在AI浪潮席卷各行各业的当下，我们正经历一场前所未有的“原地升级”：AI并非取代岗位，而是要求所有从业者，特别是身居管理和架构岗位的领导者，重新审视并升级其领导力范式。本文整理自腾讯专家工程师揭光发在QCon上海2025的演讲“AI领导力：像管理团队一样管理AI”。他深入介绍了如何以更高效的方式管理AI，如同管理一支高效的团队。

我们深知，对于架构师和高管而言，管理团队、协调资源、驱动项目是日常核心。然而，传统的人力管理往往伴随着反馈延迟、过程不可控等挑战。奇妙的是，“管理AI”恰能解决这一悖论。

AI的即时反馈和高可控性，不仅能带来巨大的管理杠杆效应，更提供了一种前所未有的高效管理模式，让领导者能够以更精准、更可控的方式，驱动“数字员工”完成目标，重拾作为“指挥官”的掌控感和成就感。

为实现这一目标，我们将探讨“AI领导力”的四大核心支柱。这包括像管理团队一样知人善任地组建AI队伍，高层级地设定目标，以及战略性地管理过程和专家级地验收成果。

AI不会削弱技术领导者的价值，反而会将其无限放大。未来的优秀技术领导者，将是那些能够高效管理和编排人机混合团队，共同交付卓越成果的“超级指挥官”。

预告：将于4月16-18召开的QCon北京站设计了「AI时代的“超级团队”」专题，本专题不谈模型技术本身，只谈人与组织的进化。我们将揭秘小团队创造大价值的逻辑，探讨如何弥补人与AI的能力鸿沟，重构产品与技术的协作关系，并建立一套适应AI时代的全新管理与度量体系，打造高适应性、高产出的“超级团队”。如果你也有相关方向案例想要分享，欢迎提交至：https://jinshuju.com/f/Cu32l5

以下是演讲实录（经InfoQ进行不改变原意的编辑整理）。

今年年初3月，Manus发布时，我便广泛提及一个观点：如今我们使用AI，已不再将其仅仅视为工具，而是实实在在地将其当作能帮我们干活的人来使用。尽管AI本身没有情绪，但管理人时所涉及的诸多要点，在管理AI时也一个都不能少，这是我今天想要表达的核心内容。

1Vibe Coding——""心流""在编码中重现

首先，我们来谈谈Vibe Coding。对于从事技术工作，尤其是担任技术领导的人员来说，这是与AI直接相关且能显著提升工作效率的领域。使用AI来编写代码，如今已司空见惯，且在近一两年成为主流趋势。我稍后会举例说明，但可以说，我所编写的代码中，AI的参与度几乎达到了100%。

Vibe Coding的概念其实无需过多解释。它主要是通过自然语言描述需求，然后让AI Agent来实现代码编写、测试并运行。在这个过程中，你无需过多关注代码的具体实现细节，只需不断提供反馈，指出“这里还不行”，并告知下一步该怎么做。最终，通过与AI的协作，完成整个软件的交付，这就是Vibe Coding。这实际上是AI与工程师，乃至技术领导日常工作中频繁涉及的一项活动。

介绍一下自己在Vibe Coding方面的经历。2022年ChatGPT发布后，我们发现除了与它对话聊天、观看它写代码外，还能有更多应用。2023年早期，我们开始在ChatGPT网页上与其交流，让它编写一些代码片段。当时大家开始觉得，AI在这一波的发展中确实表现不错。然而，真正大规模将AI应用于生产环节，是在2023年底GitHub Copilot插件推出之后。那时，我所编写的代码中，AI的含量已经达到了85%。说白了，2023年3月我重新开始写代码，是因为我可以借助AI实现想法，而无需亲自编写代码。这使得许多小型项目，尤其是工具类技术产品，开始通过AI逐渐诞生。到了去年9月，Cursor出现后，我更加放开手脚，真正以Agent的方式编写代码，直至今日。如今，Claude Code等各种智能代码代理层出不穷，多到两只手都数不过来。对我个人而言，目前几乎100%的代码都是由AI编写的，除非我发现某行代码可以删除以节省Token，否则我不会亲自编写。

