AI成了“工具人”,我们开始像领导一样工作

如今，AI正在接手越来越多边界清楚、步骤明确的工作。整理资料、撰写初稿、生成代码、归纳会议纪要……很多过去需要人亲手完成的任务，可以交给AI处理。

于是，我们开始亲自做一些过去常由领导或项目负责人承担的事：澄清目标、补充背景、拆解任务、安排协作、检查结果。

乍看之下，人像领导，AI像一线员工。

这个类比不完全，却值得展开说说。因为推动AI应用时常说的“上下文”“目标澄清”“多Agent协作”“反馈迭代”，在职场中都有对应的组织动作。我们或许正在发现：人机协同的许多方法，本来就是领导和团队组织工作的方法。

但这里必须先区分两件事：作为领导，和像一个领导那样指挥开展工作，并不是一回事。

“作为领导”是一种组织角色，涉及职位、授权、资源配置和团队责任。“像一个领导那样指挥开展工作”则是一种任务方法：即使没有管理职位，一个人也可以在一项具体工作中明确目标、组织信息、安排步骤、检查结果。

AI没有让每个人都当上领导，却让更多人需要学会带好一项任务。

01

过去，领导定义任务；员工完成任务

传统职场里，很多人只需把自己负责的那一段做好。

领导说清楚要做什么，员工照着要求执行；遇到不确定的地方，向上级请示；完成后交付，等待验收。“做好份内事”是一种稳定的工作预期，也是一种组织分工。

这种分工并不低级。它让组织能够把复杂工作拆成不同岗位，由不同的人完成。领导负责整体判断，一线员工负责专业执行。

但它依赖一个前提：任务可以被清楚地定义，并由人来分配。

AI正在改变这条分工线。

当AI可以按要求整理资料、撰写初稿、生成代码、分析数据，许多“接到任务—完成任务”的环节开始被压缩。人仍然要做事，但工作的重心开始向前移动：先要弄清楚任务是什么，为什么要做，什么样的结果才算合格。

过去，领导把任务交代给员工。现在，我们常常要自己把任务交代给AI。

02

上下文：把工作放回它所属的环境里

让AI做一件事，通常不能只说一句“帮我写一份方案”。

它需要知道：方案给谁看？要解决什么问题？有哪些业务背景？有哪些已有资料？有哪些限制？希望采用什么结构？哪些结论必须有依据？

这些信息通常被称为“上下文”。

在职场里，上下文也不陌生。领导安排工作时，需要向员工交代项目背景、客户需求、历史决策、相关部门意见和资源限制。背景越清楚，员工越容易理解工作的来龙去脉；背景不清，员工就只能猜测，或者来回追问。

所以，给AI提供上下文，不只是多贴几份资料，而是把任务放回它所属的业务环境里。

一线员工需要背景，AI也需要背景。两者都无法只靠一句命令自动理解所有隐含信息。区别在于，员工可能凭经验补足没说出口的部分，AI则更依赖使用者把关键信息明确说出来。

我们有时会抱怨AI“不懂业务”，但也可以反过来问：我们有没有把业务背景讲清楚？组织里也是如此。一个员工反复做错，也许是执行出了问题；也可能是任务背景、目标和限制从未被交代完整。

03

澄清目标：别让人和AI都忙着做错的事

“帮我做一份市场分析”是一项任务，但还不是一个清楚的目标。

这份分析是为了决定要不要进入新市场？为了比较竞争对手？为了准备客户汇报？还是为了验证一个已经形成的判断？不同目标需要的信息、分析方法和交付形式都不一样。

使用AI时，我们需要继续追问：这份分析要支持什么决定？重点关注哪些对象？结果最终要给谁使用？

领导带团队时，也要帮助员工弄清楚：这件事为什么重要，优先级是什么，最后希望推动什么结果。如果员工只知道“做一份报告”，可能交出一份格式完整、内容丰富，却没有帮助决策的报告。

AI可以很快生成看起来像样的内容，但它不会天然知道这项工作究竟要服务哪个决策。

因此，人机协作的第一步，不是“会不会写提示词”，而是能不能把目标说清楚。职场协作也一样：目标没澄清，执行越快，可能只是越快地做错事。

目标没澄清，执行越快，可能只是越快地做错事。

04

对话不是下命令：缩小理解差距，才能开始行动

AI的第一次回答不一定正确。它可能误解目标、遗漏约束，也可能把不确定的内容说得很笃定。使用者需要补充背景、指出偏差、追问依据，再要求它调整。

这是一段对话，而不是一次性下令。

Grilling skill 就是一个具体例子。它不会急着替用户写方案或做决定，而是围绕用户的想法一轮轮追问：目标究竟是什么？关键约束在哪里？哪些判断还没有依据？怎样才算成功？随着回答推进，模糊的想法逐渐收敛，执行思路也逐渐清晰。

