第 6 章预计阅读 33 分钟

第五章：人机双向调度——新的协作范式

一条改变我认知的晨报

我有一个CEO朋友老陈，经营一家年营收十亿级的消费品公司。他是那种典型的"数据驱动型老板"——每天早上七点到办公室，第一件事就是看三张报表：昨日销售日报、库存周转表、渠道反馈汇总。去年年底，他开始试用AI经营班子。一开始只是把那三张报表自动化——让AI每天早上六点半把数据拉好、排好版、推到他飞书上。省了一个助理两小时的活儿。这是L1。半年后的一个早晨，他照例打开飞书，看AI班子的"晨报"。但那天的晨报里，多了一条他从来没要求过的分析。标题是："供应链预警：核心原材料交货周期异常延长"。 AI班子的分析报告写道： S（背景）：过去六个月，公司TOP3供应商的平均交货周期稳定在14天。

C（冲突）：过去两周，该指标悄悄攀升至15.1天，增幅8.2%。单独看任何一天的数据都在正常波动范围内，但趋势线呈现持续上升。

Q（问题）：这是随机波动还是供应链紧张的早期信号？

R（建议）：交叉验证了三个独立数据源——供应商自己的交货记录、物流跟踪系统、以及公开的大宗商品价格指数。三个数据源同时指向同一个方向：上游原材料产能收紧。建议立即启动备选供应商评估，窗口期约4-6周。报告末尾还有一行："已通知采购总监张磊查看此分析，建议今日内确认备选方案时间表。" 老陈愣了三秒。不是因为这个分析有多复杂——任何一个称职的供应链经理都应该能发现这个问题。让他震惊的是：AI班子发现了一个他没问过的问题，做了他没要求过的分析，调度了一个他没指派过的人。 没有人给AI下达过"监控供应商交货周期"的指令。AI班子在持续处理经营数据的过程中，自己发现了这个异常模式。它不仅发现了问题，还主动做了验证（交叉三个数据源），排除了随机波动的可能，然后——最关键的——直接通知了应该知道这件事的人。 "那一刻我突然意识到，"老陈后来跟我说，"这东西不是工具了。它在替我盯盘。" 两周后，行业新闻证实了AI的判断：上游确实出现了产能紧张，几家竞品因为没有提前准备，遭遇了两周的断供。老陈因为提前调度了备选供应商，一天都没断。这就是本章要讲的核心转变：从"人指挥AI"到"人和AI互相调度"。为什么这个转变如此重要？因为它改变了CEO最稀缺的资源的分配方式——注意力。 CEO的终极工作是决定关注什么。一天只有24小时，你能深入思考的问题可能只有三到五个。关注了错误的问题，再好的决策能力也白搭。过去靠经验、直觉、下属汇报来决定关注什么。但经验有盲区，直觉会偏差，下属的汇报有信息过滤和政治动机。 AI经营班子提供了一种新的注意力管理方式：它帮你扫描你来不及看的信息，然后把最值得你关注的事情推到你面前。 你从雷达操作员变成了指挥官——系统自动标记可疑目标，你只需要决定怎么应对。但这里有一个反直觉的陷阱。你的注意力是最稀缺的资源，千万别被AI吸干了。 AI的输出是源源不断的。当你面对十条"都很重要"的预警时，注意力就被切成了十片。你从"深度思考者"变成了"高速响应者"——不断在不同问题间切换，看起来很忙，实际上没有在任何一个问题上真正想透。所以注意力管理的正确姿势是：让AI帮你做信息的第一层过滤和排序，但保留你自己的"元注意力"——决定今天的三五个深度思考议题是什么，这个决定必须是你自己做的，不能交给AI。AI可以告诉你"这十件事可能值得关注"，但"今天我只深入思考其中哪三件"——这个选择权，你必须握在自己手里。

