AI 智能体实战系列 38:当管理者需要同时管理“人”和“智能体”两套系统时,管理者的培养路径会发生什么变化?

前面三十七篇文章，我们聊了智能体从概念到原理、从调教到运维、从行业落地到人机分工的完整路径。

上一期我们聊了当智能体的权限边界被动态调节之后，人类管理者的角色发生了五个根本性变化——问责人、升级处理者、绩效管理者、协调者和知识沉淀者。

但聊完“角色怎么变”之后，一个更现实的问题浮出水面：知道了角色要变，那管理者到底该怎么培养？

过去培养一个管理者，路径是清晰的：轮岗、带团队、做项目、上EMBA。管理学一百年来积累了一套成熟的培养体系。但当管理对象从“一群人”变成“一群人加上一堆智能体”时，这套体系还能用吗？

北森AI人才科学研究院发布的《AI时代的领导力发展专题》中指出，未来的组织能力将由员工承载的“碳基能力”与AI智能体承载的“硅基能力”共同构成，管理干部需要完成三重角色转变：从信息中枢转向商业和战略的领航员，从流程枢纽转向系统的架构师和设计者，从任务监督者转向团队和组织的赋能者。

Gartner的研究则给出了一个更紧迫的判断：75%的人力资源高管报告，管理者比以往任何时候都更加不堪重负。一位管理8名员工、而每名员工依赖多个自主智能体的管理者，面临的复杂性远高于纯粹的“管理8个人”。

培养路径不变，管理者就会被压垮。

这一篇，我们来聊一个所有正在部署智能体的组织都必须回答的问题：管理者的培养路径，到底该怎么变？

在聊“怎么培养”之前，先看清一个更根本的变化：培养目标变了。

IMT-BS商学院在其管理者AI培训项目改版说明中，精准地描述了这种变化：三年前，培养管理者使用AI，主要是教他怎么向语言模型提出好问题。但2026年，企业部署的AI系统不再只是“回答”，而是“执行”——它们串联步骤、查询数据库、触发处理、调用其他工具。

这个转变带来的直接后果是：管理者的核心能力从“提问”变成了“授权与问责”。问题不再是“我怎么获得更好的结果”，而是“我能让这个系统在多大程度上自主运行？”、“在什么可靠性阈值上这是可接受的？”、“谁对错误负责？”

北森的研究进一步将这种转变拆解为三个维度的能力重构：从信息中枢到战略领航员（不再只是信息的汇总和传递者，而是方向的判断者），从流程枢纽到系统架构师（不再只是流程的执行和协调者，而是工作系统的设计者），从任务监督者到团队赋能（不再只是检查谁做了什么，而是帮助人和智能体都发挥出最大价值）。

培养目标的变化意味着：过去培养的是“管理者”，现在培养的是“人机系统的架构师”。这两个角色的能力要求，交集很小。

培养目标变了，培养方式也必须变。

北森的研究指出了一个关键趋势：企业学习发展体系正在从“学知识”走向“练技能”。学习规划将根据业务变化灵活调整，学习内容将与组织能力建设深度结合，学习资源从知识学习转向技能训练，学习方式从单向输出走向交互共创。

为什么“学知识”不够了？因为管理智能体需要的能力，不是靠听课能学会的。

北森分析了10万余场AI领导力教练的管理模拟对话练习数据，发现了一个重要规律：多数管理者在完成第5次练习后，会出现较为明显的能力提升。而且管理对话的难点集中在少数高频、高难场景——提问更多并不意味着问题更容易解决，有效共情是推动对话深入的基础，“确认”则是将讨论转化为执行的关键动作。

这些数据说明：管理能力的提升不是简单的知识积累，而是在暴露行为惯性、尝试修正和反复练习中逐步发生的。

具体的做法是“模拟训练”。北森AI领导力教练采用的“练前快测—模拟练习—练后小考”闭环，让管理者在数字世界里先练兵，再面对真实的人性冲突和复杂决策。它还提出了SCRIPT六步定制方法——通过场景定义、挑战设置、角色设计、交互模拟、提示词工程和测试调优，将管理者面临的真实挑战转化为可以反复练习的训练剧本。

