當每個人都能指揮一支 AI 大軍，什麼能力最重要？
整理版優先睇
管理能力係AI時代嘅超能力：定義問題、拆解任務、驗收結果係駕馭Agent嘅關鍵
呢篇文章係作者觀察身邊善用Coding Agent嘅人之後寫嘅。佢發現一個共通點：呢班人唔一定係技術專家，但係好多都做過管理崗位，或者喺自己領域累積咗豐富經驗。佢哋擅長界定問題、明確交付物、識別結果邊度唔妥。作者想解答嘅問題係：當每個人都可以指揮AI大軍嘅時候，我哋要學咩技能先至可以駕馭呢啲Agent？
整體結論好明確：管理能力先至係關鍵。作者引用咗沃頓商學院教授Ethan Mollick嘅文章《Management as AI superpower》，提出一個公式去判斷係咪應該委派任務畀AI——呢個公式包含三個變量：人工耗時基線、成功率、同AI協同成本。唔係所有任務都適合交畀AI，要科學判斷。而且，成功率係最可控嘅變量，提升成功率需要靠專業知識：更好嘅指令、更好嘅評估、更好嘅反饋。
跟住作者詳細講解點樣委派任務畀AI——要好似產品經理或者包工頭咁思考，指令要包含目標與動機、權限邊界、驗收標準、中間產物同自檢清單。最後佢畀咗幾個鍛鍊AI管理能力嘅建議：先有意識去委派，多用AI協作（例如Claude Code嘅Plan mode），同埋靠大量實踐累積專業知識。總結一句：以前執行力值錢，而家知道要執行咩先至值錢。
- 管理經驗係駕馭AI Agent嘅共通基礎，無論你係咪技術背景
- Mollick公式：委派前要計清楚人工耗時、成功概率、協同成本，否則可能仲慢過自己做
- 成功率係最關鍵嘅可控變量，要靠專業知識（好指令+好評估+好反饋）去提升
- 委派任務要好似產品經理咁：畀目標、邊界、驗收標準、中間產物、自檢清單
- 鍛鍊AI管理能力：先有委派意識、多用Plan mode倒逼規範、用大量實踐累積專業
原文：Management as AI superpower
Ethan Mollick教授原文，解釋點樣將管理技能應用喺AI協作
譯文：Management as AI superpower（baoyu.io）
繁體中文翻譯版本
善用Agent嘅人共通點：管理經驗
作者觀察到一個現象：好多非技術背景嘅產品經理或者管理者，用Coding Agent竟然搞得唔錯，產出好可觀。佢哋唔係技術專家，但喺自己領域累積咗豐富經驗，擅長定義問題、拆解任務、驗收結果。呢啲基本功，直接變咗提示詞。
相反，技術專家有時反而太專注實作細節，唔識得高效委派。作者話，呢個現象話畀我哋知：以前管理能力係管人，而家仲要管Agent，能力本身無變，只係管理對象多咗AI。
科學判斷：人工定係AI？Mollick公式
沃頓商學院教授Ethan Mollick提出一個公式，幫你決定係咪應該委派任務畀AI。公式包含三個變量：人工耗時基線（你自己做要幾耐）、成功概率（AI一次產出達標嘅機會）、AI協同成本（寫提示詞+等待+檢查結果嘅總時間）。注意，好多人淨係計生成時間，完全唔記得寫提示詞同驗收都要時間。
舉個例：你做要1個鐘，AI幾分鐘出結果，但檢查要半個鐘。如果AI成功率唔高，加埋檢查時間可能仲耐過自己做。但如果你做要10個鐘，就值得花幾個鐘同AI反覆磨合——前提係AI最後交到合格貨。
點樣委派任務畀AI？產品經理思維
好多人話AI笨，其實係唔識得委派。作者話，委派畀AI同委派畀人類差唔多：如果對下屬淨係講「整好個遊戲」，佢肯定一頭霧水。但如果講「做一個80年代風格的冒險遊戲，EGA像素風，15分鐘通關，包含3個解謎關卡」，呢個先係可執行嘅指令。
作者建議，想AI靠譜，要好似產品經理或包工頭咁思考，一份好指令應該包含：
