Management as AI superpower

Management as AI superpower

Менеджмент как суперсила в эпоху ИИ

Thriving in a world of agentic AI

Как преуспеть в мире агентного ИИ

I just taught an experimental class at the University of Pennsylvania where I challenged students to create a startup from scratch in four days. Most of the people in the class were in the executive MBA program, so they were taking classes while also working as doctors, managers, or leaders in a variety of large and small companies. Few had ever coded. I introduced them to Claude Code and Google Antigravity, which they needed to use to build a working prototype. But a prototype alone is not a startup, so they used ChatGPT, Claude, and Gemini to accelerate the idea generation, market research, competitive positioning, pitching, and financial modelling processes. I was curious how far they could get in such a short time. It turns out they got very far.

Я только что провёл экспериментальный курс в University of Pennsylvania, где предложил студентам создать стартап с нуля за четыре дня. Большинство участников учились на программе Executive MBA, то есть посещали занятия, параллельно работая врачами, менеджерами или руководителями в самых разных компаниях, больших и малых. Почти никто из них никогда не программировал. Я познакомил их с Claude Code и Google Antigravity, которые им нужно было использовать, чтобы собрать работающий прототип. Но один прототип — это ещё не стартап, поэтому они применяли ChatGPT, Claude и Gemini, чтобы ускорить генерацию идей, исследование рынка, конкурентное позиционирование, подготовку питча и финансовое моделирование. Мне было любопытно, как далеко они смогут продвинуться за такой короткий срок. Оказалось — очень далеко.

I’ve been teaching entrepreneurship for a decade and a half, and I've seen thousands of startup ideas (some of which turned into large companies) so I have a good sense of the expectations for what a class of smart MBA students can accomplish. 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. Most of the prototypes were not just sample screens but actually had a core feature working. Ideas were far more diverse and interesting than usual. Market and customer analyses were insightful. It was really impressive. These were not yet working startups nor were they fully operational products (with a couple exceptions) — but they had shaved months and huge amounts of money and effort from the traditional process. And there was something else: most early startups need to pivot, changing direction as they learn more about what the market wants and what is technically possible. By lowering the costs of pivoting, it was much easier to explore the possibilities without being locked in or even explore multiple startups at once: you just tell the AI what you want.

Я преподаю предпринимательство уже полтора десятилетия и повидал тысячи стартап-идей (некоторые из которых превратились в крупные компании), так что у меня хорошее представление о том, чего можно ожидать от группы умных студентов MBA. По моей оценке, то, что я увидел за пару дней, было на порядок ближе к настоящему стартапу, чем всё, что студенты выдавали за целый семестр до появления ИИ. Большинство прототипов были не просто демонстрационными экранами — у них реально работала ключевая функция. Идеи были куда более разнообразными и интересными, чем обычно. Анализ рынка и клиентов был проницательным. Это было по-настоящему впечатляюще. Это пока ещё не были работающие стартапы и не полностью функциональные продукты (за парой исключений) — но они сэкономили месяцы, а также огромные деньги и усилия по сравнению с традиционным процессом. И было кое-что ещё: большинству ранних стартапов нужен pivot — смена направления по мере того, как они узнают больше о том, чего хочет рынок и что технически возможно. Снижая стоимость pivot'а, ИИ сильно облегчил исследование возможностей без риска «застрять» в одном решении и даже позволил прорабатывать несколько стартапов одновременно: вы просто говорите ИИ, чего хотите.

I wish I could say this impressive output was the result of my brilliant teaching, but we don’t really have a great framework yet for how to use all these tools, the students largely figured it out on their own. It helped that they had some management and subject matter expertise because it turns out that the key to success was actually the last bit of the previous paragraph: telling the AI what you want. As AIs are increasingly capable of tasks that would take a human hours to do, and as evaluating those results becomes increasingly time consuming, the value of being good at delegation increases. But when should you delegate to AI?

