跨国深谈← 返回←Julie Zhuo：管理者的核心技能，就是驾驭AI的技能

Julie Zhuo：管理者的核心技能，就是驾驭AI的技能

关联

人物 Julie Zhuo

公司 Sundial

概念 智能体 · 构建者 · 可观测性 · 对话分析 · 评估 · 维度思维

来源 Lenny’s Podcast

以前你不会设计、不会写代码、不会做数据分析，就得招三个人分别干这三件事。现在 AI 能把一个从第 10 百分位的人拉到第 60、70 百分位——不够顶尖，但足以动手。Julie Zhuo 认为这导致了一个根本性变化：传统角色边界正在消融，工程师、设计师、产品经理这些头衔该扔掉了，统一叫”构建者” 。

管理智能体和管理人，是同一套能力

管理的本质是什么——你有北极星，你有愿景，你手头有资源，你要想办法把事做成 。传统管理里资源是人，现在资源变成了模型，不同模型有不同”个性”和优势，你得像组装复仇者联盟一样挑对工具 。

管理者日常干的三件事——搭团队配技能、对齐目标、设计流程——在智能体系统里完全对应：你仍然需要定义清晰的目标，了解每个模型擅长什么，设计工具和智能体怎么协同 。唯一的区别是，你不用再操心智能体的”职业发展”了 。

这里面最核心、也最被低估的技能是：把成功标准定义到极其具体。这不是写 prompt 的技巧问题，而是一个管理基本功——很多大公司对不齐，根因就是不同人对”成功长什么样”想象得不一样 。

你跟智能体说”做一个很棒的产品”，跟跟团队说”我们要做得很好”一样无效。你得具体到没有任何歧义，这就是为什么 evals（评测标准）这么重要——它在帮你对齐客观标准 。如果你自己都不清楚成功什么样，prompt 写不出来，团队也带不好 。

小团队、无角色边界：Sundial 的实际做法

Julie 的公司 Sundial 做了一个激进的决定：不招产品经理 。原因很反直觉——她发现一旦团队里有 PM，工程师遇到产品定义问题时，默认反应是”那是他的职责范围，我委托给他”，自己就不去想了 。砍掉这个角色后，工程师不得不自己琢磨”我们到底在给用户创造什么价值”，反而逼出了更完整的思考 。

同理，前端后端的界限也在模糊。以前有个项目带点前端，第一反应是”我得招个前端工程师”。

现在说法变成：你是个构建者，这点前端你用 AI 能搞定，写完找个专家 review 一下就行 。前期会慢一点，因为工程师要学，但长期来看每个人都变得更全面，能独立承担更多 。只在某些场景确实需要深度专长时，才临时拉专家进来 。

这不是说每个人得什么都会。团队仍然需要”懂产品”这个技能，但可以由设计师承担，可以由某个工程师承担，可以由数据分析师承担——不再自动套”PM + 设计师 + 三个工程师”的模板 。关键原则是：按具体情境需要的技能来组人，不按角色头衔来组人。

被忽视的 AI 用法：当你的个性化老师

大家都在聊 Cursor 帮你写代码、ChatGPT 帮你干活，但 Julie 认为一个被严重低估的用法是用 AI 加速学习 。她的做法：网上找一个课程大纲，扔给 ChatGPT，说”按我喜欢的方式帮我定制学习计划”——她需要大量类比和”像我五岁一样解释”，她团队里另一些人讨厌类比、喜欢直接看框架，AI 可以按每个人学习风格定制 。

更关键的一步是用它来测试自己的理解：读完一段，用自己的话复述回去，让 ChatGPT 批判你哪里理解对了、哪里错了 。这比问人方便得多——你不用占别人时间，而且 AI 会耐心地、一步步纠正你 。她团队里一个工程师懂算法怎么写，但完全不知道”根因分析在商业场景里什么时候有用、谁会问这个问题”——跟 ChatGPT 聊了一小时，比找任何人都更深入 。

用数据诊断，用设计治疗

Julie 从 Facebook 设计主管转型做数据分析公司，她对数据和设计的关系有一个精准的框架：“用数据诊断，用设计治疗” 。数据不会告诉你该构建什么、怎么解决留存问题——那是设计的活。但数据能告诉你”你有没有问题、问题可能出在哪” 。