- 目標與動機：要達成咩？點解要咁做？
- 權限邊界：可以發揮咩？絕對唔可以鬱咩？
- 驗收標準：咩叫「做完」？點先算合格？
- 中間產物：唔好憋大招，先畀大綱或者草圖睇下
- 自檢清單：交貨之前，先自己檢查邊幾點？
其中驗收標準尤其重要。作者分享自己用AI寫code嘅做法：唔止講點做、參考邊啲code，仲會講清楚點樣測試驗證。咁樣Agent做完之後會自己反覆驗證，直至通過，唔使佢手動測試再話畀AI知邊度錯。
任務：實現發佈草稿到微信公眾號嘅功能
步驟：
1. 配置好API Key
2. 畀佢一個文檔
3. 下指令：寫完之後，用呢個Key同文檔去發佈驗證
結果：過一陣去睇，已經實現好，唔使反覆測試點樣鍛鍊AI管理能力？
- 1 先有意識：唔好凡事親力親為，好多嘢可以委託出去。以前做到管理崗先有機會練，而家隨時可以委託AI。
- 2 多用AI協作：就算管理經驗欠缺，都可以用Claude Code嘅Plan mode，佢會倒逼你做好規範。寫spec係好好嘅鍛鍊設計能力嘅方式，尤其係叫AI幫你寫，你負責review同畀意見。
- 3 多練習：管理經驗需要專業知識支撐，專業知識靠大量實踐。編程要動手砌project，做視頻要動手生成剪輯，做自媒體要大量寫作——無捷徑。
最後作者總結：以前稀缺嘅係執行力，而家AI識得執行越嚟越多任務，稀缺嘅變成知道要執行咩——清晰定義問題、判斷產出好壞、知道咩叫「做完了」。呢啲管理技能，就係AI時代嘅超能力。
我發現：識用Coding Agent嘅人有個共通點——佢哋好叻定義問題、拆解問題、驗收結果。呢啲人通常有技術管理經驗。
令我意外嘅係，好多唔識技術嘅產品經理或者管理者，用Agent寫程式都做得幾好。技術細節雖然仲搞唔掂，但產出已經相當可觀。
佢哋嘅共通點係咩？管理經驗。佢哋唔係技術專家，但係喺各自領域累積咗豐富經驗，可以熟練咁界定問題、明確交付物、識別結果邊度唔妥。佢哋由工作中累積嘅框架，直接變成咗提示詞。
而家已經有好多AI Agent可以用，未來只會更加多。問題嚟喇：我哋需要學咩技能先可以駕馭呢啲Agent？
管理能力無疑係關鍵。以前管人，未來仲要管Agent。
咩事都自己做，或者咩事都俾AI做，都係極端。
點樣科學判斷？沃頓商學院教授Ethan Mollick喺《Management as AI superpower》入面提出咗一個公式，基於三個變數：
• 人工耗時基線：呢件事你自己做要幾耐 • 成功概率：AI一次產出可以達標嘅概率 • AI協同成本：寫提示詞、等待、檢查結果嘅總時間
注意，好多人只係計生成時間，唔記得寫提示詞同驗收嘅時間。
舉個例：一個任務你做需要1個鐘，AI幾分鐘出結果，但檢查要半個鐘。只有AI成功率好高嘅時候，委派先至划算。否則淨係生成加檢查，就已經比自己做仲耐。
但如果呢個任務你要做10個鐘呢？咁就值得花幾個鐘同AI反覆磨合——前提係AI可以做出合格結果。
2. 點樣提高成功率？
三個變數裏面，成功率成功率係最關鍵嘅可控變數。Mollick教授建議三個方向：
更好嘅指令——目標清晰，邊界明確，完成標準具體。AI同人一樣，指令越清楚，執行越靠譜。
更好嘅評估——可以更快識別出邊度唔啱，就可以更快糾正。
更好嘅反饋——一次反饋就可以令AI改啱，比起來回磨合三四次好太多。
呢三件事有個共通點：都同專業知識相關。
好多人以為AI時代唔需要學專業知識，呢個可能係錯嘅。專家知道應該要啲咩，睇得出邊度唔妥，知道點樣糾正。好多人話AI用起嚟冇咁神，通常唔係AI唔得，係你唔知應該要啲咩、唔知結果啱唔啱。
3. 點樣更好咁委託任務？
好多人抱怨AI蠢，可能係未識點樣委託任務。委託任務俾AI，好似委託任務俾人類咁。
