、決策與創造性工作的認知容量。跟電腦的記憶體一樣，它有限、有優先級、且一旦耗盡，系統就會開始出錯。

這一章要說明的是：為什麼心智頻寬這個概念，在 2026 年的此刻，比過去任何時候都更值得你關注。

力量一：AI 的輸出速度，正在超越人類的判斷速度

先看一個最基本的數字。2026 年，一個中等規模的企業，導入 AI 工具後，每天產出的報告、建議、警示、決策支援資訊，比以前多了大約四到六倍。不是一倍兩倍，是四到六倍。

這些資訊有一部分是好的，有一部分是噪音，有一部分是錯的。問題不在這裡，問題在於：每一個資訊，都需要一個人來判斷要不要採信、要不要行動、要不要升級。不管 AI 的建議品質多高，最終的判斷責任還是在人身上。這是監管的要求，也是管理的常識：你不能讓機器對自己的輸出負最終責任。

但人的判斷能力不是無限的。認知心理學過去半世紀累積的證據一致指向一個結論：工作記憶的容量極其有限，人腦能同時處理的資訊塊（chunks）大約在三到五個之間。超過這個門檻，判斷品質不是線性下降，是指數級崩潰。不像是車子沒油慢慢停下來，更像是 CPU 過熱強制降頻：看似還在運轉，但底層的決策品質已經大幅偏離正常水準。

這就形成了一個前所未有的剪刀差。AI 的輸出速度以每年數倍的速度成長，人類的判斷速度從認知科學的角度來看，千年來沒有本質變化。這個差距每一年都在擴大，不是以線性的方式，是以指數的方式。當這個差距擴大到某個臨界點，人就不再是「決策者」，而是「蓋章者」：標註著看過但沒有真正判斷，簽了名但沒有真正理解。這不是態度的問題，是大腦被輸入量壓垮之後的必然結果。

力量二：恐懼稅正在悄悄吃掉最稀缺的資源

第二股力量，來自組織內部看不見的心理成本。

本書作者團隊在輔導企業的過程中，反覆觀察到一個現象：員工不敢說 AI 算錯了。原因不是他們看不出來，而是說了之後可能被認為「你比 AI 還懂？」「人家 AI 都建議了你還要想？」「你是在質疑公司買的工具？」。這些對話不一定真的發生過，但光是「擔心它會發生」，就已經佔用了認知資源。

這個現象有一個名字，叫「恐懼稅」。它不是一個情緒問題，是一個認知問題。當一個人花費心力在擔心說了之後的後果，這份心力就不在判斷 AI 的產出正確與否。他的心智頻寬，被恐懼佔用了。

《匱乏經濟學》的作者 Mullainathan 和 Shafir 用大量實驗證明了一個極其重要的機制：匱乏本身會降低認知效能。當一個人覺得時間不夠、資源不夠、選項不夠，大腦會自動把注意力鎖定在匱乏的對象上，耗盡有限的認知資源，導致判斷力進一步下降。貧窮讓人做出更糟的財務決策，不是因為窮人比較笨，是因為貧窮本身就是一個巨大的認知負荷，佔用了做正確決策所需的心智頻寬。Mani 等人（2013）在《Science》發表的研究直接證明了這個機制：印度坦米爾納杜邦的甘蔗農民在收成前最缺錢的時候，認知測驗表現顯著較差，相當於一夜沒睡或 IQ 下降 13 分的差距——不是因為他們變笨了，是因為匱乏佔用了認知資源。

恐懼稅的運作機制完全一樣。不敢說 AI 算錯了，錯誤沒有被修正，主管不信任，用更多監控與報表來管理，更多認知負荷，更不敢說。這是一個正回饋迴路，每轉一圈，可用心智頻寬就少一圈。要打破這個迴路，需要的不是更聰明的員工，而是理解心智頻寬是一項需要保護的資源，而不是提款機。

