谁定方向，谁来干活：一动一静由什么决定

团队里常能听到 leader 这样说：“方向我得自己盯着。放手让他们做，要么没人推，要么推歪了。”在 leader 眼里，成员的主观能动性好像总比自己弱一点，方向感也差一点，于是团队自然分成两种角色：一个人定方向，其他人执行。

最近用 AI 写代码、写文档，我们发现自己也站进了同一个位置。我们说要做什么、往哪改，AI 负责把活干完；它很少自己决定“下一步该做什么”，我们也不太敢让它决定。

一边动，一边静。这种分工是怎么来的？最直接的答案是谁更聪明谁来定方向，可这经不起推敲：AI 在很多测试里已经比人强，方向却还是人在定；团队里技术比 leader 好的成员也不少见，照样在执行的位置上。直觉上，它更像是由“关系”决定的。那关系又是由什么构成的？管理学、组织经济学和人机协作领域其实都研究过这个问题，我们顺着它们往下走。

一、能力的解释力

第一种解释：谁更聪明，谁定方向

最先想到的解释是能力差异：leader 能看到更远的地方，所以由他来定方向。这个说法有多少证据？

Judge 等人 2004 年汇总了 151 个独立样本，智力和领导力（被选为领导、被评价为有效的领导）的相关系数，校正后是 0.27¹。相关系数平方以后约等于 7%，也就是说，谁在领导位置上、谁被认为领导得好，九成以上的差异和智力无关。同一篇研究还发现，用“别人觉得他聪明”来算，相关比用智力测验分数更高：谁看起来能干，比谁真的能干，更影响谁被当成领导。

更有意思的是 Antonakis 等人 2017 年的研究。他们调查了七家跨国公司的 379 名中层管理者，由下属评价领导行为，发现领导效果随智力先升后降，最优点大约比团队平均水平高 1.2 个标准差²。领导比团队聪明太多，反而被认为不会带人：他提的方案下属跟不上，他也不太理解下属卡在哪。

AI 这边的证据更直接。Anthropic 2026 年统计了 Claude Code 的真实使用：模型在一轮里能独立工作的时长随着版本稳步增长，但用户实际交给它的自主，明显少于它能承担的。他们把这个差距叫作“部署悬空”（deployment overhang）³。能力已经在那里了，方向权并没有跟着过去。

能力和“谁说了算”之间的三组证据

研究	发现	说明了什么
Judge 等，2004	智力与领导力相关 0.27，感知到的智力相关更高	能力只解释一小部分
Antonakis 等，2017	领导效果随智力先升后降，最优约高出团队 1.2 个标准差	差距太大反而不好带
Anthropic，2026	模型能独立工作的时长持续变长，用户放出去的自主没跟上	能力到了，权没跟过去

图 1 · 能力像一道门槛：低于它，确实没法让对方定方向；越过它以后，谁定方向就不再由能力决定

所以能力更像一道门槛，而不是分工的原因。那方向权到底跟着什么走？

二、方向权的来源

谁为结果负责

先看经济学怎么解释“为什么有人听另一个人安排”。Simon 1951 年用一个模型描述雇佣关系：雇员和雇主约定的不是“做哪件具体的事”，而是“在一定范围内，听你安排”⁴。雇员愿意接受，是因为在这个范围里做 A 还是做 B，对他差别不大，对雇主差别却很大，结果最终落在雇主身上。

Alchian 和 Demsetz 1972 年接着问：一群人一起干活，谁来监督、谁来定方向？他们的回答是对结果兜底的那个人，也就是“剩余索取人”：团队产出扣掉每个人的报酬后，盈亏都归他，他最有动力把方向看准⁵。

放到今天的团队里，剩余索取人不一定是老板，但逻辑没变：项目目标记在 leader 名下，线上出了事故先问 leader。**方向权的第一个来源，是后果落在谁身上。**成员不去想方向，很多时候不是想不到，而是方向错了的代价不由他承担，他也就没有理由花力气去想。

谁掌握信息

不过，“有权拍板”不等于“实际说了算”。Aghion 和 Tirole 1997 年把两者分开：形式权威是有权做决定，实际权威是对决定的实际控制⁶。上级手里有形式权威，但如果他不了解情况而下属了解，下属提的方案他多半只能照办，实际权威就落在了下属手里。谁掌握信息，谁就有实际权威。

后果和信息是两件可以分开的事。把它们交叉，会得到四种格局。下面这张图是我们对上面几项研究的归纳，不是某篇论文里的原图：

图 2 · 方向权由两件事决定：后果落在谁身上，情况谁更清楚。我们说的“一动一静”只是其中一格

我们平常说的“leader 定方向、成员执行”，只是左上那一格：后果在上级，信息也在上级。真正别扭的是右上那一格：上级背着结果，信息却在成员手里。

第一次尝试：上级多盯一点

在右上那一格，上级最直觉的做法是多过问、多推翻，把实际权威收回来。Aghion 和 Tirole 推出了这样做的代价：下属知道自己的方案随时可能被推翻，花力气去收集信息、想方案的回报就变低了，于是他少想一点⁶。上级拿回了控制，换来的是下属主动性下降。论文把这当作一个基本取舍：给下属更多实际权威，能促进主动性，但上级会失去控制。