Хотел бы я сказать, что этот впечатляющий результат — заслуга моего блестящего преподавания, но у нас пока нет хорошей системы того, как использовать все эти инструменты, и студенты в основном разобрались сами. Помогло то, что у них был управленческий и предметный опыт, ведь оказалось, что ключ к успеху — именно в последней части предыдущего абзаца: сказать ИИ, чего вы хотите. По мере того как ИИ всё лучше справляется с задачами, на которые у человека ушли бы часы, и по мере того как оценка этих результатов отнимает всё больше времени, растёт ценность умения делегировать. Но когда стоит делегировать ИИ?

The Equation of Agentic Work

Уравнение агентной работы

We actually have an answer, but it is a bit complicated. Consider three factors: First, because of the Jagged Frontier of AI ability, you don’t reliably know what the AI will be good or bad at on complex tasks. Second, whether the AI is good or bad, it is definitely fast. It produces work in minutes that would take many hours for a human to do. Third, it is cheap (relative to professional wages), and it doesn’t mind if you generate multiple versions and throw most of them away.

На самом деле ответ у нас есть, но он немного сложен. Рассмотрим три фактора. Во-первых, из-за «зубчатой границы» способностей ИИ вы не можете надёжно предсказать, с чем ИИ справится хорошо, а с чем плохо в сложных задачах. Во-вторых, хорошо или плохо — но ИИ точно быстр. Он выдаёт за минуты то, на что у человека ушли бы многие часы. В-третьих, он дёшев (относительно зарплат специалистов), и ему всё равно, если вы сгенерируете несколько вариантов, а большинство из них выбросите.

These three factors mean that deciding to delegate to AI depends on three variables:

Эти три фактора означают, что решение делегировать ИИ зависит от трёх переменных:

Базовое время человека: сколько времени задача заняла бы у вас самихВероятность успеха: насколько вероятно, что ИИ с одной попытки выдаст результат, отвечающий вашей планкеВремя на работу с ИИ: сколько времени уходит у вас на то, чтобы поставить запрос, дождаться ответа и оценить выданный ИИ результат

A useful mental model is that you’re trading off “doing the whole task” (Human Baseline Time) against “paying the overhead cost” (AI Process Time), possibly multiple times until you get something acceptable. The higher Probability of Success is, the fewer times you have to pay AI Process Time, and the more useful it is to turn things over to the AI. For example, consider a task that takes you an hour to do, but the AI can do it in minutes, though checking the answer takes thirty minutes. In that case, you should only give the work to the AI if Probability of Success is very high, otherwise you’ll spend more time generating and checking drafts than just doing it yourself. If the Human Baseline Time is 10 hours, though, it could be worth several hours of working with the AI, assuming that the AI can be made to do a competent job.

Полезная ментальная модель: вы выбираете между «сделать задачу целиком» (Базовое время человека) и «оплатой накладных расходов» (Время на работу с ИИ), возможно, несколько раз, пока не получите приемлемый результат. Чем выше Вероятность успеха, тем меньше раз приходится платить Время на работу с ИИ и тем выгоднее передать дело ИИ. Например, представьте задачу, которая занимает у вас час, но ИИ может сделать её за минуты, хотя проверка ответа отнимает тридцать минут. В этом случае стоит отдавать работу ИИ, только если Вероятность успеха очень высока, иначе вы потратите больше времени на генерацию и проверку черновиков, чем если бы просто сделали всё сами. А вот если Базовое время человека равно 10 часам, тогда имеет смысл потратить несколько часов на работу с ИИ — при условии, что ИИ можно заставить справиться с задачей достойно.

We know this equation works because this past summer, OpenAI released one of the more important papers on AI and real work, GDPval. I have discussed it before, but the key was that it pitted experienced human experts in diverse fields from finance to medicine to government against the latest AIs, with another set of experts working as judges. It took experts seven hours on average to do the work, so, in this case, that is the Human Baseline Time. The AI Process Time was interesting: the AI took only minutes for tasks, but it required an hour for experts to actually check the work, and, of course, prompts take time to write as well. As for Probability of Success, when GDPval first came out, judges gave human work the win the majority of the time, but, with the release of GPT-5.2, the balance shifted. GPT-5.2 Thinking and Pro models tied or beat human experts an average of 72% of the time.

