这几年，电力企业谈人工智能，谈得最多的是模型、算力、数据、场景、平台、智能体、样本库，很少真正讨论一个更底层的问题：AI背景下，企业到底需要什么样的管理者。

这个问题比看起来更重要。因为AI落地到最后，卡住的往往不是模型能力，而是组织能力。一个场景能不能做成，不只是算法准不准，也不只是数据有没有，更取决于有没有人能把业务问题定义清楚，把数据和样本组织起来，把模型能力放到正确的位置，把现场闭环设计出来，把成果沉淀成可复制的产品能力。

过去很多电力信息化项目，管理逻辑相对清楚：上级提要求，中层分解任务，业务部门确认需求，研发团队开发，测试上线，运维保障。中层管理者只要能管计划、管进度、管资源、管风险，基本就能支撑项目交付。但AI项目不一样。AI不是简单把既有流程电子化，也不是在系统上增加几个智能功能，而是要把业务经验、数据规律、模型推理、人工复核、系统闭环重新组织起来。

这意味着，AI时代的管理者，不能只是“管任务的人”，而要成为“定义问题、组织能力、构建闭环的人”。

一、传统信息化管理，管的是确定性；AI管理，管的是不确定性

要讲清AI背景下需要什么样的管理者，首先要看管理对象发生了什么变化。

传统信息化项目面对的主要是确定性问题。比如建设一个采集系统功能模块，开发一套计量工单流程，优化一个负荷管理页面，改造一个现场作业APP功能。业务流程基本存在，管理制度基本明确，系统边界相对清楚。管理的重点是把需求说清楚，把计划排出来，把人员安排好，把质量控制住，把上线节点守住。

传统信息化更多是把确定流程固化成系统，AI项目则是在不确定问题中构建新的判断能力。过去管理者管的是“事情有没有按流程完成”，现在管理者首先要判断“问题有没有被正确定义”。

很多AI项目做不深，不是因为团队不努力，而是因为一开始就没有把问题定义清楚。业务部门说要智能化，研发团队说要做模型，平台团队说要接能力，现场单位说要减少负担，但所有人对“这个AI能力到底解决谁的问题、进入哪个流程、改善什么指标、怎么验收”没有形成一致认识。这样的项目，即使有材料、有原型、有演示，也很难长期运转。

因此，AI时代管理的第一变化，就是从管理确定性任务，转向管理复杂不确定性。

二、位置型管理为什么会越来越吃力

在很多大型组织中，存在一种典型的“位置型管理”。它的核心不是认知能力，而是职位授权。上级布置任务，中层转述要求；下属形成方案，中层提出意见；项目推进过程中，中层催进度、要材料、看结果、做评价。

这种管理方式并不是完全无效。在流程稳定、任务明确、边界清楚的工作中，它可以维持组织秩序。比如常规版本迭代、例行运维、标准化项目交付，管理者不一定需要特别强的专业判断，只要能够协调资源、压实责任、控制节点，也能推动事情完成。

但AI场景对位置型管理非常不友好。因为AI项目最需要的是前端判断，而不是后端评价。

如果一个管理者自己没有问题定义能力，也没有基本的AI边界判断，只会让团队“再研究、再深化、再结合场景”，项目就会陷入反复写材料、反复改方案、反复做演示的循环。下属写了一版方案，他说不够落地；再写一版，他说价值不突出；再改一版，他说技术路线还要深化。表面看是在把关，实际上是不确定性被层层下压，管理者没有承担认知责任。

位置型管理在AI场景下的短板主要有三个。

第一，它难以判断问题是否真实。AI项目里有很多伪场景，看起来适合AI，实际没有业务闭环，没有稳定数据，没有验收指标，也没有持续运营价值。管理者如果只看概念和材料，很难识别这些问题。

第二，它难以判断技术路线是否合适。大模型、小模型、知识库、规则引擎、优化算法、人工复核，各有边界。不是所有问题都适合用大模型，也不是所有预测都需要复杂算法。管理者如果没有基本判断，容易把AI当成万能能力。

第三，它难以推动能力沉淀。位置型管理通常关注项目是否完成，很少追问样本是否沉淀、模型是否可复用、评测方法是否建立、接口是否标准化、场景方案是否能复制。结果项目做了不少，但组织能力没有增长。