在我的带动下，我的团队也积极投身于AI Coding。目前，团队中大约50%的代码由AI编写。之所以没有达到100%，原因有两方面。一方面，对于一些前端项目，AI还原度并不高。因为视觉模型与文本模型之间存在天然的差距，目前尚未得到很好的解决，视觉还原能力这一块还存在不足，所以这部分工作仍需人工参与。另一方面，有些团队成员不想让AI完全包办所有工作，他们希望保留一定的掌控感。他们会编写大致的框架，然后让AI填充细节。这样一来，如果出现问题或故障，他们可以迅速自行修复，而无需再次求助于AI。这种主动降低AI含量的做法，导致团队中并非所有人都能达到100%的AI含量。

在我们团队所在的公司，有一个名为loki的低代码项目。2023年，我带领团队搭建了一个跨语言的逻辑编排平台，其中涵盖了前端和后端三种语言的运行时环境，分别是Golang、Python和Node.js。这个项目是我2023年开始重新编写代码时着手的，当时有一两名同事在闲暇时间参与其中。此外，我们还在内部使用了一个AI Agent低代码搭建平台，这可能和Coze或Dify同期或更早，大约在2023年中后期到2024年早期，我就开始着手这个项目。当时我发现AI Agent即将兴起，并且会有广泛的应用，于是开始带领刚加入团队的实习生同学一起推进。在这个项目中，大部分后端代码是在我的指导下由AI编写的，其中95%以上的代码都由AI生成。但我必须强调，尽管AI完成了大部分代码编写工作，但这并不意味着我没有投入精力，稍后我会详细说明这一点。

最近的一个案例是大型前端组件的重构迁移项目，我们将一个大型项目从Angular迁移到React。大家都知道，Angular在国内并不算特别流行，而且技术栈相对有些过时了。迁移过程中，我们需要深入理解原有代码的逻辑，并进行大量测试以确保迁移的准确性。我们通过AI的方式来进行迁移，具体逻辑是：先在旧的组件代码中编写单元测试，完成单元测试后，将旧代码转换为新的组件代码，并同步迁移单元测试。但这还不够，我们还利用线上大量的数据（几十万条）作为回测数据进行测试。整个过程中，从代码翻译、测试编写到测试运行，包括测试数据验证脚本的编写，几乎都由AI完成。原本可能需要一两个人花费半年以上时间完成的工作，我们通过AI协作压缩到了一到两个月。当然，在这个过程中，我们也会进行人工抽查，以确保迁移的准确性。

我想引入一个名为“心流”的概念。有一天，我和朋友聊天时提到，我很久没有体验到一种感觉了，但最近这种感觉又回来了——那就是我找到了心流。我想每位程序员都曾有过这样的体验：戴着耳机，全神贯注地敲代码，不知不觉一个上午就过去了。在那个过程中，你沉浸于代码世界，无人打扰，从编写代码到测试、运行，再到不断调试，整个过程掌控感极强，时间也在不知不觉中流逝，这就是心流状态。其实，所有创作者都会经历这种状态。但为什么我很久没有体验到这种感觉，却又突然找回了呢？成为团队领导后，你会发现管理团队和编写代码是两件完全不同的事情。当你安排团队成员去做一件事时，你需要等待他们的反馈，这个过程往往漫长，中间还会有许多会议和沟通协调，整个流程并不顺畅。因此，成为领导后，我在很长一段时间内都失去了这种心流的感觉。然而，通过Vibe Coding，这种感觉又回来了。原本可能需要十多天才能完成的项目，现在通过AI协作，我下达指令后，可能一两分钟就能得到初步结果，然后我继续给予反馈。这种反馈链条的闭环时间非常短，所以我又重新找回了那种在管理层面上的心流感觉。

