Management as AI superpower

我刚刚在宾夕法尼亚大学教了一堂实验课，挑战学生们在四天内从零开始创建一家初创公司。班上的大多数人都在读高级管理人员工商管理硕士（EMBA）项目，所以他们一边上课，一边在各种大小公司担任医生、经理或领导者。很少有人写过代码。我向他们介绍了Claude Code和Google Antigravity，他们需要用这些工具来构建一个可用的原型。但仅有原型并不等于初创公司，所以他们使用ChatGPT、Claude和Gemini来加速创意生成、市场调研、竞争定位、路演和财务建模等流程。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。 我教创业学已有十五年，见过成千上万的创业想法（其中一些变成了大公司），所以我很清楚一群聪明的MBA学生能取得什么样的成绩。我估计，我在几天内看到的情况，比之前在没有AI的情况下，学生们用整个学期取得的进展还要高出一个数量级。大多数原型不仅仅是示例界面，而是确实有一个核心功能在运行。想法比平时更加多样化和有趣。市场和客户分析也很有见地。这真的令人印象深刻。这些还不是正在运营的初创公司，也不是完全可用的产品（有几个例外），但他们已经从传统流程中节省了数月时间以及大量资金和精力。还有一点：大多数早期初创公司需要转型，随着对市场需求和技术可能性的了解加深而改变方向。通过降低转型成本，探索各种可能性变得更加容易，不会被困住，甚至可以同时探索多个初创公司：你只需告诉AI你想要什么。 我希望我能说这令人印象深刻的结果归功于我出色的教学，但我们还没有一个很好的框架来使用所有这些工具，学生们基本上是自己摸索出来的。他们有一些管理和专业知识背景，这有所帮助，因为事实证明，成功的关键实际上是上一段最后一点：告诉AI你想要什么。随着AI越来越能胜任需要人类花费数小时才能完成的任务，并且评估这些结果变得越来越耗时，善于委派的价值也在增加。但你应该在什么时候委派给AI呢？ 智能体工作的方程式 我们实际上有一个答案，但有点复杂。考虑三个因素：首先，由于AI能力的“锯齿状前沿”，在复杂任务上，你无法可靠地知道AI擅长什么或不擅长什么。其次，无论AI是好是坏，它肯定很快。它能在几分钟内完成人类需要数小时才能完成的工作。第三，它很便宜（相对于专业工资），而且它不介意你生成多个版本并丢弃大部分。 这三个因素意味着决定是否委派给AI取决于三个变量： - 人类基线时间：你自己完成这项任务需要多长时间 - 成功概率：AI在给定尝试中产生符合你标准的输出的可能性有多大 - AI处理时间：你请求、等待和评估AI输出需要多长时间 一个有用的思维模型是，你在“完成整个任务”（人类基线时间）和“支付开销成本”（AI处理时间）之间进行权衡，可能多次，直到得到可接受的结果。成功概率越高，你需要支付AI处理时间的次数就越少，将事情交给AI就越有用。例如，考虑一项需要你一个小时才能完成的任务，但AI可以在几分钟内完成，尽管检查答案需要三十分钟。在这种情况下，你只应该给 如果成功概率非常高，就把工作交给AI，否则你花在生成和检查草稿上的时间会比你自己做还要多。然而，如果人工基准时间是10小时，那么花几个小时与AI合作可能是值得的，前提是AI能够胜任工作。 我们知道这个等式是成立的，因为今年夏天，OpenAI发布了关于AI与实际工作的重要论文之一，GDPval。我之前讨论过它，但关键是它让来自金融、医学、政府等不同领域的经验丰富的人类专家与最新的AI对决，并由另一组专家担任评委。专家平均需要7小时完成工作，所以在这种情况下，这就是人工基准时间。AI处理时间很有趣：AI只需几分钟就能完成任务，但专家需要一小时来实际检查工作，当然，编写提示词也需要时间。至于成功概率，当GDPval首次发布时，评委多数情况下判定人类工作获胜，但随着GPT-5.2的发布，平衡发生了转变。GPT-5.2 Thinking和Pro模型平均72%的情况下与人类专家持平或击败他们。 我们现在可以计算，假设成功概率为72%，评估时间为1小时，你在一个7小时的任务上能节省多少小时。如果你尝试每个任务，花时间提示AI，评估答案一小时，如果AI答案不好再自己做，你平均能节省3小时。