第 6 章没有标准，停止执行

一、一碗粉的两个纪元 #

柳州人嗦螺蛳粉嗦了几十年。哪家的汤够味、酸笋该臭到什么程度、米粉要多筋道，街头巷尾早有共识。但这个共识只住在师傅的手上和食客的舌头上。住在那里的共识有一个致命属性：不能复制。师傅教徒弟要三年，出了柳州就走味，装进袋子还会变质。几十年里，这碗粉的产业形态一直是这样：全国近五千家实体店，各凭手感。

2015 年 6 月，柳州市政府成立地方标准编制领导小组。2016 年 5 月，《食品安全地方标准 柳州螺蛳粉》正式施行：用料、包装、理化指标、微生物指标，一碗粉被逐项写成了可检验的条文。条文里有一个细节值得记住：米粉含水量定为 14%。这个数字是试出来的。含水量高了滋生霉菌，低了容易断裂；经过反复试验、送样检测，还听取了企业的生产能力意见，才写进标准。标准里的每一个数字，都该先当过一遍判断，再写进去。只为显得专业而写的数字，站不住。

然后产业曲线启动了。袋装螺蛳粉企业从 2014 年的 1 家增长到 2020 年的 113 家。2020 年袋装销售收入 109.94 亿元，同比增长 75.74%，出口总值是前一年的 35 倍。2021 年全产业链销售收入 501.6 亿元，袋装年寄递量突破 1 亿件。味道的共识存在了几十年，曲线一直是平的。共识被写成标准的那一刻，曲线才开始陡峭。因为从那一刻起，这碗粉的判断（什么算合格）第一次可以离开师傅的手，被工厂的产线、质检的仪器、大洋彼岸的生产商执行。

标准这个词在大多数公司里的名声接近于官僚主义：文件、盖章、流程。它的真实身份是另一回事：标准不是官僚主义的文件，是判断力的储存方式。

二、标准的三重身份 #

标准同时过着三种日子，一重比一重值钱。

第一重是判断的固化物。判断力是组织资产，可气态的判断（住在某人脑子里的直觉）只是风险敞口。王安电脑用破产演示过这一点。判断被提炼成"什么条件下、按什么取舍、合格线画在哪"的固态条文，才完成从个人能力到组织资产的相变。螺蛳粉的 14% 就是一次相变：老师傅手上的分寸，变成了任何质检员都能执行的数字。

第二重是组织的复利容器。一条被验证的标准，第一次使用时收回验证成本，之后每次使用都是纯收益，而且使用者不需要重新聪明一遍。个人靠悟性借标准，组织靠标准库免除重复摸索。人会累，判断会波动，标准不会。所以它成了组织里唯一一种越用越便宜的资产。

第三重是 AI 的指令接口。这是 AI 时代给标准加上的新身份。你和 AI 之间所有的交互物（prompt、评估规则、上下文文件、工作流定义）本质上全是标准：你在告诉它什么算好、什么不许做、按什么排序。换算很残酷：你给 AI 的标准质量，就是 AI 产出的上限。Klarna 已经演示过反面：喂给 AI 一条"成本优先"的错误标准，AI 以完美的执行力放大它。旧时代，标准写得含糊，人类员工会用常识悄悄修补，坏标准可以带病运行很多年。AI 不修补，它只放大。SOP 曾经是写给人看的管理文件，现在它是直接下发给机器的指令。执行免费的时代，标准是你对执行仅剩的控制方式。

三、本章的规则：没有标准，停止执行 #

执行免费而判断稀缺，一件事最危险的状态，就是在没有标准的情况下被高速执行。免费的执行乘以缺席的判断，等于以最高效率制造返工。无标准执行的体感恰恰是充实：忙碌提供成长的幻觉，个人层如此，组织层一样。操作条文只有一句：

发现一件事没有标准时，立即停止继续执行；先寻找、借用或建立标准，再恢复行动。

叫停权最容易被做歪。一旦做成职级特权，等于在无标准执行之上又叠了一层审批。正确的设计是把它做成义务：任何人发现自己或团队正在无标准执行，报告即叫停。管理者的职责是响应停止，在约定时限内组织借标准或立标准。停不下来的组织，不是执行力强，是刹车失灵。

停下来之后，顺序是固定的。先借：谁做成过？标准和适用边界一起借来。再验：迁移条件在我们的场景里成立吗？最后才是立：借不到、验不过，用最小成本实验创造新标准。这个顺序不许乱。先立后借是重复付费；只借不验，是约翰逊在 JCPenney 的死法。

恢复的时机，只看有没有可执行的标准。"可执行"的验收口径：新人（或 AI）照着它能跑出同水位的结果。达不到这个口径的，还只是感想。

停下来看起来像拖延。执行昂贵的年代，这个成本是真金白银；执行免费的年代，停下来找标准，反而是成本最低的执行动作。你损失的只是几天虚假的进度感，换回的是不用把错误做完的自由。

