仍然重要,但它的价值取决于你让它服务于真实结果,还是只服务于让上级满意。前者是升职和推进工作的必要能力,后者容易变成 fake work。
AI根据立正公开的文章和视频整理,不是他本人回复。重要的判断,请回到出处核对。
向上管理有用,但别把它当成目的
材料里的观点立正把升职加薪归结为两件事至少死磕一件:手里有可量化的业务增量,以及对上的 visibility,也就是老板的老板知道你是谁、在做什么、对你有正面印象。他解释这不是虚荣而是生存,因为你的成果往往先被直属上级过滤一遍才传到更高层,上面看到的版本可能和你经历的完全不同1。他自己在腾讯隔离期间重做了部门汇报的逻辑,最终由他主导向总办汇报,因此得到一个好开局1。所以向上管理本身不是问题,问题在于它是否挂在一个真实结果上。
只让上级满意,容易滑向 fake work
立正提到自己在腾讯带团队时,主要工作是上传下达、互相翻译,老板和下属都喜欢他,他也过得舒服,但他越来越常问自己到底创造了什么价值2。他还说,知识工作的价值难衡量,组织只好看进度、报告、会议这些看得见的动作,人就开始生产动作2。这意味着:如果你的向上管理只是让打分的人满意,而下游没有因此作出不同的决定或行动,它就更接近代理信号,而非价值本身。判断标准可以很具体:这次汇报之后,老板或更高层是否改变了对某件事的判断、给了资源或做了决定。
把向上管理接到结果上,它才站得住
AI推演立正主张缩短一个人与结果之间的距离,定义问题的人要跟到结果出现,结果不好时责任要一路回到最初的判断3。放到向上管理上,可以试的做法是:下次向上汇报时,不只讲你做了什么,而是讲这件事改变了哪个决定或用户结果,以及你希望上级因此做什么。观察反馈:如果上级开始就判断和取舍跟你讨论,而不只是确认进度,说明你的向上管理在服务结果;如果只是被夸辛苦,就要警惕它变成了动作展示。
材料没有针对“AI 时代向上管理是否贬值”的直接讨论,以上是从 fake work 与升职两篇材料推出来的关系。
出处
- 1高阶升职加薪的三个底层逻辑
讲升职时业务增量与对上 visibility 的关系,是向上管理正面价值的直接依据。
- 2假学习的终结
用作者带团队时上传下达的经历,说明只让上级满意为何可能滑向 fake work。
- 3如何识别与消灭 fake work
给出缩短与结果距离、让责任跟到结果的具体做法,可用于检验向上管理是否接在真实结果上。
你也有想问的?
卡住的时候,问问立正:回答附有出处,可以点回原文核对。
也可以接着问:
别人还问了
- 如何同领导相处
和领导相处的核心是找到他关心的事与你关心的事之间的共同点,再通过持续沟通和可见度让他愿意把资源和机会给你。
- 我记得有一个教我如何学会健身、学会任何东西的一个视频,帮我找一下
你记得的大概不是一期专门讲健身的视频,而是讲“怎么才算学会”的内容:健身和学任何东西一样,靠撤掉帮助后还做得出、隔一段时间还记得来检验,而不是靠练得顺、感觉懂了。
- 为什么马斯克的直觉常常是对的?系统一有可能在复杂任务强于系统二吗?是马斯克比较特殊还是其他人也可以?但是思考快与慢着重讲了系统一在复杂下的偏差。
「倒数计时那一刻,我差点吓到尿裤子,」容克萨说,因为他突然在回传的影片中,看到第一节和第二节火箭之间的缝隙竟有水滴渗出,令人忧心。他不知道那是不是液态氮,如果是就没问题,但如果是来自超级冷却燃料槽里的液态氧,可就不妙了,「我吓得半死。如果是我的公司,我会停止发射。」
「你得决定是否取消。」当倒数计时进入最后一分钟时,容克萨对马斯克说。
马斯克停顿了几秒钟。如果两节火箭之间有液态氧渗出,会有多大风险?的确有风险,但只是小风险。他说:「算了,我们发射吧。」
多年后,容克萨重新观看当时马斯克做决定的影片片段。「我以为他迅速做了复杂的计算,然后决定该怎么做,但事实上他只是耸耸肩,然后下达命令。他直觉知道其中的物理原理。」
马斯克是对的
那我们平时需要导师言传身教以及自己大量上手做而不能看书看课学到的crafts是不是其实是专家直觉?
马斯克式的“直觉”更像长期实践积累出的专家判断,不是人人都有的天赋,也不等于系统一在复杂任务上普遍强于系统二;它只在有大量真实反馈、且问题属于他熟悉领域时可靠。
- 我在系统学习superlinear的课程和内容时,应该用什么样的AI native的方式去学习?比如我应该怎样做笔记?记在哪里?这些笔记怎样跟我的AI工作台进行交互?这些知识怎样沉淀为我的context呢?
笔记不该记课程内容,而该记你预测、卡壳和重做时暴露的判断;沉淀成 context 的方式是把这些记录存成模型之外的文档,让 AI 每次按需调用。
- 我想要报名AI architect的课程,要从哪里进入。
报名入口在课程发布页给出的购买链接里,但那是2025年11月的Early Access价格与优惠码,现在是否仍有效无法从资料确认,建议以课程页当前信息为准。
- AI时代的计算机科研意味着什么,它需要什么能力?以及它到底能带来什么?
AI时代计算机科研的门槛从“会写代码”转向“能提出可检验的问题、判断结果、把事收口”,它带来的不只是效率,还有更多可探索的空间。