AI 从替你干活,到给你派活

过去两年，所有人问的都是同一个问题：人怎么用好 AI。接下来要问的是反过来的那个：AI 怎么用人。

你早上打开 ChatGPT，你的 dot 已经把昨晚的进度摆了出来：几件它做完了，等你批；几件它做不了，留给你做。你睡了一觉，一天的工作已经被安排好了，安排你的人不是你的经理，是一个随时可以被你换掉的 agent。

在《AI 什么都能干之后，公司为什么还需要人》里，我说过 AI 拿不到责任和权益的主体资格，所以它成不了公司的 owner。那句话限制的是自顶向下的那一种管理：它的名字要写在合同上，它的决定要有法律效力，它得为结果担责——这些位置法律只留给人和由人组成的组织。所以短期内不会出现一个 AI 老板，坐在最上面决定公司做什么。

但管理不等于所有权。所有权要的是资格，管理要的是能力加授权。把管理拆开，有四件事：派活、验收、让人服从、担责。前三件 AI 都能碰——派活和验收它已经在做，让人服从也只差一份授权；只有第四件是资格问题，法律还没有给它位置。

于是同一张组织图里同时跑着四种关系：人管人、人管 AI、AI 管 AI、AI 管人。前三种已经在真实产品里运转，第四种刚刚露出形状，而它最值得看——因为它决定的不只是谁干活，而是谁听谁的。

AI 管人的初级阶段：先开工单，再验收

今天最像“AI 管人”的东西，是审批：它停下来，等你点一下。但这只是分诊——它把做不了的事推给你，然后等你回来。真正的管理要往前两步：决定这件事该不该做、什么时候要、做到什么程度算好，并且在事后检查。

有意思的是，这套机制人已经用了几十年，只是过去方向是反的。今天一个工程师是被 work item 和 bug list 驱动的：任务进 backlog，有优先级、有预期时间、有验收标准；做完提交，跑测试，审查，合并；出了问题就开一个 bug，bug 也是一条 work item，回到同一个池子里。整条链子不需要谁在旁边盯着，靠的是记录、证据和验收。

把方向反过来，就是 AI 管人的初级阶段。AI 发现一件自己做不了的事——缺一个接口、缺一次现场判断、缺一次当面沟通——它把这件事写成一条 work item，写清预期结果、验收标准和期望时间，放进 backlog；人领走，做完，交回证据：一个 commit、一份交付物、一条结果回报；AI 检查证据，跑测试、对账、比对完成记录，然后决定验收通过，还是开一个 bug 打回——那条 bug 就是它对这份交付的验收意见。被打回的 bug 也是一条 work item，回到同一个池子，等下一轮。

这不是设想。Codex 已经会审查提交、在仓库里找出问题、把修复准备好；Codex Security 会扫描整个仓库、调查发现、去重、在云上准备修复。AI 早就在给人开 bug 了，只是今天这些 bug 还只开在代码上。把它推广到不是代码的交付物——一份文档、一次测试、一版设计——机制是同一套：写清期望，交出证据，检查，打回。

关键在最后一步。AI 不需要“相信”人，它需要的是可检查的证据；人也不需要猜 AI 想要什么，验收标准就写在工单上。工单把“做完了”从一句口头承诺变成了一条可回溯的记录——管理一直缺的正是这个。人对 AI 说“做完了”，AI 没法查；换成工单加证据，AI 就能查。管理里前两件事，第一次有了交给 AI 的可能。

而且这条链子是异步的。AI 不需要人坐在旁边确认，它把工单放进池子，去做别的；人做完，把证据放回去；AI 回来验收。管理第一次可以不占用另一个人的实时注意力——派活的那个人不必一直在线，被派活的人也不必随时待命。

