很多人并不想当管理者，只是过去没有别的路

很多公司里，都有一条非常熟悉的职业路径。

一个工程师技术做得很好，开始带两三个人；团队带得不错，再负责更大的团队。慢慢地，他写代码越来越少，开会、招聘、绩效、资源协调越来越多。产品、设计、运营也差不多。

于是会出现一个很有意思的现象：一个人工作做得越好，越容易被推向一份和自己原来擅长的事情越来越不一样的工作。

我们早已习惯把这理解成职业发展的自然过程。能力强了，就应该带人；级别高了，就应该负责更大的团队；再往上，一个人的影响力也经常通过“管多少人”来衡量。

这套体系能够运行这么多年，有很现实的基础：人的执行能力有上限。

但 AI 正在改变这个前提。

再优秀的工程师，一天也只有 24 小时。

一个人可以解决更复杂的问题，可以写出更高质量的代码，也可以做出更好的技术判断。但当业务范围继续扩大，很快就会碰到个人产能的边界。

过去想继续放大一个人的影响力，最成熟的办法就是增加组织杠杆：从自己做，到带几个人做；再从带几个人，变成负责一个团队，让更多人执行自己的判断。

久而久之，更大的影响力和更多的管理人数逐渐绑在了一起。

职位、薪酬、资源和话语权，也自然沿着这条路径分配。

Lovable 增长负责人 Elena Verna，长期在增长领域工作。她曾讲过一个很典型的经历。大约 15 年前，她参加 Netflix 的面试，对方很早就问她以前管理过多少人。因为当时只带过 3 个人，而目标岗位需要负责 15 人的团队，这次面试很快就结束了。

这件事很能代表过去那套职业逻辑：想证明自己能够承担更大的事情，管理规模本身就是一个重要信号。

所以一个优秀的专业人才走到一定阶段，都会遇到类似的问题：下一步怎么办？

继续写代码、做产品、做设计当然可以，但在很多组织里，这条路越往上越窄。想获得更大的业务范围和更高的回报，管理通常是最清晰的一步。

其中当然有很多人真正喜欢管理。他们擅长识别人、培养人、建立机制，也享受通过团队创造更大的结果。

但也有不少人走上这条路，只是因为：想继续往上走，好像没有多少别的选择。

这两年关于 AI 的讨论，大量集中在效率上。

代码能不能从一天缩短到一个小时，分析能不能从几天缩短到半天，原型、文案、调研是不是都能做得更快。

这些变化当然重要。但当这些能力同时出现在一个人手上时，发生变化的还有另一件事：一个人能够独立往前走的距离变长了。

以前，一个增长负责人发现用户转化出了问题。接下来可能需要找数据同学分析，和产品讨论方案，找设计出稿，再进入研发排期，经历开发、测试和上线。

专业分工保证了每个环节都有合适的人负责，也意味着一个判断真正抵达用户之前，需要经过很多角色和协作关系。

现在这条链路开始缩短。

一个人可以让 AI 帮自己分析数据、生成交互草稿、写出可以运行的页面、修改代码、搭建实验，再自己查看结果。他依然有自己最专业的领域，其他方向只需要获得足以支撑事情继续往前走的能力。

Elena 对这种状态有一个很有意思的描述：Average Intelligence，平均水平的智能。

一个增长专家并不需要同时成为优秀的工程师、设计师和数据分析师。只要在最重要的一两个领域拥有足够深的经验和判断，AI 就可以补齐其他方向“够用”的能力，让一个人先把想法做出来，拿到真实反馈，再决定下一步。

她把这种工作方式概括成一个很短的循环：

Idea → Build → Learn。

有想法，做出来，获得反馈。

这里最重要的变化，并不是“一个人从此什么都会”。

而是一个专业能力很强的人，可以跨过更多过去必须依赖其他角色才能跨过的环节。

AI 拉大了个人的执行半径。

Elena 把这样一类角色称为 HI-IC，High-Impact Individual Contributor，高影响力个人贡献者。

它并不只是“更资深的 IC”。

她给出的描述是：Deep expertise + broad executional surface + business accountability。

一个人在某些领域拥有足够深的专业能力，同时拥有更宽的执行面，并且直接对业务结果负责。

具体到工作里，就是能够发现问题、做出判断，跨越不同职能完成执行，把东西真正交付出去，再根据结果继续迭代。

放在五到十年前，这往往需要一个团队共同完成。今天，一个人开始有机会覆盖其中越来越大的一部分。

所以 HI-IC 真正值得关注的地方，并不是一个人会多少技能，而是人才评价的标准可能开始变化。

过去我们更容易衡量专业深度：代码写得怎么样，产品方案怎么样，设计水平怎么样。再往上，又很容易开始看团队规模、管理范围和组织复杂度。

未来可能会越来越多地问另外一些问题：

这个人能够独立承担多大的问题？从判断到结果，能够穿透多少环节？需要多少协作才能完成？能不能快速把一个想法放到真实环境里验证？拿到反馈以后，又能不能继续往下迭代？

这些问题最后指向的是同一件事：影响力开始有机会和管理人数解绑。

当执行能力越来越容易获得，判断、业务理解、取舍，以及承担结果的能力会变得更加重要。

个人能力发生变化，很快就会碰到组织本身。

假设过去做一个实验，研发需要三天，跨团队讨论、排期和审批还需要两天。大家自然会优先考虑怎么把三天研发时间缩短。

现在 AI 把开发压到了三个小时，剩下两天的等待仍然存在。

过去没那么显眼的协调成本，一下就凸显出来了。

Elena 在演讲中有一句话很好地概括了这种变化：

“When the cost of building falls below the cost of coordinating, the org chart should change.”

