夜雨聆风7月6日凌晨，沃顿商学院教授Ethan Mollick发了一条推文，随手就把美国经济史和AI焦虑焊在了一起。
他说，跟AI agent打交道，越来越像在管一群下属。所以，也许该像美国政府当年那样，搞一场大规模的管理培训。
「二战」「管理培训」「AI agent」，三个词凑在一起，听着像是穿越剧本。但更荒诞的是他紧接着补的一句吐槽：这条帖子底下，机器人的回复质量特别差。
一边呼吁人类学会管理AI，一边被AI的低质量回复淹没——这条推文本身，就是它想说的问题的活体证明。
一条推文，两张老照片
Mollick的原话是这样的：
"As working with AI agents looks more like management, we may want to consider large-scale management training for the AI era. The US government actually did this once, & the WW2 Engineering, Science, and Management War Training program was a large reason for the post-war boom."
「随着与AI agent的工作越来越像管理下属，我们或许应该考虑为AI时代进行大规模的管理培训。美国政府曾经这样做过——二战时期的『工程、科学与管理战争培训计划』（ESMWT），正是战后经济繁荣的重要原因之一。」
配图是两张实拍照片：一张泛黄的老海报，写着「工程、科学与管理战争培训——面向男女的全日制与夜校技术与管理课程」；另一张是一篇2023年的经济学论文摘要，专门研究这个二战项目对经理人职业生涯的长期影响。
截至发稿，这条推文收获279个赞、40次转发、8条引用、38条回复、112次收藏，浏览量约3.2万。数字不算爆炸级，但讨论质量很高——评论区里有人说自己的祖父就在The Citadel参加过这个项目，也有人立刻联想到"大规模再培训"这个更宏大的命题。
▲ Mollick的原始推文：279赞、40转发、3.2万浏览，配图是二战培训海报和一篇研究该项目的经济学论文摘要
如果只看这一条推文，很容易把它当成一句机灵话。但翻开Mollick过去半年的写作和演讲会发现，这个判断他已经讲了又讲、验证了又验证——手里还攥着实打实的案例撑腰。
四天时间，一群不会写代码的人做出了创业公司
案例来自沃顿商学院一门实验性的课。
Mollick给一群EMBA学生布置了一个任务：四天之内，从零开始做出一个创业公司的原型。
这批学生里，程序员反倒是少数——大多数是医生、经理、各行各业的管理者，很多人一行代码都没写过。Mollick把Claude Code和Google Antigravity丢给他们做原型开发，再让他们用ChatGPT、Claude、Gemini做创意生成、市场调研、竞品定位、路演稿和财务模型。
结果超出了他的预期。
他自己教创业课教了十五年，见过几千个学生项目，对一群聪明的MBA学生能做到什么程度心里有数。他的原话是：
"I would estimate that what I saw in a couple of days was an order of magnitude further along the path to a real startup than I had seen out of students working over a full semester before AI."
「我估计，他们几天内做出的东西，比AI出现之前一整个学期的学生成果，还要领先一个数量级。」
学生的demo里，有帮小商户识别高流失风险客户的Revenue Resilience，有做演唱会门票核验交易的Ticket Passport，还有给糖尿病患者做血糖预测的Invive。大多数原型的核心功能真能跑起来，早就超出了几张空壳截图的水平。
▲ Mollick的Substack文章《Management as AI superpower》，展示学生四天内做出的多个可运行原型
这时候一个问题就冒出来了：这些人编程水平参差不齐，甚至大多没碰过AI工具，凭什么能在四天里干出以前一学期都干不完的活？
秘密藏在「会管理」，跟会不会prompt关系不大
Mollick自己复盘的答案，可能会让很多沉迷于"咒语式prompt技巧"的人有点扫兴。
他写道，学生们成功的关键，压根跟AI原生的花活不沾边，靠的是他们早就具备的管理和专业经验。用他的话说：
"It helped that they had some management and subject matter expertise because it turns out that the key to success was actually... telling the AI what you want."