这和一位好领导带团队讨论问题有相通之处。领导不一定一开始就给出完整答案，而是通过追问帮助团队看清问题、暴露假设、比较取舍，再把讨论落到明确目标和行动上。

一个只会下命令的人，可能让AI快速产出一堆不对题的内容；一个只会分派任务的领导，也可能让团队忙了很久，却没有靠近真正的问题。

对话的产出，不是“大家聊过了”，而是参与者更清楚：

• 要解决什么问题；
• 为什么现在做这件事；
• 什么结果才算有效；
• 还缺少哪些信息或资源；
• 下一步具体怎么行动。

人和AI的对话，主要围绕任务理解、信息补充和结果校正。领导和团队的对话，还涉及人的经验、动机、顾虑和利益。领导不仅要把任务说清楚，也要让真实信息能够被表达，让问题进入决策。

05

拆解任务：把一个目标组织成一组工作

复杂任务通常不能靠一句话完成。

做一份新产品方案，可能要先梳理用户需求，再分析竞品和成本，然后提出设计方向，最后形成汇报材料。步骤之间有先后关系，有些环节可以并行，有些必须等前一步的结论出来才能继续。

使用AI时，我们需要把大目标拆成小任务，明确每一步的输入和输出。

领导带团队时也要做类似的事：把业务目标转成具体职责、交付物、时间节点和协作关系。谁负责调研，谁核算成本，谁确认技术条件，谁整合方案？如果任务之间的接口没说清，团队成员可能各自完成了工作，拼在一起却无法交付。

在这个过程中，人更像任务的组织者，AI参与完成其中若干步骤。

一个人可以在具体任务里设定方向、拆解步骤、验收结果，但这并不意味着他已经“作为领导”。前者是一种工作方法，后者是一种组织角色。两者有关联，但不能混为一谈。

06

多Agent像组团队：有分工，还要有协作

当一个AI难以独立完成复杂工作时，可以让多个Agent承担不同角色：一个检索资料，一个分析信息，一个撰写初稿，另一个审查内容。

这很像组建一支跨职能团队。

团队里的每个人可能都很专业，但光有专业还不够。还要明确分工、协作顺序、信息接口和最终整合者。调研结果以什么格式交给分析环节？审查者检查事实、逻辑还是格式？出现冲突结论时由谁来平衡？

多Agent架构面对的，正是这些协作问题。它与组织管理中的分工设计相似：把不同能力放在合适的位置，并让结果能够接得起来。

如果只把任务拆给几个Agent，却没有安排清楚它们如何协作，得到的可能不是一支团队，而是几份互相不兼容的输出。

现实团队也一样。成员各自忙碌，不代表组织有效；协作要看工作之间是否衔接，最终是否共同推动目标。

07

检查结果：执行可以交给工具，判断不能消失

AI生成的内容可能流畅，却未必准确；可能结构完整，却没有抓住重点。人需要检查事实、逻辑、语气和适用条件。

职场里也有对应环节：员工提交阶段成果，负责人进行审核，指出差距，再决定是否交付。

这不是为了挑错而挑错，而是确认工作结果是否满足目标和标准。没有验收标准，反馈容易变成“我觉得不够好”；没有中间检查，问题可能拖到最后才暴露。

使用AI之前，要想清楚怎么检查它的输出；安排员工工作时，也要让对方知道什么需要验收、什么问题必须提前报告。

我们可以把分析、生成、归纳等环节交给AI参与，但结果是否能用，仍要放回具体业务中判断。执行能力可以扩展，责任链条不能凭空消失。

执行能力可以扩展，责任链条不能凭空消失。

08

领导力，可能正是人机协同的内核

“AI像员工，人像领导”这个比喻，有一个边界需要说清楚：AI不是一个真正的员工，人也不会因为会用AI，就自动拥有领导职位。

更准确地说，AI协作让我们在每项工作里，都要承担一部分“任务负责人”的工作：提供上下文、澄清目标、拆分步骤、安排协作、设定标准、检查结果，并根据反馈调整。

这些动作与领导工作有相似之处。领导要把一组人的工作组织起来，个人则要把人与AI之间的工作组织起来。

可以这样概括：

个人通过对话带好一项任务，是人与AI协作；领导通过对话带好一组相互关联的任务，是团队协作。

两者的共同内核，是让目标变清楚，让信息流动起来，让不同能力围绕结果协同，再通过反馈不断校正。

所以，领导力未必是人机协同之外的一种软技能。它可能正是人机协同的组织原则：人要知道做什么、为什么做、怎样把能力组织起来，并对最终结果作出判断。

领导力未必是人机协同之外的一种软技能。它可能正是人机协同的组织原则。

09

人与AI更多在“术”，领导还要面对“道”

人与AI打交道，更多发生在“术”的层面：怎样提供上下文，怎样拆解任务，怎样组织多个Agent，怎样检查输出，怎样通过对话修正偏差。

这些工作很重要，但它们主要发生在一个可以描述、拆分和操作的任务空间里。

真实领导还要面对另一层问题：产业团队和供应链关系正在发生什么变化？上游母公司或监管部门的发展方向是什么？组织能否满足流程合规要求？外部伙伴愿意合作到什么程度？手上的资源，怎样才能让组织在变化中继续生存和发展？