在谈到Vibe Coding时，我们也不得不提及Software 3.0，因为当我们说要与AI共事时，这里的AI几乎指的都是Agent。而Agent的本质是一种软件形式。无论是Software 3.0还是Vibe Coding，都与Karpathy提出的概念有关，所以在这里一并提及。那么，1.0、2.0、3.0这三种范式是如何演进的呢？

1.0时代，我们手动编写代码，经过编译后运行。代码中的逻辑是明确写好的。例如，要实现对一些词语的情感判定，我们会用if-else语句来编写逻辑：如果文本中包含“amazing”，就判定为褒义。

2.0时代，出现了一种通过神经网络或机器学习训练出的小模型，比如一个纯视觉识别模型。这种模型不是通过编写代码实现的，而是通过数据训练得到的。对于情感判定，我们会用训练好的神经网络模型来预测词语的情感倾向。

到了3.0时代，我们所看到的是基于大语言模型的衍生程序，也就是agent。以情感判定为例，我们直接给Agent一段话，用自然语言与它交互，请求它判断文本中单词的倾向。Agent会直接给出大语言模型的判定结果。Software 3.0的本质是智能体系统，以自然语言为接口，让AI能够理解人类意图并自主执行任务。

2Vibe Working—""心流”延伸至所有工作

刚才我提到的主要是关于编程的内容，其实我们已经对它非常熟练了。现在我想进一步谈谈Vibe Working，也就是“一切皆可Vibe”的概念。如今，大家都在讨论AI如何渗透到各个领域，我也想分享一些我在其他方面与AI协同工作的例子。

比如制作幻灯片Vibe Sliding。从今年开始，我再也不为准备PPT而焦虑了。过去，我总是拖延到最后一两天才开始制作幻灯片，因为虽然演讲的内容我早已了然于心，但排版、绘制图形、寻找图片并进行排版这些繁琐的工作让我感到头疼。我这份PPT完全是通过AI生成的，从风格上应该能看出来，理论上人工制作的PPT不会使用这么多颜色，但它的可读性依然不错，能够清晰地传达信息。整个PPT的制作过程就像编程一样，通过AI完成，包括插入的logo等元素也都是通过AI添加的。而且由于PPT本质上是一个网页，AI在编写网页方面也早已驾轻就熟。现在，我再也无法回到手工制作PPT的时代了，基本上都是通过AI来完成这项工作。

还有Vibe Writing，也就是写作助手。现在大家看到的许多文档或公众号内容，基本上都是通过AI流水线式生成的。尤其是今年，AI可以通过多Agent的方式拆分不同章节，让不同的子Agent分别撰写不同章节，这让撰写大型文档变得轻而易举，甚至撰写论文、专利等也不在话下。我自己也用这种方式撰写产品文档、说明书，甚至API接口文档也都是通过AI完成的。

阅读论文曾经是一件痛苦的事，过去要读完一篇长篇PDF并理解其中的所有内容，需要花费大量精力。现在，我们通常让AI代读。对于长篇公众号文章或新发布的论文，我们首先会转发给AI工具，比如腾讯元宝公众号的机器人号，它会为你总结内容，这也是一个很好的AI使用案例。

还有一个有趣的应用场景，那就是学习新概念。比如我们学习大型语言模型的工作原理时，如果有动画可视化展示其关键动作，我们会更直观地理解。AI在这方面可以大显身手，比如它可以为我生成动画，展示光速的测量方法，或者迈克尔逊干涉仪中不同颜色光条纹的影响。在学习层面，这让我能够与AI进行非常强的互动，生动地演示我想要了解的知识点。对我来说，我已经不需要再去翻阅厚重的书籍，而是直接向AI提问，它会为我提供答案。

