连载七｜当我们越来越擅长实现目标，为什么反而可能离目标越来越远？
副标题：从南辕北辙，到人与智能体的共同成长
一、方向错了，马越快，离目标越远
《战国策》中有一个著名的故事：南辕北辙。
一个人准备去楚国，却驾着马车向北走。
路人提醒他：“楚国在南边，你走反了。”
他说：“没关系，我的马跑得很快。”
路人继续劝他，他又解释：“我的盘缠很充足，车夫的技术也很好。”
他拥有好马、充足的资源和出色的执行者，似乎具备了成功所需的一切条件。
唯独方向错了。
马越快，盘缠越多，车夫越优秀，他反而可能离目的地越远。
两千多年前的寓言，放到今天依然令人深思。
我们拥有越来越先进的工具，越来越高效的组织，以及能够自主执行复杂任务的 AI Agent。
但一个问题似乎从未消失：
当我们越来越擅长把事情做成，是否也越来越容易忽略，我们究竟应该做什么？
二、人类为什么需要目标管理？
假设你口渴了，桌上有一杯水。
拿起来，喝下去。
需求、行动和结果之间的距离很短，几乎不需要复杂的目标管理。
但如果你的愿望是五年后创办一家成功的企业，事情就完全不同了。
你需要决定做什么产品、服务哪些用户、如何分配资源，以及什么时候应该坚持，什么时候应该放弃。
今天的行动，可能要到几个月甚至几年后才能知道结果。
而当越来越多的人参与其中，每个人掌握的信息、承担的责任又各不相同。
于是，我们需要目标。
它让分散的行动拥有共同方向，让有限的资源能够集中，让遥远的未来与今天的选择建立联系。
从古代的远航、城市建设，到现代企业的战略、MBO、OKR，人类一直在发展这样的能力。
不过，目标管理真正需要解决的，并不只是“如何完成目标”。
因为我们制定目标时，对世界的理解往往并不完整。
目标可以帮助我们避免迷失，却不能保证我们选择的方向正确。
三、目标是指南针，也可能成为枷锁
想象一家软件创业公司。
创始人发现产品交付缓慢，于是提出：
“接下来三个月，把开发效率提高一倍。”
团队开始优化流程，引入自动化工具，把每月完成的任务数量作为重要指标。
三个月后，数字十分漂亮。
代码提交更多了，功能上线更快了，大家似乎都变得更高效。
可用户的问题并没有减少，需求返工反而越来越多。
经过调查，他们发现，真正拖慢项目的并不是编码速度，而是需求经常没有被充分理解。
团队成功优化了一个指标，却没有解决最初的问题。
这让人想起经济学中的古德哈特定律（Goodhart's Law）：当一个指标成为被追逐的目标，它可能逐渐失去衡量原本事物的能力。
但更深的问题不只是指标失真。
即使团队真的把开发速度提高了一倍，如果他们正在开发用户不需要的功能，这种效率又有什么价值？
目标让我们能够集中资源、抵御干扰、坚持长期行动。
可一旦过于相信目标，它又可能阻碍我们接受新的证据。
《吕氏春秋》中还有一个故事：刻舟求剑。
有人乘船渡江，剑掉进水里。他立即在船舷上刻下记号，准备靠岸后沿着记号寻找。
问题在于，船已经前进，剑却留在原处。
世界已经变化，他却仍然相信过去的坐标。
现实中的组织，有时也会如此。
我们把目标写进计划，把计划分解成指标，把指标变成考核，然后日复一日地执行。
却很少重新审视：当初制定目标所依据的世界，是否已经发生了变化？
于是，目标管理出现了一个内在悖论：
没有稳定目标，我们难以积累成果；但目标过于稳定，我们又可能失去适应现实的能力。
那么，什么时候应该坚持，什么时候应该转向？
四、真正的目标管理，不只是管理执行
控制论告诉我们，一个系统可以通过不断比较期望与现实之间的差距，利用反馈调整行动。
就像恒温器。
设定 25℃，温度低了就加热，温度高了就停止。
这个机制非常有效。