2026 年 6 月，我们深圳办公室搬迁。我想把新办公室一间 15 平米的房间装成会议室，预算万把块钱，目标体验一句话：单人沙发椅的舒适，加上会客的正式感。动工之前先找标准：这两种体验怎么在 15 平米里同时成立？谁做成过？验收看什么？找了三天，没有找到能借的成熟答案。于是暂停。那个房间至今还空着。

一万块的项目值不值得这样对待？把账摊开算：停下来的成本，是三天的寻找加一间暂时空置的房间；不停的成本，是把一万块花在一个连"什么算做好了"都说不清的方案上，大概率还要再花一次。而真正的理由在账本之外。组织基因是没人监督时仍会自动发生的默认行为：一号位在万把块的小事上停得下来，"没有标准，停止执行"才会长进组织的肌肉里。平时小事都"先干起来再说"，到千万级的决策上突然要求大家停下找标准，没有人会当真。小事是基因的练习场，大事只是它的考场。

四、标准机器：循环泵与阶梯 #

标准机器是一台循环泵：判断（气态）→ 提炼 → 标准（固态文档）→ 下发（给人和 AI）→ 执行 → 数据回流 → 标准迭代。 进口吸的是组织里每天发生的判断，出口吐的是越来越准的标准库。个人层有直线与分叉的对照：同一张图，把"一个人的路径"换成"一千个人的路径"，分叉的代价乘一千。

图：循环泵回答标准怎么生产；八层阶梯回答标准安放在哪。高亮为判断标准层。

循环泵说清了标准怎么生产，组织到底需要哪些标准，还要另画一座八层的阶梯：

1. 使命回答为什么存在：利用 AI 提升全人类水平。
2. 信念回答长期相信什么：人机协作是人类的未来。
3. 行为标准约束用什么方式行动：诚以待人。
4. 思维标准规定结论如何被生产：先借后创、双侧样本、统计用中位数、第一性原理，以及本书的清晰术（扩大自己的选项）与干扰术（收窄对方的选项）。这些思考框架都住在这一层。
5. 判断标准负责如何取舍：以价值去判断。
6. 人员投入标准检验人力投资能否形成正循环：全员 ROI 大于 1，验证窗口随阶段变化。
7. 管理标准负责如何分配决策权：指示 → 指导 → 协商 → 授权 → 放权。
8. 学习标准负责如何修正系统：反思（三省吾身）+ 费曼技巧。

这八层示例条文，是我自己的公司 bioby.ai 正在每天运行的组织标准母表。每一层后面那句话，都是我们的员工和 AI 实际执行的条文。把自家操作系统原文印进书里，意味着这套标准同时接受两种检验：你的推敲，和我们自己的经营结果。

八层不是并列的口号墙，而是一条因果链：使命决定方向，信念决定长期假设，行为标准约束手段，思维标准规定怎么想，判断标准负责取舍，人员投入标准检验价值能否覆盖限制性资源，管理标准分配决策权，学习标准持续修正前面的一切。思维标准和判断标准的分工是：工艺标准管过程，验收标准管结果。一个管结论怎么被生产，一个管选项怎么被排序，中间隔着的恰好是"想"与"选"的分界线。

阶梯不是一次建成的，这里给的是全景。价值观三个字也不在阶梯里单独占一层，因为价值观不进入判断、管理和学习流程，就只是挂在墙上的形容词。阶梯的下面五层，就是价值观的执行形态。

五、什么值得写成标准：把地基打在不变量上 #

标准机器开动之前，还有一个选址问题：判断每天成百上千地发生，先固化哪些？写错对象的标准机器，会高效地生产废文档。

选址这件事，贝佐斯答了三十年。他总被问"未来十年什么会变"，他的回答是：这是错误的问题。"我几乎从没被问过'未来十年什么不会变'——而第二个问题其实更重要，因为你可以把战略建在时间上稳定的东西上。"亚马逊零售业务的三个不变量：顾客要更低的价格、更快的送达、更多的选择。"无法想象十年后有顾客说：我爱亚马逊，就是希望价格再高一点、送货再慢一点。"他还补了一句被引用得少但同样锋利的话："这个问题不需要做很多研究——这些东西大而根本，你自己知道。"

标准应该优先建在不变量上。 建在不变量上的标准不需要频繁重写，验证成本收回一次，复利吃很多年。亚马逊那三个不变量管了二十五年的资源配置。那封每年重印的股东信，就是它们的资金版。判断哪些是你的不变量，用贝佐斯的口径反问即可：无法想象客户十年后要求它的反面的，就是。

六、输家样本：每两年清零一次的公司 #

趣店集团 2017 年 10 月在纽交所上市，市值一度超过 100 亿美元。校园贷和现金贷业务给了它第一桶金，也给了它第一套被验证过的能力：线上获客、风控模型、放款回款的运营体系。

