跳转至

管理作为 AI 超级能力：Mollick 的 Agentic Work Delegation 方程

Ch04.273 管理作为 AI 超级能力：Mollick 的 Agentic Work Delegation 方程

📊 Level ⭐⭐ | 9.0KB | entities/management-as-ai-superpower-mollick.md

管理作为 AI 超级能力：Mollick 的 Agentic Work Delegation 方程

2026-06-07 引用自 Ethan Mollick《Management as AI superpower》，One Useful Thing，2026-01-27。

沃顿 MBA 四天创业挑战赛

Mollick 在 Penn 教授一门实验课：MBA 学生（大多数没写过代码）四天内从零开始构建创业公司原型。使用工具：Claude Code + Google Antigravity（构建原型）+ ChatGPT/Claude/Gemini（市场调研/竞品分析/pitch/财务模型）。

结果：比传统一学期课程推进了一个数量级的进度——原型不只是示例屏幕，而是有核心功能实际运行；创意远比通常更有趣；市场分析有深度。

关键发现：学生不是 AI 专家，但他们懂管理。

Agentic Work delegation 方程

Mollick 提出 delegation 是否值得的三个变量：

变量 定义 说明
Human Baseline Time（人类基准时间） 任务人类自己完成需多久 10 小时任务 vs 1 小时任务决策不同
Probability of Success（成功率） AI 单次输出达到标准的概率 GPT-5.2 Thinking 在 GDPval 达 72%
AI Process Time（AI 流程时间） prompt + 等待 + 评估输出的总时间 每次迭代约 30 分钟（prompt 编写 + 等候 + 检查）

核心逻辑：用 AI 做完整体任务（Human Baseline Time） vs 支付 overhead（AI Process Time，可能多次直到成功）。成功率高 → fewer iterations → delegation 有价值。

实际计算（GPT-5.2 Thinking，72% 成功率）： - 7 小时任务：AI 节省约 3 小时平均（失败任务反而更耗时，但成功任务快得多）

让 delegation 更有价值的三个杠杆

  1. 给更好指令（提高成功率）：清晰目标 + 具体边界 + "done" 定义
  2. 更好反馈（减少迭代次数）：有效评估 + 精确纠错
  3. 更快评估（降低 overhead）：快速识别 AI 输出质量，无需深入检查就知道好坏

共同前提：领域专业知识——专家知道给什么指令、能看到问题在哪、知道如何纠正。

管理文档就是 AI Prompt

各行业早已发明了 delegation 文档： - PRD（Product Requirements Documents） - 导演的 shot lists - 建筑师的设计意图文档 - Marines 的 Five Paragraph Orders - 咨询师的项目范围说明

共同结构： - 我们的目标是什么，为什么？ - 授权边界在哪里？ - "完成"什么样？ - 需要什么具体输出？ - 需要什么中间检查点？ - 完成前需要确认什么？

AI 可以一次处理大量指令，这些文档格式直接可用。

管理 101 = AI Agent 协作技能

Mollick 观察到 AI 实验室的程序员工作正在从"mostly programming"变成"mostly management of AI agents"。

MBA 学生成功的原因： - 他们花多年学习在各自领域 scoped problems - 他们能定义 deliverables - 他们能识别财务模型/医学报告何时出错 - 他们的管理框架成为他们的 prompts

"The skills that are so often dismissed as 'soft' turned out to be the hard ones."

AI 时代稀缺的不再是"人才"（AI 是 abundant and cheap），而是知道要什么的人。

GDPval 数据支持

GPT-5.2 Thinking/Pro 在 GDPval 真实专家任务上 72% 的时间持平或击败人类专家（4-7 小时任务）。

深度分析

1. "管理 AI"作为核心能力的范式确认

Mollick 的论点——管理 AI 的能力比编程 AI 的能力更重要——标志着 AI 技能讨论从"如何使用 AI"转向"如何管理 AI"。这与 Co Existence Paradigm Shift Agentic Ai Mollick 2026 中的 Co-Existence 范式一致：当 AI 自主执行时，人类的核心价值从"做"转向"管"。

2. 72% 击败人类专家的实验设计意义

AI 在 4-7 小时任务中 72% 的时间持平或击败人类专家——这一数据的含义取决于比较基线。如果基线是"普通人类"，则 AI 已在某些领域超越中位数；如果基线是"顶尖专家"，则 AI 仍在追赶。Mollick 的表述暗示前者，但精确的比较维度（速度、质量、成本）需要进一步澄清。

3. 管理技能的可迁移性

管理 AI 的技能是否可从管理人类迁移？Mollick 隐含的假设是肯定的——分解任务、评估输出、提供反馈、迭代改进。但 AI 的失败模式（hallucination、过度遵从、缺乏常识）与人类完全不同，需要专门的管理策略。

4. "超级能力"隐喻的双重含义

"管理作为 AI 超级能力"既意味着"掌握 AI 管理的人获得超级能力"，也意味着"AI 使管理本身成为超级能力"。前者强调人的差异化，后者强调管理职能的放大。两者在组织设计上有不同含义。

5. 对组织架构的影响

如果管理 AI 是核心能力，组织结构应围绕"谁在管理 AI"而非"谁在编程 AI"设计。这意味着中层管理者的角色可能比技术专家更重要——他们是 AI 输出的守门人。

实践启示

1. 管理者：将 AI 管理技能纳入绩效评估

在团队绩效评估中加入"AI 输出质量"维度——不是测 AI 能做什么，而是测管理者能否有效地分配、监督和迭代 AI 的工作。

2. 技术专家：学习管理 AI 而非只学技术

编程 AI 的技能正在被 AI 自身自动化（Claude Code/Codex）。更具持久价值的是管理 AI 的技能——任务分解、质量评估、反馈循环设计。

3. 组织：重新定义"AI 素养"

AI 素养不应仅包含"如何使用 ChatGPT"，还应包含"如何评估 AI 输出质量"、"如何在人机协作中分配决策权"、"如何设计 AI 工作流的检查点"。

4. 招聘：重视 AI 管理经验而非 AI 编程经验

在招聘中，评估候选人的 AI 管理经验（output curation、任务委托、质量把关）比评估 AI 编程经验（prompt engineering、API 集成）更能预测长期价值。

5. 研究：量化"管理 AI"的技能维度

当前缺乏对"管理 AI"技能的系统性框架和量化指标。建议从任务分解能力、输出评估准确率、反馈循环效率三个维度建立评估体系。

关键引用

"I don't know exactly what work looks like when everyone is a manager with an army of tireless agents. But I suspect the people who thrive will be the ones who know what good looks like — and can explain it clearly enough that even an AI can deliver it."

"All that training, it turns out, was accidentally preparing them for exactly this moment."

相关主题