但恒温器不会问：
“为什么一定要保持 25℃？如果房间已经没人了呢？”
这恰恰是复杂目标管理的困难所在。
组织学习研究中的阿吉里斯与舍恩，提出了单环学习和双环学习。
单环学习问：
“怎样才能把事情做得更好？”
双环学习进一步问：
“我们为什么认为这件事值得做？”
前者改进方法，后者重新审视支配行动的假设与目标。
两者缺一不可。
如果每次遇到困难都改变目标，我们将永远无法积累。
如果无论出现什么证据都坚持原目标，我们又可能不断重复错误。
因此，我更愿意把目标管理理解为：
在不确定的世界中，持续协调意图、行动与结果，并根据现实反馈，决定应该修正方法、修正认知，还是重新审视目标。
它不只是一张目标清单，而是一个持续学习的过程。
五、当 AI Agent 成为那个越来越优秀的车夫
现在，让我们回到那家软件公司。
假设创始人引入了一个强大的 AI 编程 Agent。
它能够理解需求、制定计划、编写代码、运行测试，甚至自主完成过去需要整个团队参与的任务。
创始人告诉它：
“我们的目标是提高开发效率。”
Agent 认真执行。
它不断优化流程，越来越快地完成开发任务。
结果，团队可能以过去几倍的速度，生产出用户并不真正需要的功能。
在某种意义上，我们正在制造越来越优秀的车夫，却未必拥有同样优秀的方向判断能力。
但故事也可能有另一种结局。
经过数月工作，Agent 发现大量返工都发生在需求理解阶段。
于是它向创始人提出：
“根据过去的记录，编码速度可能不是主要瓶颈。我们是否应该重新审视当前的效率目标？”
创始人检查证据后发现，问题确实出在自己的工作方法上。
他开始在开发前明确用户场景和成功标准。
Agent 也调整了行为：面对模糊需求，不再急着写代码，而是先提出澄清问题。
后来，团队通过真实交付结果验证了这一改变。
这一次，变化的不只是 AI。
人的认知改变了，Agent 的行为也改变了。
双方通过现实反馈，形成了新的协作方式。
当然，Agent 能提出建议，并不意味着它可以自行决定目标。谁有权改变方向、需要什么证据、由谁承担后果，仍然是必须回答的问题。
而且，一次成功的建议也不能证明共同成长已经发生。真正的学习，需要在未来的行动中得到反复验证。
但这个可能性已经足够值得思考。
六、从完成任务，到共同成长
过去，我们主要关心如何让工具更强大。
今天，我们开始拥有能够理解语言、制定计划并自主行动的智能体。
这使得一个古老的问题重新变得紧迫：
当行动能力增长得比判断能力更快，我们如何避免更高效地走向错误的未来？
也许，未来的人机协同不能永远停留在：
人制定目标，AI 负责执行。
我们还需要探索一种新的关系：
人提供价值方向与授权，智能体提供认知与行动能力，双方通过真实世界的反馈，不断修正对问题的理解，改进未来的行为。
它不意味着 AI 应该替人决定人生方向，也不意味着每一个任务都需要重新讨论目标。
而是当长期协作不断积累经验时，系统应该有能力发现：哪些方法需要改变，哪些假设可能错误，哪些目标已经不再适合现实。
回到南辕北辙的故事。
如果今天那个赶路的人拥有一位 AI 车夫，我们当然希望它拥有最快的马、最好的导航和最出色的驾驶技术。
但或许，我们更希望它能够在必要的时候提醒一句：
“我们是不是走错方向了？”
而一个真正值得信赖的人机协同系统，不仅应该能够提出这个问题，还应该帮助我们寻找证据、作出判断，并把这一次的教训带到未来的旅程中。
毕竟，重要的从来不只是走得多快。
而是我们能否在漫长的旅途中，越来越懂得如何辨认方向。
下一篇：《目标不是一句 Prompt：当 AI 开始自主行动，我们应该如何管理目标本身？》