然后监管收紧，主业承压，趣店开始换赛道。2018 年做大白汽车（汽车新零售），2019 年 5 月停售。2020 年做万里目（奢侈品电商）和万里目少儿（教育），各约一年夭折。2022 年转型预制菜，高调开局，同年两次收到纽交所 1 美元退市警告。市值约 2.9 亿美元，从峰值蒸发约 97%。

它选的每个风口单看都不算离谱。病在每次换风口，都把上一程沉淀的标准全部丢弃，从零开始。 获客标准、风控标准、运营标准，没有一条被追问过"哪些部分建立在不变量上、可以迁移到新场景"。按悟性的四个动作来看，缺的是"判断迁移条件"这一环：压根不带标准上路。亚马逊的三个不变量二十五年没换过，趣店的记分牌两年换一次。风口会变，但每个风口都有自己的记分牌；标准建在风口变量上，等于每两年清零一次组织判断力。

趣店和螺蛳粉放在一起看特别刺眼：一碗街头小吃，因为把共识写成了标准，从 1 家企业长成 500 亿产业；一家百亿美元公司，因为从不固化标准，四次转型转回了原点。资产从来不是业务本身，而是业务沉淀下来的可迁移标准。丢标准比丢业务贵得多，只是账单来得慢。

七、标准的标准：中位数为什么是铁律 #

思维标准层里藏着一条可以当作完整示例的规则。它要回答的是：标准本身用什么标准来写？会不会无限递归？

示例是本书反复出现的那条统计铁律：报告中位数，不报告平均数。 理由不在数学课本里，在组织行为里：平均数会被离群值绑架，而组织决策恰恰最容易被明星个案绑架。一个销售团队人均业绩 80 万，可能是十个人都在 80 万上下，也可能是一个明星 500 万带着九个 30 万。平均数对这两种局面给出同一个数字，中位数会诚实地报出 80 万和 30 万的天壤之别。用平均数做人员决策，你会按明星的幻影给全员定目标；用中位数，你看到的才是组织的真实水位。平均数说谎，因为它怕离群值；中位数诚实，因为它只认多数。

这条规则回答了递归问题：标准的标准，就是思维标准层。它规定所有标准的生产工艺（怎么取证、怎么统计、怎么验证），而它自己数量极少、极稳定（先借后创、双侧样本、中位数，一只手数得完），递归到这一层就收口了。地基不需要另一个地基。

八、论断边界 #

第一，不是所有判断都值得固化。 标准机器的产能也是限制性资源。只固化高频且错误代价高的判断，比如返工最多的工序、重复发生的取舍、AI 接手的环节。低频、低代价、高度情境化的判断，留给人的临场判断力；强行标准化它们的成本高于收益。标准库的健康指标是每条的引用率。没人引用的标准，是穿着制服的废纸。

第二，标准会过时，规则本身写了修正条款。 八层阶梯的最后一层（学习标准）专门负责修正前面七层。贝佐斯说的不变量，管的是那三件；三个不变量之外，亚马逊的具体打法换过无数轮。趣店的教训写在换方向时那一步：没有做标准迁移审计。哪些标准建在不变量上该带走，哪些建在旧场景变量上该留下。换方向可以，裸奔不行。

第三，样本成色，如实交代。 螺蛳粉是政府主导的产业标准样本，与企业内部标准机器不同构。本章只取"共识固化成标准后才能被规模复制"这一个机制，不把产业政策的功劳全记在标准头上（产业园、物流、电商红利都在曲线里）。内部触发"停止执行"的实例（，第三节的会议室）已补入，是我本人自述，按自述打折听。另一个空位诚实标注：一家有 SOP 文化的公司把 SOP 变成 AI 接口的企业级案例，还没有补齐，在找。本章论断的承重结构是三重身份的推导加趣店与螺蛳粉的正反对照，空位补上后会更立体，但不影响承重。

周一早上怎么做（一号位视角） #

三步，一小时以内：

1. 找病灶：选公司里返工最多的一类工作，问一个问题：它有没有一条写下来的合格标准？没有，今天就写；写不出来，说明这类工作的判断还没被提炼。这才是真正值得开会的主题，比返工检讨会有价值十倍。
2. AI 试金石：把写出来的标准直接喂给 AI，让它按标准产出一版。AI 的产出质量就是你标准质量的镜子。人类员工会用常识悄悄修补含糊的标准，AI 不会，它会把每一处含糊如实放大给你看。改标准，再喂，直到 AI 的产出让你说"合格"为止。这条标准现在才算写完。
3. 立规则：向管理层宣布停止规则：任何人发现无标准执行，报告即叫停，管理者按时限响应。同时宣布配套条款：叫停不追责，瞒着不停才追责。第一周你大概率会收到一堆叫停，别慌，那不是混乱增加了，而是原本就存在的混乱第一次可见。

个人与团队也可以用 AI 试金石：你让 AI 干活总不满意，先别怪模型，把你的 prompt 当作你写的标准读一遍。里面有几个可检验的合格条件？多数人会发现自己给 AI 的是愿望，不是标准。