AI时代，中层管理者反而更重要了

前两天听了一场飞书的AI分享会，主讲人是飞书副总裁史凯文。

说实话去之前我没抱太大期望，这种分享会一般就是演示几个功能，讲讲效率提升多少倍。但史凯文说了一个观点，让我当场愣住了。

他说，AI化组织中，中层管理者的角色不是变轻了，而是变重了。从「上级传话筒」变成了整个AI落地的关键枢纽。

这个说法有点反常识。大家普遍觉得AI来了，管理者的很多协调工作会被替代，层级会变扁平。但仔细想想，好像真是这么回事。

我自己带内容团队快五年了，过去一年我也在大量用AI工具。今天聊聊我听完之后的思考，以及对年轻人的影响。

先说为什么中层管理者的价值反而提升了。

史凯文提了一个很关键的观点。企业要真正把AI用起来，不是买个工具就完事了，它有三个前提条件。

第一个，你得有明确且留档的业务流程。

这个看着简单，其实特别难。我自己的团队就是这样，很多工作流程是靠「老人带新人」口口相传的。你问任何一个环节的标准是什么，每个人说的都不完全一样。大企业的主框架可能是标准的，但业务细节每天都在变，文档永远跟不上变化。

AI可不管这些。你喂给它什么流程，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。所以要让AI真正落地，管理者必须先把业务流程梳理清楚、写成文档。

这件事，只有既懂老板意图、又了解一线业务的中层管理者能做。

第二个，你得有能力审核AI的输出。

AI不是万能的。它会「幻觉」，会「塌陷」，会一本正经地胡说八道。我自己的经验，用AI写内容的时候，有时候它生成的东西看起来特别流畅，但仔细一看，数据是编的，案例是拼凑的，逻辑链有断裂。

如果你自己不懂业务，你根本看不出来AI哪里错了。所以审核AI的能力，说到底就是你的业务判断力。这个判断力不是天上掉下来的，是在长期实战中积累出来的。

第三个，你得给AI设定清晰的执行方向和目标。

这个是最核心的难点。AI能执行任务，但它不会自己创造任务。你让它写一篇关于XX的文章，它能写。但你问它「这个月我们该做什么选题」，它给不了你有价值的答案。

因为它缺乏创造力，也缺乏对市场的感知。

这三个前提条件加在一起，你会发现一个很有意思的事。AI越普及，对中层管理者的依赖反而越深。因为只有管理者能做这三件事，梳理流程、审核结果、设定方向。

那具体到管理者个人的能力要求，有什么变化？

我觉得最核心的变化是三个字，深度。

以前中层管理者的主要工作是协调和执行。老板说了一个方向，你拆解成任务，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懂，你只需要确保流程跑通。

但AI时代不一样了。

AI把大量的执行工作接管之后，管理者的核心工作从「管执行」变成了「管判断」。

什么叫管判断？

举个例子。我用AI帮团队生成内容选题，AI给出了10个选题方向。以前这个事是策划自己做的，我可以大致扫一眼就过。但现在AI做的选题，我得一个一个仔细审。

不是审它写得对不对，而是审它背后的逻辑有没有道理。这个选题为什么能火？目标人群是谁？跟我们的定位匹配吗？有没有信息差？这些问题的判断，AI帮不了你。

所以第一项新能力，叫深度业务理解。你不仅要判断AI的结果对不对，还要能评估它的推算逻辑和风险点。

第二项新能力，叫驾驭AI的能力。

这个说法听着像废话，但其实不是。很多人用AI是被动依赖，遇到问题丢给AI，AI给什么就用什么。但真正的驾驭是，你掌握AI懂的80%以上的知识，你知道它的能力边界在哪，你知道什么时候该用、什么时候不该用。

我自己的感受是，自从我开始认真研究AI的各种能力之后，我做决策的速度变快了。不是AI替我做决策，是我对业务的理解更深了，因为我要教AI做这些事，我就必须先自己想清楚。