Мы знаем, что это уравнение работает, потому что прошлым летом OpenAI выпустила одну из важнейших работ об ИИ и реальной работе — GDPval. Я уже разбирал её ранее, но суть в том, что в ней опытных экспертов из самых разных областей — от финансов до медицины и госуправления — стравливали с новейшими ИИ, а ещё одна группа экспертов выступала судьями. На выполнение работы у экспертов уходило в среднем семь часов — это и есть Базовое время человека. С Временем на работу с ИИ вышло интересно: ИИ тратил на задачи лишь минуты, но экспертам требовался час, чтобы реально проверить работу, и, конечно, написание запросов тоже отнимает время. Что касается Вероятности успеха, то когда GDPval только вышел, судьи в большинстве случаев отдавали победу работе людей, но с выходом GPT-5.2 баланс сместился. Модели GPT-5.2 Thinking и Pro в среднем в 72% случаев сравнивались с экспертами или превосходили их.

We can now calculate how many hours you would save on a seven-hour task, assuming that 72% probability of success and an hour of evaluation. If you tried every task by taking the time to prompt the AI, evaluating the answer for an hour, and then doing it yourself if the AI answer was bad, you would save 3 hours on average. Tasks the AI failed on would take longer (you wasted time prompting and reviewing!) but tasks the AI succeeded on would be much faster. But we can change the equation even more in our favor using techniques from management!

Теперь мы можем посчитать, сколько часов вы сэкономите на семичасовой задаче при той самой вероятности успеха в 72% и часе на оценку. Если бы вы по каждой задаче тратили время на запрос к ИИ, час на оценку ответа, а затем делали всё сами, если ответ ИИ оказался плох, то в среднем вы экономили бы 3 часа. Задачи, на которых ИИ провалился бы, заняли бы дольше (вы зря потратили время на запрос и проверку!), зато задачи, с которыми ИИ справился, делались бы гораздо быстрее. Но мы можем сместить уравнение в свою пользу ещё сильнее, используя приёмы из менеджмента!

Delegation as the new prompting

Делегирование как новый промптинг

There are three things we can do to make delegating to AI more worthwhile by increasing the Probability of Success and lowering AI Process Time. We can give better instructions, setting clear goals that the AI can execute on with a higher chance of succeeding. We can get better at evaluation and feedback, so we need to make fewer attempts to get the AI to do the right thing. And we can make it easier to evaluate whether the AI is good or bad at a task without spending as much time. All of these factors are improved by subject matter expertise — an expert knows what instructions to give, they can better see when something goes wrong, and they are better at correcting it.

Есть три вещи, которые мы можем сделать, чтобы делегирование ИИ стало выгоднее, повысив Вероятность успеха и снизив Время на работу с ИИ. Мы можем давать более качественные инструкции, ставя чёткие цели, которые ИИ сможет выполнить с большей вероятностью успеха. Мы можем научиться лучше оценивать результат и давать обратную связь, чтобы требовалось меньше попыток заставить ИИ сделать всё правильно. И мы можем упростить себе оценку того, хорош ИИ в задаче или плох, не тратя на это столько времени. Все эти факторы улучшаются за счёт предметной экспертизы: эксперт знает, какие инструкции дать, лучше замечает, когда что-то идёт не так, и лучше умеет это исправлять.

