AI优先24|以后我不再只学习怎么用AI,而要学习怎么管理AI

刚开始接触AI的时候，我最关心的是：

哪个模型更强？

提示词怎么写？

哪个Agent最好用？

哪个工具效率最高？

这些当然重要。

但用了很长一段时间以后，我越来越觉得，真正值得继续提升的能力已经变了。

以后我不想只学习：

“怎么用AI。”

而是要学习：

“怎么管理AI。”

因为当AI真正进入工作以后，问题已经不是“会不会问”，而是：

● 这个任务应该交给谁；

● 应该给它哪些资料；

● 要不要调用Subagent；

● 需要接什么工具；

● 哪些步骤可以自动；

● 哪些地方必须人工确认；

● 结果怎么验收；

● 出了问题谁来接手。

这已经越来越像管理工作，而不是使用软件。

最早用AI时，我们习惯问：

“这个问题怎么看？”

“帮我写一段。”

“这个合同有什么风险？”

这是典型的问答方式。

后来我越来越倾向于直接给完整任务：

● 输入材料在哪里；

● 目标是什么；

● 代表谁的立场；

● 用什么工具；

● 输出什么文件；

● 做到什么程度；

● 哪些地方需要人工确认。

这时候，人已经不是在“聊天”。

而是在：

布置工作。

所以未来很重要的一项能力，不是会不会写一句漂亮提示词，而是：

能不能把一个模糊需求变成一个AI可以独立执行的任务。

当只有一个AI时，很多事情很简单：

直接交给它。

但当自己的AI工作系统里开始有：

● 主智能体；

● Codex；

● OpenCode；

● 其他执行Agent；

● Subagent；

● MCP；

● 脚本；

● 定时任务，

就会出现一个新的问题：

这件事到底应该让谁做？

有些任务适合主Agent直接处理。

有些需要本地Agent读取文件。

有些适合Subagent并行拆分。

有些根本不需要大模型，直接跑脚本最稳定。

有些应该设置成定时任务，以后不需要人再启动。

这时候，人的工作逐渐变成：

调度资源。

不是AI越多越好。

而是要知道：

什么事情交给什么能力最合适。

很多人虽然用了Agent，但实际上还是亲自盯着每一步。

AI做一点；人看一点；再告诉它下一步；再等它继续。

这其实没有真正把任务交出去。

管理AI的一个重要能力，是：

把边界定义清楚以后，让它自己完成。

人不再负责过程中的每一个动作。

而是负责：

● 目标；

● 边界；

● 关键检查点；

● 最终验收。

这和管理一个真实团队其实很像。

如果一个管理者需要告诉员工：

先点哪个按钮；再打开哪个文件；下一步复制哪一段，

那他实际上还是在亲自执行。

AI也是一样。

但另一方面，管理AI也不是：

“任务给出去以后什么都不管。”

真正需要人的地方反而应该更加明确。

比如：

● 重大法律判断；

● 商业取舍；

● 谈判策略；

● 高风险写入操作；

● 正式对外发送；

● 不可逆的系统操作。

这些事情可以让AI准备方案。

但最终决定要留在人手里。

所以管理AI的核心不是：

全部放权。

而是：

准确划分权限。

哪些事情AI可以直接完成；

哪些事情需要审批；

哪些事情只能提供建议。

边界越清楚，系统才越稳定。

如果每次AI做完以后，都只是凭感觉判断：

“好像还可以。”

那管理其实还没有建立起来。

真正稳定的AI工作，应该提前有验收标准。

比如：

● 法律依据必须核验；

● 重要事实必须有来源；

● 不得覆盖原文件；

● 商业条款未经授权不得修改；

● 最终要输出指定格式；

● 无法确认的问题必须单独列出。

这些标准一旦固定下来，就可以进一步进入：

● 全局指令；

● 项目指令；

● Skill；

● 自动化流程。

这样AI不是每次猜：

“这次用户大概想要什么。”

而是已经知道：

什么结果才算合格。

未来如果长期依赖AI，不可能只靠一个Agent。

某个Agent可能出问题。

某种任务可能另一个工具更擅长。

所以任务最好能够：

● 切换；

● 交接；

● 复核；

● 备份。

比如一个Agent做到一半，可以留下：

● 任务目标；

● 当前进度；

● 文件路径；

● 已完成事项；

● 待处理事项；

● 关键问题。

另一个Agent可以直接继续。

这时候真正重要的就不是：

哪个AI最强。

而是：

自己的任务能不能在不同AI之间稳定流转。

这也是一种管理能力。

管理AI不只是当天把事情做完。

还要让整个系统不断变好。

● 一次任务做得很好：把方法留下。

● 一次任务失败：把坑写进规则。

● 一项工作重复出现：做成Skill。

● 一个机械步骤经常重复：写成脚本。

● 一个固定任务每周都要做：设成定时任务。

这样每一次工作都不只是交付结果。

还在顺便升级整个系统。

我觉得这才是AI真正产生复利的地方。

以前评价一个人工作效率高不高，往往看：

写得快不快；查资料快不快；Excel熟不熟；文件处理熟不熟。

以后这些执行能力会越来越多地被AI承担。

人的价值会更加集中到：

● 能不能定义目标；

● 能不能拆清楚任务；

● 能不能选择合适的Agent；

● 能不能建立标准；

● 能不能识别错误；

● 能不能处理例外；

● 能不能做最终判断。

也就是说：

从亲自完成工作，逐渐转向组织AI完成工作。

所以以后再学习AI，我觉得关注点可以慢慢发生变化。

少花一点时间纠结：

哪个模型排行榜第一；哪个提示词又有什么新技巧。

多花一点时间研究：

● 怎么设计任务；

● 怎么让Agent独立执行；

● 怎么调度多个Agent；

● 怎么使用Subagent；

● 怎么建立Skill；

● 怎么接MCP；

● 怎么做自动化；

● 怎么设置权限；

● 怎么验收结果。

这些能力更稳定。

因为模型会不断变化。

Agent也会不断变化。

但：

如何把AI组织起来完成工作

这项能力不会很快过时。

以前我们说：

会使用工具的人效率更高。

以后可能要变成：

会管理AI工作系统的人效率更高。

所以我现在越来越觉得，自己的下一阶段，不应该只是继续学习：

“怎么把AI用得更熟。”

而是：

“怎么把AI管得更好。”

● 让AI负责执行。

● 让系统负责重复。

● 让Agent之间能够协作。

● 而人把时间真正留给：

目标、判断、决策和责任。

这可能才是从“会用AI”走向“真正掌握AI工作方式”的分水岭。

扫码添加李成律师微信

交流法律AI工作流 · 领取 AGENTS 指令与技能包