力量三：向外看的習慣正在取代向內想的能力

第三股力量更根本：人的判斷力本身，正在被 AI 侵蝕。

2025 年，微軟與卡內基美隆大學發表了一篇針對 319 位知識工作者、936 個真實 GenAI 使用案例的研究（Lee et al., CHI'25），結論很直接：對 GenAI 的信心越高，批判思考的投入就越低。GenAI 把思考從資訊蒐集轉向資訊驗證、從問題解決轉向 AI 回應的整合：人正在從「做決定」的位置，慢慢移到「監督決定」的位置。

監督本身是極其耗神的工作。人類不擅長長時間監控自動化系統，這個教訓在航空業已經被用幾十條人命驗證過了。NTSB 調查 Uber 自駕車 2018 年 Tempe 致命事故時發現，安全駕駛在整趟車程中有 34% 的時間在低頭看手機，視線完全偏離道路。NTSB 報告結論寫得很白：「人類極不擅長監控自動化系統。」

把這個教訓搬進企業決策室，情況不會更好。當 AI 幫主管做了摘要、提了建議、標了重點，主管要做的事從「讀完整份報告然後下判斷」變成了「掃一眼 AI 摘要然後說好或不好」。前者用的是完整的閱讀與推理能力，後者用的是校對能力。兩種能力鍛鍊的大腦區域完全不同。長此以往，人的判斷力不是沒有退路，是真的會萎縮。

HBR 在 2026 年 8 月的封面故事《AI is Undermining Leaders' Judgment》把這件事推到最前面：判斷力正成為企業競爭差異化的關鍵能力，但它同時正在被 AI 侵蝕。當最稀缺的能力同時被最常用的工具削弱，這不是效率問題，是結構性風險。

本書把這三股力量疊加在一起：AI 輸出速度超越人類判斷速度、恐懼稅吃掉可用心智頻寬、判斷力本身正在萎縮。每一條單獨看，都是管理問題。三條同時發生、互相強化，它就不是問題，是瓶頸。這個瓶頸叫做心智頻寬。它不是未來會發生的，是現在已經在發生的。只是多數企業把它裝進「人的問題」這個垃圾桶，沒有意識到它有一個名字、一種結構、一條因果鏈。

接下來的章節，本書會先把這條因果鏈拆開來看：心智頻寬到底是什麼、它如何被佔用、被吃掉的頻寬去了哪裡。然後對照那些一直存在、但 AI 讓它更痛的管理老問題，最後給出一條可行的出路。

第二章 心智頻寬是什麼

水庫模型

第一章說明了三股力量正在同時壓縮人類在 AI 時代的認知空間。但「心智頻寬」這個詞，目前是一個隱喻多過一個概念。要讓它變成可管理的參數，必須先把它定義清楚。

這一章要做的，就是把心智頻寬從隱喻變成模型。

水庫模型

想像一座水庫。水庫的總蓄水量由壩體高度決定，那是硬體限制，不是靠管理可以改變的。每年進水量由降雨決定，這是外部輸入。真正可用的水，是水庫裡扣除了泥沙淤積、蒸發損失、和下游基本放流之後，還能自由調度的部分。

人類大腦的認知系統，結構上非常接近這座水庫。它有四個層級，彼此之間是因果關係：

這條鏈的每一層都是下一層的必要條件。沒有認知超載，就不會大幅消耗頻寬；頻寬沒有見底，注意力不會窄化。反過來說，要解決注意力窄化的問題，你不能只在第四層下手（「請大家專心一點」），必須往上游找原因：頻寬為什麼不夠？負荷為什麼超標？

心智頻寬的三大消耗源

水庫的可用水量不是一天被抽乾的。它有三條主要的消耗管道。

消耗源一：判斷本身。做決定是認知科學裡公認最耗能的大腦活動。不是體力活，但比體力活更容易讓大腦疲勞。當 AI 把「需要判斷的數量」乘以四到六倍，每一份判斷都在消耗頻寬。