再比如个人秘书，我也进行了多次迭代。最早的版本是基于Gemini CLI，它几乎是免费的，可以记录我的日常工作、安排日程等，所有这些都可以通过命令行与它对话完成。这与我们常用的结构化Todo List完全不同，Todo List需要你自己去查看和记录，而这种秘书更像是真正的秘书，它会为你搭建一套数据存储系统，但你需要提示它进行结构化存储。现在，我已经升级到了第二版，加入了Claude Code和其他模型，功能更加强大。我还把它与我的企业微信打通，比如今天我要做演讲，它会提前几天提醒我准备，甚至处理各种出差事宜。它就像一个真正的秘书，只是它并非人类。AI在我的工作和生活中，除了编程之外，还能在许多方面作为我能力的延伸，帮我完成许多不同的任务。

Vibe Working的核心在于人与AI的协同合作。我们需要清晰地描述自己的需求，然后将任务交给AI去执行。在这个过程中，AI会根据我们的指令完成相应的工作，并将结果反馈给我们。

3AI领导力——新范式下的核心四要素

回顾过往，当我们并非领导者，而是专注于具体事务时，我们总是亲力亲为。例如编写代码，我们一行行地写，然后编译、运行、发布。那时，我们直接参与具体的工作。然而，当我们将这些任务交给AI去完成时，情况就发生了变化。我们不再直接动手，而是开始指导AI去完成这些任务。

指导AI的过程是怎样的呢？首先，我们需要为它设定明确的目标。但仅设定目标是不够的，我们还需要管理整个过程，指导AI如何行动，当它出现错误时，我们要纠正它。最终，当AI交付成果时，我们需要进行验收。如果验收结果不理想，那么就需要返工，重复之前的过程。这个过程，难道不像是与下属或队友沟通协作的过程吗？正是在这个过程中，我意识到，当我们开始使用AI时，我们其实已经从执行者变成了领导者。

你所领导的可能不是人，而是AI。但本质上，这并没有太大区别。未来，大家会逐渐发现这一点。AI在某些方面甚至比人类更好管理，因为它更加稳定，不会给你穿小鞋或闹情绪。但在一定程度上，管理AI的要求甚至比管理人更高。管理人时，你可以发脾气，施加压力，从而激励他们更好地完成任务。但对AI来说，如果你的指令不清晰，它就无法执行任务，而且它也不会反抗。因此，在一定程度上，管理AI可能比管理人更具挑战性。这实际上是沟通和认知传递能力的极致考验，也是个人素质的体现。

我们来定义一下AI领导力。刚刚我已经提到，我们需要设定目标、管理过程、验收结果。这其实也涉及到了“知人善任”的概念。不过，或许我们需要将其改为“知AI善任”。这四个关键要素可以概括为：设定目标、过程管理、结果验收以及知人（AI）善任。

首先就是知人善任，了解你的“队友”，选择合适的AI模型、工具和代理。如果现有的工具不适合，你可能需要打造或打磨出适合自己的工具。这其实是在开始之前，组建团队时需要考虑的事情。在人员管理中，我们讲求选、育、用、留，而在AI领域，选也是至关重要的第一步。

按照应用场景来划分，我们常用的场景主要有以下几种：通用的大语言模型、代码助手以及AIGC领域，包括图片、音频、视频生成等。我们需要在这些领域中寻找行业内的顶尖模型，当然，这需要结合自身实际情况，因为有些模型可能成本较高。我在这里仅列举了前两种场景的选型或比较案例，供大家参考。

在AI编程工具的选型方面，目前Claude Code是我的首选。除了编程之外，我之前提到的个人秘书以及PPT制作等Agent工具，也都是基于Claude Code构建的。它的优点在于非常简洁，其Agent也很简单。它的特点是将对话中的所有内容都作为上下文传回，这种“大力出奇迹”的方式使得它在处理上下文时表现得比其他工具更出色。例如Cursor等其他IDE需要进行上下文压缩，而Claude Code则不需要。我们了解背后的逻辑，但也不会直接使用它的API付费方式，而是选择它的套餐，比如Pro版本。不过，使用Pro版本很容易触发Token的上限。即使你选择了20美元的套餐，现在又增加了周上限，很容易就触发了。

