AI 正在教我们如何做管理

原文：https://every.to/also-true-for-humans/what-ai-is-teaching-us-about-management-rerun 作者：Mike Taylor ｜ 2026 年 11 月 2 日

本周，Every 团队正在举行 Think Week——我们一年两次的聚会，用来构想 Every 和读者的下一步。活动压轴的是我们的第一场大会 Thesis: 2027。注册观看直播，即可免费收看全部 27 场对谈。

趁着大家聚在一起，我们重新推送一些关于“与 agent 协作”的旧文。首先是评测负责人 Mike Taylor 今年 1 月那篇讲如何像管人一样管 agent的文章。——Kaushik Viswanath

每当你因为 Claude 误解了你的意思而重写一次 prompt，你其实都在学习如何成为一个更好的管理者。

我之所以知道这一点，是因为我从两边都亲身经历过。创办一家 50 人的营销机构，教给我的关于如何与 AI 协作的东西，比工程工作教给我的还多：那些能让 AI agent 变得可靠的手法——清晰的指令、充分的上下文、定义明确的任务——和让人类团队高效的手法完全一致。

但 AI 让你可以在没有后果的情况下练习。你让 agent 把同一件事做 15 遍，它不会烦。你给出含糊的指令，它不会记仇。它不会在背后八卦你有多没条理，也不会因为事情没做成而闹情绪。

Moondream 的 CTO 最近在一条推文里精准描述了这种落差：

当 codex 在一个任务上花了五个小时还搞砸了，我就直接终止实例、重置 git repo 换成人类开发者呢？你得带他们出去散个步，问问他们孩子怎么样，整件事就变成一场大工程 https://t.co/cQy9vM7WRX —— vik (@vikhyatk) 2025 年 12 月 21 日

AI 不会因此受伤。（图片来源：X）

这就让 AI 成了完美的管理训练场。

好的管理是一种可衡量的经济优势。由斯坦福和伦敦政治经济学院的经济学家开展、历时十年的研究项目世界管理调查发现，美国相对欧洲那 30% 的生产率差距中，大约四分之一仅仅来自管理质量的差异。如今，AI 正在把这种优势民主化。任何与 AI 打交道的人，都在上一门管理速成课，无论他自己有没有意识到。

我把 AI 工程与管理实践的这种合流称为“新泰勒主义”（New Taylorism），名字来自 Frederick Winslow Taylor——那位在 19 世纪 80 年代开创科学管理的机械工程师。他拿着秒表站在工厂工人旁边，给他们的每一个动作计时，然后把他们的工作重新设计成可测量、可标准化、可优化的微任务。但他想让流程进一步提效的尝试失败了——因为谁愿意当机器上的一个齿轮呢？他的工人罢工了。而 AI 不会因为被要求把同一件事做 50 遍直到你做对而心生怨恨。

下面我会展示三个你可以从 AI 身上学到的管理原则：如何给出清晰指令、如何编排一支团队（也就是 agent 协同），以及如何从战略上思考什么才值得做。现在，你可以借一个会原谅你错误的 AI，练习成为更好的管理者。

提示词该进商学院

与 AI 协作的最小单位是 prompt：一个边界清晰、产出可评估的离散任务。它相当于你交给员工的一项任务。在我做 prompt 工程师的经历中，我发现 prompt 是通往更好管理手法的“入门毒品”。一旦你花上几个小时优化如何向 AI 交代事情，并亲眼看到微小的改动如何剧烈影响结果，你就会意识到：对人类的同事，你完全可以做同样的事。

Google DeepMind 高级研究工程师 Zhengdong Wang 从一位顾问朋友那里得到过关于管理“笨手笨脚”的新实习生的建议：“你得把他们当成 Perplexity Pro 机器人来对待。”意思是：给出极其清晰的指令，不要预设他们知道上下文，把你想要的东西一条条讲明，并仔细检查他们的工作。过去用于 AI 聊天机器人的方法，现在正被用在人身上。

