管AI,跟管人是同一道理 · Context, not Control

给足背景让AI判断，比写死规则控制AI有效得多

大家好，我是老谭。

上一篇我们拆了组织AI化的第一个坑——"建个知识库"。很多老板留言说，看完确实开始怀疑人生了：花了几十万建的东西，原来方向从第一步就偏了。

那篇结尾我埋了个钩子：管AI和管人，其实是同一道理。今天这篇，我就把这个"理"掰开给各位老板看。

而且我要先告诉你一件事：这个"理"，不是我发明的，也不是哪个AI专家拍脑袋想出来的。它来自过去二十年全球最牛的几家公司管人的血泪教训。

你管过聪明人吗？管过那种比你还聪明、一点就透、但也最容易桀骜不驯的人？

如果管过，你就知道有一句话是真理——

给足背景，别去控制。

我先把Cotext, Not Control这句话的出处讲清楚，因为这件事太容易被人传歪了。网上很多文章一提这句话，张口就是"张一鸣说的""字节的文化"。

错了。

这句话的源头在硅谷，准确说，在Netflix。

Netflix的创始人Reed Hastings和他们的前CHO Patty McCord，在2000年代初把这套理念打磨成型，写进了那份后来被疯传的Netflix Culture Deck。后来Reed Hastings又把这套东西展开，写成了一本书，叫No Rules Rules（中文版叫《不拘一格》）。

这本书里，"Context, not Control"是核心的一章，讲的就是怎么管高密度人才——你不能用一堆规则去控制他们，你得给他们足够的背景信息，让他们自己做出对的决定。

而张一鸣，以及后来的字节跳动，是把这句话引入中国、并且真正在一家几万人的公司里落地的人。他们的表述更有画面感："Control是傲慢与不信任，Context是相信与赋权。"

所以准确的说法是：这句话由Netflix原创、在硅谷验证，被张一鸣和字节在中国发扬光大。

我为什么要花这么大篇幅讲出处？因为一个理念的可信度，很大程度上取决于它在哪儿被验证过。

Netflix和字节，一个是全球流媒体之王，一个是中国移动互联网最能打的公司。这两家公司用真金白银、用几万人的组织、用十几年的时间，证明了这句话不是鸡汤，是真理。

讲清楚了这个，我们才能往下走。

我们先说管人。

假设你现在要管一个聪明的产品经理。有两种管法。

第一种管法，叫Control。

你给他写一本操作手册，事无巨细：第一步做什么，第二步做什么，遇到A情况按方案1，遇到B情况按方案2，每周四下午五点交周报，格式必须是这样……你把你能想到的每一种情况，都写成规则，焊死。

这么管，短期看起来很"可控"。但你很快会发现两个问题：

第一，他变笨了。因为他不再需要判断，只需要对照手册。一旦遇到手册里没写的情况，他就宕机了，跑来问你"这个该怎么办"。你以为你在管人，其实你在养废人。

第二，你累死了。因为所有边角的、新冒出来的情况，都得你来拍板、你来加规则。你变成了整个团队唯一在动脑子的人，所有决策都堆在你这儿，你成了瓶颈。

第二种管法，叫Context。

你不给他写手册。你跟他讲清楚三件事：第一，我们这家公司现在的战略目标是什么；第二，我们做这个产品是为了解决什么问题；第三，我们的用户是谁、我们的资源有多少、我们的底线在哪儿。然后你告诉他：在这些背景下，你自己判断该怎么做。

这么管，短期看起来"不可控"——你不知道他下一步会干什么。但你很快会发现两个好处：

第一，他变聪明了。因为他必须自己判断，必须根据目标和约束条件做决定。他犯错的时候，是真的在学习；他做对的时候，是真的在成长。

第二，你解放了。因为绝大多数情况下，他能自己搞定。只有那些真正超出他判断范围的，他才会来找你。你不再是瓶颈，你是最后的兜底。

Netflix和字节，都是第二种管法。他们管的是一群比平均水平聪明得多的人，如果用Control那套去管，这些人要么被管废，要么跑了。所以他们必须用Context——给足背景、给足信任，让人才自己去判断。

讲到这儿，很多老板会点头：道理我懂，可这跟AI有什么关系？

关系大了。因为你现在面对的AI，恰恰也是一个"很聪明、但需要你告诉它该怎么判断"的东西。

我们换个场景。

假设你现在要让AI帮你写一份客户投诉的回复邮件。有两种喂法。

第一种喂法，叫Control。

你给AI写一堆死规则："开头必须说尊敬的客户，第二段必须表示歉意，第三段给出解决方案，结尾必须说感谢您的理解，落款必须是XX部门。邮件字数不得超过200字。"