Cursor在国内进行了限制，但当然有一些技巧可以绕过。即使在自动模式下，它也可能为你提供更好的模型，因为它需要保证效果。所以在这方面，我并不太担心。不过，它的收费方式变成了不封顶，即20美元用完后会继续计费。但我一直保留着20美元500次的计费方式，坚持不切换。到现在我发现，它的调用限制已经从20次增加到200次了。所以对我来说，这也是一个非常充足且性价比高的方案。目前，我优先使用Claude Code，而Cursor则作为备份。

腾讯的CodeBuddy IDE，它的特色在于贯穿了从设计到开发再到发布的完整链路。尤其是与Figma的深度整合，使得在界面还原方面表现出色。我们团队也尝试使用过这一功能，与直接使用Cursor搭配Figma的MCP相比，差异十分明显，这一点值得大家关注。

接着是V0.dev，这是Vercel团队的另一款产品，专注于Web开发。在V0上进行开发的速度非常快，这也是它名字的由来——“V0”意味着“version 0”，即快速搭建原型和Demo。虽然它的定位是用于快速原型开发，但实际上，用它来开发正式产品发布也并无太大问题，毕竟它背后有Vercel强大的底层支持。

再来说说Gemini，这款模型如今可以说是厚积薄发。无论是图片生成还是代码编写的能力，都呈现出越来越好的态势。特别是它的CLI，个人注册后几乎等同于免费使用。每分钟限制60次调用，但一天有两三千次的调用额度，对于日常使用来说，几乎感受不到API调用的限制。

不得不提的是GLM 4.6，在我的Claude Code 20美元额度受限之后，我基本都用它来作为替代。从产出效果来看，它能达到Claude Code大约80%的效果，这是我的个人体验。目前我也大量使用这个4.6版本，不过有一点遗憾，国内模型的视觉能力相对较弱，4.6本身并不擅长视觉处理，而是通过MCP的方式支持视觉功能，这种方式比较绕。我还是希望国内能尽快推出像Sonnet那样的多模态模型。不过，GLM 4.6的套餐性价比很高，但如果不定制套餐，Token消耗会比较高。

Kimi K2是我最近用的一个加速版，它的解题速度快，无论是在质量还是成本上都优于GPT 5。而且Vercel CEO大赞Kimi K2，他在x公开表示，在一项内部智能体真实场景基准测试中，来自中国的Kimi K2模型表现优于GPT-5和Claude Sonnet 4.5。

最后是DeepSeek 3.2，它的Token消耗非常低，价格也特别便宜。与Kimi或者GLM相比，我自己的感受是，使用DeepSeek的费用不到其他两者的1/4，甚至更低。DeepSeek 3.2引入了稀疏注意力机制，本身就将Token价格降低了75%，而且它对Agent的支持也非常好。有一段时间我因为Sonnet额度不够，切换到DeepSeek，用了很长时间才花一两块钱，这让我非常惊讶。我觉得很多公司在评估后，如果真的要用API，最终可能会选择DeepSeek。它在Coding层面与GLM相比可能稍逊一筹，但问题不大，当然与Sonnet相比还是有差距。

我用的这些工具，其实都是在Claude Code上驱动的。Claude Code可以使用不同的模型，我所说的使用GLM 4.6、DeepSeek、Kimi 2，都是在Claude Code上切换模型来驱动。所以，它们的程序Agent逻辑还是遵循Claude Code的逻辑，只是模型变了，但输出质量都不错，这也得益于Claude Code本身的Agent工程素养和上下文管理方式。我推荐了多个国内的模型，但这些模型都需要搭配在Claude Code中使用，效果会很好，这与工程化密切相关。我也建议大家可以尝试一下这些工具，这就是我在编程层面工具选择的体会。