消耗源二：恐懼與不安全感。這是最容易被低估的消耗源。擔心說錯話、擔心被認為跟不上、擔心 AI 取代自己：這些擔心不是閒著沒事想太多，是大腦被迫同時處理多條「安全威脅」線程。每一條都在吃資源。前文提到的恐懼稅，本質上就是心智頻寬的隱性支出。

消耗源三：多工切換。人類大腦不是 CPU，不能同時處理多個任務。所謂的多工，是不斷地在任務之間切換，每次切換都有成本。心理學家 Gloria Mark 長期追蹤發現，被中斷後回到原本的工作狀態，平均需要 15 到 23 分鐘才能恢復到同樣的專注水準。當一個人每天在中斷與回復之間循環二十次，他的有效頻寬不是被切分，是被吞噬。

正回饋迴路：頻寬越少，判斷越差，越需要 AI，頻寬越少

水庫模型的核心洞見不在於四層因果鏈本身，而在於這條鏈會自己強化。

當可用頻寬降低，判斷力跟著下降。判斷力下降，人就更傾向依賴 AI 的建議。更依賴 AI，代表更少的獨立判斷練習，判斷力進一步萎縮。同時，AI 輸出更多建議需要判斷，又增加了認知負荷。這是一個完整封閉的正回饋迴路。本書把這個迴路叫做「心智頻寬詛咒」：因為匱乏而做出讓匱乏更嚴重的決定。

為什麼是「頻寬」不是「時間」

管理學過去在談資源限制時，習慣談時間。時間不夠，所以需要 prioritization，需要 AI 來加速。但時間與頻寬不是同一件事。一個人有八小時的工作時間，不等於他有八小時的判斷頻寬。頻寬可能在前兩小時就用完了，剩下的六小時只是在處理低認知負荷的例行公事，或更糟：在認知疲勞的狀態下做出重大決策。

時間可以被排程；頻寬不行。時間可以靠加班擴張；頻寬越加班越低。時間可以切割分配；頻寬的任何切割都是損耗。這三個差異，使得「心智頻寬」比「時間管理」更接近 AI 時代管理問題的本質。

McKinsey 在 2026 年 8 月的訪談中，Kate Smaje 觀察到一個她自己都覺得反直覺的現象：AI 重度用戶的認知負荷不但沒有下降，反而上升了。原因是當 AI 拿走了例行工作，留下來的事全是需要真實判斷、困難對話、情緒投入的工作。AI 沒有減輕認知負荷，它把認知負荷往更高層次集中了。這正是水庫模型的一個預測：當進水量（AI 輸出）增加而壩高（認知邊界）不變，可用頻寬必然被壓縮，而且被壓縮的恰好是最需要頻寬的高階判斷。

第三章 那些一直在、但 AI 讓它更痛的管理問題

水庫模型給了我們一個新的視角來看待組織裡的管理問題。那些問題沒有一個是新的，它們在管理學教科書裡躺了幾十年甚至上百年。但它們一直被容忍，因為在過去的節奏下，它們造成的傷害是漸進的、累積的、可以用人和時間去補的。

AI 改變的不是問題的性質，是問題的加速度。當 AI 把輸出量、決策密度、錯誤傳播速度全部放大一個數量級以後，原本可以慢慢修的問題，變成了現在就會爆炸的問題。

第一個老問題：基本歸因謬誤

社會心理學有一個被反覆驗證的現象：人傾向把自己的失誤歸因於環境，把別人的失誤歸因於人格。我遲到是因為塞車，你遲到是因為不負責任。我決策錯誤是因為資訊不足，你決策錯誤是因為判斷力差。這個偏誤叫做「基本歸因謬誤」，心理學家 Lee Ross 在 1977 年給了它這個名字，但它存在的歷史比名字久得多。

