管理：AI 时代的超能力
Ethan Mollick
在智能体的世界里乘风破浪
前不久，我在宾夕法尼亚大学开了一门实验课，挑战学生在四天内从零开始创建一家初创公司。班上学员多为高管 MBA (EMBA)，他们既要上课，同时也身兼医生、经理或大中小企业的领袖之职。没几个人写过代码。
我带他们使用了 Claude Code 和 Google Antigravity，这是构建原型必不可少的工具。但这毕竟只是原型，算不上初创公司。于是，他们又利用 ChatGPT、Claude 和 Gemini 来加速创意生成、市场调研、竞争定位、路演推介以及财务建模等流程。我很好奇，在如此短的时间内，他们能走多远。
结果，进展惊人。
演示案例包括：
- Ticket Passport（验证票务销售市场），由 Dee Sethmajhi、Jane Lian Wang 和 Yue Ma 开发。
- Revenue Resilience（识别小企业的收入风险并创建智能体解决方案），由 Whit Chiles、Jose Olivares 和 Spencer Louie 开发。
- Parenting companion（根据孩子兴趣匹配活动的育儿伴侣），由 Manoj Massand、Samuel Lee 和 Harry Lu 开发。
- Invive（血糖预测），由 Angela Argentati、Sabeen Chawla 和 Adeel Rizwan 开发。 （还有很多优秀项目，但这几个团队允许我分享截图！）
我教授创业已十五载，阅过成千上万个创业点子（其中不乏后来成长为巨头的案例），所以我很清楚这类聪明的 MBA 班级能产出怎样的成果。据我估算，他们在短短几天内的完成度，比 AI 出现之前学生花整整一个学期做出来的，高出了整整一个数量级。大多数原型不再只是几张示例图，核心功能真的跑通了。点子也比以往更加多样、有趣，市场和客户分析更是洞见深刻。
这着实令人印象深刻。虽然这些还不是正式运营的初创公司，产品也没完全成熟（个别除外），但他们省去了传统流程中数月的耗时和巨额的投入。还有一点至关重要：大多数早期初创公司都需要转型（Pivot），即随着对市场需求和技术可行性的了解加深而调整方向。AI 降低了转型的成本，让探索各种可能性变得轻而易举，你不再被单一路径锁死，甚至可以同时探索多个创业方向——你只需要告诉 AI 你想要什么。
我很想说这些成果归功于我的英明教导，但事实上，我们还没有一套完美的框架来指导如何使用这些工具，学生们主要靠自己摸索。好在他们具备一定的管理经验和学科专长，因为事实证明，成功的关键恰恰在于上一段提到的那一点：告诉 AI 你想要什么。
随着 AI 处理任务的能力日益增强（原本需要人类数小时的工作现在唾手可得），评估这些结果也变得越来越耗时，委派 (Delegation) 能力的重要性随之飙升。但问题来了：到底什么时候该放手让 AI 去做？
智能体工作的计算公式
答案其实有，但略显复杂。考量因素有三：
首先，由于 AI 能力的锯齿状前沿 (Jagged Frontier)，你无法确切预知 AI 在复杂任务上的表现是好是坏。其次，不管 AI 做得好坏，它肯定很快。人类耗时数小时的工作，它几分钟就能搞定。第三，它很便宜（相对专业薪资而言）；哪怕生成多个版本后弃用大半，它也毫无怨言。
基于这三个因素，决定是否委派给 AI 取决于三个变量：
- 人类基准时间 (Human Baseline Time)： 你亲自完成这项任务的时长。
- 成功概率 (Probability of Success)： AI 在单次尝试中产出达标结果的可能性。
- AI 处理时间 (AI Process Time)： 你提出请求、等待结果并评估 AI 产出所需的时间。
