为什么管理层看好 AI，工程师持保留态度？

我认为，高管与个人贡献者（IC）对 AI 的看法之间，显然存在一道分界线。高管似乎非常喜欢 AI，也热衷于宣扬它——甚至会在公司内部强制要求使用 AI。相比之下，IC 通常对 AI 的应用抱有更多怀疑。从 Hacker News 的评论区，到公司内部围绕是否采用 coding Agent 展开的 Slack 争论，这种分歧随处可见。

关于为什么会存在如此巨大的分歧，我目前的观点是：高管一直都需要应对非确定性，关注的是非确定性系统的设计；而评价个人贡献者时，看的则是他们执行确定性任务的表现。

高管一直都需要应对非确定性。这本来就是工作中的常态：

• 有人生病，或者临时休假

• 有人没能完成重要项目，却直到流程已经推进到很晚时才说出来

• 人们以出乎意料的方式回应一则公告

• 某项功能的实现方式与产品的其他部分格格不入，但从技术上讲，又确实达成了目标

更一般地说，如果你上过数学中的混沌理论课程，就会知道：当一个系统中的各个 Agent 都依据不同的输入、效用函数等采取行动时，非线性的混沌系统就会出现。如果你能让这些效用函数保持一致，系统就会稍微容易管理一些——因为你能够把握系统的动态规律。

管理者的工作，就是建立一个关于现实世界的模型，并让所有人的效用函数保持一致，同时清楚复杂系统中存在大量非确定性。因此，作为管理者，能够接受相当程度的非确定性，也是顺理成章的。

AI 虽然具有非确定性，却同时具备许多行为良好的混沌系统所拥有的特征。具体来说，你可以理解系统的总体行为，即使无法预测它在任何一个具体时刻会产生怎样的结果。

• 无论处于一天中的什么时间、任务有多困难、可用信息有多少，LLM 通常都会继续工作并给出结果

• LLM 的缺陷具有定义明确的失败模式，例如幻觉、无法在上下文之外运作，以及在没有获得足够上下文时表现尤其糟糕

• LLM 能够完成哪些类型的任务，目前已经相对明确，其能力边界也正在被迅速勾勒出来。这一点不同于人类：每个人都有不同的优势和短板，而你需要经过一段时间才能逐渐发现这些特点

其中许多特征，都比大型人类系统更具确定性。对于已经习惯处理非确定性，而且很可能早已投入大量精力、为自己的系统增加确定性的高管来说，这使得 AI 极具吸引力。例如，他们会通过流程与组织结构来增加确定性，包括职级与晋升阶梯、标准操作流程等。

IC 通常更专注于具体问题，而这些问题往往拥有明确的输入和结果。正确与否更容易判断，一个人的工作能力也基本可以用质量和速度来描述，只不过这两项指标各自的权重会因组织而异。随着职级提升，情况会发生变化——例如，Staff Engineer 通常需要解决大型且模糊的业务问题——但对于大多数 IC 来说，他们面对的世界仍然相对明确。

在实际工作中，IC 同样需要处理大量非确定性，例如不清晰的需求、不稳定的系统以及不断变化的优先级。但评价他们的方式，却会把他们推向相反的方向。IC 的价值通常来自稳定而精确的表现，例如编写正确的代码、做出准确的分析，或者产出经得起推敲的设计。你的输出越具确定性，往往就意味着你的工作做得越好。

AI 恰恰把非确定性引入了这个领域。从 IC 的角度来看，他们有充分的理由保持怀疑：

• AI 并没有他们那么擅长这份工作。一个经过高度训练、专注于特定任务的人类，往往能够胜过 LLM，尤其是当任务持续时间很长、需要连接多个系统，或者要求精准的领域直觉时。如果你是一位专家，却得到一个只能平庸地完成你工作的工具，那么修正它所犯错误带来的额外成本，确实可能高于你亲自完成工作的成本。

• AI 改变了他们工作的性质。你不再亲自完成工作，而是开始管理某个替你完成工作的东西。当初让你获得这份工作的技能——深度专注、精确性和领域知识——未必也是让你擅长管理 AI 的技能。这种转变会令人无所适从。

• AI 与自我价值感紧密相关。工作占据了一个人绝大多数清醒的时间。当高管谈论 AI 如何让每个人提高生产力时，IC 听到的可能是：你花了多年时间才练就的本领，很快就没那么重要了。无论高管真正想表达的是不是这个意思，产生这种感受都是合理的。

需要补充一点：相比质量，更偏重速度的组织，通常会看到更多 IC 采用 AI。例如，在我的人脉圈中，初创公司的工程师整体上都在采用 AI，并用它加速很多事情，尽管这未必会让产出质量变得更高。更偏重质量的组织，情况往往正好相反。AI 并不能真正提高质量，或者说，让它提高质量相当困难。有时，它甚至会降低特定任务的质量，因为负责这些任务的 IC 通常都接受过非常充分的专项训练。

人们对 AI 看法的差异，归根结底取决于处在组织栈的不同位置时，工作究竟是什么样子。高管管理的是非确定性系统，而且他们的整个职业生涯都是围绕这件事建立起来的。IC 则在一个更具确定性的世界中工作，评价他们的标准，是能否交付精确、可靠的结果。AI 可以自然地融入前一种世界观，却很难适应后一种世界观。

我认为，这一框架能够解释公司在尝试大范围推动 AI 应用时出现的许多摩擦。同一个工具，在不同人眼中可能有着根本不同的面貌，具体取决于他们的工作究竟要求他们做什么。