Management as AI superpower
编译摘要
1. 浓缩
- 核心结论1: AI 让“做事的人才”变得更便宜，真正稀缺的是知道要做什么、如何委托、如何验收的人。
- 关键证据: Ethan Mollick 描述 EMBA 学生在四天内用 Claude Code、Google Antigravity、ChatGPT、Claude、Gemini 等工具做出可运行的 startup prototypes，完成度比上一年前进一个数量级；pivot 成本也明显下降。
- 关键含义: 当执行成本下降，瓶颈从“有没有人能做”转向“谁能定义正确任务、给出上下文、设置边界、判断输出质量”。
- 核心结论2: 是否把任务委托给 AI，可以用人类基准时间、AI 过程时间和成功概率来粗略判断。
- 关键证据: 文章给出 agentic work equation：如果人类做任务要一小时，AI 过程只要几分钟，但检查要三十分钟，那么只有成功率足够高时才值得委托；否则人类可能仍然更快。
- 关键机制: 委托不是“能用 AI 就用 AI”，而是经济学问题。任务越可验收、AI 过程越短、失败成本越低、成功率越高，越适合委托。
- 核心结论3: 管理学里的清晰委托、阶段性检查和验收标准，正在变成 AI 时代的硬技能。
- 关键证据: Mollick 把 PRD、shot list、design intent、美国海军陆战队 Five Paragraph Orders、咨询项目 scope 等都视为好 prompt 的原型，因为它们本质上都是把一个人的意图转化为另一个行动者可执行的任务。
- 具体结构: 好的委托文档通常包含目标与原因、权限边界、完成标准、输出格式、中间产物、风险检查点和反馈节奏。
2. 质疑
- 关于“管理成为超能力”的质疑: 管理能力确实升值，但不能替代领域能力。没有领域知识的人也许能写出漂亮 brief，却无法判断输出中隐藏的事实错误、边界条件和执行风险。
- 关于成功概率估计的质疑: 文章的委托公式很清楚，但真实任务的成功概率往往不可观察，且会随模型、上下文、工具权限、检查方式和组织数据质量变化。管理者需要持续校准，而不是一次性相信经验。
- 关于“人才不再稀缺”的质疑: AI 让部分执行产能更便宜，但没有让责任、审计、客户信任、组织协调和战略判断变得便宜。越是高风险任务，越不能把“模型能做”误读成“组织可以放心交付”。
- 关于教学实验的质疑: EMBA 课堂是高动机、低真实约束、短周期环境；创业 prototype 的速度提升不等于真实公司中跨系统集成、合规、维护和客户采用同样容易。
3. 对标
- 对标 Model-Manager: 本文是 Model Manager 角色的管理学版本。未来管理者不是管理一群固定员工，而是管理由模型、工具、外包能力和人类专家组成的可变执行栈。
- 对标 Decision-Quality: 委托公式把决策质量具体化：不是问“AI 厉不厉害”，而是问在当前任务、检查成本和失败代价下，哪个执行路径更优。
- 对标 Allocation-Economy: 知识工作从“我会不会做”转向“我把什么任务分配给谁或什么模型”。这篇文章给出了分配经济中的微观操作原则。
- 可迁移场景: 产品经理写 PRD 给 agent、导演写 shot list 给视频模型、咨询顾问写 project scope 给研究 agent、工程经理写 issue decomposition 给 coding agent、运营负责人写 SOP 给流程 agent。共同要求是：把意图、边界、验收和反馈写清楚。
关联概念