管理作为AI超级力量

近日，宾夕法尼亚大学的一位教授进行了一项实验性教学：他要求学生在四天内从零开始创建一家初创公司。参与者大多为高管MBA项目的学生，平时身兼医生、经理或企业领导职务，几乎没有人有编程经验。教授向他们介绍了Claude Code和Google Antigravity等工具，用于构建工作原型。然而，原型本身并非初创公司，因此学生们还使用了ChatGPT、Claude和Gemini来加速创意生成、市场研究、竞争定位、路演和财务建模等环节。结果令人惊讶：他们在短时间内取得了远超预期的进展。

演示实例包括：Ticket Passport（已验证门票销售市场）、Revenue Resilience（为小企业识别有风险收入并创建代理解决方案）、育儿助手（匹配儿童兴趣与活动）和Invive（血糖预测）。教授表示，作为有着十五年创业教学经验的人，他见过成千上万的创业想法，但这次学生在几天内取得的成果，比以往整个学期（无AI辅助）的成果领先一个数量级。大多数原型不仅包含示例屏幕，而且实现了核心功能。创意的多样性和趣味性远超以往，市场和客户分析也颇具洞察力。尽管这些还不是成熟的初创公司或完整产品，但它们节省了数月时间和大量资金。更重要的是，由于AI降低了转向成本，学生们可以更轻松地探索多种可能性，甚至同时尝试多个创业方向。

教授指出，这一成果并非源于他的教学，而是学生们自己摸索出了使用这些工具的方法。关键在于，学生们拥有管理和专业领域的知识，能够有效地告诉AI他们想要什么。随着AI能够快速完成原本需要人类数小时的任务，而评估这些结果的时间成本不断上升，善于委托的能力变得越来越有价值。

文章提出了“代理工作方程式”：考虑三个因素——AI能力的“锯齿状前沿”（不可预测性）、速度（分钟级）和低成本。委托给AI的决策基于三个变量：人类基准时间（完成任务的原始耗时）、成功概率（AI输出满足要求的可能性）和AI处理时间（请求、等待和评估AI输出的时间）。一个有用的心智模型是：将“完成整个任务”与“支付开销”（多次AI处理时间）进行权衡。成功概率越高，需要支付的次数越少，委托就越有价值。例如，一项需要人类一小时的任务，如果AI能几分钟完成但检查需要半小时，那么只有在成功概率极高时委托才划算；如果任务需要十小时，即使AI处理时间较长也值得。

这一方程得到了实际验证：OpenAI发布的GDPval研究让人类专家与最新AI在金融、医疗、政府等领域竞争，专家平均耗时7小时，AI仅需数分钟但评估需一小时。最初人类专家胜率较高，但随着GPT-5.2的推出，AI在72%的任务中与人类持平或胜出。基于此计算，在7小时任务上采用“草稿→审核→重试”流程，平均可节省3小时。

为了提高委托效果，需要提高成功概率并降低AI处理时间。方法包括：给出更好的指令（明确目标）、提高评估和反馈能力、以及更容易判断AI的好坏。所有这些都需要领域专业知识。文章还提到，良好的委托文档（如产品需求文档、镜头列表、设计意图文档、五段式命令等）在AI时代同样有效，因为它们本质上是将一个人头脑中的想法转化为另一个人行动的手段。这些文档的核心要素包括：目标与原因、权限边界、完成标准、具体输出、中期输出以及最终检查点。

有趣的是，一些AI实验室的知名开发者发现，他们的工作正从编程转向管理AI代理。编程因其结构化特性而率先被AI工具渗透，但其他领域也不会落后。作为商学院教授，笔者认为许多人已经具备或可以学习与AI代理合作的技能——这些就是管理101技能：能够解释需求、给出有效反馈、设计评估方式。在专业领域内，这比设计巧妙的提示词更简单，更像是与人合作。但管理一直假设稀缺性：因为无法独力完成，且人才有限昂贵。AI改变了这一格局：“人才”变得丰富且廉价，稀缺的是知道该要求什么。

这正是学生们成功的原因：他们并非AI专家，但多年学习如何界定问题、定义交付物、识别金融模型或医疗报告是否异常。他们从课程和工作中积累的框架成了提示词。那些常被贬为“软技能”的能力，恰恰成为了硬实力。当每个人都成为管理者，拥有不知疲倦的代理大军时，最终胜出的将是那些知道“好”是什么样，并能清晰解释以使AI也能交付的人。