AI工具本身也会加速压缩位置型管理的价值。写材料、整理纪要、生成方案初稿、汇总周报、拆解任务清单，AI都可以辅助完成。如果一个管理者的核心价值只是传达、催办、汇总、润色和评价，那么AI普及以后，他的价值会被明显削弱。

AI时代不会取消管理职位，但会让只有职位、没有认知的管理越来越虚。

三、专业牵引型管理为什么会变得重要

AI背景下，真正稀缺的是能定义复杂问题的人。特别是在电力行业，AI场景往往横跨业务、数据、模型、系统、现场和管理机制，单靠某一类专业人员很难独立完成。

算法人员可能懂模型，但未必理解业务口径；业务人员知道痛点，但未必能把痛点拆成数据对象和模型任务；开发人员能做系统集成，但未必知道模型能力边界；现场人员知道真实问题，但未必能表达成可工程化需求。中间必须有人把这些语言翻译到一起。

这就是专业牵引型管理者的价值。

专业牵引型管理者不是简单“自己会干活”。他的核心能力，是能够先把复杂问题搭出框架，再组织团队沿着框架推进。比如一个电力AI场景，他会先问几个关键问题：业务对象是什么，输入数据在哪里，样本如何构建，模型承担什么判断，结果进入哪个系统，谁复核，怎么验收，错误如何回流，能力能不能复用。

有了这个框架，团队才不会各干各的。

专业牵引型管理者的优势，在于能降低团队试错成本。他不是等下属拿方案来评判，而是在项目早期就把问题边界、技术路线和评价标准讲清楚。

但专业牵引型管理也有风险。风险在于，管理者如果太强，很容易把自己变成“超级骨干”。所有复杂问题都等他判断，所有重要材料都等他修改，所有关键项目都由他兜底。短期看效率很高，长期看团队会越来越依赖他，组织能力反而没有长出来。

所以，AI时代需要专业牵引，但不能停留在个人牵引。

四、真正需要的是“认知牵引+系统经营”的管理者

AI背景下最有价值的管理者，不是传统位置型管理者，也不是一直冲在一线的超级专家，而是“认知牵引型、系统经营型管理者”。

认知牵引，解决的是方向和问题定义。系统经营，解决的是机制和组织能力沉淀。前者让团队少走弯路，后者让组织不依赖单个能人。

这类管理者至少要具备六种能力。

第一，问题定义能力。管理者要能从宏观要求中识别真实问题。“人工智能赋能电力营销”不是一个可执行问题，“提升客户服务智能化水平”不是问题，“客户诉求识别滞后、工单派发不精准、重复投诉无法提前预警”才是问题。AI项目如果问题定义不准，后面所有努力都会偏。

第二，场景拆解能力。管理者要能把一个场景拆成业务对象、数据来源、样本任务、模型能力、系统入口、人工复核、验收指标和运营机制。拆不清楚，研发就会变成堆功能，算法就会变成跑模型，平台就会变成做页面。

第三，技术边界判断能力。管理者不需要成为算法专家，但必须知道不同AI能力适合什么。知识库适合沉淀规程标准和专家经验，大模型适合知识理解、多模态推理和文本生成，小模型适合稳定任务下的预测分类和诊断优化，规则适合强约束和安全边界，人工复核适合高风险决策。不同能力放错位置，项目一定会低效。

第四，数据样本组织能力。电力AI成败很大程度取决于样本。没有样本机制，就没有持续迭代。管理者要推动建立样本采集、清洗、标注、审核、版本管理、评测集建设和回流机制。样本不能靠临时突击收集，而要成为业务系统和研发体系之间长期流动的资产。

第五，评测闭环能力。AI项目不能只看演示效果。视觉模型要看不同设备、不同角度、不同光照、不同缺陷类别下的效果；时序模型要看不同季节、不同用户类型、不同异常场景下的表现；知识问答要看召回准确性、答案一致性和依据可追溯性。没有评测，就没有质量管理；没有反馈回流，就没有持续优化。

第六，组织沉淀能力。每做完一个AI项目，都要沉淀样本规范、模型接口、评测方法、技术路线、实施手册、成本测算、复盘案例和可复用组件。否则项目越做越多，团队越做越累，但能力没有增长。