人调度Agent vs Agent调度人

我们对"人机协作"的想象，长期停留在一个单向的画面里：人坐在电脑前，打字下指令，AI吐出结果。这个画面不是错的，但不完整。 传统模式：人 --> AI（单向遥控） 就像打字机——人按键，机器出字。ChatGPT式的交互。你说"帮我写一份市场分析报告"，它就写。你不说，它就安静地等着。能力很强的被动秘书，但完全被动。 进化一：人调度Agent（战略意图下达） 你说"分析华东市场的增长机会"，然后闭嘴。Agent自己拆解：华东包括哪些城市？从哪些维度分析？需要什么数据？数据从哪来？竞品在做什么？它不是在执行明确指令，而是在理解模糊的战略意图。然后自行规划工作流——调用多个数据Agent拉取信息，交叉比对，用SCQR结构输出有观点的分析。你给的是"意图"，Agent交付的是"洞察"。巨大进步，但仍然是单向的。 进化二：Agent调度人（主动发现与协调） 这就是老陈那个早晨经历的。Agent在持续监控中发现异常，主动预警CEO，更进一步，调度相关责任人到位。这颠覆了一个根深蒂固的假设：在人机协作中，人永远是发起方。 不是的。在成熟的人机协作体系中，AI也可以是发起方。想想你公司里最好的COO——他不会每天等你问"今天有什么需要关注的吗"，他会主动找你说"老板，有个事你要知道"。AI经营班子做的是同样的事。 双向调度的实际运作：以Talkit为例 让我用自己的亲身实践来说明。在Talkit，AI经营班子有几个核心Agent——数据监控、内容分析、用户行为。它们之间有协同关系，形成了一个简单但有效的双向调度网络。一个典型场景：数据监控Agent发现新用户次日留存率从正常的35%突然降到28%。它自动触发用户行为Agent做深度分析：是所有渠道都降了还是特定渠道？结果显示：留存下降集中在某渠道获取的新用户——被爆款短视频吸引来的用户，对产品的预期和实际功能有明显落差。分析自动完成后，AI班子做了两件事：给我推了一条SCQR格式的预警报告，通知了运营同事去评估那条短视频的投放素材方向。我收到预警后的判断：这不是产品问题，是获客素材过度承诺。拍板调整素材方向，同时让AI班子持续监控该渠道留存变化。 这就是双向调度的日常：AI负责发现、分析、调度；人负责判断和决策。 不需要什么惊天大事件，每天的运营里都在发生这种微观的双向调度。积少成多，这些微观的人机协作构成了一个组织的"运营节奏"——比过去更快、更精准、更少遗漏。 成熟阶段：双向信任的建立 从"我看看AI说的对不对"到"AI说有问题我就看"——这个转变需要时间。老陈告诉我，他大概花了三个月才完成信任建设。第一个月，每次AI班子给出分析，他都要自己重新验算一遍。"就像新来一个下属，你不放心，凡事都要check。"第二个月，数据类的分析直接看结论，判断类的建议还是自己想一遍。第三个月，他形成了新习惯：只看AI标记为"需要决策"的事项，其他的默认相信AI已经处理好了。 "就像我跟我的VP合作了十年，"他说，"他说的事我不需要验证，因为我信他的判断。AI班子也一样——信任是跑出来的，不是宣布的。" 双向调度的深层后果：中层的技术性淘汰 如果我们冷静审视传统中层管理者的核心职能，会发现只有三件事：上传下达、分配任务、监控进度——本质上是人类执行力的"路由器"和"带宽管理器"。 他们存在的价值不是因为判断力有多强——虽然有些中层确实判断力很强——而是因为信息需要有人来传递和分发。但现在，AI Agent来了。当CEO可以直接把战略意图输入AI经营班子，AI自动拆解为具体任务，结果实时反馈——那个负责"上传下达"的中间层，就失去了存在的技术基础。我要特别强调"技术性淘汰"和"管理层压缩"是完全不同的概念。"压缩层级"的假设是组织仍是金字塔形，只是层数少了。AI带来的变化完全不同：组织正在自然演化为网状结构。 CEO通过AI班子直接和任何节点沟通，任何节点也可通过Agent主动上报。信息不再沿固定层级流动，而是根据需要在任意节点间直接传递。 当AI消除了信息传递的瓶颈，金字塔结构就没有了物理基础。 当然，300人的组织不可能一夜之间变成纯网状结构——人际关系、权力结构、制度惯性都是真实约束。但方向是清楚的：留下来的中层管理者，要么转型为"高判断力的决策节点"，要么转型为"人际关系的维护者"——单纯做"上传下达"的中层，确实没有未来了。 核心洞察：人机协作的最高境界是双向调度——人调度Agent执行战略意图，Agent调度人关注关键问题。当你的AI班子主动告诉你"CEO，这个数据有问题"的时候，你已经进入了L3。

