人工智能时代，中层领导角色愈发关键

前几天参加了一场飞书的智能技术分享会，主讲人是飞书副总裁史凯文。

说实话参会前我没抱太大期待，这类分享会通常就是展示几个功能，谈谈效率提升多少倍。但史凯文提出的一个观点，让我当时就愣住了。

他表示，智能化组织中，中层管理者的职责不是减轻了，而是加重了。从'上级传声筒'转变为整个智能技术落地的核心枢纽。

这种说法有些反常理。普遍认知是AI来了，管理者的许多协调工作会被替代，组织结构会更扁平化。但仔细思考，似乎确实如此。

我自己带领内容团队近五年，过去一年也在大量运用AI工具。今天分享我听完后的思考，以及对年轻一代的影响。

先说说为什么中层管理者的价值反而提升了。

史凯文提出了一个很关键的观点。企业要真正将AI投入应用，并非购买工具就万事大吉，它有三个必要条件。

首先，必须拥有明确且文档化的业务流程。

这个看似简单，实则特别困难。以我自己的团队为例，许多工作流程依靠'老员工带新人'口口相传。你询问任何环节的标准是什么，每个人说法都不完全一致。大企业的主体框架可能是标准化的，但业务细节每天都在变化，文档永远跟不上实际变化。

AI不会管这些。你给它什么流程，它就按什么流程执行。流程模糊，AI的输出就模糊。流程错误，AI的错误比人还快。因此要让AI真正落地，管理者必须先将业务流程梳理清楚、形成文档。

这项工作，只有既理解领导意图、又熟悉一线业务的中层管理者能够完成。

其次，需要具备审核AI输出的能力。

AI并非万能。它会产生'幻觉'，会出现'塌缩'，会一本正经地胡编乱造。根据我的经验，使用AI创作内容时，有时它生成的文本看起来特别流畅，但仔细检查后，会发现数据是编造的，案例是拼凑的，逻辑链条存在断裂。

如果你自己不了解业务，根本无法察觉AI哪里出了错误。因此审核AI的能力，本质上就是你的业务判断力。这种判断力不是凭空而来，是在长期实践中积累形成的。

最后，需要为AI设定清晰的执行方向和目标。

这是最核心的难点。AI能够执行任务，但它不会自主创造任务。你让它写一篇关于XX的文章，它可以完成。但你问它'这个月我们应该做什么选题'，它无法提供有价值的答案。

因为它缺乏创造力，也缺少对市场的感知能力。

这三个必要条件结合起来，你会发现一个很有意思的现象。AI越普及，对中层管理者的依赖反而越深。因为只有管理者能完成这三件事：梳理流程、审核结果、设定方向。

那么具体到管理者个人的能力要求，有什么变化？

我认为最核心的变化是三个字，深度。

过去中层管理者的主要工作是协调和执行。领导指明方向，你将其拆解为任务，分配给团队，跟进进度，汇报结果。你不需要对每个业务细节都特别精通，只需确保流程顺畅运行。

但智能时代不同了。

AI接手了大量执行工作后，管理者的核心工作从'管执行'转变为'管判断'。

什么是管判断？

举个例子。我用AI帮助团队生成内容选题，AI提供了10个选题方向。以前这是策划人员的工作，我可以大致浏览一下就通过。但现在由AI生成的选题，我必须逐一仔细审阅。

不是检查写得是否正确，而是评估其背后的逻辑是否有道理。这个选题为什么能走红？目标受众是谁？是否符合我们的定位？是否存在信息差？这些判断，AI无法替代。

因此第一项新能力，称为深度业务理解。你不仅要判断AI的结果是否正确，还要能够评估其推理逻辑和潜在风险。

第二项新能力，称为驾驭AI的能力。

这个说法听起来像是废话，但实际上并非如此。许多人使用AI是被动依赖，遇到问题就抛给AI，AI给出什么就用什么。但真正的驾驭是，你掌握了AI所知的80%以上的知识，了解其能力边界在哪里，知道何时该用、何时不该用。

我个人的感受是，自从我开始深入研究AI的各种能力后，我做决策的速度加快了。不是AI替我做决定，而是我对业务的理解更加深入，因为我要教会AI做这些事情，我就必须先自己想清楚。

这和之前公司里'教导新人'的逻辑完全相同。你教导新人的过程，实际上是你自己梳理思路的过程。AI就是一个超级新人，你要教导它，就必须先想明白。

第三项新能力，称为精准分工。

过去团队分工是按人员划分的。现在需要按照能力层级进行分工，哪些工作交给AI，哪些交给普通员工，哪些必须由核心人才完成。

这种分工不是静态的，它一直在变化。AI的能力在快速进化，今天AI无法完成的工作，三个月后可能就能实现了。管理者必须持续更新这个分工矩阵。

谈完管理者，再谈谈年轻人。这部分实际上更让我担忧。

AI对年轻人的冲击，远比许多人想象的要大。

核心问题是，年轻人的能力培养路径被中断了。

任何行业的成长路径，本质上都是相同的。新人从基础工作做起，在重复中积累经验，在异常中学会判断，在实践中建立直觉。这个过程很慢，但它是有效的。

AI把这条路径的前半段切断了。

标准化执行、数据分析、基础沟通、信息整理，这些工作AI已经能够完成，而且比新人做得更快。企业在经济压力下，很自然地会用AI替代这些岗位。

但问题是，这些'基础工作'不仅仅是工作本身。它们是新人的'成长养分'。

举个例子。我刚入行做内容时，前半年就是做最基础的工作，寻找选题、撰写初稿、剪辑视频、发布内容。这些工作看似简单重复，但在执行过程中，我接触了大量异常情况。某条内容突然爆火，为什么？某个选题预期很好但数据很差，问题出在哪里？某个评论区出现意外的反馈，该如何处理？

