管理作為AI超級力量

近日，賓夕法尼亞大學的一位教授進行了一項實驗性教學：他要求學生在四天內從零開始創建一家初創公司。參與者大多為高管MBA項目的學生，平時身兼醫生、經理或企業領導職務，幾乎沒有人有編程經驗。教授向他們介紹了Claude Code和Google Antigravity等工具，用於構建工作原型。然而，原型本身並非初創公司，因此學生們還使用了ChatGPT、Claude和Gemini來加速創意生成、市場研究、競爭定位、路演和財務建模等環節。結果令人驚訝：他們在短時間內取得了遠超預期的進展。

演示實例包括：Ticket Passport（已驗證門票銷售市場）、Revenue Resilience（為小企業識別有風險收入並創建代理解決方案）、育兒助手（匹配兒童興趣與活動）和Invive（血糖預測）。教授表示，作為有着十五年創業教學經驗的人，他見過成千上萬的創業想法，但這次學生在幾天內取得的成果，比以往整個學期（無AI輔助）的成果領先一個數量級。大多數原型不僅包含示例屏幕，而且實現了核心功能。創意的多樣性和趣味性遠超以往，市場和客户分析也頗具洞察力。儘管這些還不是成熟的初創公司或完整產品，但它們節省了數月時間和大量資金。更重要的是，由於AI降低了轉向成本，學生們可以更輕鬆地探索多種可能性，甚至同時嘗試多個創業方向。

教授指出，這一成果並非源於他的教學，而是學生們自己摸索出了使用這些工具的方法。關鍵在於，學生們擁有管理和專業領域的知識，能夠有效地告訴AI他們想要什麼。隨着AI能夠快速完成原本需要人類數小時的任務，而評估這些結果的時間成本不斷上升，善於委託的能力變得越來越有價值。

文章提出了“代理工作方程式”：考慮三個因素——AI能力的“鋸齒狀前沿”（不可預測性）、速度（分鐘級）和低成本。委託給AI的決策基於三個變量：人類基準時間（完成任務的原始耗時）、成功概率（AI輸出滿足要求的可能性）和AI處理時間（請求、等待和評估AI輸出的時間）。一個有用的心智模型是：將“完成整個任務”與“支付開銷”（多次AI處理時間）進行權衡。成功概率越高，需要支付的次數越少，委託就越有價值。例如，一項需要人類一小時的任務，如果AI能幾分鐘完成但檢查需要半小時，那麼只有在成功概率極高時委託才划算；如果任務需要十小時，即使AI處理時間較長也值得。

這一方程得到了實際驗證：OpenAI發佈的GDPval研究讓人類專家與最新AI在金融、醫療、政府等領域競爭，專家平均耗時7小時，AI僅需數分鐘但評估需一小時。最初人類專家勝率較高，但隨着GPT-5.2的推出，AI在72%的任務中與人類持平或勝出。基於此計算，在7小時任務上採用“草稿→審核→重試”流程，平均可節省3小時。

為了提高委託效果，需要提高成功概率並降低AI處理時間。方法包括：給出更好的指令（明確目標）、提高評估和反饋能力、以及更容易判斷AI的好壞。所有這些都需要領域專業知識。文章還提到，良好的委託文檔（如產品需求文檔、鏡頭列表、設計意圖文檔、五段式命令等）在AI時代同樣有效，因為它們本質上是將一個人頭腦中的想法轉化為另一個人行動的手段。這些文檔的核心要素包括：目標與原因、權限邊界、完成標準、具體輸出、中期輸出以及最終檢查點。

有趣的是，一些AI實驗室的知名開發者發現，他們的工作正從編程轉向管理AI代理。編程因其結構化特性而率先被AI工具滲透，但其他領域也不會落後。作為商學院教授，筆者認為許多人已經具備或可以學習與AI代理合作的技能——這些就是管理101技能：能夠解釋需求、給出有效反饋、設計評估方式。在專業領域內，這比設計巧妙的提示詞更簡單，更像是與人合作。但管理一直假設稀缺性：因為無法獨力完成，且人才有限昂貴。AI改變了這一格局：“人才”變得豐富且廉價，稀缺的是知道該要求什麼。

這正是學生們成功的原因：他們並非AI專家，但多年學習如何界定問題、定義交付物、識別金融模型或醫療報告是否異常。他們從課程和工作中積累的框架成了提示詞。那些常被貶為“軟技能”的能力，恰恰成為了硬實力。當每個人都成為管理者，擁有不知疲倦的代理大軍時，最終勝出的將是那些知道“好”是什麼樣，並能清晰解釋以使AI也能交付的人。