这六种能力结合起来，才是AI时代管理者真正的核心能力。不是“我能不能把事情盯完”，而是“我能不能让组织持续解决同类复杂问题”。

五、电力AI管理者必须特别重视边界

AI越强，越需要管理者懂边界。电力行业不是普通互联网场景，很多AI输出会影响现场作业、客户权益、计量准确性、供电可靠性、负荷调控和安全责任。没有边界意识，AI项目很容易从“智能辅助”变成“风险放大”。

边界首先是业务边界。哪些场景可以自动推荐，哪些场景必须人工确认；哪些结论可以进入管理看板，哪些结论可以触发工单；哪些模型输出只是风险提示，哪些可以作为考核依据。管理者必须把这些讲清楚。

其次是模型边界。大模型可能生成看似合理但未经验证的结论，小模型在样本外场景会失效，视觉模型受拍摄质量影响大，时序模型对异常突变敏感。管理者不能只听模型指标，还要看训练样本、测试样本、失败案例和适用条件。

再次是责任边界。AI可以辅助判断，但责任不能交给模型。模型建议、人工复核、系统执行、现场处置之间必须有清晰责任链。尤其是采集异常处置、现场作业验收、负荷调控和客户服务场景，AI输出必须有依据、有日志、有复核、有追溯。

最后是组织边界。不是所有AI相关工作都应该由AI团队承担。AI团队可以提供模型训练、算法研发、模型服务、MCP接口、效果评测和现场部署支撑，但业务流程设计、系统功能集成、应用运营规则和现场管理机制，需要业务部门、产品团队、平台团队和现场单位共同承担。管理者如果把所有问题都压给AI团队，项目会变形。

好的AI管理者，不是用边界推脱责任，而是用边界保证项目可控。边界讲清楚，AI才能从演示走向生产。

六、AI时代管理者的核心工作，是组织认知而不是简单分工

很多AI项目推进困难，不是因为缺少分工，而是因为缺少共同认知。

业务部门以为AI能自动解决问题，算法团队以为准确率高就代表成功，平台团队以为接入接口就算完成，现场人员担心系统增加负担，领导希望尽快看到效果。每个人的理解都不完全错，但如果没有统一认知，项目就会在推进中不断变形。

因此，AI管理者要把“组织认知”作为核心工作。

项目启动前，要讲清楚业务痛点、目标岗位、数据来源、样本规则、模型任务、验收指标、系统闭环和价值证明。项目推进中，要持续判断问题出在哪里：模型效果不好，是样本不足，还是标注口径不一致；现场不愿使用，是流程不顺，还是结果不可信；项目推进慢，是资源不足，还是数据权限没打通；演示效果好但上线困难，是技术问题，还是业务责任没有设计。

这类判断，本质上就是管理者的认知工作。

传统管理强调“把任务分下去”，AI管理更强调“让团队对复杂问题形成同一个理解”。没有这个理解，分工越细，偏差越大；有了这个理解，团队才能围绕同一个目标协同。

所以，AI时代的管理者不是少开会，而是要把会议从“汇报进度”变成“统一问题、统一路径、统一标准”。

七、AI会淘汰低认知管理，但会放大高认知管理

AI工具的发展，会让管理价值重新排序。

过去，一些管理者可以靠信息汇总、材料润色、会议纪要、任务催办维持存在感。现在这些事情AI都可以辅助完成。方案初稿可以生成，周报可以整理，代码可以辅助，测试用例可以生成，会议纪要可以自动归纳。基础管理动作变得越来越廉价。

但真正的管理判断并不会被AI替代。AI不知道现场数据是不是可靠，不知道哪个需求背后有真实业务价值，不知道哪个场景做了也没人用，不知道哪个模型指标在业务上没有意义，也不知道组织内部的责任边界和资源约束。

这意味着，AI会让管理者分化。

低认知管理者会被暴露。因为他既不能定义问题，也不能判断方案，只能依赖位置权力催促团队。

高认知管理者会被放大。因为他可以利用AI更快形成初稿，更快比较方案，更快组织知识，更快复盘项目，更快训练团队。他不是被AI替代，而是借助AI提高组织产出密度。

但前提是，管理者要能判断AI输出的质量。AI可以生成很多看似完整的内容，但是否符合电力业务逻辑，是否具备数据条件，是否风险可控，是否适合当前组织能力，仍然需要人来判断。AI越强，管理者的判断力越重要。