「他们本身具备一些管理经验和专业知识，这帮了大忙——事实证明，成功的关键其实就是……清楚地告诉AI你想要什么。」
这背后是一套他称之为「委托的方程式」（Equation of Agentic Work）的框架，说白了就是决定一件事到底该不该甩给AI去做，要看三个变量：
- 人类基准时间
：这件事你自己做要花多久 - 成功概率
：AI一次做对的可能性有多大 - AI处理时间
：从提要求、等结果到检查结果，你要花多久
这套账听起来抽象，但Mollick引用了一个足够扎实的数据来源——OpenAI今年发布的GDPval研究。研究找来平均从业14年的资深专业人士，覆盖占美国经济总量5%的多个行业，让他们做真实的、平均耗时7小时的专业任务，再拿AI的产出跟人类作品放在一起，让专家评委蒙眼打分。
结果是：AI在几分钟内做完了原本要7小时的工作，评委认定AI打平或更好的比例达到72%——相比几个月前的48%，跳升明显。
这组数字意味着什么？意味着"该不该把活交给AI"这件事，已经从一个技术判断，彻底变成了一个管理判断：你说得清楚要什么吗？你能一眼看出它做错了吗？
而这恰恰是学生们的强项。他们谈不上AI高手，却知道怎么给一份工作定范围、定交付标准、定验收条件——这些技能原本就是各行各业的"标准操作"：软件工程师写产品需求文档（PRD），电影导演列分镜表，建筑师写设计说明，美国海军陆战队用"五段式命令"下达任务。这些格式换个壳，就是给AI的高质量指令。
Mollick干脆挑明了：现在业内最顶尖的一批AI实验室程序员，工作重心已经从写代码滑向了管理AI agent。他作为商学院教授的判断是——这些技能大多数人已经具备，或者本来就能学会，因为它们是管理学的入门课：讲清楚自己要什么、给出有效反馈、设计一套评估工作的办法，你就能跟agent共事。
他把这个逻辑讲得更透彻：
"Management has always assumed scarcity... AI changes the equation. Now the 'talent' is abundant and cheap. What's scarce is knowing what to ask for."
「管理这件事，一直建立在『稀缺』的假设上——你要委托别人做事，是因为你不可能什么都自己来，人才有限又昂贵。AI改变了这个等式。现在『人才』变得既充裕又便宜，稀缺的是——你知不知道自己到底要什么。」
这句话拆解到底，就是这篇文章真正的内核：当AI把执行力变成免费的水电煤，剩下唯一值钱的东西，就是人的判断力。
而判断力这东西，学几个prompt模板速成不来，得靠系统性训练——这就是Mollick那条推文里，二战往事登场的原因。
180万人、227所高校，美国曾经批量制造过「管理者」
Mollick提到的这场二战培训计划，并非虚构的历史彩蛋——它是有据可查的真实项目：工程、科学与管理战争培训计划（Engineering, Science, and Management War Training，简称ESMWT）。
这个项目的规模，放在美国教育史上都排得上号——历史学者认为，它的影响力仅次于战后的《军人复员法》（G.I. Bill，即通常所说的"退伍军人法案"）。
1940年，美国还没正式参战，国会就已经意识到：战时民用技术岗位的缺口，远远超过大学正常培养体系能填补的速度。于是国会授权美国教育署，联合普渡大学工程学院院长牵头设计方案，很快由罗斯福总统签字，先期拨款900万美元启动。
项目从Engineering Defense Training起步，几经扩容，1940到1945年间由美国教育署一手运营，动员227所高校，开出约68000门课程，覆盖近180万学生，总花费约6000万美元——换算成2025年的购买力，大约是10.7亿美元。
▲ 维基百科「工程、科学与管理战争培训计划」词条：227所高校、约68000门课程、近180万学生