这件事可以拆成两层看：上面是 AI 当 owner 的自上而下管理，暂时走不通；下面是它今天真正在走的那条路——发现缺口，开工单，人完成，AI 验收。

人不一定服从

工单把要做的事说清楚了，但它默认了一件事：人会照着做。现实里不一定。人知道该做什么，还是可能不做、拖延、敷衍、讨价还价——这不是某几个人的毛病，是管理的常态。

所以管理从来不是“把活写清楚”就够了。它靠的是一整套手段：打绩效、分奖金、定晋升、调岗位、决定谁进哪个项目组。这些东西不解决“知不知道”，只解决“做不做”。

这些手段的权力来源不是法律，是组织内部的授权。决定你的绩效评级、决定奖金发给谁、决定你进不进晋升名单、决定你调去哪个组——都是一个经理的日常动作，没有一件需要法律资格。而且这些动作本来就大多不透明：360° 环评是谁打的、怎么算的、有没有一个系统按 KPI 直接打分，公司从来不会完全公开；一份评语是上级写的，还是照着模板生成的，也没有人会去查。年终评语里那句“本年度表现符合预期”，以后可能就是一个 AI 写的，你也不会察觉。

既然是授予的权力，就可以转授给别人。给一个人，或者给一个 AI。AI 不需要成为法人、不需要持股、不需要能上法庭，就能拿到这几项权限；它不需要替你签字，只需要对你的绩效、奖金、晋升和岗位给出决定或者建议。人也不是在听 AI，是在听公司——AI 只是那个执行考评的人。老板不需要成为法人就能管人，AI 也一样。

有人会说，AI 没法判断一个人的贡献，没法验证他是不是真的尽力了。这话对，但人管人也一样做不到。人管人靠的是汇报、开会、印象、声誉——全是代理信号，而且尺度不一致、情绪会进来、记录还经常缺失。AI 手里有更完整的日志、更一致的尺度和更少的偏袒。说它不行，其实是拿一个理想化的标准去要求它，而人对人从来没有达到过那个标准。

真正难的不是判断，是接受。一个人可以不服 AI 给出的绩效，可以质疑它的偏见，可以拒绝被它调岗。但同样的动作在今天的组织里一直存在：员工也会不服自己的经理，照样被经理手里的考评权推着走。管理从来不是靠被管理者的同意运转的，而是靠一套他不一定喜欢、但必须面对的手段运转的。拒绝的权利当然还在，但拒绝的后果——绩效、调岗、边缘化——本来就是这套手段的一部分。一个 AI 拿着这几项权限，能做的和人一样多。

所以这一步不是“能不能”，是“愿不愿意”。技术上没有难点，难点在公司要不要把这份授权交出去，以及交出去之后，出了事谁解释、谁担。今天还没发生，只是因为还没有一家足够有影响力的公司愿意先做。等有一家做了，还做成了，它会被当作 AI native 组织的样板被后来者学走——组织形式的扩散，一开始总比技术慢，一旦开始又比谁都快。

工单是初级形态，不是终点。派活和验收让 AI 像一个调度系统；绩效、奖惩和调岗，才让它像一个管理者。

人管 AI：做的是控制，不是管理

今天所有产品里，成熟度最高的是反过来的那一种。Dots 允许你用 Custom Rules 把动作分成三类：可以直接做、必须等你批准、永远不许做；Activity View 让你随时翻它在后台干了什么；auto-review 会在动作可能影响你的账号或对外分享信息时先拦一道。有些事根本没有商量的余地，比如改密码，永远留给你。Grok Bot 的说法更简洁：它把活干完，只在需要你批准的时候回来。

这是“正统”的用法，也是产品能卖出去的前提——要让用户敢把工作交出去，先得让用户随时能收回来。每一家都在同一件事上下功夫：把控制权留在人手里。

但它完成的是控制，不是管理。这套机制回答的是“它能做什么、什么时候必须停下来”，没有回答另外几个问题：目标从哪来，什么算做完，做砸了算谁的。权限清单不等于岗位说明。今天的“人管 AI”，更像是给一个新来的系统发了门禁卡和一页禁令，还没有人给它定岗、定责、定标准。

AI 管 AI：已经发生，而且长成了星型

第二种关系也不是设想。DevDay 当天，OpenAI 把 Codex 的多 agent 能力搬进了 Agents API：主 agent 把复杂任务拆成互相独立的部分，分给并行的 subagent，每个 subagent 维护自己的上下文，主 agent 再把手上的结果合起来。Grok Bot 在内部已经是另一种形态——一个“幕僚长” Bot 坐在上面，下面按收件箱、报销、招聘、修 bug、运营各管一条线，Bot 之间自己传话、自己认领任务，只在需要判断的时候把人叫进来。

