智能密度：你交出了几环

前三章逐环讲了工艺。这一章要给出一把贯穿全链的尺子。

智能密度：在造物八环中，智能承担决策的比重。

它可以用来量一个人、一个团队、一家公司、一个行业，甚至一个地区。而它的意义在于：这是第一个能把「你和 AI 的关系」变成可以被讨论的量的概念——不再停留在「我们用了 AI」这种空话上。

判断让渡的五级

把判断权交给机器不是开关，是一个连续的谱系。参照自动驾驶的分级，可以分成五级：

L1 提醒：AI 给信息，人全部自己判断。L2 辅助：AI 给建议，人逐条确认。L3 特定条件接管：在划定的条件里 AI 自行决定，超出条件交还给人。L4 限定场景放手：在整个场景里 AI 全权处理，人只看结果。L5 全场景自动：人不再介入单次决策，只设定目标与边界。

这里有一个必须点破的陷阱：L3 是最危险的一级。 因为它的责任边界最模糊——出了问题，是 AI 越界了，还是人没接住？自动驾驶行业已经用惨痛代价证明了这一点，而组织里的 L3 同样在制造事故：一个流程说「AI 处理常规情况，异常交人工」，但没人说清什么叫异常，于是异常发生时两边都以为对方在管。

所以规划路径时有一条实用建议：要么把条件定义到足够清晰再上 L3，要么直接跳到 L4，但配套更强的验收标准和容错机制。 停在模糊的 L3 上是最坏的选择。

密度不是越高越好

很多人把智能密度理解成一个越高越先进的指标。这是错的。

密度必须匹配你的验收能力。 你交出去的判断，如果超出了你能验收的范围，那不是效率，是失控。一个不懂设计的人让 AI 做完全部设计决策，他得到的不是高密度，是一个自己无法评价好坏的黑箱。

有一个更危险的情形叫负密度：AI 参与了判断，但方向是错的，而它比人跑得更快——于是错误被高效地放大。这就是为什么第一章说 AI 不会做坏事，但它会让坏事更高效。

所以正确的顺序永远是：先建立验收标准，再提高密度。 而不是反过来。前面讲过的转化率三要素——供料系统、定义好的能力、验收标准——本质上就是在为提高密度做地基。地基没打，密度加得越快塌得越快。

上下文：真正应该被守住的东西

讲到这里，可以回答第Ⅳ部一直悬着的一个问题：新工艺四步里的最后一步——守护——到底守护什么？

答案是上下文。而上下文不是数据。

上下文是你当时基于这些数据，怎么做的决策与判断。 数据是「我们去年在这个品类上投了三百万」，上下文是「我们当时为什么选这个品类而不是另一个，我们排除了哪条路，基于什么假设，后来这个假设被证明对了还是错了」。

为什么这件事在 AI 时代突然变得关键？因为当你把越来越多的判断交给 AI，AI 的输出质量就取决于它能不能理解你的判断逻辑。而判断逻辑不在数据库里，它散落在会议室、微信群和某个人的脑子里，随着人员流动持续蒸发。

所以组织真正的护城河不是数据资产，是决策记忆。数据人人可得，判断的历史独一无二。一个把十年决策过程完整留痕的组织，它的 AI 能长成别人复制不了的样子；一个只有报表没有理由的组织，它的 AI 永远和别人的一样。

对个人也一样。前面说的「每次判断留下两句理由」，往大了看就是在为自己积累上下文。在一个人人都能生成的时代，你的独特性不在你产出了什么，在你的判断有没有历史。

怎么量：一张可以自己填的表

智能密度要能被用起来，就得能被粗略地量出来。方法不必精确，但必须可操作。

第一步，列出你的判断点。 拿一件你反复在做的事，把其中需要做决定的地方列出来——通常十几个就够了。比如做一张营销图：定主题、选风格、定构图、挑配色、写文案、选投放渠道、判断是否合格。

第二步，给每个判断点标一个等级。 用前面的 L1 到 L5，标出这个决定现在实际由谁做。注意是实际，不是理论上。很多团队声称 AI 只是辅助，实操中却在直接采用它的第一个输出——那其实是 L4。

第三步，算一个粗略的平均。 这个数字本身不重要，重要的是它逼你看见分布：哪些环节你交得很深，哪些环节你一点没交。

第四步，也是最关键的一步——逐个问：这个判断点，我有验收能力吗？ 如果有一个判断点你的等级很高、验收能力却很弱，那就是风险所在。反过来，如果有一个判断点你验收能力很强、等级却很低，那就是效率洼地，可以立刻提上去。

这张表的价值在于，它把「我们要不要用 AI」这种没法讨论的问题，换成了「第七个判断点该不该从 L2 提到 L4」这种可以讨论的问题。能被具体讨论的事，才会真的发生变化。