# 代理知識、認知距離與權力失真

## Why Hiring Experts Does Not Automatically Produce Expert Decisions

**作者：** Neo.K（許筌崴）  
**機構：** 一言諾科技有限公司（EVEMISSLAB）  
**版本：** v2.0 理論重構稿  
**日期：** 2026-07-19  
**定位：** 行政管理、企業管理與組織治理理論；不以其他經濟學理論作為前提  


## 摘要

原系列以 $D_{\mathrm{proxy}}$ 表示管理者透過顧問、專家、下屬與人脈取得的代理領域知識，並以社會資本 $S$ 作為其可得性的乘數。本文保留代理知識概念，但指出：知識「存在於組織內」與知識「真正進入決策」是兩件事。代理知識會在語言化、層級傳輸、利益衝突、權力迎合與決策者認知框架中產生損失。

本文以 $\kappa$ 表示吸收與轉譯係數，將有效代理知識寫為 $\kappa D_o$ 。高階主管的問題通常不是完全沒有專家，而是無法知道誰可信、哪些訊號被過濾，以及何時自己的框架已過時。

---

## 1. 代理知識的五段損失

現場知識進入決策前通常經過：

$$
\text{經驗}
\rightarrow
\text{語言化}
\rightarrow
\text{報告化}
\rightarrow
\text{層級化}
\rightarrow
\text{決策化}
$$

每一段都可能損失資訊。

### 1.1 經驗—語言損失

默會知識、直覺、氣氛與異常感難以完整描述。

### 1.2 語言—報告損失

複雜情境被壓縮成摘要、風險級別與 KPI。

### 1.3 報告—層級損失

中層會刪除不確定、衝突或不利於自身評價的內容。

### 1.4 層級—權力損失

越接近最高權力，訊息越可能被改寫成「可接受的壞消息」。

### 1.5 決策框架損失

即使資訊完整，決策者若沒有共同語言與最低 $D_p$ ，仍可能錯誤解讀。

## 2. 吸收係數

$$
D_{\mathrm{eff}}
=
D_p+\kappa D_o
$$

其中：

$$
\kappa
=
C\cdot T\cdot I\cdot R\cdot(1-P_d)
$$

概念上：

- $C$ ：共同語言；
- $T$ ：信任；
- $I$ ：資訊完整性；
- $R$ ：決策者對自身邊界的認知；
- $P_d$ ：權力距離。

若其中任何一項接近零，雇用更多顧問不一定改善決策。

## 3. 專家治理的三種失敗

### 3.1 顧問展示化

專家被用來證明管理層已經「諮詢過」，而不是改變決策。

### 3.2 專家碎片化

每位專家只看見自己的局部，沒有人有權整合整體衝突。

### 3.3 專家依附化

專家收入、升遷或政治安全依賴決策者，因此逐步提供可被接受的答案。

## 4. 管理距離

定義：

> **管理距離是決策者與實際後果之間，經過多少層資訊壓縮、代理指標與權力翻譯。**

管理距離越大，越需要：

- 直接現場接觸；
- 反向匯報；
- 獨立稽核；
- 紅隊；
- 申訴與吹哨制度；
- 決策後果追蹤；
- 暫停與撤回權。

## 5. AI 對代理知識的雙重作用

AI 可以降低部分距離：

- 整合大量資料；
- 找出報告矛盾；
- 直接分析第一線紀錄；
- 模擬方案；
- 保存決策脈絡。

但 AI 也可能增加新的距離：

- 把模型摘要當作現實；
- 隱藏資料缺口；
- 以流暢語言掩蓋不確定性；
- 讓管理者跳過專家對話；
- 將平台目標嵌入建議。

所以：

$$
\text{AI}
\neq
D_p
$$

更精確地說：

$$
\text{AI}
\rightarrow
D_o\text{ 的擴張}
$$

但是否提高 $D_{\mathrm{eff}}$ ，仍取決於 $\kappa$ 、來源追溯與決策制度。

## 6. 結論

代理知識不是廉價替代品，也不是無效資訊。它是現代大型組織不可缺少的知識形式，但必須由制度保護其真實性，由最低領域知識支持其理解，並由決策權配置確保其能改變結果。