这些异常情况，就是你建立业务判断力的原材料。

现在AI接管了这些基础工作，新人直接跳到了'判断'的层级。但判断力需要养分来培养。没有前面大量的重复和异常积累，你凭什么做出好的判断？

更严峻的是，企业对年轻人的价值评估正在发生变化。当一个新人能做的工作，AI也能完成时，企业会比较什么？比较成本。一个月薪8000的年轻人，与一个每月只需几百块token成本的AI。

这不是危言耸听。这是正在发生的事实。

但我不想只提出问题，不给解决方案。

有一段历史特别值得参考。

2000年到2015年间，惠普、戴尔等公司做了一件很有趣的事情。他们通过驱动协议整合，将原本需要博士和硕士级别工程师才能完成的工作，降维为标准化文档。原来一个硬件驱动的开发需要深入理解芯片架构和操作系统内核，整合之后，只需按照文档填写参数即可。

大量高技能岗位被替代了。

但结果如何？那些推动这场变革的工程师，后来成为了技术专家、行业领袖，甚至转型为互联网公司的高管。他们没有被淘汰，因为他们比任何人都更理解这场变革的本质。

他们做对了一件事，他们选择了'理解系统'而非'执行任务'。

我认为今天的年轻人在智能时代面前，可以做三件事。

第一件事，强化知识积累。

听起来很朴素对吧。但这个朴素的道理恰恰是最重要的。AI很强大，但人脑的联想能力、归纳演绎能力、跨场景推理能力，目前仍然优于AI。关键是你确保这些知识不是存储在笔记本里，而是真正长在脑子里，随时可以激活调用。

我自己有一个体会，我能在选题会上快速判断一个方向是否可行，不是因为聪明，而是因为我过去五年积累了大量内容案例和数据。这些案例在我的大脑中形成了一张网，当新信息进入时，它能自动与旧信息产生关联。AI无法做到这一点，因为AI没有'体感'。

第二件事，深挖第一性原理。

什么是第一性原理？就是探究事物的底层逻辑。

书中举了一个例子，傅里叶变换。大多数人学习傅里叶变换就是背诵公式、套用公式。但如果你真正理解了傅里叶变换的本质，它是将任何复杂波形拆解为圆周运动的叠加。理解了这个本质后，你不仅会用公式，还能在完全不同的领域中识别相同的模式。

AI可以套用公式，但AI看不到模式背后的本质。

管理者也是如此。你要理解的不仅是'这个业务流程如何运作'，而是'这个业务流程为何这样运作'。底层逻辑理清后，无论AI如何发展，你都有独特的视角。

第三件事，培养创业者心态。

不是让你去创业。而是要主动探索AI在你工作和生活中的应用场景，快速实践，快速迭代。

我见过一些年轻人，他们不是在'学习AI'，而是在'用AI解决实际问题'。这两件事有很大区别。前者是知识积累，后者是能力建设。只有真正用AI解决过问题的人，才知道AI的边界在哪里，才知道何时该相信AI、何时该相信自己。

最后谈谈一个我认为很重要的补充视角。

AI并非万能的，它有一个很少有人提及的限制，资源成本。

OpenAI的Sora，视频生成模型。技术很先进，但为什么被OpenAI自己限制了？因为成本太高了。生成一个高质量视频的算力成本，远超大多数企业的承受范围。

这说明什么？说明AI的能力有物理边界。它受限于算力、受限于数据、受限于能源。过度依赖算力堆砌的AI应用，在商业上不可持续。

而人类的思维，不需要GPU。你的联想、你的创造、你的热情，这些能力的'运行成本'只是一日三餐。

我始终认为，社会最终会形成对AI的理性认知。AI是一个极其强大的工具，但它不是人。它能提高效率，但不能创造方向。它能执行任务，但不能定义问题。

而定义问题、创造方向、整合跨领域知识，这些恰恰是管理者最核心的价值。

所以如果你是一位管理者，不要因为AI而焦虑。你应该做的是，将AI视为一个超级放大器。你自身的能力越强，AI给你的回报就越大。反之，如果你自己没有判断力，AI只会放大你的错误。

如果你是一位年轻人，也不要因为AI而绝望。成长路径确实改变了，但机会也在变化。历史上每一次技术变革，最终受益的都是那些主动理解变革、拥抱变革的人。

硬件驱动工程师的转型，就是最好的证明。

以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～

感谢阅读我的文章，我们，下次再见。