不可见的调度逻辑会让监督者无法预判系统下一步的行为
别名: 调度可预测性 · automation surprise · 自动化惊讶
概念解释
不可见的调度逻辑会让监督者无法预判系统接下来会怎么分配任务，直接损害的是可预测性（predictability）：监督者知道当前的任务表，却说不出新任务插入、机器人故障或电量变化之后系统会重派谁、取消什么、改走哪条路径。这不是单一缺陷，而是分配依据不可见、变更无原因、干预入口难用这三个问题叠加之后的综合后果。
机制
监督者要能预判系统下一步行为，依赖的是对分配逻辑有一个可用的心智模型，而这个心智模型建立在"知道分配依据是什么"和"知道变化为什么发生"这两件事的基础之上。一旦这两者都缺失，监督者面对系统就只能是被动的"看结果"，完全无法在系统真正执行分配之前预判它会怎么做。这种不可预判性会直接体现在监督者的行动时机上：发现问题时往往已经是既成事实，而不是提前预判到问题即将发生从而抢先协调资源、准备应对。往深一层看，人类的前瞻能力依赖的是对目标优先级、约束权重和触发规则保持一个稳定的排序；如果调度器的代价权重、迟滞策略或回退逻辑本身是隐藏的，同一类输入变化在不同时刻可能引出完全不同规模的重排，监督者的心智模型会不断被打破，进而彻底放弃预判、转为纯粹的事后追赶。这种自动化惊讶还有一个放大效应：监督者一旦被系统"意外"打过一次，之后会本能地降低对自己判断的信心，转而更频繁地去反复核对当前计划是否又变了，这种为了防止再次被打脸而增加的核对频率，本身就是不可预判性造成的隐性负荷，不会体现在任何一次具体错误里，却会持续拖慢监督者的正常工作节奏。
怎么研究
预判能力的量化方法通常是让监督者在观察系统运行一段时间后，对某个即将发生的事件预测接下来若干步的分配结果，再和实际发生的分配结果比较预测准确率、信心校准程度和从"预判落空"中恢复过来的速度，场景设计需要包含边界条件和多个数值上近似等价的解，用来检验监督者是不是只会背规则而不能真正预测系统的实际行为。这个准确率可以横向比较不同透明度、可解释性设计对可预判性的提升效果，是对前几条界面改进最终效果的综合验证指标。
边界
可预判性不要求监督者能百分之百猜中每一次具体分配——调度系统本身在应对动态环境时具有合理的不确定性，随机化、在线学习策略和依赖外部服务的输入都会让"唯一确定的下一步"这件事本身不成立，过度追求逐个案例的精确预判既不现实也不必要；暴露过于精确的调度策略本身也可能带来安全或博弈层面的风险。可预判性真正要求的是监督者对"系统大致会怎么反应"有一个基本正确的方向性预期，界面应该呈现候选范围和不确定性，而不是承诺一个唯一的未来。
怎么落地
把监督者对下一步分配的预测准确率作为调度系统可见性设计的核心验收指标，而不只是验收"界面上有没有显示原因"这类形式性检查；界面上应显示当前的目标优先顺序、硬约束、近期触发事件，以及若某个突发事件发生时的候选重排范围，并给出一个短期的计划承诺窗口，让监督者知道"至少在这段时间内计划不会变"。验证办法是在系统改版前后分别做一次预判准确率测试——找监督者观察一段运行片段后预测接下来的分配，和实际结果对比——并用故障、电量阈值触发、紧急任务插入这几类场景检验方向性预判是否可靠，模型更新之后要重新做一轮校准，不能假设旧的心智模型自动适用。承诺窗口的长度本身也需要根据场景校准：窗口太短起不到稳定预期的作用，太长则可能在真正需要快速响应变化时反而束缚住调度器，这个权衡没有通用的默认值，需要针对具体任务节奏单独测试。