管理：AI 时代的“超能力”
神译局是36氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。
编者按：4天从0到1，不写代码的高管凭什么跑赢整学期开发？当AI抹平门槛，“管理意图”成了最硬核的生存技能。文章来自编译。
我最近在宾夕法尼亚大学上了一门实验性课程，要求学生们在四天内从零开始创建一个创业项目。班里的大多数学生都是高管 MBA（EMBA）项目的，他们在上课的同时，还在各类大中小型公司担任医生、经理或领导者。其中几乎没有人写过代码。我向他们介绍了 Claude Code 和 Google Antigravity，让他们利用这些工具构建一个可运行的原型。但仅有原型并不等同于一家创业公司，因此他们还利用 ChatGPT、Claude 和 Gemini 来加速创意生成、市场调研、竞争定位、路演宣讲以及财务建模等流程。我很好奇他们在这么短的时间内能走多远。事实证明，他们走得非常远。
演示案例包括：由 Dee Sethmajhi、Jane Lian Wang 和 Yue Ma 开发的 Ticket Passport（一个验证票务销售市场）；由 Whit Chiles、Jose Olivares 和 Spencer Louie 开发的 Revenue Resilience（识别小企业的收入风险并创建智能体解决方案）；由 Manoj Massand、Samuel Lee 和 Harry Lu 开发的育儿伴侣（将孩子的兴趣与活动匹配）；以及由 Angela Argentati、Sabeen Chawla 和 Adeel Rizwan 开发的 Invive（血糖预测）。（还有很多其他优秀的项目，但这几个团队授权我可以分享截图！）
我已经教了十五年的创业课，见过成千上万个创业想法（其中一些已经发展成了大型公司），所以我对一群聪明的 MBA 学生能达到什么水平有很清晰的预判。我估计，在这两天里我所看到的成果，在通往真实创业公司的道路上，比 AI 时代之前学生花一整个学期做出的东西还要超前一个数量级。大多数原型不仅仅是几个演示画面，而是真正实现了核心功能的运作。创意比以往更加多样且有趣，市场和客户分析也极具洞察力。这确实令人印象深刻。虽然这些项目还不是成熟的创业公司，也不是完全投产的产品（除了少数几个例外），但它们比传统流程节省了数月的时间、巨额的资金和巨大的精力。此外还有一点：大多数早期创业公司都需要“转型”，即在深入了解市场需求和技术可行性后调整方向。通过降低转型的成本，探索各种可能性变得容易得多，开发者不会被困在某个想法中，甚至可以同时探索多个创业项目：你只需要告诉 AI 你的需求。
我真希望这令人惊叹的成果归功于我出色的教学，但实际上我们还没有一套关于如何使用这些工具的成熟框架，学生们基本上是靠自己摸索出来的。他们拥有的管理经验和专业领域知识起到了很大作用，因为事实证明，成功的关键恰恰是上一段最后提到的那一点：告诉 AI 你想要什么。随着 AI 处理原本需要人类数小时才能完成的任务的能力越来越强，评估这些结果也变得越来越耗时，此时，“善于委派”的价值便凸显出来。但问题在于，什么时候该把工作委派给 AI 呢？
智能体化工作的方程式
我们其实已经有了答案，但情况有点复杂。需考虑三个因素：首先，由于 AI 能力存在“锯齿状边缘”（Jagged Frontier），你无法确切知道它在处理复杂任务时哪些拿手、哪些不在行。其次，无论 AI 做得好坏，它的速度绝对快，能在几分钟内完成人类需要花费数小时的工作。第三，它很便宜（相对于专业人士的工资而言），而且它并不介意你生成多个版本并扔掉其中的大部分。
这三个因素意味着，决定是否将任务委派给 AI 取决于三个变量：
人类基准时间 (Human Baseline Time)： 你自己完成这项任务需要多长时间。
成功概率 (Probability of Success)： AI 在单次尝试中产出符合你标准的结果的可能性有多大。
AI 处理时间 (AI Process Time)： 你发出请求、等待并评估 AI 输出结果所需的时间。
一个实用的思考模型可以这样：你是在“独立完成整个任务”（人类基准时间）与“支付管理开销”（AI 处理时间）之间进行权衡。你可能需要支付多次开销，直到获得满意的结果。成功概率越高，你支付 AI 处理时间的次数就越少，将任务交给 AI 的性价比就越高。举个例子，假设一项任务你自己做需要一小时，AI 几分钟就能做完，但检查答案需要三十分钟。在这种情况下，只有在成功概率极高时才应该交给 AI，否则你花在生成和检查草稿上的时间比你自己动手还要多。然而，如果人类基准时间是 10 小时，那么即使要花几个小时和 AI 磨合也是值得的，前提是 AI 最终能胜任这份工作。
这是一个针对“人类基准时间长达数小时”的任务进行的提示词示例，其初始 AI 处理时间为 30 分钟（在此期间你可以做其他事情），外加编写提示词和检查的时间。但如果你必须进行大量修正，那就不划算了。
我们知道这个方程式是奏效的，因为去年夏天，OpenAI 发布了关于 AI 与实际工作最重要的一篇论文——GDPval。我之前讨论过这篇论文，其核心在于让金融、医学、政务等不同领域的资深人类专家与最新的 AI 进行对决，并由另一组专家担任评委。专家平均需要 7 小时完成任务，因此在这种情况下，这就是“人类基准时间”。而 AI 处理时间很有意思：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，编写提示词也要花时间。至于“成功概率”，在 GDPval 最初发布时，评委大多判定人类胜出，但随着 GPT-5.2 的发布，天平发生了倾斜。GPT-5.2 Thinking 和 Pro 模型平均有 72% 的次数与人类专家持平或将其击败。