问题也出在这个结构上。无论叫多 agent 还是 subagent，它现在都是一张星型图：所有协调都要经过中间那个节点。中间那个节点一慢，全队都慢；它一挂，全队都停。它同时是瓶颈和单点故障。

多一个 agent 不会自动多一份产出。每多一个 agent，就多一份上下文要在它们之间搬运、多一份状态要同步、多一份结果要对齐，协调成本涨得比产出快。所以“多 agent”不会天然赢过“一个更强的 agent”，除非任务本身真的能拆成互不依赖的几块。今天的多 agent 之所以有用，是因为它省下的是人这个搬运工，不是因为它消灭了协调。

再往下走，形态会更像一张带结束条件的流程图：生产者不需要知道活具体由哪个消费者接走，任务可以切成子任务，可以中断，也可以被重新接上。这套设想现在还没有对应的产品，但它只是工程问题，不是概念问题。

人管人：剩下的是背书

最后一种是最熟悉的，它正在变薄，但薄的位置很具体。

变薄的是执行协作层。Grok Bot 的文档里有一句话写得很直白：你的 Bot 之间可以互相发消息、交接任务的所有权，所以“你不是工具之间的路由器”。过去一个管理者相当一部分价值，就是当这个路由器——把信息从 A 搬到 B，把任务从这个人手里转到那个人手里，催进度，对齐口径。这件事正在被 agent 接管，而且 agent 做得更快、不会忘、不需要开会。

没有变薄的是责任与授权层。OpenAI 给企业写的方法论里，反复出现的词不是“效率”，是 accountable owner、business owner、decision rights——谁是这条工作流的责任人，谁有决策权；企业规模越大，越需要把这件事写清楚。谁批准一笔支出、谁签字、谁代表公司对外承诺，这些不能交给一个不能被追责的主体。

所以“人管人只剩情绪价值”这个说法只对了一半。执行层面的管理确实在贬值；但人对人的管理里真正剩下的那部分，是“我为你背书”。一个人对另一个人说“这件事我认”，这句话承载的是授权和担责，不是沟通效率。情绪价值不是它的主要功能，信任才是——而 AI 管人要拿走的那份授权，恰恰是从这份信任里长出来的。

“这不就是更聪明的自动化流程吗”

有人会说，这四种关系本来就都是自动化，只是模型聪明了，看起来像管理。

区别在一个地方：自动化流程执行的是人写好的路径，目标固定、分支有限；管理要处理的是目标在过程中被重新定义、优先级互相冲突、以及计划外的例外。

还有一个更简单的区别：自动化不会给谁打绩效，也不会把谁调岗。它只执行，不评价；只走流程，不管人。

有一个判据。当流程走进一条没人写过的分支，它是知道该找谁、为什么找、找到之后怎么合回来，还是直接卡住？前一种是管理，后一种还是自动化——路径画得再复杂，也还是自动化。

管理的方向反过来了

四种关系摆在一起，最值得注意的不是数量，是方向。人管 AI 是在给工具设边界，AI 管 AI 是在替系统省搬运，人管人是在给彼此授权；只有 AI 管人，把“该做什么”这件事第一次从人手里拿走了一部分。

而且它不需要先成为公司的主人。AI 管人不是从“AI 当 owner”开始的，是从“AI 给人开工单”开始的——它发现缺口，写清期望，等人交回证据，然后验收。再往后，它拿到绩效、奖惩和调岗的授权，就从调度员变成了管理者。权利和责任仍然留在人这边，但节奏已经换了人掌握。

人是对结果负责的一方，不是产出的来源。把这句话放进管理里，就变成了：没有人需要亲手做每一件事，但每一件被做的事都得找到那个可以为它负责的人。派活、验收、让人服从，这三件事都可以交给 AI 去做；“谁负责”不能。这条线暂时还是人守着。

管理对象从人扩展到 agent 之后，管理的动作变成了设计——设计谁在哪一段、拿什么权限、向谁交结果、哪一步必须停下来等人。会执行工作流的人，正在把位置让给会设计工作流的人。

AI 管人这一种关系，今天还没有名字，也没有一家公司真的在做。但它缺的不是技术——工单、验收、绩效、奖惩、调岗，全是现成的；它缺的是一份授权，和第一个敢签这份授权的公司。要么被设计，要么被撞破。