在管理場景中，這個偏誤的殺傷力不在於主管判斷錯了某個人，在於它系統性地把流程問題轉嫁成個人責任。戴明（W. Edwards Deming）在他職業生涯後期反覆強調一個數字：組織中大約 94% 的問題源於系統與流程的設計缺陷，只有大約 6% 可歸因於個人。換句話說，管理層花了 94% 的時間在追究那 6% 的個人責任，而真正該被處理的系統問題，一直被擱置。

AI 時代把這個錯置的成本一下子拉高。當 agent 開始自主決策、自主行動、自主犯錯，基本歸因謬誤的對象不再只是人類員工，還包括數位員工。一個 agent 出錯，是 agent 設計不良，還是當初把任務拆給它的流程有問題？是訓練資料不夠，還是人機分工的介面協議沒寫清楚？如果用「這台機器不好用」來歸因，就像用「這個人不夠努力」來歸因一樣，都是在繞過真正的系統問題。

水庫模型在這裡解釋了一個更深層的機制：基本歸因謬誤本身也消耗心智頻寬。當一個主管把大量認知資源花在「判斷這是誰的錯」而不是「問題出在哪裡」，開會時花時間究責而不是分析，那些時間和心力，本來可以用來解決問題。歸因偏誤不只是判斷錯誤，它是頻寬的浪費。

第二個老問題：恐懼稅

恐懼稅的概念在第一章已經提過：員工不敢說 AI 算錯了，因為擔心說了之後的後果。但這個問題不是 AI 時代才有的。在任何組織裡，員工不敢向主管反映問題，都是一個經典的管理困境。哈佛商學院教授艾德蒙森（Amy Edmondson）在 1999 年提出的「心理安全感」概念，正是在回答這個問題：為什麼有些團隊的成員敢說真話，有些不敢？她的研究發現，心理安全感是高效能團隊的最強預測因子，比成員的個人能力更重要。

心理安全感的問題過去也存在，但它的代價是可計算的。一個不敢說真話的團隊，錯誤被隱藏、改善被延遲、問題滾成危機。這些代價很大，但它們有時間差：隱瞞的錯誤不會立刻爆炸，它先累積。

AI 時代把這個時間差壓縮到幾乎為零。當 AI agent 可以在幾秒鐘內做出一個錯誤決策，把這個決策寫進生產系統，影響到幾百個客戶，那麼「員工發現錯誤後猶豫要不要說的五分鐘」，可能就是組織承受重大損失的五分鐘。恐懼稅的單位時間成本，被 AI 的執行速度放大了幾個數量級。

用第二章的水庫模型來看，恐懼稅佔用的是「可用頻寬」那個層級。員工花在擔心後果的心力，就是水庫裡的泥沙淤積。水庫的總容量沒有變，但可用水量在減少。而且這裡有一個回饋機制跟水庫模型一模一樣：越恐懼，越不敢說；越不敢說，錯誤越多；錯誤越多，主管越不信任；越不信任，越用監控和報表來管理；越多的監控和報表，越多的認知負荷；越多的認知負荷，越少的可用頻寬。每一圈都在加深恐懼稅。

第三個老問題：管理真空

當管理者看不見工作現場時，他用什麼來管理？

1810 年代，Robert Owen 在蘇格蘭新蘭納克的工廠給每個工位上方掛一塊四色木塊，顏色代表當天的表現。那是人類最早有記錄的績效可視化嘗試。1954 年，彼得杜拉克提出目標管理（MBO），把績效的衡量從「盯著人」改成「對著目標」。兩者背後是同一條邏輯：人一多、主管看不見，就需要制度來補償。

這條邏輯在過去兩百年來一直成立，因為看不見的對象是人。人會說話、會報告、會開會、會給主管他想要的訊號。但 2026 年，看不見的對象增加了一類：AI agent。Agent 不會主動報告、不會開會、不會在出錯之前舉手說「我覺得不太對」。它只會繼續執行，直到出錯為止。

