把AI当自动售货机用，难怪结果总让人失望

你绝不会这样带新人：递上一台笔记本，随手一指代码库，说"去优化吧"。你也不会指望一位顶尖数据科学家凭空写出爆款营销文案，更不会用同一套指令要求资深架构师和初级开发员产出同等质量的结果。

但面对大型语言模型，大多数组织恰恰就是这么做的。

那些花了数十年学会因材施教的领导者——懂得匹配任务与人才、提供恰当背景、根据个体优势调整管理风格——一旦"员工"从喝咖啡变成跑GPU，突然就把这些全忘了。他们把通用提示词塞进大模型，像往自动售货机里投币，然后抱怨出来的东西不尽人意。

一个扎心的事实是：让你善于管理知识型员工的技能，正是让你善于驾驭大模型的技能。如果一端做得差，另一端多半也好不到哪去。

1970年代，保罗·赫塞和肯·布兰查德提出了情境领导理论——核心观点在当时颇为激进：高效领导者会根据具体的人和任务调整风格。新人需要指令式指导；有能力但缺信心的人需要支持式鼓励；能力强且投入的人可以授权放手。

这套模型回头看似乎理所当然。但现实中，组织仍在把技术专家提拔为管理者，然后看着他们失败——用同一套方式对待所有下属，通常是以己度人。我们都透过自身需求、欲望、优势和过往经验的透镜看世界，最优秀的管理者会理解下属透过怎样的透镜感知世界。

对团队一视同仁，结果必然是平庸。对大模型一视同仁，同样如此。

不同大模型具备不同能力、不同训练数据、不同优势、不同短板。Claude擅长 nuanced reasoning（细微推理）和遵循复杂指令；GPT-4在某些商业场景表现突出；Grok在 trending cultural topics（ trending 文化话题）上信息领先；小模型以能力换速度；专用模型在垂直领域称王。把它们混为一谈，或者更糟，当成全知全能的神谕，其管理荒谬程度不亚于无视技能差异给全团队派 identical assignments（相同任务）。

情境领导者会问：这个具体的人需要我提供什么，才能在这项具体任务上成功？

高效AI使用者该问：这个具体模型需要我提供什么，才能在这项具体任务上成功？

这不是比喻，是实操层面的平行对应。