Ethan Mollick：创业、AI 智能体与保留人的判断

Marina Mogilko 采访沃顿商学院教授 Ethan Mollick，讨论创业、AI 和他的新书《Co-Existence》。她首先问，在学生课堂创业时，他如何鼓励他们有更大雄心。

Mollick 说，培养主动性没有简单的操作手册，但人们常常给自己设置障碍。询问他们除了第一版计划还能做什么，并让他们与有雄心的同伴相处，可以扩大他们对可能性的认识。

在最近一门课上，外科医生、金融专业人士、军人和人道主义工作者围绕自己熟悉的问题构建工具，例子包括了解供应链薄弱环节，以及更清晰地向患者解释医疗信息。

他说，创业教师反复看到一些低估社会、政治或法律障碍的想法，例如取代房地产经纪人。学生也会提出只与校园生活有关的解决方案。这些想法并非必然不好，但可能比看上去更难。

Mogilko 指出，一些最初听起来不太可能的想法后来也成功了。Mollick 同意自己无法事先知道哪个会成功，因此不会简单地禁止学生尝试。

谈到雄心，Mollick 说宏大目标可以吸引优秀人才并激励团队，但创办与扩大公司是不同的挑战。经营小企业与连续进行风险融资需要不同技能。

他认为许多创始人过于专注于销售软件即服务。他用历史类比说明：可以利用新技术更高效地经营企业，而不是假设最好的机会总是向别人出售工具。

Mollick 预计 AI 会降低创业门槛，同时改变软件市场。有些公司仍需要优秀工程师；对另一些公司而言，软件会成为提供其他产品或服务的工具。

他说，大公司正在考虑哪些工具可以自行构建，但现有供应商仍提供价值，过渡也需要时间。仅仅重新包装客户已有能力的产品可能面临更大压力。

Mogilko 说，订阅成本上升时，她考虑过自建时事通讯工具。Mollick 认为更广泛的好处是：非技术创始人可以使用软件和建议推进真正的业务，而不必为每件事先寻找程序员。

两人讨论了一项肯尼亚创业者使用较旧模型获取建议的研究。Mollick 报告说，研究中较强的创业者利润有所改善，已经陷入困境的人则没有同样受益。这一结果适用于该研究及其具体情境。

Mollick 列出有效使用 AI 的四种能力：深入的领域知识、对相邻领域的广泛了解、主动性和品味。专长帮助人判断结果，广度则使工具更容易用于不同任务。

他认为，如果每个人都接受同一个模型给出的第一版策略或文稿，作品可能趋同。在他描述的实验中，AI 产生的想法可以变得多样，但仍未覆盖一组人产生的全部范围。

在他看来，这意味着应在具有竞争意义的地方加入独特的人类视角。对于普通支持任务，使用通用工具可能足够；企业希望脱颖而出的领域则需要更有意识的引导。

品味可以通过观察好坏示例、学习讨论它们的语言，以及比较许多选项来培养。Mollick 会请设计教授进课堂，帮助学生说清字体或图像为什么有效。

Mogilko 问品味与判断有什么不同。Mollick 说 AI 已经在作判断和创意选择；问题在于这些选择是否符合个人的目标与标准。他认为人们仍在建立区分这些判断形式的语言。

他以数学为例：如果正确的证明还揭示了有趣的想法，它对研究者的意义可能不同。AI 迫使人们明确一些过去没有命名的品质，因为此前人类判断是唯一的参照。

两人转向教育和初级工作。Mollick 认为 AI 可以是有用的导师，但直接提交它的答案可能绕过学习。他预计主动学习和课堂评估会与 AI 辅导并存。

他更担心学徒制。初级员工过去通过为资深同事完成任务并获得反馈来学习。如果新人和管理者都依赖 AI 完成这些任务，形成专业判断的旧路径可能被削弱。

Mollick 将因不再练习而失去技能称为“认知投降”。他建议在需要学习或保持优势的领域有意识地保留一些努力，即使当下委派更容易。

他说，组织面临两种选择：只招聘有经验的人，或者投入结构化培训，给新人学习的时间。他指出初级岗位承压已有早期信号，但证据尚无定论。

Mogilko 问能力合格却并非顶尖的专业人士将面临什么。Mollick 说现在判断还太早，并重提“参差不齐的前沿”：AI 可能在某项任务上出人意料地强，在另一项任务上却出人意料地弱。