培养方式的转变，本质上是把“课堂”换成了“训练场”——不是学会知识，而是练出本能。

培养方式变了，培养内容更要变。

Gartner明确指出，管理者培养必须超越日常任务执行。随着智能体AI规模化，管理者越来越多地充当审计员、排障者和升级点的角色——这就是AgentOps。培训应聚焦于：评估升级的智能体输出、纠正边缘案例、记录决策理由，使系统持续改进。

具体来说，AgentOps技能包括四个层次：

第一层：读懂智能体的“行为日志”。不是看代码，而是看智能体每一步做了什么决策、调用了什么工具、产生了什么输出。能定位“哪一步出了问题”。

第二层：设计升级阈值。什么情况下智能体应该自己处理，什么情况下必须升级给人。Gartner建议CHRO与IT和业务领导者合作，建立“人在回路”阈值——例如当智能体的置信度分数低于可接受水平时。任务还应该按风险等级分类：咨询型、辅助型、假设型和自主型。

第三层：评估边缘案例。当智能体遇到“没见过的情况”时，管理者需要判断：这个输出能不能用？如果不能，应该怎么纠正？

第四层：记录决策理由。每一次人工干预都是一次“教学机会”——把“为什么这么判断”写下来，让智能体下次能自己处理类似情况。

Gartner特别强调了一个容易被忽略的警告：如果没有这些技能，异常处理很快就会成为行政倦怠的新来源，而不是学习的杠杆。

培养内容的转变，核心是从“怎么管人”到“怎么管人机系统”——其中“管机”的部分，就是AgentOps。

培养内容和方式都变了，培养的路径也需要重新设计。

《哈佛商业评论》2026年9-10月刊以Salesforce的Agentforce平台为案例，论证了“智能体管理者”正在成为AI时代最关键的新角色之一，并给出了六项核心能力和“学徒制”培养路径。

为什么是“学徒制”？因为管理智能体这件事，有太多“只有做过才知道”的东西。

Salesforce的智能体经理Zach Stauber这样描述他的日常：“数据、数据、还是数据。我的一天从仪表盘、记分卡和智能体可观测性监控开始，也以它们结束。”他关注的不仅是AI智能体工作得如何，还有它们如何学习与适应——就像一位传统经理在楼层里巡视、与遇到困难的员工沟通，或与团队围在一起讨论棘手案例一样。

目前Agentforce平台解决了Salesforce近74%的入站客服案例。几十个“数字员工”在解决客户问题、起草个性化邮件、把复杂案例转给人工专家。每个AI智能体半自主运作，从反馈中学习，与其他AI智能体协作，并把无法处理的复杂任务升级给人工客服。

管理这支混合劳动力的，就是智能体管理者——他们“编排”AI智能体如何学习、协作、表现，以及如何与人类同事共事。他们像传统经理指导、激励真人员工那样督导AI智能体，但更侧重于智能体工作的安全性、准确性和业务对齐。

这种能力没法靠听课学会。你需要在真实的智能体运行环境中，在有人带的情况下，一步一步积累判断力。这就是“学徒制”的核心——不是坐在教室里学，而是跟着一个已经在管理智能体的人，看他怎么判断、怎么决策、怎么处理异常。

培养路径需要分层，因为不同层级的管理者面对的问题完全不同。

联想在获得2026年企业管理最佳实践大奖的“碳硅融合”案例中，建设了AI岗位序列，打造了三类人才：AI转型管理人才、超级个体和AI专业人才。过去一年，联想中国区AI专家岗位占比接近40%，几乎所有岗位面试都会考察候选人的AI思维与“AI力”。上个财年联想中国区开展了580场、累计10万人次的AI专项培训。

北京长安汽车的做法则是按岗位分层：一线操作工学“用得上的工具”，技术骨干学“理数据、搭流程”，管理人员学“用数据、管生产”。不搞“一次性扫盲”，而是按岗位需求分层设计。

