一项课堂实验表明，拥有管理经验的 MBA 学生能利用 AI 在几天内创建出可行的创业原型，其成果远超过去整个学期的水平。这一成功并非源于技术能力，而是因为他们懂得如何管理。决定何时将任务委托给 AI，可以通过一个“代理工作方程”来权衡，它主要考虑三个因素：人类自己完成任务所需的时间、AI 一次性成功的概率，以及评估 AI 产出所需的时间。通过设定清晰目标、提供有效反馈和利用专业知识，可以显著提高与 AI 协作的效率。未来，工作的核心不再是自己动手执行，而是管理大量的 AI 代理，那些懂得清晰表达需求并准确评估成果的人将拥有核心竞争力。
AI 加速创新：一个课堂实验
在一项宾夕法尼亚大学的实验课程中，一群几乎没有编程经验的在职 MBA 学生被要求在四天内从零开始创建一个创业公司。他们利用 AI 工具进行创意构思、市场研究、原型开发和财务建模。
结果远超预期。在短短几天内，学生们取得的进展比过去整个学期的学生都要多得多。
- 大多数原型不仅是界面截图，而是拥有了可以运行的核心功能。
- 创业想法比以往更加多样和有趣。
- 市场和客户分析也颇具洞察力。
这一成果的关键在于：告诉 AI 你想要什么。当 AI 能够快速完成人类需要数小时才能完成的任务时，评估结果本身也变得耗时，因此，擅长委托工作的价值随之增加。
“代理工作方程”
那么，什么时候应该把任务交给 AI 呢？这取决于三个关键变量的权衡：
- 人类基线时间 (Human Baseline Time): 如果你自己来做这件事，需要多长时间？
- 成功概率 (Probability of Success): AI 一次尝试就产出合格结果的可能性有多大？
- AI 处理时间 (AI Process Time): 你在请求、等待和评估 AI 输出上花费的总时间。
这个方程的核心是在“自己做完整个任务”和“支付多次与 AI 沟通的开销”之间做取舍。如果一项任务你自己做需要 10 个小时，那么即使花几个小时与 AI 磨合也是值得的。但如果一项任务你只需一小时，而检查 AI 的工作就要半小时，那么只有在 AI 成功率极高的情况下，委托给它才划算。
一项研究发现，对于专家平均需要 7 小时完成的任务，GPT-4 级别的模型有 72% 的概率能持平或超越人类专家。在这种情况下，即使算上 1 小时的评估时间，委托给 AI 平均也能节省 3 个小时。
提升 AI 协作效率的管理技巧
我们可以通过运用基本的管理技巧，来让上述方程的结果对我们更有利，主要是通过提高 成功概率 和降低 AI 处理时间 来实现。
- 提供更好的指令： 设定清晰、可执行的目标，AI 成功的机会就更高。
- 擅长评估与反馈： 能够快速发现问题并给出修正意见，就能减少反复尝试的次数。
- 利用专业知识： 专家知道该给出什么指令，能更快发现错误，并且更擅长纠正它。
如果你没有具体要求，AI 可以自由发挥出惊人的结果。但真实的工作往往需要一个特定的产出，这时，如何将你的意图准确传达给 AI 就成了关键。
委托工作的本质：清晰地表达意图
如何让 AI 既能利用“判断力”解决问题，又能产出你想要的结果？这个问题在 AI 出现前就已存在，每个行业都有自己的解决方案，例如：
- 软件开发者撰写产品需求文档 (PRD)。
- 电影导演提供分镜表 (Shot lists)。
- 建筑师创建设计意向文件。
- 顾问用详细的交付规格来确定项目范围。
这些文档的格式各不相同，但本质上都是为了将一个人头脑中的想法，转化为另一个实体（人或 AI）的行动。一份好的委托指令，通常包含以下要素：
- 我们要完成什么，为什么？
- 权力的边界在哪里？
- “完成”的标准是什么？
- 我需要哪些具体的产出？
- 我需要哪些中间产出来跟进你的进度？
- 在告诉我你完成之前，你应该检查什么？
当你弄清楚如何向 AI 提供这些指令时，你其实就是在重新运用“管理学”的基本原理。
未来的工作：人人都是管理者
工作的模式正在转变。许多顶尖的 AI 工程师发现，他们的工作正从“编程”转向“管理 AI 代理”。
在 AI 时代，过去被认为是“软技能”的管理能力，如清晰沟通、有效反馈和工作评估，反而成了最核心的“硬技能”。
AI 的出现改变了稀缺性的定义。过去，有能力的执行者是稀缺的；现在，AI 提供了近乎无限的“人才”。真正的稀缺资源，是知道该要求什么、并且能清晰定义“好”的标准的人。
实验课上的学生之所以表现出色，不是因为他们是 AI 专家，而是因为他们多年的工作经验已经让他们学会了如何在自己的专业领域界定问题、定义交付成果，并识别出不合理的结果。这些管理经验，恰好让他们为这个 AI 时代做好了准备。