银牌效应：AI到底让谁变强了？

这个话题非常重要，但被大多数AI讨论忽略了。所有人都在说"AI让你效率提高N倍"，但没有人问：提高谁的效率？提高多少？提高的同时失去了什么？ 语嫣老师在她的《生长》一书的田野实验中，观察到了一个耐人寻味的现象，我把它叫做"银牌效应"。想象奥运会场景。金牌、银牌、铜牌选手，同时给他们每人一个AI教练，谁提升最大？直觉告诉你是铜牌——最菜，提升空间最大。但田野数据告诉你一个反直觉的答案：银牌选手提升最大。 金牌天花板：Brynjolfsson等人在NBER的研究发现，AI客服辅助工具对专家级客服的生产力影响接近零。顶级人员已掌握了AI能提供的大部分知识和判断。但金牌选手成为了AI的放大器——他们的经验和决策框架变成了AI系统的训练素材。你公司最好的销售总监用AI可能提升5%。但他的销售方法论，经过AI系统化和复制后，能让20个普通销售各提升30%。这对企业的人才策略有深远影响。过去你花大价钱请顶级人才，是因为他们的产出高。现在，顶级人才的价值变成了"定义标准"——他们的经验可以通过AI复制给整个团队。一个顶级人才+AI的组合，可能比三个中等人才更值钱。 因为一个人的智慧可以通过AI系统化地传播给全组织。我在Talkit亲身体验了这个现象。我们团队里最懂用户增长的同事，他的分析框架和思考方式被沉淀进了AI经营班子的分析模板里。现在即使他在休假，AI班子做出的增长分析依然带着他的思考印记——因为它学会了他关注什么指标、怎么看待数据之间的关联、什么样的增长信号值得深挖。 银牌效应：AI整体提升了14%的生产力，但这是个均值。对低绩效员工提升高达34%，对资深专家接近零。但比百分比更关键的是提升的质量。低绩效员工的34%提升来自"AI直接给答案"——脆弱的提升，离开AI立刻打回原形。银牌选手的提升来自"AI帮他补齐短板"——他本来有70分能力，理解AI建议为什么对，能在此基础上做更好判断。这种提升是扎实的。 AI经营班子最大的价值不是让CEO更强，而是让整个管理团队都达到接近CEO的判断水平——把组织的能力下限大幅抬高。 一个做连锁餐饮的CEO跟我说："我有200家门店，最好的店长月均80万，最差30万。同样的品牌、同样的菜品、同级别的商圈，差距就在人。如果AI能让所有店长都达到60万的水平，那比把最好的店长从80万提到90万重要一百倍。" 他算了笔账：200家店平均从50万提到60万，每月多赚2,000万，年多2.4亿。只提升TOP10店长，年多赚1,200万。差了整整20倍。 银牌效应的商业含义：投资于提升中间水平的人，比投资于提升顶尖的人，回报大得多。 而AI经营班子就是那个能规模化提升中间水平人员的工具。 铜牌困境：新手的34%提升几乎全部来自"AI替他做了他不会做的事"。他没有学会怎么做，只是学会了让AI做。AI给了新手产出，但没有给他们能力。 新手用AI写出80分的报告，但自己只有40分的理解。更隐蔽的是，因为输出看起来挺好，新手以为自己已经是80分了——失去了学习动力。正确的系统设计应该在追求产出的同时，保留学习空间。 核心洞察：银牌效应揭示了AI经营班子最大的价值：不是让CEO更强（金牌天花板），而是让整个管理团队都达到接近CEO的判断水平。AI抬高的是组织的能力下限，不是上限。