AI失败的任务会花费更长时间（你浪费了提示和审查的时间！），但AI成功的任务会快得多。但我们可以利用管理技巧进一步改变等式，使之对我们更有利！ 将委派作为新的提示方式 我们可以做三件事来提高成功概率并降低AI处理时间，从而使委派给AI更值得。我们可以提供更好的指令，设定清晰的目标，让AI有更高的成功概率去执行。我们可以提高评估和反馈的能力，这样我们就不需要多次尝试让AI做正确的事情。我们可以更容易地评估AI在任务上的好坏，而不需要花费那么多时间。所有这些因素都因领域专业知识而得到改善——专家知道该给出什么指令，他们能更好地发现问题，并且更擅长纠正问题。 如果你不需要特定的东西，AI模型已经变得非常擅长自己解决问题。例如，我发现Claude Code能够用一条提示词生成整个80年代风格的冒险游戏：“创建一个完全原创的老式Sierra风格冒险游戏，具有类似EGA的图形。你应该使用你的图像代理生成图像，并给我一个解析器。让所有谜题有趣且可解。完成游戏（应该需要10-15分钟游玩），不要问任何问题。让它令人惊叹和愉悦。”就这样，AI制作了一切，包括艺术。最后两条提示词让它测试了游戏并部署了它。你可以自己玩：enchanted-lighthouse-game.netlify.app 这确实令人惊叹，但这种惊叹被放大了，因为我不需要任何特定的东西，只是一个AI可以自由发挥的冒险游戏。但真正的工作和真正的委派意味着你心中有特定的输出，这就是事情可能变得棘手的地方。你如何向AI传达你的意图，让它执行你想要的，以便它能运用“判断力”解决问题，同时仍然给你想要的输出？ 这个问题在AI出现之前就存在，而且如此普遍，以至于每个领域都发明了自己的文书工作来解决它。软件开发人员编写产品需求文档。电影导演移交镜头列表。建筑师创建设计意图文档。海军陆战队使用五段式命令（情况、任务、执行、行政 （在，命令）。顾问们用详细的交付规格来界定项目范围。所有这些文档作为AI提示词，在这个代理式工作的新世界里都表现得异常出色（而且AI一次能处理多页指令）。你能用这么多格式来指导AI，是因为所有这些本质上都是同一回事：试图把一个人脑子里的想法转化为另一个人的行动。 当你审视真正优秀的委派文档包含什么时，会发现它们惊人地一致：我们要达成什么目标，为什么？被委派权力的边界在哪里？"完成"是什么样子的？我需要哪些具体输出？我需要哪些中间输出来跟进你的进度？在告诉我完成之前，你应该检查什么？如果这些都规定得很清楚，AI就像人类一样，更有可能把工作做好。 而在琢磨如何向AI下达这些指令的过程中，你实际上是在重新发明管理。 管理代理 我觉得有趣的是，看到一些大型AI实验室最知名的软件开发者指出，他们的工作如何从主要是编程转变为主要是管理AI代理。编程一直有着非常有序的结构，输出可以清晰验证（代码要么能用，要么不能用），所以它成为AI工具最先成熟的领域之一，也因此成为第一个感受到这种变化的职业。但这不会是最后一个。 作为商学院教授，我认为很多人拥有或可以学会与AI代理合作所需的技能——这些就是管理学101的技能。如果你能解释你需要什么，给出有效的反馈，并设计评估工作的方式，你就能与代理合作。在很多方面，至少在你的专业领域内，这比试图设计巧妙的提示词来帮你完成工作要容易得多，因为它更像是与人合作。与此同时，管理一直以稀缺为前提：你委派是因为你不能自己做所有事，也因为人才有限且昂贵。AI改变了这个等式。现在"人才"丰富且便宜。稀缺的是知道该要求什么。 这就是为什么我的学生们表现如此出色。他们不是AI专家。但他们花了多年时间学习如何界定自己专业领域内的问题，定义交付物，并识别财务模型或医疗报告何时出错。他们从课堂和工作中积累了来之不易的框架，这些框架成了他们的提示词。那些常常被贬为"软技能"的能力，结果证明才是硬功夫。 我不确切知道当每个人都是带着一支不知疲倦的代理大军的经理时，工作会是什么样子。但我怀疑，那些蓬勃发展的人将是知道"好"是什么样子的人——并且能把它解释得足够清楚，以至于连AI都能交付。我的学生们在四天内就明白了这一点。不是因为他们天生就是AI一代，而是因为他们已经知道如何管理。事实证明，所有的训练都在不经意间为这一刻做好了准备。