追本：AI 管理的本质
起点：不同能力层级的 AI 模型需要不同管理方式，与管理人的能力-委派匹配模型同构。管理方式与模型能力的错配是 AI 使用效果差的核心原因。AI 进步将人推向更高管理层级，最终指向"思考应该思考什么"的元思考层。
第一层：表面——管理风格
卡兹克说，你用 Opus 4.8 做聚簇算法，给它策略层目标，它接不住。换 Fable 5，同任务半天搞定。
表面看，这是"不同模型需要不同管理风格"。
但往下挖：为什么"管理风格"这个词能同时适用于人和 AI？
管理者对下属做的事，和对 AI 做的事，有什么共同结构？
都是把意图转化为行动。
管理者脑中有个目标，下属（或 AI）是执行器。问题永远是：意图的颗粒度应该多粗或多细？
给实习生："打开这个 Excel，复制 B3:D10，粘贴到新表。" 给总监："Q3 营收要涨 15%，你拆方案。" 给合伙人："我们今年要做到行业第一。"
同一个意图，三种颗粒度。
裂缝在这里：颗粒度的选择依据是什么？不是"对方是谁"，而是"对方的能力边界在哪里"。
第二层：匹配——颗粒度对准
"管理风格"是个假概念。真正发生的是颗粒度对准。
你对 Opus 4.8 说"重构聚簇算法"，这是策略层颗粒度。但 Opus 4.8 在算法设计维度上的能力边界，只能承接执行层颗粒度。颗粒度和能力之间有一道裂缝，AI 跨不过去。
你对 Fable 5 说同样的话，它能跨过去。因为它的算法设计能力刚好在策略层边界上。
人和 AI 的"管理"之所以同构，不是因为它们相似，而是因为它们服从同一条约束：
指令的抽象层级，不能超过执行器的推理深度。
这条约束不分碳基硅基。一个刚入职的应届生和一个只会执行 Prompt 的模型，面对同一类困境：你给的意图太抽象，它（他）无法自行拆解为行动序列。
裂缝在这里：这条约束为什么存在？它背后有什么更深的东西？
第三层：控制论——层级匹配原理
往下掉一层，进入控制论。
任何目标导向系统都有一个层级结构：
目标层（为什么做）
→ 策略层（做什么）
→ 执行层（怎么做）
→ 物理层（原子动作）
每一层只能向下一层发出指令，不能跳层。CEO 不能直接告诉流水线工人拧哪颗螺丝——不是不该，是信息量不对：CEO 不知道哪颗螺丝，说了也是错的。
这就是 Ashby 的必要多样性定律（Law of Requisite Variety, 1956）：
控制器的状态空间，必须大于等于被控系统的状态空间。
翻译成管理语言：你能发出的指令种类数，必须覆盖执行器面临的情境种类数。如果执行器面对 100 种情况，你只能给 1 条固定指令，系统就会在 99 种情况下失控。
现在回看 AI 管理：
- Prompt Engineering = 高颗粒度指令，覆盖窄状态空间。适合执行器能力低、情境简单的场景。
- Harness Engineering = 中颗粒度约束，让执行器自行填充中间状态。适合执行器有一定推理能力、情境可预测的场景。
- 自主 Agent = 低颗粒度方向，执行器自行推导全部中间状态。适合执行器推理能力强、情境复杂的场景。
三种工程范式不是"管理风格偏好"，而是控制器的状态空间与执行器的状态空间之间的匹配方式。
裂缝在这里：如果这纯粹是控制论问题，那随着 AI 能力增长，人应该不断减少指令颗粒度，最终趋向零指令——完全放权。但文章说人不会消失，而是被推到"元思考层"。为什么？
第四层：不可委托——目标设定权
控制论告诉我们如何匹配颗粒度，但没告诉我们目标本身从哪里来。
"重构聚簇算法"——这个目标谁定的？卡兹克自己。 "AIHOT 要做成行业最好的 AI 资讯聚合"——这个目标谁定的？还是卡兹克。
目标设定是控制层级结构中最顶层的动作。它没有上一层可以接收指令。