在“草稿 → 审核 → 必要时重试”的工作流下，AI 辅助完成 GDPval 任务带来的速度和成本提升（相对于未受辅助专家的 1x 基准）。GPT-5.2 的数据点是基于其在 GDPval 中约 72% 的胜平率进行的推测；其他模型的数据点来自 GDPval 论文。现实世界的结果会因任务而异：有些任务是“轻松取胜”，有些是明显失败，而最棘手的情况是那种“看起来没问题其实有错”的失败。
现在我们可以计算一下，在一项 7 小时的任务中，假设有 72% 的成功概率和一小时的评估时间，你能节省多少小时。如果你对每项任务都尝试编写提示词、花一小时评估 AI 结果，并在 AI 做得不好时亲自重做，那么你平均可以节省 3 小时。AI 失败的任务会花费更长时间（因为你浪费了编写和审核的时间！），但 AI 成功的任务会快得多。而且，我们还可以利用管理技巧，让这个方程式向对我们更有利的方向倾斜！
委派：提示词的新形态
为了让向 AI 委派工作更划算，我们可以通过三件事来提高成功概率并降低 AI 处理时间。首先，我们可以提供更好的指令，设定清晰的目标，让 AI 有更高的执行成功率。其次，我们可以提高评估和反馈的效率，从而减少让 AI 步入正轨所需的尝试次数。最后，我们可以简化评估过程，用更少的时间判断 AI 的表现优劣。所有这些因素都依赖于专业领域知识——专家知道该下达什么样的指令，能更敏锐地发现问题，并能更有效地纠正错误。
如果你不需要特定的结果，AI 模型在自主解决问题方面已经展现出了惊人的能力。比方说，我发现 Claude Code 仅凭一条提示词就能生成一款完整的 80 年代风格的冒险游戏。我的提示词是：“创建一个完全原创的老派 Sierra 风格冒险游戏，带有类 EGA 图形。你应该使用你的图像智能体生成图像，并为我提供一个解析器。让所有谜题都有趣且可解。完成整个游戏（游戏时长应为 10 到 15 分钟），不要问任何问题。让它变得惊艳且令人愉悦。”就这样，AI 完成了一切，包括美术。最后又用了两条提示词，它测试并部署了游戏。你可以自己玩玩看：enchanted-lighthouse-game.netlify.app。
这确实令人惊叹，但这种惊叹部分源于我并没有特定的要求，只要是一款冒险游戏，AI 可以自由发挥。但在实际工作和真正的委派中，你心中通常有一个特定的产出目标，这时情况就会变得棘手。你如何向 AI 传达你的意图，让它在运用“判断力”解决问题的同时，依然能给出你想要的产出？
这个问题在 AI 出现之前就已存在，而且它是如此普遍，以至于每个领域都发明了自己的文档格式来解决它。软件开发人员写产品需求文档（PRD）；电影导演要给出分镜表；建筑师创建设计意图文件；海军陆战队使用“五段式命令”（环境、任务、执行、行政、指挥）；顾问通过详细的交付物规格来界定合作范围。在如今智能体化工作的世界中，所有这些文档都是极佳的 AI 提示词（而且 AI 一次可以处理数十页的说明）。之所以可以用这么多格式来指导 AI，是因为它们的本质是一样的：尝试将一个人脑子里的想法转化为另一个人的行动。
当你观察一份优秀的委派文档包含哪些内容时，你会发现它们惊人地一致：我们想要实现什么，为什么要这样做？委派权限的边界在哪里？“完成”的标准是什么？我需要哪些特定的产出物？我需要哪些中间产出来跟踪你的进度？在告诉你已经完成之前，你需要检查哪些项？如果这些要求被明确指定，AI 就像人类一样，更有可能把工作做好。
在摸索如何向 AI 下达这些指令的过程中，事实证明，你基本上是在重新发明“管理”。
管理智能体
我发现一个很有意思的现象：大型 AI 实验室中一些最著名的软件开发人员注意到，他们的工作重心正在从编写程序转向管理 AI 智能体。编程一直具有非常严密的结构和明确的可验证产出（代码要么能运行，要么不能），因此它是 AI 工具最早成熟的领域之一，也是第一个感受到这种变革的职业。但这绝不会是最后一个。
作为一名商学院教授，我认为许多人已经拥有或者可以习得与 AI 智能体合作所需的技能——这些都是最基础的管理技能。如果你能解释清楚需求，提供有效的反馈，并设计出评估工作的方法，你就能与智能体协同工作。在许多方面，至少在你的专业领域内，这比设计那些精巧的提示词要容易得多，因为它更像是与人打交道。与此同时，管理学一直是以“稀缺性”为前提的：你之所以委派，是因为你无法独自完成所有工作，且人才资源有限且昂贵。AI 改变了这个等式。现在，“人才”是充沛且廉价的。稀缺的是——知道该要求什么。
这就是为什么我的学生表现得如此出色。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、定义交付物，并识别财务模型或医疗报告何时出现了偏差。他们拥有从课堂和工作中辛苦积累的分析框架，而这些框架便成了他们的提示词。那些常被轻视为“软技能”的本领，最终被证明才是最硬核的技能。
我无法确切预知当每个人都成为拥有一支不知疲倦的智能体大军的“管理者”时，工作会变成什么样。但我猜，那些能够脱颖而出的人，将是那些知道“什么是好的产出”，并能将其解释得足够清楚，以至于连 AI 都能实现它的人。我的学生在四天内就领悟了这一点。不是因为他们是 AI 原住民，而是因为他们已经懂得如何管理。事实证明，此前所有的训练，都在无意中为他们迎接这一刻做好了准备。
译者：boxi。