在与AI协同工作的过程中，目标设定是至关重要的第一步。很多人会问，如何设定目标？其实，核心方式就是通过精确的表达来传达需求。过去，在使用通用聊天机器人如ChatGPT时，我们常常需要通过复杂的提示词框架来引导机器人完成特定任务，比如编写代码。那时的提示词可能包含身份定位、角色设定以及各种指令，甚至有些奇奇怪怪的框架。然而，如今进入Agent时代，情况发生了变化。这是一个场景化协作的时代，需求表达变得更加直接和关键。我们不再依赖复杂的提示词技巧，而是要清晰地表达自己的需求。

需求表达能力成为与AI协同工作的核心能力。为了让AI理解并执行任务，我们需要非常精确地描述需求。这其实比管理人还要复杂，因为AI没有情绪，但它需要清晰的指令。现在，为了让AI完成任务，我需要详细地写出任务细节、想法和思路。如果AI不理解，我还需要继续补充。有时，我输入的内容可能多达几百字，这是前所未有的。所以，管理AI并不比管理人轻松，你需要全方位地表达清楚，对业务场景有深刻的理解，知道领域的专业知识，并且对期望的成果有准确的预期。你不能不确定结果就随意给出需求，否则AI给出的结果多半不符合你的期望。此外，你还需要设定约束条件，甚至需要对任务进行拆分，明确是让AI一竿子插到底完成任务，还是分步骤执行。这些都需要在需求表达中体现出来。

关于是否使用提示词，我在设计AI Agent时会用到提示词来设定其功能，但在使用AI Agent时，关键在于清晰地表达需求。当你输入的需求比较模糊，比如只有一句话时，AI给出的结果往往是笼统的。在这种情况下，你可能觉得AI给出的50分或60分的结果已经很不错了。但如果你想让AI给出80分、90分甚至满分的结果，你就需要从不同角度、细分地描述你的需求，明确你希望的产出是什么。这不是提示词技巧，而是深度挖掘你对目标的定义，具象化你的想法。

接下来是过程管理。当我们让AI执行任务时，可以选择让它一竿子插到底，从下午2点开始工作，到5点回来验收成果。这是一种方式。但另一种方式是将任务拆分成多个子目标，这涉及到所谓的粒度管理。当我们需要将任务拆分时，还需要考虑是通过串行还是并行的方式来实现。并行处理是常见的选择，比如同时打开多个窗口让AI完成不同任务。然而，在并行处理时，我们可能会遇到工作目录污染的问题，尤其是在编写代码时，如何避免多个feature之间的相互干扰是一个挑战。当所有AI任务完成后，我们如何验收结果？人类是否能够在短时间内切换多个上下文？这反过来挑战了人类的上下文管理能力。这些就是过程管理中的一些核心挑战。

在编程领域，我们并非总是采用“一竿子捅到底”的方式。事实上，软件工程的思想一直存在，而这些思想同样适用于AI编程。Kiro提出了一个概念，即Spec-Driven的AI编程。这实际上是在AI编程领域的一种标准化或流程化方式。其过程通过几份标准文档来驱动整个任务的推进。首先，通过需求文档与用户梳理需求，然后根据需求文档编写设计文档，设计文档再驱动任务的拆分，最终由AI Agent根据这些任务逐步实现具体需求，从而完成整个项目。这并不是一气呵成的方式，而是一个有规划、有步骤推进任务的过程。

与此同时，社区还存在其他框架，例如BMAD-METHOD。这种框架涉及多种角色，包括产品经理、设计师以及Scrum Master，他们共同规划项目目标。Scrum Master负责用户故事的切片，随后进入敏捷循环开发、验证和交付等环节，多个Agent协同完成整个项目。