认知萎缩——最诚实的警告

这是整本书里我最不想写但必须写的一节。如果只讲AI的好处而回避风险，那不是商业写作，是软文。 两项顶级研究的警告 哈佛商学院Dell'Acqua等人发现了"锯齿形技术前沿"——AI的能力边界不是平滑的线，而是高一块低一块。AI能力线以内的任务，使用AI的顾问比不使用的好18%。但在线以外——AI不擅长但看起来擅长的任务——使用AI的顾问反而差19%。更可怕的是，顾问们不知道自己在犯错。他们看到AI自信满满的输出，以为是对的就交了。沃顿商学院Bastani等人的研究标题直白得令人不适："GenAI Can Harm Learning"。学生用AI辅助练习后，独立考试成绩反而下降了。AI帮他们做对了练习题，但阻止了他们建立真正的理解。 我自己的教训 2026年3月，我让AI班子分析中国当代艺术家的投资价值。AI很快给出了一份看起来非常专业的报告。好在我养成了抽查验证的习惯——结果一查就炸了：7位艺术家中有5位的画廊信息是错的。AI把郝量的代理画廊写成Spruth Magers，实际是Gagosian；黄宇兴的拍卖记录夸大了整整8倍。71%的事实错误率。 这比不用AI更危险。如果自己从零查，我知道需要核实。但AI的答案太自信了——没有犹豫、没有"我不确定"。它的自信让我放松了警惕。 这就是认知萎缩的机制：不是AI让你变蠢了，是AI的自信让你懒得验证了。 GPS类比：你现在还能不看导航从家开到去年才去过一次的那家餐厅吗？大概率不行了。十年前你能。GPS让你不需要认路了，你的导航能力在享受便利的每一天里一点一点消退。AI对CEO的判断力可能有同样效果。 设计原则：保留"刻意挣扎"的空间 解决方案不是不用AI，而是在系统设计中有意保留让人独立思考的空间。 第一，AI有时候故意不给结论。 数据拉好、趋势画好、对比做好，但"所以我们应该怎么做"留给人。让判断力保持活跃。 第二，定期做"无AI决策日"。 每月有一天不用AI分析，自己从原始数据出发做判断。维持基础能力。 第三，对AI建议进行"事后审计"。 每月回头看AI上个月的建议，有多少对、多少偏、偏在哪里。 第四，区分"思考辅助"和"思考替代"。 这是一个微妙但关键的区别。"帮我拉一下过去三个月的销售数据"是辅助——AI帮你收集信息，但分析和判断是你做的。"帮我分析过去三个月的销售趋势并给出建议"是替代——AI帮你做了思考。两者都有价值，但如果你所有的AI用法都是后者，独立思考能力就在萎缩。我的原则：战略级别的决策，让AI做"思考辅助"；日常运营级别，AI可以做"思考替代"。在重要的事情上保持独立判断力，在不重要的事情上享受AI的效率。 核心洞察：认知萎缩是AI最隐蔽的风险——GPS让你不再记路，AI班子可能让你不再思考。解决方案不是不用AI，而是在系统设计中保留"刻意挣扎"的空间。