LG化学的做法也值得参考：从3月开始，在领导力中心面向包括CEO在内的1000余名领导者开展AI主导领导力课程，先做领导层，再向全员扩展。

分层的逻辑是：一线员工需要的是“会用工具”，中层管理者需要的是“能管系统”，高层管理者需要的是“能做判断”。三个层级的能力要求不同，培养内容也应该不同。

MIT Sloan管理学院推出的“Managing AI and People”项目，正是面向“正在主动应对人机混合团队转型的管理者”。课程的核心产出是一个“AI People Management Playbook” ——根据你自己的团队结构，制定明确的所有权、监督机制和流程，以及管理智能体全生命周期（招募、评估、干预、退役）的计划。

最后一个转变，也是最容易被忽略的：培养路径的设计，不能只盯着“培养一个人”，还要想着“沉淀一套组织能力”。

北森的研究指出，央国企拥有丰富的管理经验与组织智慧，但这些经验往往分散在优秀管理者的个人实践中，难以被系统沉淀和规模化传承。北森的解决方案是通过场景定义、挑战设置、角色设计、交互模拟等步骤，将管理者面临的真实挑战转化为AI可以理解、干部可以练习的训练剧本，并将企业内部优秀经验融入AI教练的引导、评价与反馈机制。

联想的做法更系统：将传统“按岗位分工、流程驱动”的模式，进化为“按角色分工、任务驱动”。以研发场景为例，过去多个岗位逐级接力的分工方式，如今被整合为由全栈工程师和五个智能体组成的融合小团队，并推进FDE（前沿部署工程师）新岗位和能力建设。

培养路径的终极目标，不是培养出一个“会管智能体的人”，而是让整个组织具备“管好智能体”的能力。

如果把上面的转变归结为一条可操作的培养路径，大概是这样的：

第一步：建立“AI力”基线。所有管理者先完成基础AI素养培训——不是学技术，而是理解AI能做什么、不能做什么、风险在哪里。这一步解决的是“认知对齐”。

第二步：进入“模拟训练场”。通过AI领导力教练等工具，在数字世界里反复练习管理场景。大多数管理者在完成第5次练习后会出现明显的能力提升。这一步解决的是“行为转变”。

第三步：进入“学徒期”。在真实的智能体运行环境中，跟随有经验的管理者学习AgentOps——怎么读行为日志、怎么设计升级阈值、怎么评估边缘案例、怎么记录决策理由。这一步解决的是“判断力积累”。

第四步：接手“混合团队”。开始管理一个由人和智能体共同组成的团队。不是从零开始，而是从“有一个智能体”开始，逐步增加数量和自主性。这一步解决的是“实战能力”。

第五步：沉淀为“组织资产”。把管理智能体的经验——什么情况下该升级、什么情况下该放权、什么情况下该叫停——写成规范，融入组织的知识库。这一步解决的是“可传承性”。

当管理者需要同时管理“人”和“智能体”两套系统时，培养路径发生了五个根本性的变化：

从“学知识”到“练技能”——模拟训练取代课堂听课，第5次练习是能力提升的拐点。

从“管人的技能”到“AgentOps技能”——审计、排障、升级管理成为核心能力。

从“课堂培训”到“学徒制”——跟着有经验的管理者，在真实环境中积累判断力。

从“通识培训”到“分层培养”——一线学工具，中层学系统，高层学判断。

从“个人能力”到“组织能力”——把管理智慧沉淀为组织资产，而不是留在个人脑袋里。

管理者的培养，从来不是“教会一个人怎么管”，而是“让他具备在不确定中做出判断的能力”。当管理对象从“一群人”变成“一群人加一堆智能体”时，这种判断力的复杂度更高，但也更有价值。

因为智能体可以执行，但不可以判断。判断，永远是人最后的、也是最重要的堡垒。

下一篇，我们来聊聊进阶话题：智能体的“第一滴血”——当AI助手给错了医疗/法律建议，这口锅到底谁来背？