这就碰到了开头的现象：leader 看到的“主观能动性弱”，会不会有一部分是他自己的做法带出来的？

三、“静”的形成

现象：换一个上级，人就变了

很多人都见过这样的事：同一个工程师，在一个 leader 手下主动提方案、追问需求，换到另一个 leader 手下，就变成了等任务、照做。人没有变，变的是他和上级之间的关系。

原因：失败预设循环

Manzoni 和 Barsoux 花了十年观察上下级关系，在 1998 年的《哈佛商业评论》里给这种现象起了一个名字：失败预设综合征（set-up-to-fail syndrome）⁷。上级一旦把某个下属归为“比较弱”，就会对他管得更细，而这种管法会让下属退缩，最后表现得正像上级以为的那样。

图 3 · 失败预设循环（Manzoni & Barsoux）：上级对成员的判断，会通过他自己的做法变成事实

这个循环里没有坏人。上级收紧控制是在降低风险，成员少提方案是在保护自己：方案多半会被改，出错还要担责，等指令显然更划算。这正好是 Aghion 和 Tirole 推出的那个反应，只不过在这里它会自我强化，因为上级看到的结果又成了收紧控制的理由。

期望本身就在起作用

循环的起点是上级的判断。这个判断甚至不需要有依据。Eden 和 Shani 1982 年在以色列国防军的一个训练营里做过实验：教官被告知部分学员“指挥潜力很高”，名单其实是随机抽的。到训练结束时，这些学员的成绩明显好于其他人⁸。没有人有意偏心，期望是通过教官怎么提问、给多少反馈、交给谁更难的任务传过去的。

更早一些，McGregor 1960 年就把管理者分成两种假设：X 理论认为人天生不愿干活，必须监督；Y 理论认为人在合适的条件下会主动承担责任⁹。他的要点是，假设决定管理方式，管理方式又会制造出符合假设的行为。后来的自我决定理论用实验和调查把这一点说得更具体：逐条检查、靠奖惩推动的控制性管理，会削弱人的内在动机；给出理由、留出选择余地的管理，会加强它¹⁰。

领导—成员交换理论（LMX）补上了最后一块：同一个 leader 和不同成员的关系质量并不一样，关系好的成员得到更多信息、更多自由，关系一般的成员只拿到任务¹¹。这又回到了第二节的信息轴：拿不到信息的人，本来就只能执行。

到这里可以回应开头的直觉了：一动一静确实不只是两个人各自的特质，而是关系的一种稳定状态，并且这种状态会自己维持下去。既然会自己维持，它又怎样才能移动？

四、关系的移动

放权就是承担风险

Mayer 等人 1995 年给信任下过一个被广泛引用的定义：信任是愿意让自己暴露在对方行为带来的风险之下；这份意愿取决于对方的能力、善意和正直¹²。按这个定义，放权就是承担风险。上级不放权，不一定是觉得成员不行，更常见的是两种顾虑：出了事我兜不住，或者我没法知道他做得对不对。前一种关于后果，后一种关于验证成本。

第一次尝试：一次性放手

最常见的做法是某天决定“这块全交给你”，出了一次问题又全部收回，关系在两头来回摆。问题在于放权的粒度太粗：一件事要么全管，要么全不管，中间没有让信任慢慢积累的台阶。

解决：三个方向同时松动

前面找到的三样东西，正好对应三个可以动手的地方：

**先放可逆的事。**后果小、能撤回的决定先交出去，让对方有机会积累记录。这是在后果轴上移动。
**把信息交出去。**让成员看到客户、上级和其他团队的约束，实际权威会自然往他那边移。这是在信息轴上移动。
**把逐项审批改成约定的检查点和随时介入。**这样既降低了验证成本，又不会让每一步都可能被推翻，循环的第 ② 步就松开了。

这三件事在团队管理里并不新鲜。有意思的是，它们在人和 AI 之间几乎原样出现了一遍。

五、人和 AI 之间的同一个结构

六十多年前的分工

1960 年，Licklider 在《人机共生》里设想过人和计算机的分工：人设定目标、提出假设、确定标准、做出评估；计算机做那些为洞察和决策铺路的例行工作¹³。这几乎就是今天“人定方向、AI 干活”的原型。他当时的理由是能力：机器只能做例行的事。今天这个理由已经弱了很多，分工却还在。按第二节的两条轴再看一遍，原因就清楚了。

**后果。**AI 不能为结果负责：出了事故，承担后果的是用它的人和他所在的组织。所以在图 2 里，人和 AI 的关系只会落在上面一行，AI 永远不是剩余索取人。

**信息。**每次对话开始，AI 对我们的目标、偏好和团队约束几乎一无所知。Anthropic 的统计里，人打断 Claude 最常见的原因正是补上下文或纠正方向，占 32%³。这和 Aghion–Tirole 说的一样：谁有信息，谁就有实际权威。