在组织中，目标设定权属于承担后果的人。CEO 定战略，因为他对股东负责；创始人定愿景，因为这是他的公司。
那人对 AI 的目标设定权，根基在哪里？
不是"人比 AI 聪明"——Fable 5 的方案比卡兹克自己能想到的"好 N 个数量级"。 不是"人有经验"——AI 训练数据包含全人类的经验。 不是"人有创造力"——AI 能生成人类没想到的方案。
答案是：人是后果的承受者。
AI 不承担后果。聚簇算法失败了，损失的是卡兹克的用户、卡兹克的声誉、卡兹克的时间。AI 没有声誉，没有用户，不体验时间。
目标设定权不可委托，不是因为能力，而是因为利害关系的不可转让性。
裂缝在这里：如果人只是"后果承受者"，那"元思考"到底是什么？仅仅是"选哪个目标"吗？
第五层：选择的本质——价值判断的非计算性
德鲁克说："管理者的工作是思考应该思考什么。"
这句话的真正重量在"应该"二字。
"应该思考什么"不是"什么思考收益最大"——后者是优化问题，AI 能做。 "应该"是一个价值判断：在所有可能中，什么值得。
值得做什么，取决于三样东西：
- 你相信什么（价值观）
- 你觉得什么美（审美）
- 你愿意为什么付出代价（承诺）
这三样东西不是计算出来的。它们是活出来的。
AI 可以穷举所有路径、计算每条路径的预期收益。但"这条路值不值得走"不是预期收益问题——是你愿意成为走这条路的人吗的问题。
卡兹克选择做 AIHOT，不是因为它是收益最大化的选择。可能是因为他觉得 AI 资讯聚合这件事有意思，他享受这个过程，他愿意为此承受创业的不确定性。
这个选择不需要"正确"，只需要"是他的"。
这就是选择与计算的根本分野：
- 计算有最优解。AI 能找到它。
- 选择没有最优解。选择只有"你选的"和"你没选的"。
选择的不可计算性，不是 AI 当前的技术限制，而是选择这个概念本身的性质。
裂缝在这里：如果选择不可计算，那人被推到元思考层之后，到底在做什么？
第六层：底——存在的位置性
最后一层。
人被 AI 推到元思考层，不是"升职"——是被迫面对一个存在性问题：
你站在哪里？
AI 可以替你思考怎么做、做什么、甚至做什么值得做（从功利角度）。但它不能替你回答：你是谁，你站在世界的哪个位置，你从这个位置看到了什么。
这就是"位置性"（positionality）：每一个选择背后，站着一个有特定历史、特定身体、特定关系的存在。这个存在的独特位置，决定了它的选择不是任意的，也不是可优化的——是有根的。
稻盛和夫说"作为人，何谓正确"。这个问题的答案不是普遍的——它取决于"哪个"人、在"哪个"处境中、面对"哪些"人。
德鲁克晚年走向哲学，不是因为管理学到头了，而是因为他触碰到了管理学的地基：管理的前提是一个有位置的存在，在为另一个有位置的存在设定方向。
AI 没有位置。它训练于所有人类文本之上，但不站在任何一个人的位置上。它可以模拟位置（"如果你是 CEO 你会怎么做"），但模拟不是占据。
人不可替代的终极原因不是能力，不是计算限制，而是：选择需要一个有位置的存在来承担。
管理思维迁移到 AI 的真正边界在这里：你可以把执行委托给 AI，可以把策略委托给 AI，甚至可以把"什么值得做"的分析委托给 AI——但最后那一下，"我选这条路"，只能由一个站在某处的、真实的人来做。
不是因为 AI 做不了这个动作。而是因为这个动作的定义要求一个有位置的存在来执行。就像"签名"这个动作的定义要求一个有身份的人来执行——你可以伪造笔迹，但伪造的不是签名，是痕迹。
压缩
六层之下，一个结论：
AI 管理的表面是风格匹配，底层是控制论的层级对准。但层级准到尽头，剩下的不是技术问题，而是存在论问题——选择需要位置，位置不可模拟。
人不是因为有优势才不可替代。人是因为有位置才不可替代。