心智頻寬詛咒

你的團隊心智頻寬，還夠用嗎？

過去兩年，我在輔導企業的過程中反覆看到一個共通現象：導入 AI 越積極的團隊，主管越疲勞。不是他們不認真，是大腦有物理限制。這個限制叫做「心智頻寬」（Mental Bandwidth）——一個人在特定時間內，能用來處理判斷、決策與創造性工作的認知容量。跟手機的 RAM 一樣，就那麼大，用完就是會卡、會當機、會失誤，跟努力無關。

2026 年的此刻之所以關鍵，是因為三股力量同時疊加，把這個現象從「管理困擾」升級成了「結構性風險」。

三股力量同時疊加

力量一：AI 輸出速度超越人類判斷速度。導入 AI 後，團隊每天收到的報告、建議、警示比以前多了四到六倍。每個資訊都需要一個人判斷要不要採信、要不要行動、要不要升級。McKinsey 的 Kate Smaje 自己坦承：AI 重度用戶的認知負荷反而上升——因為例行工作被拿掉後，留下來的全是需要真實判斷、困難對話、情緒投入的工作，這些最消耗頻寬。

這形成了一個前所未有的剪刀差：AI 輸出速度每年數倍成長，人類判斷速度千年來沒有本質變化。當差距擴大到臨界點，人就不再是「決策者」，而是「蓋章者」——簽了名但沒有真正判斷。

力量二：恐懼稅吃掉最稀缺的資源。員工不敢說 AI 算錯了。不是看不出來，是擔心說了之後被認為「你比 AI 還懂？」。光是「擔心它會發生」，就佔用了認知資源。《匱乏經濟學》的 Mullainathan 和 Shafir 證明了匱乏本身會降低認知效能——印度甘蔗農民在收成前最缺錢的時候，認知測驗表現相當於 IQ 下降 13 分。恐懼稅的運作機制完全一樣：不敢說 → 錯誤沒修正 → 主管不信任 → 更多監控 → 更多認知負荷 → 更不敢說。每轉一圈，可用頻寬就少一圈。

力量三：判斷力本身正在萎縮。微軟與 CMU（Lee et al., CHI'25）追蹤 319 位知識工作者發現：對 GenAI 信心越高，批判性思考投入就越低。NTSB 調查 Uber 2018 年 Tempe 致命事故時發現，安全駕駛 34% 的時間在低頭看手機。結論：「人類極不擅長監控自動化系統。」當主管從「閱讀全文再判斷」變成「掃一眼 AI 摘要然後確認」，高階推理的神經連結就會弱化。

水庫模型：心智頻寬的四層因果鏈

三股力量合力壓縮的是同一個東西：可用心智頻寬。為了說清楚它如何運作，我在白皮書中提出了「水庫模型」——把大腦認知系統比擬為一座水庫：

這條鏈最關鍵的洞見不是四層結構本身，而是它會自己加速：當可用頻寬降低，判斷力跟著下降；判斷力下降，人更依賴 AI；更依賴 AI，更少獨立判斷練習，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。本書把這個自加速的封閉迴路叫做「心智頻寬詛咒」。

三條老問題，AI 讓它們同時爆炸

水庫模型幫我們用新視角看三條經典的管理問題，它們沒有一條是新的，但 AI 改變了它們的加速度：

基本歸因謬誤——系統問題被轉嫁成個人責任。AI 時代歸因對象擴張到 agent：一個 agent 出錯，是設計不良還是流程問題？94% 的組織問題來自系統設計缺陷（Deming），但在頻寬見底時，管理者最容易走捷徑——究責比分析省力。

恐懼稅——過去不敢說真話的代價有時間差，錯誤可以慢慢累積。但現在 AI agent 可以在幾秒內把錯誤寫進生產系統，影響幾百個客戶。恐懼稅的單位時間成本被放大了一個數量級。

管理真空 2.0——當 AI agent 不開會、不報告、不在出錯前舉手，管理者面對的不再只是看不見的人，還有看不見的 agent。更糟的是，管理真空有三層：資訊真空（不知道 agent 在做什麼）→ 判斷真空（沒有頻寬去判斷資訊的意義）→ 歸屬真空（出事了不知道該算誰的）。三層同時存在，每一層都在消耗下一層本來就不夠的資源。

三個可行的方向

白皮書第五章提出了三個經過榕耀管顧自身營運驗證的方向：

方向一：把頻寬可視化。用三個替代指標推估——中斷次數（被即時通訊或臨時會議打斷的頻率）、判斷密度（每天重大決策數量 vs. 安靜思考時間）、錯誤來源歸因（多少錯誤來自認知疲勞）。不需要軟體，只看管理者願不願意把頻寬放進管理會議。

方向二：用制度保護頻寬。減少判斷數量比加速判斷更重要——讓 AI 過濾而不是幫人生產更多選項。建立「判斷免責區」，特定決策的錯誤只分析系統原因、不究責個人。每天留兩小時零中斷時段給深度判斷。

方向三：重新設計人機分工。把出發點從「AI 能幫人做什麼」改成「人類的頻寬該花在哪裡」。每個 AI 導入決策前先問：這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，還是在推更多資訊出來？