If you don’t need something specific, AI models have become incredibly capable of figuring out how to solve problems themselves. For example, I found Claude Code was able to generate an entire 1980s style adventure game with one prompt to "create an entirely original old-school Sierra style adventure game with EGA-like graphics. You should use your image agent to generate images and give me a parser. Make all puzzles interesting and solvable. Finish the game (it should take 10-15 minutes to play), don’t ask any questions. make it amazing and delightful." That’s it, the AI made everything, including the art. With two final prompts it tested the game and deployed it. You can play it yourself: enchanted-lighthouse-game.netlify.app

Если вам не нужно что-то конкретное, ИИ-модели стали невероятно хороши в том, чтобы самим придумывать, как решить задачу. Например, я обнаружил, что Claude Code способен сгенерировать целую adventure-игру в стиле 1980-х по одному промпту: «создай совершенно оригинальную олдскульную adventure-игру в стиле Sierra с графикой как EGA. Используй свой image agent, чтобы сгенерировать изображения, и сделай мне парсер. Сделай все головоломки интересными и решаемыми. Доведи игру до конца (прохождение должно занимать 10–15 минут), не задавай никаких вопросов. сделай её потрясающей и восхитительной». Вот и всё — ИИ сделал абсолютно всё, включая графику. Ещё двумя финальными промптами он протестировал игру и развернул её. Вы можете сыграть в неё сами: enchanted-lighthouse-game.netlify.app

This is genuinely amazing, but that amazement is amplified because I didn’t need anything specific, just an adventure game that the AI was free to improvise. But real work, and real delegation, means that you have a specific output in mind, and that is where things can get tricky. How do you communicate your intention to the AI to execute on what you want, so it can use “judgement” to solve problems while still giving you the output you desire?

Это по-настоящему изумительно, но изумление здесь усилено тем, что мне не нужно было ничего конкретного — лишь adventure-игра, которую ИИ был волен импровизировать. Но реальная работа, и реальное делегирование, означают, что у вас в голове есть конкретный результат, — и вот тут всё становится непросто. Как донести до ИИ своё намерение, чтобы он выполнил именно то, что вы хотите, мог проявить «суждение» при решении проблем и при этом выдал нужный вам результат?

This problem existed long before AI and is so universal that every field has invented their own paperwork to solve it. Software developers write Product Requirements Documents. Film directors hand off shot lists. Architects create design intent documents. The Marines use Five Paragraph Orders (situation, mission, execution, administration, command). Consultants scope engagements with detailed deliverable specs. All of these documents work remarkably well as AI prompts for this new world of agentic work (and the AI can handle many pages of instructions at a time). The reason you can use so many formats to instruct AI is that all of these are really the same thing: attempts to get what’s in one person’s head into someone else’s actions.

Эта проблема существовала задолго до ИИ и настолько универсальна, что в каждой сфере придумали собственный документ для её решения. Разработчики ПО пишут Product Requirements Documents. Кинорежиссёры передают съёмочные группы shot lists. Архитекторы составляют документы о замысле проекта (design intent documents). Морпехи используют Five Paragraph Orders (обстановка, задача, выполнение, обеспечение, управление). Консультанты определяют рамки проекта подробными спецификациями результатов. Все эти документы на удивление хорошо работают как промпты для ИИ в новом мире агентной работы (а ИИ способен за раз обработать множество страниц инструкций). Причина, по которой для постановки задач ИИ годится столько разных форматов, в том, что все они, по сути, об одном и том же: попытка перенести то, что в голове у одного человека, в действия другого.

When you look at what actually goes into good delegation documentation, it’s remarkably consistent: What are we trying to accomplish, and why? Where are the limits of the delegated authority? What does “done” look like? What specific outputs do I need? What interim outputs do I need to follow your progress? And what should you check before telling me you’re finished? If these are well-specified, the AI, like humans, is far more likely to do a good job.

Когда вы смотрите, из чего на самом деле состоит хорошая документация для делегирования, она оказывается на удивление единообразной: чего мы пытаемся достичь и зачем? Где границы делегированных полномочий? Как выглядит «готово»? Какие конкретные результаты мне нужны? Какие промежуточные результаты мне нужны, чтобы следить за вашим прогрессом? И что вам следует проверить, прежде чем сообщить мне о завершении? Если всё это хорошо прописано, то ИИ, как и человек, с гораздо большей вероятностью сделает работу хорошо.