水庫模型告訴我們，管理真空不只是一個資訊問題，它是一個頻寬問題。當管理者花了大量心力去搞清楚「這到底是不是人做的」、「這個決策是誰下的」、「這台 agent 現在在做什麼」，那些心力本來可以用來做真正的管理判斷。管理真空的本質，是管理者自己的心智頻寬，被「釐清狀況」這件事吃掉了。

第四章 AI 加了新的一層

管理真空 2.0

第一章是外部力量，第二章是內部機制，第三章是老問題的新面目。這一章要把三個層次疊在一起，看它們同時作用時會發生什麼。

疊加效應

單獨看每一條問題線，都有解決方案。認知負荷太高可以減少會議、恐懼稅太高可以建立心理安全感、管理真空可以建立 agent 治理制度。問題在於這三條線不是獨立運作，它們會互相強化。

當 AI 導入速度加快，認知負荷上升，可用頻寬下降。頻寬下降導致判斷品質變差，恐懼稅上升：管理者用更多監控補償，員工用隱瞞錯誤保護自己。恐懼稅吃掉更多頻寬，更多錯誤被隱藏，管理真空擴大：管理者更看不見現場。看不見之後，管理者傾向導入更多 AI 工具來「自動化監控」，更多工具意味著更多輸出需要判斷，認知負荷再次上升。

這不是一個可以靠單點改善解決的問題。減少會議不會讓恐懼稅消失，心理安全感訓練不會降低認知負荷，導入 agent 治理制度不會自動補回被吃掉的頻寬。這三條線形成了一個封閉系統，每一條線的惡化都會加速其他兩條線的惡化。

管理真空 2.0

經過第二章的水庫模型和第三章的老問題分析，管理真空的概念可以升級了。它不是舊制度失效的問題，它是三層真空的同時出現：

三層真空同時存在，而且每一層都在消耗下一層本來就不夠的資源。資訊真空迫使管理者花更多心力去查資料，進一步減少可用於判斷的心智頻寬；判斷真空讓歸屬更加模糊，因為連事實都沒搞清楚，責任當然分不清楚；歸屬真空又反過來增加恐懼稅：大家怕被究責，更不敢揭露問題。

加速器：19 世紀的思維遇到 21 世紀的工具

巴哈姆特創作平台有一篇管理文章，開頭描述了一個場景：主管在群組裡對常態性出錯的員工說：「是不是覺得工作量太少，才會一直犯錯？」這句話在台灣的職場群組裡，幾乎每個人都見過類似的版本。它反映的是一種根深蒂固的管理慣性：用羞辱取代分析，用究責取代根因。

這不是某個主管個人修養的問題。這個思維模式的根源，可以追溯到工業革命早期的管理假設：工人是懶惰的、需要被監控、需要用懲罰來驅動。管理學家麥格雷戈在 1960 年代把這個假設叫做 X 理論。半個多世紀過去，X 理論式的管理在組織中不僅沒有消失，反而在 AI 時代找到了新的用武之地：連機器都可以監控了。

問題是，AI 時代的管理問題，需要的不是更多的監控，而是更多的分析。agent 為什麼出錯？是訓練資料偏誤，是任務拆解不當，是回歸測試沒跑，還是介面協議的漏洞？這些問題沒有一個是靠「你是不是太閒」可以回答的。它們需要的是戴明的系統思維、豐田的五個為什麼、高可靠性組織的失敗敏感度：全部都是 19 世紀 X 理論的完全反面。

這就形成了一個荒謬的落差。管理層的大腦還停留在工業革命的究責邏輯，但他們管理的對象，已經進化到 AI agent 這種需要系統分析才能理解的複雜適應系統。這個落差，就是管理真空 2.0 的真正根源。不是工具太新，是大腦太舊。