在工作区隔离方面，常见的做法是让Agent在本地工作，例如使用Claude Code处理本地事务。通常有两种隔离方式：容器隔离和Git Worktree方式。我更推荐后者，因为它更轻量级，且是Git自带的功能，可以直接在你的工作目录下使用。

最后是验收环节，验收方式主要有两种：自动化验收和人工验收。我们尽可能实现自动化验收，但自动化验收需要逻辑清晰，例如编写和运行单元测试、编译或格式检查等，这些通常适用于明确的编程和数学场景。然而，人工验收有时是不可避免的。人工验收涉及多个方面，包括你在该行业的专业知识水平、审美能力以及对用户体验的感知能力等。这些都有一定的要求。因此，在验收层面，我们应尽可能实现自动化，同时通过人工验收来兜底。

我曾遇到一个例子，当时我在编写一个MCP多节点传输功能。那时的AI还不理解MCP是什么，生成的代码无法运行。如果我不了解背后的原理，就无法完成这个任务。因为如果AI生成的代码无法运行，而我对这个领域一无所知，就会陷入死循环，项目也就无法继续。这在一定程度上反映了，如果没有专业知识，我们无法让AI输出我们想要的结果。后来，我通过阅读文档、理解原理，再反过来告诉AI应该如何设计和实现，最终才成功生成了可以运行的代码。

这让我得出一个结论：虽然大家都在使用Claude等AI工具，但不同人使用的结果却千差万别。这背后的原因在于我们对行业的认知、专业知识以及个人经验的差异。例如，我之前举办的一些Vibe Code沙龙活动中，让大家开发一个待办管理应用。那些没有任何技术背景的人，生成的应用可能只能达到50～60分，勉强可用。而有产品经理经验的人，能够清晰表达产品需求，生成的应用效果则大不相同；技术人员则会指定技术栈，提出具体的技术要求，他们的应用可能会更深入、更完善。

我很喜欢米开朗基罗的一个比喻：每块大理石里都藏着一件作品，雕刻师只是将它找出来。在实践中，我感觉AI就像人类知识的压缩器或浓缩器，它本身蕴含着丰富的知识。关键在于我们这些使用者，如何通过语言这个“刻刀”去雕琢它，让它将已知的知识或能力精确地输出给我们。

4行业影响————软件世界的""板块漂移""

无论是Vibe Coding还是Vibe Working，AI对我们行业的冲击是显著且深远的。AI的出现让整个市场进入了一个增量的过程。这种增量并非凭空产生，而是源于原本就存在的需求。过去，许多需求因为技术门槛过高而被压抑。例如，一些个人想要开发个性化的小工具，但由于不会编程，也没有足够的资金聘请开发者，这些需求一直未能得到满足。然而，AI的出现打破了这一局面，它降低了技术门槛，使得这些被压抑的需求得以释放。

这种需求的释放也带来了矛盾。尽管市场需求在增加，但与之相对应的工作岗位却可能在收缩。这是因为AI能够高效地完成许多任务，原本需要人力完成的工作现在被AI所取代。这种现象导致了人才结构的变化。未来，我们会看到大量非专业人士，甚至可以说是“小白”，借助通用的AI能力满足中小规模的需求，这将成为市场的主流。而在顶端，会有少数专业人士结合AI的力量，处理更复杂、更高端的任务。无论在哪一层，AI都将发挥重要作用。

这种变化意味着中间部分的人才将面临分流。一部分人可能会努力提升自己，进入顶端的专业领域；而大部分人可能会下沉，与普通“小白”处于同一水平。这实际上是对行业格局的一次重新洗牌。在数字化行业尤其如此，未来人和组织都将朝着AI Native的方向发展，即人们会习惯于在工作中依赖AI，这样才能适应未来的趋势。如果仍然单靠个人力量，不借助AI，很快就会被时代抛弃。组织也是如此，传统的组织架构将逐渐转变为扁平化且AI Native的模式。未来，这将是一个超级个体崛起的时代。"