这套体系怎么运作？短平快，不设长门槛。课程强度对标正规工程院校的学术标准，但不要求漫长的先修课程，全日制和夜校并行，学费全免，方便还在上班的人边工作边学。参与者从十几岁想快速进入职场的年轻人，到中年转行者，再到女性——项目里女性比例从最初不到1%一路涨到22%，不少工程院校历史上第一次招收女性学员，就是通过这个项目。
课程内容里，工程占了约75%，剩下的是物理、化学，以及Mollick这次特意点名的——管理。比如罗格斯大学开设的劳资管理课程，第一次让大量普通工人走进课堂，这门课后来还催生了罗格斯战后的劳资关系学院。
效果有多实在？1950年一份工程师普查显示，实际从业人数远超"战前毕业生+战时正常毕业生"的总和，多出来的这一大块，正是被这个项目速成培养的"临时工程师"。共和钢铁公司的首席冶金师作证说：公司当时新招的专业人才里，大约75%都是这个项目培养出来的。
它的溢出效应还牵出了后来的技术传奇：宾夕法尼亚大学摩尔学院靠这个项目储备的师资和人脉，间接连上了ENIAC计算机的诞生；康奈尔的航空结构课程支撑了贝尔、柯蒂斯-莱特的飞机制造；UCLA靠它培养出喷气推进和燃气轮机人才；MIT、哈佛、东北大学的雷达和电子课程，也为战时的辐射实验室输了血。
Mollick援引的这段历史逻辑很好懂：这是一场政府主导、依托现有高校体系、面向在职人群的速成再培训，它同时批量制造了"技术专家"和"管理人才"，靠的是制度化的大规模投入，而非某个天才灵光一现。他此前在2023年就写过类似的观点——如今美国企业30%以上的生产力优势，来自更好的管理，而这场二战培训，可以看作是对这种"管理红利"最早的一笔系统性投资。
历史给出的答案很实在：面对一场技术剧变，光靠"聪明人自己摸索"是不够的，需要有人搭好一整套训练体系。
这活儿归HR管，不归IT管
如果说沃顿的课堂实验是小切口验证，那Mollick在Valence 2026 AI与劳动力峰会上的演讲，则是把这套逻辑摆到了企业决策者面前。
他在演讲里的措辞很干脆：
"It used to be a chatbot model... It's almost a management or organization model. And that's a big change."
「以前AI是个聊天机器人模型……现在它几乎是个管理模型、组织模型。这是个巨大的转变。」
他给企业的具体建议是：给AI分配任务的正确姿势，应该长得像一份产品需求文档，或者一份标准作业流程。任何你觉得AI可能搞得定、又要花上几个小时的智力工作，尽管扔给它，然后回头检查结果就行。
▲ Valence 2026 AI与劳动力峰会，Mollick演讲现场：核心论断——这活儿该HR牵头，不该甩给IT
但最戳中要害的一句，是他对企业到底该由谁牵头这件事的判断：
"I don't think this is an IT solution. I think it's an HR solution."
「我不认为这是个IT问题的解法。我认为，这是个HR问题的解法。」
理由是，真正卡住企业的，从来跟技术接入没多大关系，卡点在激励机制、信任建立、如何带着员工穿越不确定性、如何重新设计工作流程——这些都是人力资源该管的事，靠买一套软件解决不了。他举了挪威主权财富基金CEO的例子：这位CEO在每一次会议上都会追问一句"你是怎么用AI的"，把这种追问变成了组织的日常反射。
他同时也点出了两个容易踩的坑：一是企业容易陷入"一堆漂亮PPT"的陷阱——为了证明自己在搞AI转型而搞AI转型，却答不上来"提高生产力到底是为了什么"；二是很多组织内部其实早就藏着一批悄悄把AI用出花的"高阶用户"，只是过时的政策和流程把他们晾在了角落里。他给出的衡量标准很扎实：别数有多少人点过AI工具，去看做没做出以前做不到的事、敢不敢主动砍掉一个过时的流程。
这套判断绝非空口白话。就在Mollick发出WWII那条推文前不到一个月，他还发过另一条更具体的观察：
"Some (early) evidence that managers have the highest success rate in using Claude Code for coding."