她看到的现实是：很多增长极快的 AI 公司，其实根本没在好好用数据 。原因很简单——以前公司增长到一亿用户要花好几年，有时间搭日志、建数据团队、搞可观测性。

现在公司十来个人就已经数亿 ARR，基础设施完全跟不上 。他们靠直觉和”良好的氛围”在跑，增长好的时候没问题，但增长总会停——一旦停了，没有可观测性就会手忙脚乱 。

而且新技术需要新的分析方法。移动时代看会话数、停留时长；对话时代这些全失效了——用户意图藏在一串对话里，你得用 LLM 来分类意图，得问”对话流程顺畅吗""只问了一个问题就走，用户得到价值了吗”这类全新问题 。

她还提醒一点：不要掉进”虚假精确性”的陷阱。数字上升了 5%，这是好是坏，本身就是一种解读，是艺术不是科学 。

你选择看哪些指标、怎么解读，都带着主观判断。但这也意味着设计师不必害怕数据——优秀的设计师本来就痴迷于理解真实用户在想什么，数据只是帮他们看到自己看不到的角度 。

管理者的永恒功课：维度思维与反馈

抛开 AI 不谈，Julie 分享了两个她认为最经久不衰的管理认知。

第一个是”维度思维”。每个人可以在无限个维度上被评估——扔斧头、做播客、做从 0 到 1 的项目——每个维度你处在不同百分位，整体画像像指纹一样独一无二 。

关键推论：没有一个维度等于”你是谁”。别人说”你飞斧扔得不行”，不等于在攻击你的身份 。管理者经常把某个维度跟自我认同绑死，就很难客观地看待反馈和成长空间 。

更有意思的是，每个优势都自带一个劣势，它们往往是一体两面。Julie 被评价为”深思熟虑、框架清晰”，同时被说”动态讨论里话不多、反应不快”——后者恰恰是前者的代价，因为她不习惯即兴判断 。

成长不是”消灭弱点”，而是在具体情境里学会读情况：什么时候该果断开口，什么时候该退后深思，逐渐扩大自己的操作范围 。但这一切的前提是——你得先知道自己天然偏向哪边 。

第二个是让反馈成为日常实践，而不是半年一次的仪式。一个每周进步 1% 的团队，即使起点低，短时间内也会大幅超过每月进步 1% 的团队 。

反馈的本质是什么？是把你的自我认知拿去跟现实对齐——我们都有达克效应（高估自己）或冒名顶替综合症（低估自己）的偏见，需要别人把”你后脑勺有片叶子”这件事告诉你 。

她给了一个非常实操的三步法：

• 第一步，提前”签约”：一开始合作就明确说”我想帮你变好，你也帮我变好，我们互相给反馈”——这解决了 60% 的困难 。可以问对方偏好即时反馈还是定期反馈，大多数人会说”有事立刻说” 。

• 第二步，检查意图：给出反馈前问自己，我是真的想帮他，还是想证明我是对的、想惩罚他？如果是后者，怎么说都不会顺利 。

• 第三步，把紧张说出来：“Lenny，我现在很紧张，因为我想给你反馈，又怕影响我们的关系”——坦诚暴露脆弱，比硬撑着”专业”有效得多，对方会听到你的善意 。

柳树隐喻：在加速变化中保持坚固又灵活

AI 时代管理者的最大挑战不是学新工具，而是变化的速度前所未有 。团队里弥漫着不确定感——两年后 AI 在哪？

五年后会不会有 AGI？我的技能还值钱吗？

。管理者必须同时做两件事：传达”我们必须改变，不然会被甩下”，又不能把大家吓瘫 。

她的隐喻是柳树：非常坚固，能扛风暴；又非常灵活，枝条随风弯而不折。灵活本身就是它坚固的原因 。

具体做法包括：承认”这确实很难、我们确实会不安”，不假装一切都好 ；同时把目光拉到”这件事可能带来的兴奋和可能性”上 。两者都是真实的，只强调任何一面都不完整。

她还强调，管理者必须真的相信自己传递的方向。她见过每一个私下说”我觉得这不是个好主意”的经理，负责的项目没有一个最终成功的 。

如果你不认同，不要当传声筒——去跟上级对话，把笼统的”好/坏”拆解成一组具体假设，找到你不同意的那一条，然后设计一个小测试来验证它 。这样你跟团队说”我们不是在执行一个命令，我们是在验证一个假设”时，是真诚的 。

