Management as AI superpower

管理作为AI超级力量 在智能体AI的世界中蓬勃发展 我刚刚在宾夕法尼亚大学教了一门实验课，要求学生在四天内从零开始创建一家初创公司。班上大多数学生就读于高级工商管理硕士项目，因此他们一边上课，一边在各种大小公司担任医生、经理或领导者。几乎没有人写过代码。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工作的原型。但仅有原型还不够成为一家初创公司，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、路演和财务建模过程。我很好奇他们在这么短的时间内能走多远。结果发现，他们走得非常远。 我教授创业课程已有十五年，见过成千上万的创业想法（其中一些变成了大公司），因此我对一班聪明的MBA学生能完成什么有很好的预期。我估计，我在几天内看到的成果，比之前在没有AI的情况下学生花整个学期取得的成果，在通往真正初创公司的道路上要领先一个数量级。大多数原型不仅仅是示例屏幕，而是实际实现了核心功能。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）——但它们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容易得多，而不会陷入困境，甚至同时探索多个初创公司：你只需告诉AI你想要什么。 我希望我能说这些令人印象深刻的成果归功于我的出色教学，但我们还没有一个很好的框架来使用所有这些工具，学生们很大程度上是自己摸索出来的。他们拥有一些管理和专业知识有所帮助，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越来越能完成人类需要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，善于委派的价值也随之增加。但什么时候应该委派给AI呢？ 智能体工作方程 我们实际上有一个答案，但有点复杂。考虑三个因素：第一，由于AI能力的锯齿形边界，你无法可靠地知道AI在复杂任务上擅长或不擅长什么。第二，无论AI擅长与否，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委派给AI取决于三个变量： - 人类基准时间：你自己完成该任务所需的时间 - 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 - AI处理时间：你请求、等待和评估AI输出所需的时间 一个有用的思维模型是，你在“完成整个任务”（人类基准时间）和“支付开销成本”（AI处理时间）之间进行权衡，可能多次尝试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，将任务交给AI就越有用。例如，考虑一个任务需要你花一小时完成，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，只有当成功概率非常高时，才应该把工作交给AI，否则你花在生成和检查草稿上的时间会比亲自完成更多。但如果人类基准时间是10小时，那么花几个小时与AI协作是值得的，前提是AI能够胜任工作。 我们知道这个公式有效，因为今年夏天，OpenAI发布了关于AI和实际工作的重要论文之一——GDPval。我之前讨论过，关键在于它让来自金融、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，因此这就是人类基准时间。AI处理时间很有趣：AI只需几分钟完成任务，但专家需要一小时来检查工作，当然，编写提示也需要时间。至于成功概率，GDPval刚发布时，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胜出。 现在我们可以计算，假设成功概率为72%，评估时间为一小时，你在一个七小时的任务上能节省多少时间。如果你每次任务都花时间提示AI，花一小时评估答案，如果AI答案不好再亲自完成，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。不过，我们可以利用管理技巧进一步优化这个公式！ 委托作为新的提示方式 我们可以做三件事来提高成功概率并降低AI处理时间，从而使委托给AI更值得。我们可以给出更好的指令，设定明确的目标，让AI有更高的成功概率执行。我们可以提高评估和反馈的能力，从而减少让AI做对事情所需的尝试次数。我们可以更容易地评估AI在任务上的好坏，而不需要花费太多时间。所有这些因素都因领域专业知识而改善——专家知道该给出什么指令，他们能更好地发现错误，并且更擅长纠正。 如果你不需要具体的东西，AI模型已经变得非常擅长自己解决问题。例如，我发现Claude Code能够通过一个提示生成整个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（应需10-15分钟游玩），不要问任何问题。让它令人惊叹且愉快。”就这样，AI制作了一切，包括美术。通过最后两个提示，它测试了游戏并部署了它。你可以亲自体验：enchanted-lighthouse-game.netlify.app 这确实令人惊叹，但这种惊叹被放大了，因为我并不需要具体的东西，只是一个AI可以自由即兴创作的冒险游戏。但实际工作和真正的委托意味着你心中有一个具体的输出，而这正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，从而在解决问题的同时仍然给出你期望的输出？ 这个问题在人工智能出现之前就长期存在，并且非常普遍，以至于每个领域都发明了自己的文书来解决它。软件开发者编写产品需求文档。电影导演交付镜头列表。建筑师创建设计意图文件。海军陆战队使用五段式命令（态势、任务、执行、行政、指挥）。顾问通过详细的交付物规格来界定项目范围。所有这些文档作为人工智能提示词，在这个全新的智能体工作世界中都表现得非常出色（人工智能一次可以处理多页指令）。之所以可以使用这么多格式来指导人工智能，是因为所有这些本质上都是同一件事：试图将一个人脑海中的想法转化为另一个人的行动。 当你审视优秀授权文档的实际内容时，会发现它们惊人地一致：我们要完成什么，为什么？授权的边界在哪里？“完成”是什么样子？我需要哪些具体输出？我需要哪些中间输出来跟踪你的进度？在告诉我你完成之前，你应该检查什么？如果这些内容都明确指定，那么人工智能就像人类一样，更有可能做好工作。 而在弄清楚如何向人工智能下达这些指令的过程中，你实际上是在重新发明管理。 管理智能体 我发现有趣的是，一些主要人工智能实验室中最知名的软件开发者注意到，他们的工作正在从主要是编程转变为主要是管理人工智能智能体。编程一直具有非常有序的结构，输出可以明确验证（代码要么能运行，要么不能），因此它成为人工智能工具最早成熟的领域之一，也是第一个感受到这种变化的职业。但这不会是最后一个。 作为一名商学院教授，我认为许多人已经具备或可以学习与人工智能智能体合作所需的技能——这些是管理学101技能。如果你能解释你需要什么，提供有效的反馈，并设计评估工作的方法，你就能与智能体合作。在许多方面，至少在你的专业领域内，这比试图设计巧妙的提示词来帮助你完成工作要容易得多，因为它更像与人合作。同时，管理一直假设稀缺性：你授权是因为你不能自己做所有事情，而且人才有限且昂贵。人工智能改变了这一等式。现在，“人才”丰富且廉价。稀缺的是知道该要求什么。 这就是我的学生表现如此出色的原因。他们不是人工智能专家。但他们花了多年时间学习如何在自己的专业领域内界定问题、定义交付物，并识别财务模型或医疗报告何时出错。他们从课程和工作中获得了来之不易的框架，这些框架成为了他们的提示词。那些常常被轻视的“软技能”结果证明是硬技能。 我不知道当每个人都是管理者，拥有一支不知疲倦的智能体大军时，工作会是什么样子。但我怀疑，那些蓬勃发展的人将是那些知道“好”是什么样子——并且能够足够清晰地解释它，以至于即使是人工智能也能交付它的人。我的学生在四天内就明白了这一点。不是因为他们天生熟悉人工智能，而是因为他们已经知道如何管理。原来，所有的训练都在无意中为他们准备迎接这一刻。