如果你對下屬話「俾我做一個好玩嘅遊戲」，佢肯定一頭霧水。但如果你話「做一個80年代風格嘅冒險遊戲，EGA像素風，15分鐘通關，包含3個解謎關卡」——咁就可以執行喇。
呢個本質上係管理知識，喺AI出現之前就已經存在。軟件開發有PRD，電影導演有鏡頭表，建築師有設計意圖文檔，美國海軍陸戰隊有五段式命令。
Mollick教授建議，想令AI做嘢靠譜，就要似產品經理或者包工頭咁諗。一個好嘅指令應該包含：
1. 目標與動機：要達成啲咩？點解？ 2. 權限邊界：可以發揮啲咩，絕對唔可以鬱啲咩？ 3. 驗收標準：點樣嘅結果先叫「做曬」？ 4. 中間產物：唔好憋大招，先俾我睇大綱或者草圖 5. 自檢清單：交作業之前，先自己檢查邊幾點？
尤其係驗收標準。我喺叫AI寫代碼嘅時候，唔單止講明點樣做、參考咩代碼，仲會講清楚點樣測試驗證。咁樣Agent唔係做完就算，會不知疲倦咁反覆驗證，直到通過——慳返我手動驗證再話佢唔啱。
例如琴日我叫Codex實現發佈草稿到微信公眾號嘅功能，直接配好API Key，俾佢一個文檔，叫佢寫完之後自己用呢個Key同文檔去發佈驗證。過一陣去睇，已經實現好咗，完全唔需要我反覆測試。
4. 點樣鍛鍊AI管理能力？
幾點建議：
先有意識
管理最重要嘅唔係具體規範，而係意識到唔係凡事都要親力親為，好多嘢可以委託出去。以前可能要上到管理崗位先有機會練，而家隨時可以委託AI。
多用AI協作
就算管理經驗欠缺都冇問題，好似Claude Code嘅Plan mode可以多用，能夠倒逼你做好規範。寫spec係好好嘅鍛鍊設計能力嘅方式，可以幫你理清思路——尤其係叫AI幫你寫，你更多係review同畀意見。
多練習
管理經驗需要專業知識支撐，專業知識唔係憑空產生嘅，需要大量實踐。編程要動手構建項目，做視頻要動手生成剪輯，做自媒體要大量寫作。冇捷徑。
最後
以前稀缺嘅係執行力。識寫代碼、識做設計、識寫報告，呢啲技能值錢。
而家AI可以執行越來越多的任務，稀缺嘅變成咗「知道要執行啲咩」：清晰定義問題、判斷產出好壞、知道點樣叫「做完」。
管理技能正在成為AI時代嘅超能力。
附錄
Management as AI superpower
• 原文：https://www.oneusefulthing.org/p/management-as-ai-superpower • 翻譯：https://baoyu.io/translations/2026/01/29/management-ai-superpower
我有個觀察：善用 Coding Agent 的人有個共同點——他們擅長定義問題、拆解問題、驗收結果。這類人通常有技術管理經驗。
讓我意外的是，很多不懂技術的產品經理或管理者，用 Agent 編程也搞得不錯。技術細節雖然還搞不定，但產出已經相當可觀。
他們的共同點是什麼？管理經驗。他們不是技術專家，但在各自領域積累了豐富經驗，能熟練地界定問題、明確交付物、識別結果哪裏不對勁。他們從工作中積累的框架，直接變成了提示詞。
現在已經有很多 AI Agent 可用，未來只會更多。問題來了：我們需要學什麼技能才能駕馭這些 Agent？
管理能力無疑是關鍵。以前管人，未來還要管 Agent。
什麼事都自己做，或什麼事都讓 AI 做，都是極端。
怎麼科學判斷？沃頓商學院教授 Ethan Mollick 在《Management as AI superpower》裏提出了一個公式，基於三個變量：
• 人工耗時基線：這件事你自己做要多久 • 成功概率：AI 一次產出能達標的概率 • AI 協同成本：寫提示詞、等待、檢查結果的總時間
注意，很多人只算生成時間，忘了寫提示詞和驗收的時間。