「一些早期证据显示，在用Claude Code写代码这件事上，管理者的成功率最高。」
▲ Mollick 6月19日的推文：管理者用Claude Code编码的成功率，比程序员本人还高
这条推文当时收获了1.5万个赞——比七月这条历史类比的推文热闹得多。有意思的是，用AI写代码写得最好的那批人，靠的往往是"讲清楚要什么"的本事，编程功底反而排在其次。这几乎是对整篇论述最扎实的印证。
评论区里，最诚实的反对声音
但这套"管理即超能力"的说法，也没能让所有人都买账。推文底下最扎实的讨论，恰恰来自那些提出反对意见的人。
支持的声音里，有人说得很到位：
"The hard part may be teaching people how to scope work, review output, and give feedback to agents, not just how to prompt them."
「难的部分或许是教会人们怎么给工作定范围、怎么审查产出、怎么给agent反馈，而不只是怎么写prompt。」
还有一个更接地气的说法，来自一个自称带无人机团队的人：
"management isn't some program you scale, it's just showing up and fixing shit daily."
「管理算不上什么能批量复制的项目，就是每天到场，一件件把烂摊子收拾好。」
也有人给出了具体的实操经验：团队之间要共享变更记录，避免不同的agent会话重复犯同样的错误；要让一个模型去审查另一个模型的输出；如果同一个任务连续卡壳三次，问题多半出在你自己的需求描述本来就没写对。
但质疑的声音同样扎实，甚至更冷静：
"You can't build trust or motivation with an agent."
「你没法跟一个agent建立信任或者激发它的动力。」
有人补充说，人类下属遇到不清楚的指令，会主动提问、会成长；但AI agent不会——它会自信满满地执行一个完全错误的理解，而且不会举手示意。还有人直言，「管理agent的科学，眼下还处在非常早期的阶段」，这套"管理学"到底怎么落地成具体课程，谁都还没有标准答案。
这些反对意见推翻不了Mollick的核心判断，反而让它显得更真实——这套方法论远没有被验证成熟，更像是一个刚刚被历史逼出来的紧迫问题。
谁来上这堂课？
把这几条线索拼起来看，会发现一件挺讽刺的事：AI越变越强，反而把最古老、最"软"的那套本事——把话讲明白、把标准定清晰、把反馈给到位——重新变成了核心竞争力。
Mollick的判断始终如一：AI让"人才"变得又便宜又充裕，唯独让"知道自己要什么"这件事变得稀缺。二战那场培训计划证明，这种稀缺可以通过制度化的、大规模的训练来缓解——零星的"网红教程"起不了这个作用，得动员整个高校体系，花好几年时间，把几百万普通人一起送进课堂。
但历史也留了一个不那么光彩的尾巴：那场覆盖近180万人的培训计划，尽管政策上写明不分种族性别，实际执行中黑人参与率远低于应有比例。规模再大的培训，也躲不开"谁被真正纳入、谁又被系统性落下"这个问题。
这次呢？如果AI时代真的需要一场同等规模的管理培训，谁来牵头？是政府出手，还是企业各自为战，或者干脆指望大学自己消化？评论区里已经有人在问：这门课的教学大纲，到底该从哪里教起？
Mollick自己没有给出标准答案。他只留下了一句沉甸甸的话——那些沃顿课堂里四天造出创业公司的学生，能成功，靠的是他们早就学会了怎么当管理者，跟他们是否AI原生一代关系不大。那些看似陈旧的管理训练，原来一直在悄悄为这一刻做准备。
问题是，剩下的人，还来得及补上这一课吗？