这些判断往往无法完整地“描述出来”，也不是把资料交给AI就能自动得出。它们来自持续参与外部协作：在会议、谈判、项目推进和关系维护中，观察各方真实的优先级、能力边界和利益变化，再通过沟通、试探与取舍，逐渐感知局势。

这不只是信息处理，而是在真实关系中进行判断和博弈。

从这个角度看，领导工作至少有两种不同的重心。

一种是资源型领导。

他更像是在操盘一盘棋：判断外部局势，连接关键资源，协调产业团队和供应链关系，在组织、母公司、客户、合作方和监管环境之间寻找可行空间。

资源链接不只是“认识谁”或“拿到什么”，而是一种战略部署：在什么时间，通过什么关系，调动哪些资源，才能让组织接近目标，并在变化中生存和发展。

另一种是内政型领导。

他更聚焦组织内部运行：让流程可靠，让质量受控，让人才成长，让PDCA真正形成闭环，让团队得以1+1＞2而不是相反。都是这类领导工作的组成部分。它的产出，是让团队保持韧性，稳定交付，并逐步增强输出能力。

资源型领导更多处理组织与外部世界的关系，内政型领导更多建设组织内部的能力。前者要在棋局变化中争取空间，后者要让团队在空间中持续作战。现实中的领导可以兼具两种重心，只是侧重点不同。

AI可以辅助这两类工作：整理产业信息、准备谈判材料、分析流程数据、形成质量检查清单。但它能处理的是输入给它的信息和设定给它的任务。外部关系中的真实意图、尚未说出口的变化、各方愿意付出的代价，以及组织在现实中的谈判位置，还需要领导者通过持续参与和实际互动来判断。

个人指挥AI开展工作，主要是在“术”上组织任务；领导还要在“道”上判断组织如何行动、如何获得资源、如何适应外部变化。

10

领导也得补课，别只剩一个头衔

说到这里，可能有些管理者会觉得：AI确实是个好工具，交给团队研究就行了。

当然可以。不过偶尔也值得亲自试一试。毕竟，团队天天在用，领导如果连它能做什么、哪里容易出错、什么任务适合交给它都不太清楚，开会时只说一句“你们要积极拥抱AI”，听起来难免有一点像：自己不下场，但要求全队练新战术。

不妨给自己做个小检查。

在任务层面，也就是“术”的层面：

• 我能不能用AI把一项真实工作从头推进到可交付？
• 我知道怎么给上下文、澄清目标、拆分任务、检查结果吗？
• 我能不能分辨哪些环节适合交给AI，哪些判断必须留在人手里？

如果这些还不熟悉，也没关系，正好补课。至少先亲自走一遍流程，别把“AI赋能”四个字全写进下属的季度目标里。

然后再往上看，领导者本来就该承担的工作做得怎么样？

资源方面：

我是否能判断外部变化、连接关键资源、协调合作关系，为团队争取到完成目标所需的空间？

内政方面：

我是否能把流程理顺、把质量守住、把人才带起来，让团队稳定地产出，也有能力应对变化？

如果AI的“术”还没掌握，资源也没真正连起来，内部管理也没让团队更有韧性，那就值得认真想一想：大家服从的，究竟是我的判断和贡献，还是组织架构图上的那个方框？

这不是说管理者必须成为全公司最会用AI的人。领导不必亲自写每一段提示词，也不必和团队比谁生成得更快。但至少要理解工具能做什么，亲自体验它改变工作的方式，然后把更多精力放在自己该做的判断、资源配置和团队建设上。

毕竟，“我不太会用AI”不是原罪；既不打算学，也说不清自己还能为团队创造什么价值，才比较值得警惕。

11

人人不必当领导，但人人都要会组织工作

AI时代不是“人人都当领导”。

个人可以像任务负责人一样指挥AI，但组织领导仍要负责方向、资源、团队能力和整体结果。一个人可以带好一项任务，却未必能决定组织做什么、把资源投向哪里，或为整个团队承担最终责任。

但越来越多的人需要学会组织自己的工作：先问清楚目标，补足上下文，拆解任务，调动合适的工具和协作者，再检查结果是否真的解决了问题。

过去，很多人的价值体现在把分配到手的工作做好。未来，执行能力仍然重要，但仅仅等待任务被定义好，可能越来越难以形成优势。

我们还要学会追问：目标是什么？缺少什么信息？这件事应该拆成哪些步骤？哪些部分适合交给AI？结果如何判断？出现偏差之后怎样修正？

这不是每个人都要成为领导，而是每个人都要更会组织工作。

这不是每个人都要成为领导，而是每个人都要更会组织工作。

AI可以成为强大的“工具人”，但它需要人给出方向、背景和判断。人也不该只是不断发号施令，而要通过对话把问题说清楚，让不同能力围绕目标协作。

领导力，或许不是人机协同的附加技能。它可能就是人机协同得以成立的那套工作方法。