哪些决策必须人做？哪些可以Agent做？

人机分工更像一条光谱。 AI做：数据驱动的确定性任务 有一类决策具有三个特征：有明确的数据输入、有清晰的评判标准、有可验证的对错。数据收集与清洗、趋势分析、异常检测、方案比较、ROI计算——这些不需要人的判断力，需要的是计算力和耐心。交给AI，你放心。 人做：价值驱动的判断性决策 另一类决策也有三个特征：涉及价值选择、依赖关系信任、影响文化认同。"我们要成为什么样的公司？""这个合作伙伴值不值得信任？""这件事符不符合价值观？""我们不做什么？"这些需要的是判断力、直觉和价值观。AI在这些领域根本不应该做主——因为这些决策定义了你是谁、你的公司是什么。 灰色地带：AI建议、人拍板。 定价、招聘、战略方向——AI负责"是什么"和"怎么样"，人负责"要不要"和"值不值得"。一个具体的灰色地带故事：Talkit的AI班子推了一条分析——某渠道获客成本从18元涨到25元，上升39%，建议暂停投放转移预算。纯数据角度完全正确。但我没有采纳。因为我知道两个AI不知道的事：第一，那个平台算法正在大更新，获客成本暂时上升是正常调整期现象；第二，我们积累了半年的学习数据，暂停投放会清零，重启隐性成本远高于25元。最终我选择"继续投放但降低20%预算"——既没有完全停掉（保留学习数据），也没有继续大量烧钱（控制风险）。三周后，平台算法更新完成，获客成本回落到20元，我们的历史学习数据完好保存，重新放量后很快回到了最优状态。如果当时完全听AI的建议停掉了，我们大概需要额外花两到三个月重新积累平台数据——隐性损失远大于表面上的获客成本节省。 AI掌握了所有的"数据"，但它不掌握"上下文"。 数据说"停"，上下文说"等等"。灰色地带的正确工作模式：AI出分析，人出判断。AI告诉你"数据说应该停"，然后你决定——停、不停、还是折中方案。 我在Talkit的实践中把这个原则具象化成了一条规则：凡是可以用数据反驳的决策，先让AI做分析；凡是不能用数据反驳、只能用价值观判断的决策，人来做。

高低维矩阵：不是所有岗位都该用同一种方式协作

余凯——地平线创始人——的框架极其精辟：所有工种按两个维度画四象限。横轴是竞争程度，纵轴是维度高低（认知复杂度）。 第一象限：高维+低竞争——人类独占区。 顶级科学家、艺术大师、先锋哲学家。维度极高——跨领域知识整合、直觉与逻辑交织、审美与推演并行。竞争极低——全世界能做这件事的可能就几十个人。AI短期无法替代——价值来自"独一无二的人类视角"。AI角色是高级助手——帮他们加速验证、扩大搜索空间，但不尝试替代核心判断。 第二象限：高维+高竞争——人机协同黄金区。 投资人、CEO、战略咨询顾问、复杂系统架构师。高维意味着"思考质量决定成败"，高竞争意味着"微小优势带来巨大回报"。AI是最强辅助——处理更多信息、发现更隐蔽模式、验证更多假设。在竞争激烈的环境中，有AI辅助的顶级投资人和没有AI辅助的之间，差距会越来越大。这是AI经营班子最适合的战场。 我自己的体感是：自从有了AI经营班子，我做决策时"考虑到的因素"比以前多了至少一倍。我的智商没变，变的是AI帮我把很多以前"来不及看"的信息摆到了面前。在高竞争的市场里，这种信息优势就是竞争优势。 第三象限：低维+低竞争——人类长期存在区。 社区服务、手工匠人、地方特色经营。AI替代的经济回报太低——修一双鞋收30块钱，AI系统运营成本可能比这还高。更重要的是，人际关系本身是价值的一部分。 第四象限：低维+高竞争——AI直接替代区。 数据录入、标准化客服、模板翻译、基础会计处理。标准化、流程化、可量化，大量人在做同样的事。这是AI最先也最彻底吃掉的领域。Klarna替代的就是这个象限——客服中的标准化问答、内容团队中的模板化翻译。Klarna在这个象限的替代是完全正确的——错就错在它以为所有象限都能用同样的方式处理。矩阵的真正价值不在于"AI能不能替代某个岗位"，而在于帮你回答：在每个象限里，人和AI的最优协作模式是什么？ 用同一种方式对待所有象限——比如Klarna式的"AI能做就让AI做"——一定会出问题。用第四象限的逻辑处理第二象限的工作，你砍掉的不是"低维执行力"，而是"高维判断力"。那是不可逆的损失。 核心洞察：不同象限的工作需要完全不同的人机协作模式。CEO的首要任务不是问"AI能替代多少人"，而是问"我的每一项工作落在哪个象限，对应的最优协作方式是什么？"

