Model Manager（模型管理者）

角色转变：从 doer 到 delegator，从 maker to manager

定义

Model Manager 是分配经济中的核心角色。当 AI 能完成大部分执行工作时，人类的核心价值转向：

分配工作 - 决定哪些任务交给 AI
评估质量 - 判断 AI 输出是否达标
迭代改进 - 提供反馈让 AI 改进

核心能力

1. Coherent Vision（连贯愿景）

清晰、具体、有目的的愿景表达能力：

提示越具体简洁，工作成果越好
语言模型可以帮助提炼愿景

2. Clear Taste（清晰品味）

知道想要什么，能表达为什么不对：

最差的管理者说"不对"，但无法解释问题。最好的管理者有清晰品味，AI 能更好地创造连贯内容。

3. Talent Evaluation（人才评估）

评估 AI 模型能力：

哪个模型适合什么任务
如何拆分复杂任务给不同模型
快速测试新模型是否足够好

4. Detail Management（细节管理）

知道何时深入、何时放手：

不像 micromanager 亲力亲为
不像 hands-off manager 完全放任
知道问什么问题、何时检查

Delegation Equation

Ethan Mollick 提出的委托决策公式：

是否委托 AI = f(Human Baseline Time, Probability of Success, AI Process Time)

Human Baseline Time: 你自己做需要多久
Probability of Success: AI 一次成功的概率
AI Process Time: 请求、等待、评估的时间

与传统管理的区别

维度	传统管理	Model Manager
资源稀缺性	人才稀缺	"人才"充裕廉价
委托原因	不能自己做	AI 更快更便宜
核心挑战	找到好人才	知道要什么

关键数据点

GPT-5.2 Thinking 和 Pro 模型在 GDPval 任务中平均 72% 的时间打平或击败人类专家
人类专家完成 GDPval 任务平均需要 7 小时，AI 只需几分钟但检查需要 1 小时
如果任务需要 1 小时，AI 只需几分钟但检查需要 30 分钟，只有高成功率才值得委托
如果一个任务需要 10 小时，值得花数小时与 AI 合作
委托决策公式：是否委托 AI = f(Human Baseline Time, Probability of Success, AI Process Time)

前提与局限性

依赖前提：AI 速度足够快且成本足够低，使得委托的 overhead 值得
适用边界：适用于 Human Baseline Time > AI Process Time × (1/Probability of Success) 的场景
局限性：对于看似 plausible 但实际失败的任务，检查和纠正可能比自己做更耗时
领域专业知识是关键：专家知道给什么指令、能更快发现错误、更擅长纠正
不是所有任务都适合委托：需要明确输出标准的任务比开放性任务更适合

关联概念

Allocation-Economy - Model Manager 是分配经济中的核心角色
Agentic-Engineering - Model Manager 管理 coding agents 的工程范式
Taste - Clear Taste 是 Model Manager 的核心能力之一
Delegation to AI - 委托决策公式的具体应用（详见 raw: Management as AI superpower）

来源：Dan Shipper (Every), Ethan Mollick (Wharton)