当构建一件东西的成本低于协调它的成本，组织结构也应该跟着变化。

所以 AI 真正进入组织以后，最终碰到的一定不只是工具。它会继续碰到信息怎么流动、谁能做决定、职能边界怎么划、失败怎么处理，以及薪酬和职级按照什么分配。

首先是信息。

一个人要独立做判断，就得接触足够多的一手信息。如果业务背景掌握在管理者手里，数据在另一个团队，用户信息又散落在其他地方，那么执行能力再强，最后仍然需要不断找人、问人和等待。

Lovable 的组织层级很少，也在通过团队 Agent 等方式，让成员可以更直接地获得公司内部的信息。

接下来是决策权。

很多组织都希望员工有 Owner 意识，但真正到了执行阶段，一个实验需要多层审批，一个小改动也需要很多角色确认。结果责任已经给到了个人，决策权却没有跟过去，这种模式很难支撑真正的 ownership。

再往后是失败。

当公司希望一个人更快做决定、更快实验、更快抵达用户，失败一定会随之增加。Elena 在演讲里提到，自己在 Lovable 的失败实验曾带来数百万美元级的损失。但组织更关注这些实验有没有产生有价值的学习，而不是每一次失败后都重新增加审批环节。

这件事并不容易。

很多组织既希望更快、更自主、更有 Owner 意识，又希望每一个决定都正确。这几个目标很难同时成立。

职能边界也会受到影响。

“这是产品的事”“这是数据的事”“这是前端的事”，这些划分过去有助于组织专业协作。但当一次尝试的成本越来越低，花两天确认“这到底应该谁来做”，有时候可能比先做出第一版再看结果更贵。

专业分工当然还会长期存在。复杂系统依然需要深度专业能力，重要产品也依然需要工程、设计、产品等角色共同完成。

真正会变化的是，一部分工作的起点可能逐渐从：这个任务属于哪个岗位？

变成：这个问题谁来拥有，并把它往结果推进？

需要更深的专业能力时，再把真正的专家拉进来。

这其实也是今天讨论“全栈”时更值得关注的一层。掌握多少种技术只是表象，更深的问题是：一个人可以拥有多完整的结果。

如果组织真的沿着这个方向变化，最后还有一道很现实的坎：薪酬和职业地位。

一家公司可以鼓励 IC 承担更大的结果，但如果真正的高职级、高薪酬和影响力依然只属于 Manager，优秀的人最后还是会走向管理。

这是理性选择。

Elena 在演讲里甚至提出，如果 AI 真的让个人能够创造比过去更大的结果，那么一些 IC 理应获得高于部分管理者的薪酬。否则大家仍然会理性地选择管理，最后组织里会出现大量其实并不喜欢管理的人。

她还做过一个小调查：51 位正在做管理的人里，有 42 位表示愿意重新回到 IC。

这个样本不足以代表整个科技行业，却能说明一种很真实的职业感受：有相当一部分已经走上管理岗位的人，依然怀念直接创造东西、直接看到结果的工作状态。

Elena 自己也是其中一个。

她曾经管理团队，后来随着 Lovable 调整组织，重新回到了 IC 状态。这并不是一个毫无心理负担的选择。她在演讲里讲到，最初几周自己也一直在想：这到底算获得了一个更好的位置，还是失去了原来的地位？

真正让她慢慢改变看法的，是重新看到自己的判断直接抵达用户。

现在她会自己改定价页面、做原型、研究用户、分析数据，再和工程师一起解决真正需要更深专业能力的问题。她说，自己大约 90% 的时间都在直接做事情，或者思考下一件应该做的事情。

这种反馈感，在管理工作里已经越来越少。

最后，她给出了整场演讲最重要的一句话：

Management should be a career path, not a promotion.

管理应该是一条职业路径，而不是一次晋升。

有人喜欢通过团队创造结果，擅长识别人、培养人、设计组织和建立机制，这样的人应该去做管理。

也有人更喜欢直接解决问题，希望离产品、用户和结果更近。这样的人同样应该能够持续成长，承担越来越大的问题，获得越来越大的影响力和回报。

过去第二条路走到后面经常越来越窄，于是很多人最终被推到了第一条路上。

AI 带来的一个重要变化，是个人的执行半径正在被重新拉大。当一个人的判断可以通过 AI、工具、平台和按需协作不断放大时，影响力和管理人数第一次有机会真正解绑。

未来当然依然需要优秀的管理者，也依然需要团队协作和深度专业分工。

更值得期待的变化是：一个优秀的人，可能终于不需要通过“管更多人”来证明自己还在成长。

想通过团队放大影响力的人，可以选择管理；喜欢直接解决问题的人，也可以继续扩大自己的影响力。

到了那个时候，职业选择才会重新回到一个更本质的问题：

我更喜欢用什么方式创造价值？

而不用先问：

下一次晋升，我是不是该开始带人了。

[1] Elena Verna，《The high-impact IC era / The rise of HI-ICs》，Lenny & Friends Summit，2026。

[2] Elena Verna，《IC work is the new career flex》，2026 年 5 月 14 日。

[3] Lenny Rachitsky，《All of the Lenny & Friends Summit talks are now online!》，2026 年 9 月 29 日。