我总结出的提示词五原则，同样可以作为管人的方法：

• 给出方向。 详细描述你想要的风格，或引用一个相关的人设。 无论你是在给 Claude 交代任务，还是在给一位初级设计师交代任务，“对标 Apple 产品页的那种气质——极简、自信、大量留白”都是比“让它更抓眼球”好得多的指令。
• 指定格式。 定义回答的规则和必要结构。 如果你希望演示文稿用要点罗列，就告诉 AI。
• 提供范例。 插入一组多样化的、任务被正确完成的测试案例。 给 AI 一个过去效果不错的内容营销样例，或一组表现好的推文。
• 评估质量。 找出错误、给回答打分，测试到底是什么在驱动表现。 就像你给团队反馈一样，在没有衡量产出的方案之前，不要发布 AI 的产出。
• 分工。 把复杂目标拆成环环相扣的步骤。 这正是你筹备一次产品发布的方式——把所有需要发生的步骤写下来，并逐项跟踪进度。

事实上，我是在 2022 年、ChatGPT 出现之前，基于自己营销机构的经验提炼出这些原则的。我想要的是那种不会因为新模型发布就失效的提示词技巧，所以我把重点放在了对生物智能和人工智能都有效的东西上。

提示词是一项管理技能，它属于商学院，而不是计算机科学系。而且它只会越来越简单。prompt engineering 中技术性的部分正在被自动化掉，最新的模型已经能够自行改写 prompt 以在任务上取得更好表现。人类要做的，只是决定做什么任务、定义这件事该怎么做，并收集或标注一批“做得好”的样例。

管理者早就在“氛围编程”了

然而，无论对人还是对 AI，工作很少会停留在一项任务或一个 prompt 那么简单。最终你会同时照看多个任务，把一个的输出接到另一个的输入上，判断什么该委派出去。你从写 prompt 进入到了编排系统——换句话说，管理许多不同任务的进展。

这是 AI 教你管理的第二种方式：如何带一支团队。

再说一次，编排能力并不新鲜——管理者一直在氛围编程。“从一个编程 agent 那里拿到好结果，那种感觉不适地接近于从一位人类协作者那里拿到好结果，”Django 框架联合创始人 Simon Willison 说。

想想每家科技公司都会上演的一幕：产品经理写下新功能的描述。工程师把它做出来。产品经理不会逐行读代码，但她能看出按钮是不是放错了位置、流程是不是别扭、这个功能是不是真的解决了客户的问题。

让一个人能有效调度多个 AI agent 的能力，和一直以来让一个人成为有效工程经理的能力是同一套：清晰的需求、好的品味，以及知道什么时候该顶回去、什么时候该在实现细节上信任团队的判断。

编排教会你跑一个项目——看清整盘棋、给工作排序、知道何时介入、何时放手让它跑。每当你把 Claude 的输出喂进下一个 prompt，或把一个大任务拆成小块交给不同 agent，你都在练习同一套技能：带领一支人类团队完成一项复杂交付所需要的技能。

“点子王”的时代

一旦 AI 几乎能做出你要求的任何东西，真正的技能就变成了决定要做什么。

这是 AI 迫使你培养的第三项管理技能：战略。

想一想是什么让一个项目成功或失败。你需要市场调研来确认自己做的是对的东西。你需要领域专业知识来理解核心问题。你得找到潜在客户，并把你的方案卖给他们。你需要从有限的数据点外推——几次客户访谈、几个失败的实验。你需要往后多想几步，因为如果这东西你一天就能氛围编程出来，你的竞争对手也能。

商学院教了几十年的战略框架——比如 Hamilton Helmer的 7 Powers（讲企业如何通过网络效应之类的东西建立持久优势）和 Michael Porter的五力模型（描绘跨行业的竞争压力）——如今甚至更重要，因为在 AI 能写代码的今天，它们是剩下的唯一差异化来源。

风险投资机构 Andreessen Horowitz 的 Alex Danco 最近写道，随着 AI 让一份工作中的某些部分生产率暴涨，那些无法被自动化的部分就成了瓶颈——也因此成了你拿到报酬的理由。判断、解决问题、战略下注，都能拿到溢价。

不妨称之为“点子王的复仇”。这个称呼过去多少带点贬义：指一个有着宏大愿景却没有后续执行的人。既然 AI 让执行变容易了，愿景就更值钱了。新一代的“点子王”，是那种能识别出哪些问题值得为谁解决，并把它转译成 AI 可以执行的方向的人。