AI照着这套规则写出来的邮件，八成是这样的：

看着是不是特别眼熟？像不像你每次收到的那些"官方模板回复"？

客气、正确、毫无温度，而且完全没解决问题——因为它压根不知道这个客户为什么生气、这个投诉的特殊性在哪儿、这次该强硬还是该服软。它在执行规则，不在做判断。

第二种喂法，叫Context。

你不给它写死的规则。你告诉它：这个客户叫王总，跟我们合作三年了，一直很稳定，这是他第一次投诉。这次投诉是因为我们的交付延迟了一周，影响了他那边的项目进度。我们这边的原因是供应链出了问题，不是故意的。

我们的底线是：可以道歉、可以补偿，但不能承诺以后绝不延迟，因为供应链这事儿我们确实控制不了所有环节。

基于这些背景，你帮我写一封让王总能理解、但也不给自己挖坑的回复。

AI基于这些Context写出来的邮件，会完全不一样。它会提到"三年合作"来拉近关系，会具体说明"供应链环节"让对方理解不是故意怠慢，会给出一个实际的补偿方案，同时措辞上把"绝不再犯"换成"我们会尽最大努力优化流程"。

它在做判断，不只是在执行规则。

发现了吗？同样是AI，喂法不一样，输出的质量天差地别。

而这个"喂法"的差别，本质上就是Control vs Context的差别。

你越想用一堆死规则去"控制"AI的输出，它越机械、越容易在边角情况上出蠢；你越是把真实的背景、约束、判断依据给够它，它越灵活、越像一个真正懂你的人。

我们回到上一篇讲的那个坑——"建个知识库"。

现在你应该能看出来了：主流的AI知识库，走的恰恰是Control那条路。

什么叫Control？就是试图把所有情况、所有规则、所有知识，事先全部"存"进一个库里，然后让AI像查字典一样去检索、去拼凑答案。你以为你在给AI"赋能"，其实你在做的事，是试图用一堆预先写死的碎片，去控制AI的输出。

但我们上一篇已经拆过了，这条路有个致命问题：知识一旦被切碎、被向量化，它就失去了结构和判断依据。 AI捞回来的，只是一堆"看起来相关"的碎片，它不知道"在什么情况下这条才成立""这条的前提是什么""这条和那条冲突了该怎么办"。

它在执行"检索"这个规则，但它没有判断力。

而Context思维是什么？是不把知识切碎，而是把判断依据、把那些"什么情况下该怎么看"的背景，完整地、结构化地交给AI。

打个比方。你有一份客户分级管理的规则，写得很清楚："A类客户（年采购额>100万）的投诉必须24小时内响应，B类客户（10万-100万）48小时内响应，C类客户72小时内响应。但如果是老客户（合作>3年）且是首次投诉，无论哪一类都升级为A类处理。"

Control思维的做法，是把这段话切成碎片，塞进向量库。等AI遇到一个"合作五年、年采购50万、第一次投诉"的客户时，它可能捞回来"B类客户48小时响应"这一条，然后就给出48小时的答案——因为那句"老客户首次投诉升级"在切碎的时候，跟前面的条件脱钩了。

Context思维的做法，是不切碎这段话。你把这条规则完整地、带着它的条件和优先级，交给AI。AI拿到这个客户的信息时，会完整地走一遍这个判断链条：年采购50万→B类→但合作五年→老客户→首次投诉→命中例外条款→升级为A类→24小时响应。

它不是在"检索碎片"，它是在"执行判断"。

这就是为什么我上一篇说，你要建的不该是一个"知识的仓库"，而是一个"让AI继承你判断力"的东西。

因为判断力这种东西，天生就是Context，不是Control。你越想把它切碎、存起来、"控制"住，它越会在碎片化的过程中失效。

讲到这儿，我要把今天最要紧的一句话，单独拎出来讲给各位老板听。

你可能已经隐隐感觉到了：既然管AI的核心是给足Context、给足判断依据，那我把这些判断依据整理整理、存起来，不就行了吗？

又回到"建个库"的思路上去了。 这恰恰是我要拦住你的地方。

把一家公司的判断力沉淀下来、让AI能一遍遍地继承——这件事根本不是"建个知识库"就能完事的，它是一个不折不扣的工程问题。

你品品"工程"这两个字的分量。盖一栋楼是工程，造一座桥是工程——它意味着有方法、有结构、有先后次序、有可复现的标准，而不是把砖头材料堆在一块空地上就叫盖楼。

同样的道理：把判断力交给AI，也不是把文档扫进一个库就叫沉淀。它需要一整套工程化的方法——怎么把模糊的经验显性化，怎么把判断依据结构化，怎么让AI在对的时刻精准地调用它、而不是靠猜。这是"工程"，不是"仓储"。