静默治理——最成熟的AI治理是你感知不到的

AI做的那部分，怎么确保质量？艺术家数据事故后，我们做了三件事。第一是双源验证规则：AI班子输出的任何事实性数据，至少两个独立信源交叉核实。第二是认识论诚实规则：无法找到第二个信源时，必须标注"待核实"，而不是自信满满地写上可能错误的答案。第三是最关键的——把这些规则变成静默执行的系统约束。AI班子在每次输出时自动执行质量控制，但不在报告中提及"我遵守了双源验证规则"。你作为CEO看到的报告已经是过滤后的——就像你不需要知道CFO出财报前做了多少GAAP合规检查。静默治理三个层次：规则显性化 → 规则自动化 → 规则隐形化。我们目前在第二层到第三层之间。有些规则已经完全隐形化了（比如自动排除内部测试用户的数据），有些还需要在报告中显性标注（比如"待核实"标记——这个标注本身就是治理的可见部分，但它的存在是有意义的，因为它在传递一个信号："我们知道这条信息不够可靠"）。一个反面教材：某企业的AI报告每份开头都有免责声明——"本报告由AI生成，数据可能存在误差，请人工验证后再做决策。"看起来负责？实际在做两件有害的事：一是告诉用户"别信我"，一个每次都说"别信我"的系统，用户为什么要用它？二是把质量控制责任从系统推给用户——"请人工验证"意思是"如果有错是你的问题"。这不是治理，是甩锅。正确做法是把质量控制做进系统里，然后安安静静地交付高质量报告。如果有不确定的地方，在具体数据点旁边标注"待核实"，而不是在报告开头写笼统的免责声明。 成熟的治理是内化的约束，不是外化的声明。 就像一个好厨师不需要在每道菜旁边贴一张纸说"本菜品经过卫生检查"——他的厨房本身就是干净的。 核心洞察：最成熟的AI治理是你感知不到的治理。AI班子的质量控制规则应该是静默执行的，自动确保数据准确性，不需要CEO操心。

SCQR叙事结构——AI班子怎么汇报

这一节的灵感来自肖璟的SCQR方法论——脱胎于麦肯锡经典SCQA框架，将"Answer"改为"Resolution"，强调从"分析"到"行动"的跨越。大多数AI系统的输出是"数据罗列"——数据都对，但看完什么都没记住。因为这是"是什么"，不是"所以呢"。 SCQR是一个简洁有力的叙事结构：S（背景）→ C（冲突）→ Q（问题）→ R（建议）。同样的销售数据，罗列版你需要自己提炼问题。SCQR版AI帮你提炼了问题、界定了风险、给出了行动建议。你只需要决策：做还是不做。我在AI经营班子中把SCQR变成了输出的默认格式。效果立竿见影——老陈那个供应链预警就是SCQR格式的。他后来跟我说，他之所以能在三秒内理解那条预警的严重程度并做出反应，就是因为SCQR结构让关键信息直接跳出来了。"如果它给我一堆数据表格，我可能花十分钟还搞不清楚到底在说什么。" 模型准确率是基本功，真正花心思的地方是"表达力"——同样准确的分析，SCQR格式比数据罗列格式，CEO的阅读时间减少70%，信息记忆率提升3倍。 人的注意力是稀缺资源。按人的认知方式组织信息，是AI班子的基本功。 SCQR能力是区分"AI工具"和"AI经营班子"的关键标志——AI工具给你数据和答案，AI经营班子给你故事和建议。前者需要你自己做信息处理，后者已经帮你做了——你只需要做判断。