不妨建立一个思维模型：这本质上是一场博弈——是用"人类基准时间“亲自操刀，还是支付”AI 处理时间"作为管理成本？后者可能需要反复迭代，方能通过验收。
成功概率越高，你需要支付的 AI 处理时间 就越少，把工作交给 AI 就越划算。举个例子，某项任务你自己做要一小时，AI 分分钟搞定，但检查它的答案需要半小时。这种情况下，只有当 成功概率 很高时，交给 AI 才划算，否则生成和检查草稿的时间反而比自己做还多。但如果 人类基准时间 是 10 小时，哪怕 AI 需要你花几个小时去交互和修正，只要它能胜任，这笔买卖就做得过。
这一公式的有效性，已由去年夏天 OpenAI 发布的一篇关于 AI 与实际工作的重要论文——GDPval 所证实。我之前讨论过这篇论文，重点在于它让金融、医学、政府等不同领域的资深人类专家与最新的 AI 同台竞技，并由另一组专家担任裁判。
专家完成工作平均需要 7 小时，这就是 人类基准时间。AI 处理时间 则很有意思：AI 完成任务只需几分钟，但专家实际检查工作需要一小时，当然，写提示词也需要时间。至于 成功概率，GDPval 刚发布时，裁判在多数情况下判人类胜出；但随着 GPT-5.2 的发布，天平倾斜了。GPT-5.2 Thinking 和 Pro 模型平均有 72% 的时间打平或击败人类专家。
现在我们可以算笔账：假设一项 7 小时的任务，成功率为 72%，评估耗时 1 小时。如果你尝试把每个任务都交给 AI——花时间写提示词，花一小时评估答案，如果 AI 做得烂再自己重做——你平均能节省 3 小时。虽然 AI 搞砸的任务会让你多花时间（浪费了提示和审查的时间！），但 AI 成功的任务会让你效率倍增。
更有意思的是，我们可以利用管理技巧，让这个公式对我们更利！
学会委派：新时代的提示工程
要在委派 AI 时更划算（提高“成功概率”，降低“AI 处理时间”），我们可从三方面入手：
- 给出更优指令：设定清晰目标，让 AI 执行时更容易成功。
- 提升评估与反馈能力：以更少的尝试次数引导 AI 做对。
- 简化评估流程：想办法更轻松地判断优劣，减少时间成本。
所有这些都依赖于学科专长 (Subject Matter Expertise)——专家知道该下达什么指令，能敏锐地发现问题，也更擅长修正错误。
若无特定要求，当下的 AI 模型在自主解决问题方面已强得离谱。比如，我发现 Claude Code 仅凭一个提示词就能生成一款完整的 80 年代风格冒险游戏：“创建一个完全原创的老派 Sierra 风格冒险游戏，EGA 风格画面。用你的图像智能体生成图片，并给我一个解析器。确保所有谜题有趣且可解。完成游戏（游玩时长 10-15 分钟），不要问任何问题。做得精彩有趣点。”
就这么简单，AI 包办了一切，包括美术。再用两条提示词测试并部署，你现在就能玩到了：enchanted-lighthouse-game.netlify.app
这确实令人惊叹，但这种惊叹很大程度上是因为我没有什么具体要求，AI 可以自由发挥。然而，实际工作和真正的委派意味着你心中有特定的产出目标，这时候事情就变得棘手了。你如何将意图传达给 AI，让它既能运用“判断力”解决问题，又能精准交付你想要的结果？
这一难题早于 AI 存在已久，普遍到各行各业都衍生出了特定的文书体系来应对。软件开发者写 产品需求文档 (PRD)；电影导演分发 分镜表；建筑师制作 设计意向书；海军陆战队使用 五段式命令（情况、任务、执行、行政、指挥）；咨询顾问用详细的 交付规格说明书 来界定项目范围。
这些文档在新的智能体 (AI Agent) 工作流中，都能作为极佳的 AI 提示词（而且 AI 可以一次性处理长达数页的指令）。这些格式之所以通用，是因为本质一致：试图将一个人脑中的想法转化为另一个人的行动。