未来优秀管理者不是简单“会用AI”，而是能把AI纳入组织流程。他知道哪些工作可以让AI提效，哪些工作必须专家把关，哪些输出可以复用，哪些必须验证。AI工具从个人技巧变成组织能力，才是真正的管理升级。

八、电力AI规模化，需要高密度认知团队

AI试点可以靠少数能人冲锋，AI规模化不能靠个人英雄主义。电力AI进入深水区以后，需要的是高密度认知团队。

高密度认知团队不是每个人都什么都会，而是团队整体具备完整能力结构。有人懂业务对象，有人懂数据口径，有人懂样本治理，有人懂模型训练，有人懂平台工程，有人懂现场交付，有人懂经营和成本。更关键的是，这些人能够在同一个问题框架下协同。

管理者的任务，就是建设这样的团队。

只靠算法人员，项目容易停留在模型指标；只靠业务专家，项目容易停留在经验描述；只靠平台开发，项目容易停留在页面集成；只靠现场支撑，项目容易变成临时救火。AI项目必须把业务、样本、模型、工程、现场和价值验收组织成闭环。

管理者要建立小团队机制。一个重点AI场景，至少要明确业务负责人、数据样本负责人、模型负责人、工程负责人、现场验证负责人和价值验收负责人。每个人的职责要清楚，交付物要清楚，协同关系要清楚。

管理者还要建立复盘机制。模型为什么误判，样本为什么不足，现场为什么不用，系统为什么难接，验收为什么争议大，这些问题都要沉淀下来。复盘不是为了追责，而是为了形成下一次可复用的方法。

高密度认知团队的关键，不是让所有人更忙，而是让所有人围绕正确问题形成合力。

九、AI背景下管理者会分化为四类

未来电力企业中的AI管理者，大体会分化为四类。

第一类是传话型管理者。主要做要求传达、材料汇总和进度催办。这类管理者在稳定事务中还能存在，但在AI创新场景中价值会下降。

第二类是流程型管理者。能够管理计划、节点、资源、风险和协调。这类管理者在大型工程中仍然必要，但如果缺少专业判断，很难管好AI项目。

第三类是专业牵引型管理者。能够定义问题、判断路线、拆解任务、组织攻关。这类管理者在AI落地早期非常重要，能把概念变成可执行场景。

第四类是系统经营型管理者。既有专业牵引能力，又能建设机制、沉淀产品、培养团队、管理投入产出。这类管理者最适合AI规模化阶段。

从电力AI的发展阶段看，行业现在最缺的是第三类和第四类。早期做试点，需要专业牵引型管理者把场景跑通；后续做规模化，需要系统经营型管理者把能力沉淀下来，让不同省份、不同专业、不同现场能够复用。

如果一个组织只有传话型管理，AI会停留在口号。只有流程型管理，AI会停留在项目。只有专业牵引型管理，AI能做出样板。只有走向系统经营型管理，AI才可能形成规模化能力。

十、结语：AI时代的管理者，要从“管人”转向“建系统”

AI不会让管理消失，但会让管理的价值重心发生变化。

过去，管理者的价值在于承接任务、分派工作、控制进度、汇总结果。未来，这些仍然需要，但已经不够。AI背景下，真正重要的是能不能定义问题，能不能组织认知，能不能建立样本和评测机制，能不能把模型能力嵌入业务闭环，能不能让项目成果沉淀为可复用能力。

电力AI落地，不缺概念，也不缺工具，甚至不缺单点场景。真正稀缺的是一批能够把业务、数据、样本、模型、系统、现场和组织机制连接起来的管理者。

这类管理者不是传统意义上的行政中层，也不是单纯的技术专家。他们要有专业牵引能力，也要有系统经营能力；要能理解AI技术边界，也要能理解电力业务责任；要能带项目，也要能建机制；要能解决当下问题，也要能沉淀长期能力。

AI时代最危险的管理者，是只有位置、没有判断的人。最容易被消耗的管理者，是只有专业、不会组织的人。最有价值的管理者，是能够把专业判断转化为组织机制的人。

电力AI进入深水区以后，管理者不应再只是“管进度的人”，而要成为“建系统的人”。所谓系统，不只是技术系统，更是业务系统、数据系统、样本系统、模型系统、评测系统、组织协同系统和人才成长系统。

谁能把这些系统建起来，谁才是真正适合AI时代的管理者。