人机信任的四个阶段

第一阶段：怀疑与验证（1-3个月）。每个分析都人工复核。你需要亲自探AI的"锯齿形边界"。 第二阶段：选择性信任（2-4个月）。数据类直接看结论，判断类还是自己想一遍。你开始有选择地跳过验证——不是偷懒，是真的知道哪里可以放心。 第三阶段：日常依赖（持续）。像信任一个老VP一样——不是盲信，是"除非看到明显问题，否则默认相信"。注意认知萎缩风险。 第四阶段：双向调度。AI主动告诉你应该关注什么。你从"提问者"变成"决策者"。四个阶段不是线性的。对数据拉取，你可能信任度95%；对战略建议，可能只有30%。你和AI的信任关系不是单一数字，而是多维结构。 信任建设的加速器和减速器 什么加速信任？透明度。AI每次给分析时附上"我是怎么得出这个结论的"——用了什么数据源、做了什么假设、置信度是多少。越透明，信任越快。就像审计——当你能看到完整的审计轨迹时，你更容易信任审计结论。什么减速信任？犯一次大错。老陈的AI班子在第二个月有过一次误报——把正常的季节性波动当成异常，推了紧急预警，他和团队折腾了半天发现是虚惊一场。那次之后信任回退至少两周。"就像你信任的下属出了一个大差错，你虽然不会开除他，但会有一段时间对他的每个建议都多看一眼。" 所以AI班子设计要特别注意两件事：一是减少误报（宁可漏报不可多报——误报比漏报更伤信任）；二是当误报发生时，AI班子要能自我纠正并说明原因（"上次的预警是误报，原因是我没有充分考虑季节性因素，我已经在模型中加入了季节性调整"）。能够自我纠正和自我解释的AI班子，比一个"看起来永远正确"的AI班子更值得信任。因为前者展示了"我在学习"，后者隐藏了"我可能在犯错"。

CEO不是导演，是制片人

AI时代的CEO，应该从"导演"变成"制片人"。导演亲自看每条素材、调整每个细节。当你的"团队"里有十几个AI Agent同时运作，你已不可能亲自执导每个环节了。制片人做什么？选剧本（战略）、选导演（Agent架构）、控预算（资源分配）、看样片（质量控制）。制片人不需要会演戏，但必须知道什么是好戏。 CEO不需要自己会写代码、做数据分析——AI可以做。但必须有能力判断AI的输出好不好。这就是为什么"审美"成了AI时代CEO最重要的能力——你要能判断好坏，而不是自己做出来。我认识一个做消费品牌的CEO，设计出身。他对"什么是好的视觉设计"有极强的判断力——但他从来不自己打开Figma画图。他的工作方式是：设计团队出方案，他一眼就能看出哪个方案有感觉、哪个差在哪里。他经常说："我不需要会画，但我需要一眼看出画得好不好。"这就是制片人思维。 AI时代这种能力更重要了——AI的产出速度太快。以前团队一周出三个方案你有时间仔细看，现在AI一天出三十个，你唯一能做的就是快速判断好坏——要求足够高的审美标准和足够敏锐的判断力。从导演到制片人不是降级，是升级。导演的价值在执行力，制片人的价值在判断力。当AI承担了大量执行工作，CEO的判断力才是真正的稀缺资源。你的时间结构会根本性改变——从70%处理执行细节、30%思考战略，变成30%审核AI关键输出、70%思考真正重要的事——方向在哪里、人该怎么选、什么该放弃。这才是CEO应有的时间分配。AI经营班子让这种分配成为可能。