判斷力萎縮加劇管理真空

真空的本質是「看不見」。當主管看不見現場，他需要靠抽象能力來管理：從數據推斷趨勢、從報告判斷狀況、從例外找出系統問題。這些全部都是高階認知活動，需要大量的心智頻寬。

但判斷力萎縮的迴路，正在精準地削弱這些能力。AI 幫主管做了摘要、提了建議、標了重點，主管的大腦習慣了「閱讀摘要」而非「閱讀全文」、習慣了「確認」而非「判斷」、習慣了「監督」而非「推理」。習慣之後，那些高階認知活動的神經連結就會開始弱化。

當主管因為判斷力萎縮而更難從抽象數據中看出問題，他就更需要「親眼看見」才能管理。但管理真空讓他看不見。這是一個雙重束縛：看不見現場，又失去了從抽象數據推理現場的能力。被夾在這兩層之間的管理者，唯一的選擇就是加大監控力度：更多報表、更多儀表板、更多會議，然後把更多的認知負荷灌進一個已經見底的水庫。

這就是管理真空 2.0 最殘酷的機制。它不是一個靜態的缺口，它是一個會自己加速的過程。越管，越真空。

第五章 解方初探

把心智頻寬當成管理資源

前面四章做的事情，可以用一句話總結：我們把「人的問題」這個垃圾桶打開，發現裡面裝的東西有一個共同的名字，叫心智頻寬。

如果這個診斷是對的，接下來的問題很自然：那怎麼辦？

本書不是一本操作手冊。心智頻寬作為一個管理概念還很年輕，目前沒有標準答案。但我們可以給出幾條經過自身營運驗證的方向，以及一個可以測試的框架。

方向一：把心智頻寬可視化

任何管理問題的第一步都是測量。你不能管理你無法測量的東西。心智頻寬目前沒有一個儀表板直接告訴你「團隊今天剩下多少頻寬」，但你可以用替代指標來推估。

榕耀管顧在內部嘗試了三個簡單的替代指標：

替代指標一：中斷次數。一個人在一天內被非自主中斷的次數（即時通訊、臨時會議、緊急插單）。中斷越多次，可用頻寬越低。

替代指標二：判斷密度。一個人在一天內需要做「需要停下來想一下」的決策次數，對比他有時間靜下來想的次數。當判斷需求持續大於判斷時間，頻寬就是負值。

替代指標三：錯誤來源歸因。出現錯誤時，歸因於認知疲勞（忘記了、看漏了、搞混了）的比例。當這個比例持續偏高，代表系統在消耗心智頻寬。

方向二：用制度保護頻寬，不是用工具壓榨更多

多數企業面對「效率不夠」時，直覺反應是導入更多工具來加速。但工具加速輸出，輸出增加需要更多判斷，判斷需要頻寬，頻寬已經見底。

減少判斷數量比加速判斷更重要。不是每件事都需要人類判斷。區分出需要人類判斷的節點與可以被自動化的節點，讓 AI 協助的對象從「幫人加速」變成「幫人過濾」。

建立「判斷免責區」。給特定類型的決策設置判斷免責區：在這區內的錯誤不會被追究個人責任，只會被分析系統原因。這個機制在校園裡叫「學習」，在醫院裡叫「 morbidity and mortality conference 」，在企業裡叫「事後檢討但沒有人被罵」。

固定頻寬保護時段。每天固定兩小時的「零中斷時段」，沒有會議、沒有即時通訊、沒有插單。這兩小時留給需要深度判斷的工作。

方向三：重新設計人機分工

目前多數 AI 導入的出發點是「AI 能幫人做什麼」。這個問題假設 AI 的價值在於取代重複性工作，讓人類專注於更有價值的事。這個假設在理論上成立，在實務上卻經常產生反效果，因為「更有價值的事」通常等於「更耗費判斷力的高階認知活動」，而這些活動消耗頻寬的速度比例行工作快得多。

