Skip to content

搞英语 → 看世界

翻译英文优质信息和名人推特

Menu
  • 首页
  • 作者列表
  • 独立博客
  • 专业媒体
  • 名人推特
  • 邮件列表
  • 关于本站
Menu

人工智能时代的管理

Posted on 2026-03-13

stay-saasy-black-ogimage.jpeg

人工智能工具在2025年末迎来了一个真正的转折点。产品开发成本降低了,而人工智能工具本身却变得昂贵起来。优秀管理与糟糕管理之间的差距也大大拉大。

以下是2026年管理工作的思考方式。

管理者必须是建设者

2026 年,管理者必须成为建设者,原因有二。

首先,你必须学习人工智能工具。如果不深入了解人们如何构建和使用人工智能,你将完全不知道该对团队抱有什么样的期望,以及如何指导他们。

这一点怎么强调都不为过。

管理者的职责包括帮助员工提升工作能力和设定合理的工作预期。如果缺乏人工智能工具的实际操作经验,就无法胜任这些工作。这就像2015年你连互联网都不会用,却想管理一个软件团队一样。

其次,动手实践往往是团队最有效的途径。过去,一位经理可能要花五个小时开会,来捍卫团队的时间,以应对其他团队的临时请求。到了2026年,这位经理只需花一个小时把事情做好就行了。

管理者必须进行建设,因为不进行建设才是更大的时间浪费。

管理者必须期望更多

人们现在拥有极其强大的工具,公司也为此投入了真金白银。管理者必须提高对产出的预期。这需要付出切实的努力,但这种努力是必须的。

如果你需要一份提高期望值的秘籍:

  • 涓滴效应测试。现在,人们没有任何借口不把一些琐碎的小事与主要工作结合起来,持续不断地完成。错误修复、小改进、文档编写——这些都应该持续不断地进行。
  • 只做一部分工作已经不再被接受。无论是收集竞争情报、扫描待办事项列表寻找线索,还是编写测试——当你的工具可以完成繁琐的工作时,“我没时间了”的借口就站不住脚了。
  • 结果重于产出。员工需要以显而易见的方式为企业创造价值。如今,个人比以往任何时候都更需要成为业务成果的端到端负责人,而不仅仅是任务的贡献者。

人工智能工具也给表现不佳者带来了巨大压力。例如,无法有效审查代码的工程师、成为瓶颈的项目经理和设计师,以及无法适应变化的领导者。2026年,所有不达标的人都将面临严峻考验,你必须做好准备,随时应对挑战。

管理者必须管理预算

人工智能工具正朝着基于使用量的定价模式发展,这意味着管理者必须考虑应该在每个员工身上投入多少资金。这是一次巨大的范式转变。这就好比你每个月都要决定团队里每个人能配多好的笔记本电脑,而有时员工的笔记本电脑会在月中就用完。

现在就开始思考这些挑战:

  • 资深员工是否应该比初级员工获得更多的AI投入?
  • 如果能清楚地看到效果,你每人最多愿意花费多少钱?
  • 如果一名业绩优秀的员工在月中就用完了代币,你会怎么做?
  • 当一名表现优异的员工因为没有获得更多奖励而感到不满时,你会怎么做?

目前这些都还未形成最佳实践。率先找到答案的管理者将拥有显著优势。

目标清晰度不容妥协

如今,工具和资源比以往任何时候都更加丰富,你的团队需要明确的目标。过去在缓慢的开发周期中可以稍后解决的模糊目标,现在会在短期内给你带来致命的后果。

当你的团队能够快速开发产品时,最大的风险就是开发出错误的产品。

确保你的团队和个人有明确的目标,否则你每月每人花费 1 万美元购买人工智能工具,最终却发现所有这些加起来只是一堆对业务毫无帮助的功能。

协作需要一种强制功能

文档越来越长,代码越来越冗长,工具链的复杂性呈爆炸式增长。每个人都埋头苦干,操控着自己的代理团队,并行处理各种工作。

这对于原始吞吐量来说非常好,但对于一致性来说却很糟糕。

2026 年的协作需要管理者投入大量精力,并进行深思熟虑。每周都需要将团队成员从各自的冲刺工作中抽离出来,确保他们朝着同一个方向努力。如果不这样做,团队虽然会快速交付产品,但最终的产品却会感觉像是五家不同的公司拼凑出来的。

招聘比以往任何时候都更加重要

2026 年的招聘失误将是灾难性的。一位拥有人工智能工具的优秀工程师和一位拥有相同工具的平庸工程师之间的差距不是 2 倍,而是 100 倍。前者创造的是持续增长的价值,后者创造的只是不断增长的垃圾。

现在就提高招聘标准,否则你将在今年余下的时间里忙于收拾残局。

概括

管理并未消亡。事实上,到2026年,管理将成为区分优秀团队和因自身产出过高而失败团队的关键因素。

今年你需要更快地适应,期待更多,并重新开始建设。

原文: https://staysaasy.com/management/2026/03/12/ai-management.html

本站文章系自动翻译,站长会周期检查,如果有不当内容,请点此留言,非常感谢。
  • Abhinav
  • Abigail Pain
  • Adam Fortuna
  • Alberto Gallego
  • Alex Wlchan
  • Alin Panaitiu
  • Anil Dash
  • Answer.AI
  • Arne Bahlo
  • Ben Carlson
  • Ben Kuhn
  • Bert Hubert
  • Big Technology
  • Bits about Money
  • Brandon Skerritt
  • Brent Simmons
  • Brian Krebs
  • ByteByteGo
  • Chip Huyen
  • Chips and Cheese
  • Christopher Butler
  • Colin Percival
  • Cool Infographics
  • Dan Sinker
  • David Walsh
  • Dmitry Dolzhenko
  • Dustin Curtis
  • eighty twenty
  • Elad Gil
  • Ellie Huxtable
  • Ethan Dalool
  • Ethan Marcotte
  • Exponential View
  • FAIL Blog
  • Founder Weekly
  • Geoffrey Huntley
  • Geoffrey Litt
  • Greg Mankiw
  • HeardThat Blog
  • Henrique Dias
  • Herman Martinus
  • Hypercritical
  • IEEE Spectrum
  • Investment Talk
  • Jaz
  • Jeff Geerling
  • Jonas Hietala
  • Josh Comeau
  • Lenny Rachitsky
  • Li Haoyi
  • Liz Danzico
  • Lou Plummer
  • Luke Wroblewski
  • Maggie Appleton
  • Matt Baer
  • Matt Stoller
  • Matthias Endler
  • Mert Bulan
  • Mind Matters
  • Mostly metrics
  • Naval Ravikant
  • News Letter
  • NextDraft
  • Non_Interactive
  • Not Boring
  • One Useful Thing
  • Phil Eaton
  • PostHog
  • Product Market Fit
  • Readwise
  • ReedyBear
  • Robert Heaton
  • Rohit Patel
  • Ruben Schade
  • Sage Economics
  • Sam Altman
  • Sam Rose
  • selfh.st
  • Shtetl-Optimized
  • Simon schreibt
  • Slashdot
  • Slava Akhmechet
  • Small Good Things
  • Steph Ango
  • Stephen Wolfram
  • Steve Blank
  • Taylor Troesh
  • Telegram Blog
  • The Macro Compass
  • The Pomp Letter
  • thesephist
  • Thinking Deep & Wide
  • Tim Kellogg
  • Understanding AI
  • Wes Kao
  • 英文媒体
  • 英文推特
  • 英文独立博客
©2026 搞英语 → 看世界 | Design: Newspaperly WordPress Theme