创智人才——AI时代最稀缺的资源

制片人需要什么样的团队？一个公式："顶尖人才 × AI杠杆 = 组织生产力"。 过去是"人数 × 人均产出"。新公式不关心你有多少人，关心你有没有能把AI杠杆用到极致的顶尖人才。一个这样的人配上AI杠杆，产出可能超过过去十个人。我称这类人才为"创智人才"。 创智人才四个特征： 第一，元认知能力强。 "思考自己怎么思考"的能力。和AI协作的核心不是"给指令"，而是"给好的思考框架"。同样的问题，好框架让AI输出质量高十倍。 第二，High Agency——高能动性。 不是"等指令做事"的人，而是"自己找事做"的人。他们看到一个问题就想解决，看到一个机会就想抓住，不需要谁来分配任务。AI给了每个人近乎无限的执行力——但前提是你得有想法。一个高能动性的人配上AI杠杆，可以一个人启动并完成以前需要一个团队才能做的项目。一个低能动性的人，即使给他最好的AI工具，他也不知道该做什么。 第三，擅长抽象建模。 能把复杂的现实问题抽象成模型——商业模型、分析框架、决策树。你不能跟AI说"帮我搞定销售"，但可以说"用这个漏斗模型分析每环节转化率，找出最大瓶颈"。后者才是AI能理解和执行的。 第四，能充分利用AI杠杆。 不是偶尔用AI，而是把AI内化为工作方式的一部分——就像不会说"今天用不用电脑"。 两个现象：一是"一人多岗"——创智人才配上AI杠杆后，一个人可以同时承担多个岗位的核心职能。一人多岗的核心价值在于减少沟通损耗——虽然省人也是实打实的好处。传统组织中最大的效率杀手是人与人之间的信息传递损耗。每一次跨部门沟通都有信息衰减。当一个创智人才借助AI同时覆盖多个职能时，这些沟通损耗直接消失了。二是"超人化"——通过AI杠杆，创智人才可以变成"多面手"。一个原本只擅长产品设计的人，借助AI可以写出不错的技术方案、做出有洞察的市场分析。AI补齐了他的短板，从"一技之长"变"全面作战"。在Talkit，我们4人团队每个人都在用AI覆盖远超自己专业领域的工作。 高认知碾压高经验。当高认知年轻人通过AI快速获取行业知识、分析历史数据，"二十年经验"的壁垒被大幅削弱。Palantir招了22名高中生实习，三个月直接转正——高认知能力、学习快、没有思维定式，配上AI工具三个月就能产出有价值的工作。 从人才密度到人才浓度。人才密度是硅谷常说的概念——你公司里优秀人才的比例，Netflix以此闻名。但在AI原生组织里，更关键的不是密度，而是浓度——"少那两三个人就玩不转"。密度讲的是比例，一百个人里有多少好的。浓度讲的是核心团队的不可替代性——整个组织可能只有五六个人，但少了任何一个就转不起来。每个人都是关键节点，而不是可互换的零件。在AI原生组织里，招聘不再是"填坑"——不是因为有一个岗位空缺所以要招人——而是"找关键人"——找到那些能把AI杠杆用到极致、能端到端负责完整业务模块的创智人才。 核心洞察：AI时代的人才方程式从"人数 × 人均产出"变成了"创智人才 × AI杠杆"。关键不再是人才密度，而是人才浓度。

CEO明天就能做的一件事

回想过去一周你做的所有决策，分成三类： 第一类：可以完全交给AI的。 数据驱动、有明确标准、对错可验证。 第二类：AI辅助你做的。 需要数据支撑，但最终需要你的判断。 第三类：必须你自己做的。 涉及价值观、关系、文化。你可能会发现：70%的时间花在了第一类和第二类——这些都是AI应该帮你做的。真正需要精力的第三类反而被挤到了边角。 把第一类交给AI，让AI辅助第二类，把省下来的时间和注意力全部投入第三类。 每季度重做一次这张人机分工地图。这个分类完成后，你就得到了一张"人机分工地图"。你可能会发现：70%的时间花在了第一类和第二类——这些都是AI应该帮你做或辅助你做的事。真正需要花精力的第三类，反而被挤到了边角。 这张地图就是你和AI班子的分工边界。把第一类交给AI，让AI辅助你做第二类，把省下来的时间和注意力，全部投入第三类。 每季度重做一次——你会发现第一类的比例在不断增加，因为AI的能力在增长。你的工作方式应该随之调整。你做的事情少了，但每件事的价值密度高了。从"忙碌但低效"变成"从容且高效"。不是变得更轻松了——第三类决策往往是最消耗心力的。但你终于有时间、有精力、有心智带宽去认真对待这些真正定义你和你公司的决策了。 这才是人机协作的终极意义：让CEO把有限的精力花在最重要的事情上。 AI班子替你做了80%的信息收集和分析工作，你把省出来的80%的时间投入到价值判断、关系决策和文化建设上。这个转变不是一夜之间发生的。它需要你慢慢地、系统地把第一类和第二类决策移交给AI班子。每移交一个，你就多出一块时间和注意力。积少成多，半年后你会发现自己的工作方式已经面目全非了——但方向是对的。

←返回目录