And in figuring out how to give these instructions to the AI, it turns out you are basically reinventing management.

И, разбираясь в том, как давать эти инструкции ИИ, вы, по сути, заново изобретаете менеджмент.

Managing Agents

Управление агентами

I find it interesting to watch as some of the most well-known software developers at the major AI labs note how their jobs are changing from mostly programming to mostly management of AI agents. Coding has always had a very organized structure, with clearly verifiable outputs (the code either works or it doesn’t) so it has been one of the first areas where AI tools have matured, and thus the first profession to feel this change. It isn’t the last.

Мне любопытно наблюдать, как некоторые из самых известных разработчиков ПО в крупных ИИ-лабораториях отмечают, что их работа меняется: из преимущественно программирования она превращается в преимущественно управление ИИ-агентами. У программирования всегда была очень упорядоченная структура с чётко проверяемыми результатами (код либо работает, либо нет), поэтому оно стало одной из первых областей, где инструменты на базе ИИ достигли зрелости, — и, соответственно, первой профессией, ощутившей эти перемены. Но не последней.

As a business school professor, I think many people have the skills they need, or can learn them, in order to work with AI agents - they are management 101 skills. If you can explain what you need, give effective feedback, and design ways of evaluating work, you are going to be able to work with agents. In many ways, at least in your area of expertise, it is much easier than trying to design clever prompts to help you get work done, as it is more like working with people. At the same time, management has always assumed scarcity: you delegate because you can’t do everything yourself, and because talent is limited and expensive. AI changes the equation. Now the “talent” is abundant and cheap. What’s scarce is knowing what to ask for.

Как профессор бизнес-школы, я считаю, что у многих людей уже есть необходимые навыки — или они могут их освоить, — чтобы работать с ИИ-агентами; это навыки уровня «менеджмент 101». Если вы умеете объяснить, что вам нужно, давать эффективную обратную связь и придумывать способы оценки работы, то вы сможете работать с агентами. Во многих отношениях, по крайней мере в вашей области экспертизы, это куда проще, чем пытаться сочинять хитроумные промпты для выполнения работы, ведь это больше похоже на работу с людьми. При этом менеджмент всегда исходил из дефицита: вы делегируете, потому что не можете всё делать сами, и потому что таланты ограниченны и дороги. ИИ меняет уравнение. Теперь «талант» обилен и дёшев. Дефицитным становится знание того, что именно просить.

This is why my students did so well. They weren’t AI experts. But they’d spent years learning how to scope problems in their fields of expertise, define deliverables, and recognize when a financial model or medical report was off. They had hard-earned frameworks from classes and jobs, and those frameworks became their prompts. The skills that are so often dismissed as “soft” turned out to be the hard ones.

Вот почему мои студенты так преуспели. Они не были экспертами по ИИ. Но они годами учились формулировать рамки задач в своих областях экспертизы, определять результаты и распознавать, когда финансовая модель или медицинское заключение «не то». У них были выстраданные на занятиях и в работе фреймворки — и эти фреймворки стали их промптами. Навыки, которые так часто отметают как «мягкие» (soft skills), оказались самыми «жёсткими».

I don’t know exactly what work looks like when everyone is a manager with an army of tireless agents. But I suspect the people who thrive will be the ones who know what good looks like — and can explain it clearly enough that even an AI can deliver it. My students figured this out in four days. Not because they were AI natives, but because they already knew how to manage. All that training, it turns out, was accidentally preparing them for exactly this moment.

Я не знаю точно, как будет выглядеть работа, когда каждый станет менеджером с армией неутомимых агентов. Но подозреваю, что преуспеют те, кто понимает, как выглядит «хорошо», — и может объяснить это достаточно чётко, чтобы даже ИИ смог это выдать. Мои студенты разобрались в этом за четыре дня. Не потому, что были «рождёнными в эпоху ИИ», а потому, что уже умели управлять. Вся та подготовка, как выяснилось, случайно готовила их именно к этому моменту.

Share

Поделиться