仔细观察那些优秀的委派文档，你会发现内容惊人地一致：
- 我们要达成什么目标，为什么？
- 授权的边界在哪里？
- 什么样的结果才算“完成”？
- 我需要哪些具体的产出？
- 我需要哪些阶段性产出来跟进进度？
- 你在告诉我“做完了”之前，应该先检查什么？
如果这些规范得当，AI 和人类一样，更有可能交出漂亮的答卷。
在琢磨如何给 AI 下指令的过程中，你会发现：你其实是在重新发明管理学。
管理智能体
在大牌 AI 实验室里，一些最知名的软件开发者指出，他们的工作正从以编程为主转变为以管理 AI 智能体为主。这很有趣。编程向来结构严谨，产出极易验证（代码要么能跑，要么报错），因此它成了 AI 工具最早成熟的领域之一，也成了最早感受到这种转变的职业。但这绝不是最后一个。
作为商学院教授，我认为许多人已经具备（或可以学习）与 AI 智能体共事所需的技能——那就是 管理学基础 (Management 101)。如果你能讲清楚需求，给出有效反馈，并设计出评估工作的方法，你就能驾驭智能体。在很多方面，至少在你擅长的领域里，这比设计精巧的提示词更容易，因为它更像是与人共事。
与此同时，传统管理学总是建立在“稀缺”的假设之上：你需要委派，是因为你自己做不完，而且人才有限且昂贵。AI 改变了这个公式。现在，“人才”充裕且廉价。真正稀缺的，是知晓该要求什么。
这就是为什么我的学生能表现得如此出色。他们不是 AI 专家，但他们花了数年时间学习如何在各自的专业领域界定问题、定义交付成果，并能识别出财务模型或医疗报告哪里不对劲。他们拥有从课堂和工作中千锤百炼得来的思维框架，而这些框架变成了他们的提示词。那些常被轻视的“软技能”，如今反而成了最硬核的能力。
当每个人都成为管理者，指挥着一支不知疲倦的智能体大军时，工作具体会变成什么样，我尚不可知。但我猜，那些能脱颖而出的人，将是那些知道“好”是什么样子，并能清晰表达到连 AI 都能听懂的人。
我的学生在四天内悟出了这个道理。不是因为他们是 AI 原住民，而是因为他们早已懂得如何管理。原来，所有的那些训练，都在无意间为这一刻做好了准备。
关于此文的讨论
Drew [2 天前]
好文章，但你的建议有两点感觉还停留在 2025 年。
- 委派文档可以和 AI 一起写，而非独自撰写。 例如，Claude Code 有个工具叫
AskUserQuestionTool，它会通过多选题采访你，直到帮你建立好委派文档。 - “评估和审查”最初也应由 AI 操刀，因为现在的算力不值钱。 你可以把任务和评估标准都写进提示词，Claude Code 可以同时扮演两个角色，自我博弈，直到工作成果通过它自己创建的内部测试。当计算成本为零时，AI 的迭代也是免费的。
让人类在 AI 之外做这两步既无必要，也不高效。
这正是 Sutton 所谓的 《苦涩的教训》 (The Bitter Lesson)。别太自作聪明，多用算力。
是的，这是一种思维转变。这就好比你在一个水电匮乏的第三世界国家长大，然后搬到了美国，拥有无限的清洁水和电力。你需要一段时间才能改掉节约的习惯。
知识工作精力 (KWE) 也是如此。我们在 KWE 稀缺的世界长大，现在它变得丰富了，我们却还在试图节约。这需要一些“去学习化”的过程！
建议教教你的 MBA 学生：别再试图省力了。
Dov Jacobson [2 天前]
你假设管理者知道自己想要什么。
我们以为我们知道。
但我发现，委派和评估的过程，恰恰是挑战和完善我最初计划的宝贵机会。无论是对人还是对 AI 智能体，解释我的想法往往能激发我重新思考，而评估结果总是能带来新的启发。
你的模型把迭代委派仅仅视为一种低效，却忽略了它作为战略精进的价值。