而这个道理，硅谷其实早就想明白了。你回头看这两年冒出来的那些新词，全都带着"Engineering（工程）"这个后缀，绝不是巧合——

最早是Prompt Engineering（提示词工程），琢磨"这一句话怎么问AI"。你问得好，它答得好；你问得含糊，它答得乱。这是2022到2024年最热的一门手艺。

后来发现光会问不够，得给AI喂足够的背景——于是有了Context Engineering（上下文工程），研究"这一次我该给AI看什么，让它基于对的背景去判断"。

看到了吗？这是管理与技术的第一次重合。而Context，也是本文的主题。

到最近，又冒出来一个更硬核的词，叫Harness Engineering。这个词国内还未普及，但在硅谷已经是当红概念，管的是"把AI包进一整套工作环境里，让它能稳定、可控、可追溯地干活"。

你看出这条线了吗？从Prompt，到Context，再到Harness——每一步，大家用的都是"Engineering"这个词。

因为所有人都逐渐意识到了同一件事：让AI好用、让AI继承你的判断力，是一门需要认真去"工程化"的手艺，不是买个软件、建个库就能打发的。

那这条"Engineering"进化线，到底一步步指向哪里？它们跟你真正要的那套"让AI继承判断力"的系统，又是什么关系？这是一整篇的内容，我下一篇完整拆给你看。

今天你只要先把这句话刻进脑子：判断力的沉淀，是个工程问题，不是个仓储问题。 想通这一句，你就已经领先绝大多数还在纠结"该买哪个知识库"的老板了。

讲到这儿，我得告诉各位老板一个残酷的事实。

"把判断力交给AI"这件事，听起来很美好——但它有一个绕不过去的前提：你得先把你公司的判断力，从老员工的脑子里、从模糊的经验里，显性化出来、结构化出来。

这是一件极其痛苦、极其慢、但又极其值得干的事。

很多老板以为，AI时代的"知识管理"，就是把现有的文档扫进一个库，完事。错了。真正该干的，是逼着你的组织回答一系列问题：

• 我们做这类决策时，到底依据的是什么？
• 什么情况下我们会选A，什么情况下会选B？
• 我们说的"这个客户很重要"，重要的标准到底是什么？
• 老王干了十五年、一眼能看出问题的那套本事，能不能拆解成"他在看哪几个点"？

这些问题，过去你可以不回答。因为反正老员工脑子里有，新人跟着学、慢慢也就会了。

但现在不行了。因为AI不会"悟"，它只会"执行"。 你不把这些判断依据显性化、结构化，它就继承不了。

而一旦你开始干这件事，你会发现一个副作用：你的组织本身，也变得更透明、更高效了。 因为那些过去靠"老员工口口相传"的隐性知识，现在被逼着写下来了；那些过去"反正大家都懂"的潜规则，现在得讲清楚了。

所以这件事，不只是为了AI。它本质上是在逼一个组织，把自己真正的判断力清点一遍、梳理一遍。AI只是这个过程的受益者，你的组织本身才是最大的受益者。

今天这篇，我其实只想帮各位老板建立一个认知：

管AI和管人，是同一道理。都是Context, not Control。

你越想用一堆死规则去控制AI、去把知识切碎了喂给它，它越笨、越不靠谱；你越是把真实的判断依据、把那些"什么情况下该怎么看"的背景给足它，它越聪明、越像你的人。

而要做到这一点，你需要的不是一个"知识的仓库"，而是一套把组织判断力结构化、让AI能持续继承的系统。

下一篇，我会把这两年冒出来的三个词——Prompt Engineering、Context Engineering、Harness Engineering——这条进化线完完整整地拆一遍。让你看清楚，这三种Engineering到底什么关系、你的公司现在该抓哪一个，以及它们最后会指向一件更大的事。

想清楚了，评论区告诉我：你现在管AI，是在用Control的思路，还是已经开始往Context的方向走了？

我们下一篇见。

我是老谭，只谈能落地的AI，和能分钱的商业。如果你觉得今天这篇有收获，欢迎点赞、在看、转发三连，我们下篇见。

如果你觉得今天这篇有收获，欢迎点赞、在看、转发三连，我们下篇见

THANKS FOR READING