这跟以前公司里「教新人」的逻辑一模一样。你教新人的过程，其实是你自己梳理思路的过程。AI就是一个超级新人，你要教它，你就得先想明白。

第三项新能力，叫精准分工。

以前团队分工是按人分的。现在得按能力层级分，哪些工作交给AI，哪些交给普通员工，哪些必须核心人才来做。

这个分工不是静态的，它一直在变。AI的能力在快速进化，今天AI做不了的事，三个月后可能就能做了。管理者必须持续更新这个分工矩阵。

说完了管理者，再说说年轻人。这部分其实更让我担忧。

AI对年轻人的冲击，远比很多人想象的要大。

核心问题是，年轻人的能力培养路径被打断了。

任何一个行业的成长路径，说到底都是一样的。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，在实战中建立直觉。这个过程很慢，但它是有效的。

AI把这条路径的前半段截断了。

标准化执行、数据分析、基础沟通、信息整理，这些工作AI已经能做了，而且做得比新人快得多。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「成长养料」。

我举个例子。我当年刚入行做内容的时候，前半年就是在做最基础的工作，找选题、写初稿、剪视频、发内容。这些工作看起来简单重复，但在做这些事的过程中，我接触到了大量的异常场景。某条内容突然爆了，为什么？某个选题预期很好但数据很差，问题出在哪？某个评论区出现了意料之外的反馈，该怎么处理？

这些异常场景，就是你建立业务判断力的原材料。

现在AI把这些基础工作接管了，新人直接跳到了「判断」的层级。但判断力是需要养料来养的。没有前面大量的重复和异常积累，你凭什么做出好的判断？

更残酷的是，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也能做的时候，企业会比较什么？比较成本。一个月薪8000的年轻人，和一个每月几百块token成本的AI。

这不是危言耸听。这是正在发生的事。

但我不想只讲问题，不给方案。

有一段历史我觉得特别值得参考。

2000年到2015年之间，惠普、戴尔这些公司做了一件很有意思的事。他们通过驱动协议整合，把原本需要博士和硕士级别工程师才能做的工作，降维成了标准化文档。原来一个硬件驱动的开发需要深刻理解芯片架构和操作系统内核，整合之后，只要按照文档填写参数就行了。

大量高技能岗位被替代了。

但结果呢？那些推动这场变革的工程师，后来成为了技术专家、行业大牛，甚至转型成了互联网公司的高管。他们没有被淘汰，因为他们比任何人都更理解这个变革的本质。

他们做对了一件事，他们选择了「理解系统」而不是「执行任务」。

我觉得今天的年轻人在AI时代面前，有三件事可以做。

第一件，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，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。关键是你得确保这些知识不是存在笔记本里，而是真的长在脑子里，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行不行，不是因为我聪明，是因为我过去五年积累了大量的内容案例和数据。这些案例在我的脑子里形成了一个网，新信息进来的时候，它能自动跟旧信息产生关联。AI做不到这件事，因为AI没有「体感」。

第二件，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。

书里举了一个例子，傅里叶变换。大多数人学傅里叶变换就是背公式、套公式。但如果你真正理解了傅里叶变换的本质，它是把任何复杂的波形拆解成圆周运动的叠加。理解了这个本质之后，你不仅会用公式，你还能在完全不同的领域里看到同样的模式。

AI能套公式，但AI看不到模式背后的本质。

管理者也是一样。你要理解的不只是「这个业务流程怎么运转」，而是「这个业务流程为什么这样运转」。底层逻辑搞清楚了，不管AI怎么发展，你都有独特的视角。

第三件，培养创业者心态。

不是说让你去创业。而是说，你要主动去探索AI在你的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解决真实问题」。这两件事的区别很大。前者是知识积累，后者是能力建设。只有真正用AI去解决过问题的人，才知道AI的边界在哪里，才知道什么时候该相信AI、什么时候该相信自己。

最后说一个我觉得很重要的补充视角。

AI不是万能的，它有一个很少有人提到的限制，资源成本。

OpenAI的Sora，视频生成模型。技术很牛，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的能力是有物理边界的。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，在商业上是不可持续的。

而人类的思维，不需要GPU。你的联想、你的创造、你的激情，这些能力的「运行成本」是一日三餐。

我始终觉得，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，但它不能创造方向。它能执行任务，但它不能定义问题。

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。

所以如果你是一个管理者，不要因为AI而焦虑。你应该做的是，把AI当成一个超级放大器。你自身的能力越强，AI给你的回报就越大。反过来，如果你自己没有判断力，AI只会放大你的错误。

如果你是一个年轻人，也不要因为AI而绝望。成长路径确实变了，但机会也在变。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，就是一个最好的证明。

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⭐～

谢谢你看我的文章，我们，下次再见。