舉個例子：一個任務你做需要 1 小時，AI 幾分鐘出結果，但檢查要半小時。只有 AI 成功率非常高時，委派才划算。否則光是生成加檢查，就比自己做還久。
但如果這個任務你做要 10 小時呢？那就值得花幾小時和 AI 反覆磨合——前提是 AI 能做出合格結果。
2. 如何提高成功率？
三個變量裏，成功率是最關鍵的可控變量。Mollick 教授建議三個方向：
更好的指令——目標清晰，邊界明確，完成標準具體。AI 跟人一樣，指令越清楚，執行越靠譜。
更好的評估——能更快識別出哪裏不對，就能更快糾正。
更好的反饋——一次反饋就能讓 AI 改對，比來回磨合三四次強太多。
這三件事有個共同點：都和專業知識相關。
很多人以為 AI 時代不需要學專業知識，這可能是錯的。專家知道該要什麼，看得出哪裏不對，知道怎麼糾正。很多人說 AI 用起來沒那麼神，通常不是 AI 不行，是你不知道該要什麼、不知道結果對不對。
3. 怎麼更好地委託任務？
很多人抱怨 AI 笨，可能是沒學會怎麼委託任務。委託任務給 AI，很像給人類委託任務。
如果你對下屬說“給我做一個好玩的遊戲”，他肯定一臉懵。但如果你說“做一個 80 年代風格的冒險遊戲，EGA 像素風，15 分鐘通關，包含 3 個解謎關卡”——這就能執行了。
這本質上是管理知識，在 AI 出現之前就存在。軟件開發有 PRD，電影導演有鏡頭表，建築師有設計意圖文檔，美國海軍陸戰隊有五段式命令。
Mollick 教授建議，想讓 AI 幹活靠譜，得像產品經理或包工頭那樣思考。一個好的指令應該包含：
1. 目標與動機：要達成什麼？為什麼？ 2. 權限邊界：可以發揮什麼，絕對不能動什麼？ 3. 驗收標準：什麼樣的結果才叫“做完了”？ 4. 中間產物：別憋大招，先給我看大綱或草圖 5. 自檢清單：交作業前，先自己檢查哪幾點？
尤其是驗收標準。我在讓 AI 寫代碼時，不僅說明怎麼做、參考什麼代碼，還會說清楚怎麼測試驗證。這樣 Agent 不是做完就完，會不知疲倦地反覆驗證，直到通過——省了我手動驗證再告訴它不對。
比如昨天我讓 Codex 實現發佈草稿到微信公眾號的功能，直接配好 API Key，給它一個文檔，讓它寫完後自己用這個 Key 和文檔去發佈驗證。過一會兒去看，已經實現好了，完全不需要我反覆測試。
4. 怎麼鍛鍊 AI 管理能力？
幾點建議：
先有意識
管理最重要的不是具體規範，而是意識到不是凡事都要親力親為，很多事可以委託出去。以前可能要做到管理崗才有機會練，現在隨時可以委託 AI。
多用 AI 協作
就算管理經驗欠缺也沒關係，像 Claude Code 的 Plan mode 可以多用，能倒逼你做好規範。寫 spec 是很好的鍛鍊設計能力的方式，能幫你理清思路——尤其是讓 AI 幫你寫，你更多是 review 和提意見。
多練習
管理經驗需要專業知識支撐，專業知識不是憑空產生的，需要大量實踐。編程要動手構建項目，做視頻要動手生成剪輯，做自媒體要大量寫作。沒有捷徑。
最後
以前稀缺的是執行力。會寫代碼、會做設計、會寫報告，這些技能值錢。
現在 AI 可以執行越來越多的任務，稀缺的變成了“知道要執行什麼”：清晰定義問題、判斷產出好壞、知道什麼叫“做完了”。
管理技能正在成為 AI 時代的超能力。
附錄
Management as AI superpower
• 原文：https://www.oneusefulthing.org/p/management-as-ai-superpower • 翻譯：https://baoyu.io/translations/2026/01/29/management-ai-superpower