人类的主场：混乱的中间地带

AI 在提出战略选项方面相当不错。给 Claude 1000 页的上下文——市场调研、竞品分析、客户访谈——它能比大多数顾问更快地综合出一个合理的战略方向。它也能以机械般的可靠性执行精确、定义明确的指令。

AI 崩溃的地方，是夹在两者之间的战术思考。我把它称为 NCO gap（士官断层），借用了军事结构的概念。军官在总部制定战略，士兵在地面执行命令。弥合这道缺口的士官是非委任军官（non-commissioned officer）。他们既理解指挥意图，也理解地面实况，能在不确定的条件下把战略转化成行动。

Every 的 Dan Shipper 写过，随着 AI 承担越来越多执行工作，人类正在从“制作者”转变为“模型管理者”。我想再推一步：我们是中层管理者，是今天的士官。

当我在排查一个复杂问题时——诊断哪里坏了、权衡业务风险、决定是快速打个补丁还是彻底修好——AI 总是失败。它无法跨越从“出问题了”到“这是该怎么办”之间的那道鸿沟。它当然也说不出“如果我们改变做法，就能完全避开这个问题”。

Claude Code 知道如何诊断你的应用为什么慢得像爬，而且一旦诊断出来，它也知道怎么修。但一个对代码库了如指掌的人类工程师，知道该先去哪里看。ChatGPT 能调研播客嘉宾并总结转录稿，但没人愿意听一个 AI 主持人。Gemini 能读完你所有的客服文档，并针对某个具体查询执行政策，但人类审核员才能抓住那些可能不匹配任何模板的新型欺诈模式。

AI 处理顶端（综合）和底端（执行）。人类拥有中间（在不确定中做转译）。

与 AI 相反，人类在战术与战略之间的混乱中间地带反而如鱼得水。（图片由 Mike Taylor 和 Every 提供。）

研究者让 Claude 玩《宝可梦》时，就看到了这一幕。Claude 理解总目标——成为冠军——也能精确执行单个动作。但它在一开始的山洞“月见山”（Mt. Moon）里卡了 48 小时以上。过关大概只需要七个动作，是我 12 岁就能搞定的事。Claude 知道目标在哪儿，也能完美执行任何指令，但当它卡在《宝可梦》里时，它想不出中间层面的战术，把移动转化为进展。

人类非常擅长这种外推。也许这是只有生物智能才能学到的一招：在真实世界里求生存，你永远收集不到足够的信息，却仍然必须做决定。我们演化出了在不确定中做决策的能力，所以能从少量数据点外推，凭直觉给出一个足够好的猜测，把自己带回正确的路上。

接下来会发生什么

在多年构建 AI 系统、以及在那之前经营一家由人组成的公司之后，我认识到：这些技能其实是同一套。AI 技能、管理技能——它们都是领导力技能，而 AI 正在给每个人一个练习它们的媒介。

这才是新泰勒主义的真正承诺——不是我们终于能像机器一样优化工人（那是 Taylor 的梦想，也是他的失败），而是我们能通过机器学会如何更好地领导，然后把这些技能带到那些需要良好领导力的人身上。

大多数人不会注意到自己正在上一个迷你 MBA，正在变成更好的管理者。他们会以为自己只是在 AI 上变得更熟练了。

这个专栏一直在讲管理 AI 与管理人类之间的重叠，现在我想把这个想法再往前推。在接下来的文章里，我会把常见的 AI 失败当作 MBA 案例来研究。我们会深入那片混乱的中间地带，真正的杠杆就在那里。我们也会记录和探索这个新的管理时代，一次一个 prompt。

混乱的中间地带是我们的归属。而事实证明，我们也在那里学习。

核心启示：作者认为，给 AI 写 prompt、编排多个 agent、判断什么值得做，这三件事分别对应管理中的清晰指令、团队协同与战略判断；由于 AI 不会因重复、含糊或失败而受伤，它成了零后果的管理训练场，而人类的不可替代之处，在于战术与战略之间那片需要在不确定中做决策的“混乱中间地带”。