轉換出發點：從「AI 能幫人做什麼」改成「人類的頻寬應該花在哪裡」。每一個 AI 導入決策前，先問：這個 AI 是在減少人類的判斷負荷，還是在增加？是在過濾需要人類判斷的事項，還是把更多未經篩選的資訊推給人類？是在保護頻寬，還是在消耗頻寬？

榕耀管顧的自身實踐

本書作者團隊不是紙上談兵。2026 年 7 月，榕耀管顧因為 31 個 agent 同時運作、無人盤點、無人負責，經歷了一次對外服務中斷事件。從那之後，團隊開始建立 agent 管理制度，這個過程本身就是在心智頻寬框架下的實驗。

實踐之一是每月一次的全體月檢。盤點所有 agent 數量、狀態、owner、錯誤記錄。這是一個保護頻寬的制度：不是等出事再花三天查明狀況，而是固定花兩小時把狀況搞清楚。

實踐之二是事故教訓庫。每次異常發生後，記錄原因與制度改善建議，而不是追究個人。這是在降低恐懼稅：當團隊知道「寫進教訓庫是為了改善制度，不是為了揪出誰」，他們更願意主動揭露問題。

實踐之三是 31 個 agent 全數歸屬到 owner，每個 owner 對自己管理的 agent 有明確的責任歸屬。這是在減少管理真空：不是靠更貴的監控工具，而是靠明確的歸屬制度。

附錄：五個還沒有答案的問題

本書在每一章的結尾都留下了一些問題。不是修辭，是真的沒有答案。這份附錄把它們集中在一起，誠實告訴讀者：我們知道這些問題正在發生，但我們還沒有答案。

問題一：心智頻寬能透過訓練擴張嗎？

水庫模型把認知邊界定義為硬體限制，但這是真正的邊界嗎？一部分研究顯示，正念冥想和認知訓練可以改善注意力控制和工作記憶的運用效率，但沒有證據顯示它們能「增加」總容量。更像是讓水庫的調度更有效率，而不是把壩體加高。

目前觀察：頻寬的使用效率可以提升，但總容量似乎有天花板。不知道的是：這個天花板是固定不變的，還是可以被長期的認知訓練打破。

問題二：AI 什麼時候會從頻寬消耗者變成頻寬管理者？

理論上，AI 可以是頻寬的管理者：幫人類過濾資訊、優先排序、決定什麼值得判斷。但目前多數 AI 系統的設計邏輯是「輸出最大化」而不是「判斷最小化」。需要從產品設計層面重新思考 AI 的價值目標。

目前觀察：有少數 AI 工具開始嘗試「判斷優先」設計，但還不是主流。不知道的是：市場需要多久才會從「AI 能多做什麼」轉向「AI 能少做什麼」。

問題三：恐懼稅能被制度完全消除嗎？

一定的緊張感對績效是有幫助的。問題在於那條線在哪裡：多少恐懼是健康的，多少開始吃頻寬。

目前觀察：恐懼稅在高度監控的環境中最嚴重。不知道的是：判斷免責區的最佳範圍和規模。

問題四：管理真空會隨 agent 數量呈線性成長還是指數成長？

這個問題對企業的資源配置有直接影響。如果是指數成長，那企業在 agent 數量突破某個門檻時，就必須在制度上做出根本性的調整，而不是漸進改善。

目前觀察：管理複雜度在 agent 超過一定數量後似乎是超線性成長。不知道的是：這個門檻值是多少。

問題五：頻寬保護制度在業績壓力下能撐多久？

頻寬保護措施在組織運行平穩時相對容易推動。但在業績壓力大的時候，往往是第一個被犧牲的。沒有外部監管者，自願性的管理制度能持續多久？

以上五題，2026 年 9 月，尚無答案。本書給的是管理框架，不是預言或標準答案。我們會持續追蹤，後續進展會在榕耀管顧研究專刊系列（或榕賀觀點電子報）更新。