本集带走

• 定义成功要具体到没有歧义：不管是对人还是对 AI，“做得好”等于没说。你能毫无疑问地判断做到了还是没做到吗？做不到就继续往下拆。
• 砍角色，不砍技能：团队里不需要某个头衔，但需要那个能力。让缺少某个角色的人被迫补上那块思考，比填上一个人让他”各司其职”更能激发主动性。
• 把 AI 当个性化老师用：扔课程大纲进去让它定制学习路径，更重要的是——用自己的话复述回去让它挑错，这是最快建立新领域直觉的方法。
• “用数据诊断，用设计治疗”：数据告诉你有没有问题和问题在哪，不告诉你解决方案。别指望 A/B 测试帮你做出好产品，也别因为数据”不精确”就排斥它。
• 反馈的三步前置工作：合作初期就”签约”互相给反馈→每次给反馈前检查自己是想帮人还是想证明自己对→把紧张感直接说出来。这三步做完，再难的反馈都好给。
• 优势即劣势，它们是一体两面：先搞清楚你天然偏向哪边，然后在需要反向操作的情境里刻意练习——扩大操作范围，而不是消灭弱点。

我认为如果你真的不清楚成功是什么样子的，提示词，你可能无法获得最棒的工作。我认为这对管理团队来说是真实的，对管理 AI 来说也非常真实。
I think if you’re really unclear about what success looks like, the prompt, you’re probably not going to get the most amazing work. I think that’s true for managing teams and it’s very much true for managing AIs.
—— Julie Zhuo · [13:50]

但现在有了 AI 和我的同伴，就像是，等等，AI 使得让我自己做许多这些工作成为可能。现在，我不会在所谓的博士或最高 1%、10% 的水平上做这些。但如果我处于第 0 或第 10 百分位，它肯定可以让我即使在今天也很快达到就最先进水平而言的第 60、70 百分位。
But now with AI and my companion, it’s like, wait a second, AI makes, allows me to do many of those jobs myself. Now, I’m not going to do them at the what’s called the PhD or the highest 1%, 10% level. But if I was at the zero or 10th percentile, it can certainly get me even today very quickly up to like the 60th, 70th in terms of what the state of the art is.
—— Julie Zhuo · [15:08]

有一个短语，我和我的联合创始人会在我们之间非常早地讨论并且我们与我们合作的很多公司分享了它，那就是说你真正想要的是你想用数据诊断并用设计治疗。
There’s one phrase that my co-founder and I would always discuss with us amongst ourselves very early on and which we shared with like a lot of the companies that we work with, which is what you really want is you want to diagnose with data and treat with design.
—— Julie Zhuo · [32:46]

所以一个每周进步 1% 的团队与一个每月进步 1% 的团队相比，即使是从一个低得多的基线开始，也会在非常短的时间内胜过那个没有变好的团队。
So a team that just gets 1% better every week compared to a team that gets 1% better a month. is even if they start off at a much lower baseline is going to outperform in a very short amount of time, the team that doesn’t get better.
—— Julie Zhuo · [58:34]

我现在就可以告诉你，我管理的每一位经理当他们说我觉得这不是个好主意时，我能想到没有任何一种情况是那个项目最终变得极其成功的。
I can tell you right now, every single manager I’ve ever managed where they’re like, I don’t really think this is a good idea. There’s no case where I can think of the project somehow turned out to be like wildly successful.
—— Julie Zhuo · [72:01]

我相信每个方向都有无限。所以这让我对几乎任何人说的话都相当持相反意见。所以如果有人像在 Twitter 上说什么，我有时和自己玩这个游戏，就是在什么语境下那实际上不成立？
I believe that there’s infinity in every direction. So that makes me pretty contrary on pretty much everything that anyone says. So if someone says something like on Twitter, I sometimes play this game with myself, which is in what context would that actually not be true?
—— Julie Zhuo · [80:20]