工作由许多活动组成，包括与人、机构和法律制度协调。随着任务组合变化，技术愿景、沟通等能力的不同组合可能变得有价值；他不假定任何任务会永远受到保护。

Mollick 说，专业知识越来越能帮助人们用好智能体，有些人还会形成对模型反应方式的直觉。他描述了一项谈判智能体研究：最擅长设计智能体的人未必是最强的人类谈判者。

Mogilko 问关键是否在于向 AI 解释自己的思维流程。Mollick 不确定这是否普遍成立。他更喜欢把 AI 比作团队：委派工作，观察问题并提供反馈，即使系统不会模仿自己的过程。

他亲自写下所有作品的第一稿，因为模型生成的文字可能引导自己的思考。对他来说，目标是在重要选择上保留人的过程，同时委派其他工作。

谈到头脑风暴，Mollick 建议在请 AI 或团队提出替代方案之前先独立构思。早期建议可能锚定后续思考；先独立产生想法有助于保留更广的范围。

他把有益的思考努力称为“可取的困难”。如果过程完全不费力，一个人可能没有学习。重点不是避免帮助，而是决定哪些思维劳动值得保留。

人与人的创造力不同，Mollick 不认为每个人都必须以同样方式保护创意生成。一个人可以在创意并非自己独特优势的地方更多使用 AI，把精力投入执行、建立联系或其他贡献。

客户访谈和最小可行产品等创业方法，围绕低成本学习而发展。AI 可以进一步降低早期测试的成本，但 Mollick 提醒，模拟客户不是真实客户。

他说，想法通过执行和探索获得价值。在他的课堂中，创业团队的最初想法常常随着测试大幅变化；第一个提出想法的人并不是最终成果的唯一来源。

管理智能体需要许多熟悉的管理技能。Mollick 建议说明好结果和坏结果是什么、确定检查点、要求不同方案，并把人自己的选择插入过程。

他会观察早期运行，以便在智能体沿错误方向走远之前发现沟通问题。他担心的不只是 token 成本：监督大量委派工作也会消耗人的时间和注意力。

在他看来，最大的错误是过度信任智能体。他认为强调“魔法式”自动化的界面可能使过程更难观察，因此管理者需要明确的系统汇报节点。

他以研究故事的形状为例：先让智能体提出方法，自己给予反馈，再让它尝试几种方案，最后选择并组合有希望的部分。

智能体负责收集数千个故事和构建工具等繁琐工作，Mollick 则保留有意思的决定。他将这种增强模式与交出每个选择、只接收成品区分开来。

Mogilko 问模型变化时多久需要重写工作流程。Mollick 说，这个例子不是固定配方，而是一种随每次互动调整、并保留选择机会的管理过程。

他很乐意委派事实核查和例行表格。他说，AI 在核查自己的书时不仅发现了他的错误，还发现所引来源中可能存在的错误。这些是他报告的经历，仍需核实。

Mogilko 说，一次助手在她原本打算发送之前就提交了表格。Mollick 也回忆助手曾向院长发出不合他意愿的邮件。两次经历说明，便利不能取代清晰边界和建立信任的过程。

Mollick 说，他会先让定时任务处理低风险工作，并随着时间调整指令。他担心一些助手对配置或主动性暴露得太少，让用户更难预测行为。

快速更新会给组织带来摩擦：公司可能刚为数百人培训完某个界面，它就改变了。尽管如此，Mollick 认为人和组织的适应能力往往比事先预测的更强。

Mogilko 描述一个模型在她的记录里找到被遗忘的对话，并据此改进采访流程。Mollick 说，当 AI 在研究中指出被忽略的联系或矛盾时，研究人员也面临类似挑战。

他的建议是在承认焦虑和挫败感的同时保持好奇心与玩心。尽管界面变化和产品取消会让适应过程令人疲惫，新工具也能扩大人们能做的事情。

谈到本地模型，Mollick 认为有关未来企业使用份额的一项精确预测缺乏依据。他说，不同组织偏好不同，并提醒不要假定今天的限制会永远存在。

他建议保留几个模型目前尚不能满足的个人基准。对他而言，这包括有趣且原创的学术论文、仅凭一个想法就执行的创业项目、引人入胜的游戏，以及他愿意阅读的连贯故事。

被问到如果 AI 学会品味会怎样时，Mollick 说问题部分关乎个人自己的品味。他预计系统之间的不均衡和相似性在一段时间内仍有意义，但承认对于这些差距消失后的未来，他没有答案。