自主度是设计出来的

Feng 等人 2025 年按“人在其中扮演什么角色”把 AI 智能体的自主度分成五级：操作者、协作者、顾问、审批者、观察者¹⁴。他们特意强调，自主度是可以独立于能力来设计的属性：同一个模型，可以做成每步都问人的工具，也可以做成只在高风险时找人的代理。这和第一节的结论是同一件事，从工程一侧说了出来。

图 4 · 自主度是按人的角色分级的，和团队里放权的台阶几乎一一对应；同一个用户会随着经验往上走

关系在移动，而且两边都在动

Anthropic 的数据还显示了关系随时间怎样变化。Claude Code 的新用户（少于 50 次会话）大约 20% 的会话开着全自动批准，用到 750 次以上时超过 40%；但同一时期，打断 Claude 的比例也从约 5% 升到约 9%³。老用户不是撒手不管，而是从逐条审批变成了盯着看、必要时介入，也就是第四节的第三个动作。报告的作者把这总结为：有效的监督不需要批准每个动作，而是要在关键时刻能介入。

“静”的一方也在动。在复杂任务上，Claude 主动停下来问人的次数，比简单任务多一倍以上，也比人打断它的次数多；它停下来最常见的原因，是给出几种做法让人选（35%）。也就是说，AI 在主动把方向性的决定交回给人。报告作者的说法是：智能体实际行使的自主，是模型、用户和产品共同构建出来的。这几乎就是“关系决定”的另一种表述。

使用者的整体趋势也值得一看。Anthropic 经济指数 2025 年 9 月的报告里，Claude.ai 上“指令式”对话（把整件事交出去、很少来回）从 2024 年底的 27% 升到了 39%；但按国家比较，人均使用越多的地方，越偏向来回协作，而不是整件交出去¹⁵。用得越多的人，关系不是更像“老板和执行者”，而是更像协作者。

AI 版本的失败预设循环

既然结构相同，第三节的循环在人和 AI 之间大概也存在。下面这一段是我们的类比推断，还没有看到专门的实证研究：给 AI 的上下文很少，它做偏了；我们觉得它不靠谱，于是只给更小、更具体的指令；它更看不到全局，也就更难做对。打破的办法和团队里一样，先把信息交出去。

还有一个反方向的风险。Bainbridge 1983 年的《自动化的反讽》指出，只做监督的人会渐渐失去动手能力，而判断机器做得对不对，恰恰需要这种能力¹⁶。如果我们只定方向、不再动手，验证 AI 的成本会越来越高，这又会把关系往“管得更细”那边推。

团队里和人与 AI 之间，决定一动一静的几样东西

决定因素	团队里	人和 AI
后果归谁	主要在 leader，成员可以分担一部分	只能在人
信息在谁	leader 看得宽，成员看得深	人有目标和约束，AI 读得到代码和资料
怎么验证	检查点、代码评审、看结果	审批每一步，或盯着看、随时打断
会不会自我强化	会：失败预设循环、期望效应	大概会：上下文少 → 做偏 → 管得更细（推断）
怎样松动	先放可逆的事，把信息交出去，把审批改成介入

图 5 · 两种关系的差别只在第一行：团队里后果可以分出去，AI 那边不行

六、回到开头

回到 leader 的那句话：“放手让他们做，要么没人推，要么推歪了。”现在可以把它拆开来看。

“没人推”，一部分是因为后果不在成员身上，他没有理由去推；一部分是失败预设循环的结果，他推过，被改回来过，于是不再推。“推歪了”，往往是因为成员手里没有 leader 掌握的那些信息：客户真正要什么，老板在意什么，别的团队在做什么。这两件事都不是智商问题，而是后果和信息的分布问题，再加上一个会自我维持的循环。

对 AI 也是一样。我们觉得 AI 需要人来把方向，主要不是因为它不够聪明，而是因为后果在我们身上，目标和约束在我们脑子里，而验证它做得对不对还要花成本。前两样决定了方向权大概率会一直留在人这边；第三样，加上我们愿意交出去多少信息，决定了 AI 能在台阶上走多高。

所以用户的直觉是对的：一动一静是关系决定的。只是“关系”可以拆得更细：后果落在谁身上，信息在谁手里，验证要花多少成本，以及双方对彼此的期望怎样通过行为变成事实。

小结

一动一静是能力决定的吗？ 只有一小部分。智力和领导力的相关只有 0.27，领导比团队聪明太多反而效果更差，AI 的能力也已经超过了它被放出来的自主。能力是门槛，不是原因。
方向权跟着什么走？ 两样东西：后果落在谁身上（形式权威），情况谁更清楚（实际权威）。“leader 定方向、成员执行”只是四种格局里的一格。
成员的被动从哪来？ 有一部分是关系制造的：上级越容易推翻，下属越不去想；上级的判断会通过收紧控制变成事实；期望本身也会改变表现。
关系怎样移动？ 放权就是承担风险。先放可逆的事，把信息交出去，把逐项审批改成检查点和介入，三条轴一起松动。
人和 AI 是同一个结构吗？ 是，只差一点：后果只能在人这边。所以方向权会留在人手里，而 AI 能走多高，取决于我们交出去多少信息，以及验证它的成本有多低。