我有个观察：善用 Coding Agent 的人有个共同点——他们擅长定义问题、拆解问题、验收结果。这类人通常有技术管理经验。
让我意外的是，很多不懂技术的产品经理或管理者，用 Agent 编程也搞得不错。技术细节虽然还搞不定，但产出已经相当可观。
他们的共同点是什么？管理经验。他们不是技术专家，但在各自领域积累了丰富经验，能熟练地界定问题、明确交付物、识别结果哪里不对劲。他们从工作中积累的框架，直接变成了提示词。
现在已经有很多 AI Agent 可用，未来只会更多。问题来了：我们需要学什么技能才能驾驭这些 Agent？
管理能力无疑是关键。以前管人，未来还要管 Agent。
1. 该不该委派给 AI？
什么事都自己做，或什么事都让 AI 做，都是极端。
怎么科学判断？沃顿商学院教授 Ethan Mollick 在《Management as AI superpower》里提出了一个公式，基于三个变量：
人工耗时基线：这件事你自己做要多久
成功概率：AI 一次产出能达标的概率
AI 协同成本：写提示词、等待、检查结果的总时间
注意，很多人只算生成时间，忘了写提示词和验收的时间。
举个例子：一个任务你做需要 1 小时，AI 几分钟出结果，但检查要半小时。只有 AI 成功率非常高时，委派才划算。否则光是生成加检查，就比自己做还久。
但如果这个任务你做要 10 小时呢？那就值得花几小时和 AI 反复磨合——前提是 AI 能做出合格结果。
2. 如何提高成功率？
三个变量里，成功率是最关键的可控变量。Mollick 教授建议三个方向：
更好的指令——目标清晰，边界明确，完成标准具体。AI 跟人一样，指令越清楚，执行越靠谱。
更好的评估——能更快识别出哪里不对，就能更快纠正。
更好的反馈——一次反馈就能让 AI 改对，比来回磨合三四次强太多。
这三件事有个共同点：都和专业知识相关。
很多人以为 AI 时代不需要学专业知识，这可能是错的。专家知道该要什么，看得出哪里不对，知道怎么纠正。很多人说 AI 用起来没那么神，通常不是 AI 不行，是你不知道该要什么、不知道结果对不对。
3. 怎么更好地委托任务？
很多人抱怨 AI 笨，可能是没学会怎么委托任务。委托任务给 AI，很像给人类委托任务。
如果你对下属说“给我做一个好玩的游戏”，他肯定一脸懵。但如果你说“做一个 80 年代风格的冒险游戏，EGA 像素风，15 分钟通关，包含 3 个解谜关卡”——这就能执行了。
这本质上是管理知识，在 AI 出现之前就存在。软件开发有 PRD，电影导演有镜头表，建筑师有设计意图文档，美国海军陆战队有五段式命令。
Mollick 教授建议，想让 AI 干活靠谱，得像产品经理或包工头那样思考。一个好的指令应该包含：
目标与动机：要达成什么？为什么？
权限边界：可以发挥什么，绝对不能动什么？
验收标准：什么样的结果才叫“做完了”？
中间产物：别憋大招，先给我看大纲或草图
自检清单：交作业前，先自己检查哪几点？
尤其是验收标准。我在让 AI 写代码时，不仅说明怎么做、参考什么代码，还会说清楚怎么测试验证。这样 Agent 不是做完就完，会不知疲倦地反复验证，直到通过——省了我手动验证再告诉它不对。
比如昨天我让 Codex 实现发布草稿到微信公众号的功能，直接配好 API Key，给它一个文档，让它写完后自己用这个 Key 和文档去发布验证。过一会儿去看，已经实现好了，完全不需要我反复测试。
4. 怎么锻炼 AI 管理能力？
几点建议：
先有意识
管理最重要的不是具体规范，而是意识到不是凡事都要亲力亲为，很多事可以委托出去。以前可能要做到管理岗才有机会练，现在随时可以委托 AI。
多用 AI 协作
就算管理经验欠缺也没关系，像 Claude Code 的 Plan mode 可以多用，能倒逼你做好规范。写 spec 是很好的锻炼设计能力的方式，能帮你理清思路——尤其是让 AI 帮你写，你更多是 review 和提意见。
多练习
管理经验需要专业知识支撑，专业知识不是凭空产生的，需要大量实践。编程要动手构建项目，做视频要动手生成剪辑，做自媒体要大量写作。没有捷径。
最后
以前稀缺的是执行力。会写代码、会做设计、会写报告，这些技能值钱。
现在 AI 可以执行越来越多的任务，稀缺的变成了“知道要执行什么”：清晰定义问题、判断产出好坏、知道什么叫“做完了”。
管理技能正在成为 AI 时代的超能力。
附录
Management as AI superpower
原文：https://www.oneusefulthing.org/p/management-as-ai-superpower
翻译：https://baoyu.io/translations/2026/01/29/management-ai-superpower
