核心洞察：在 BANI 时代（脆弱、焦虑、非线性和不可理解）的高度不确定性下，研发管理的“唯快不破”是一个危险的陷阱。基于实战推演，管理的惰性不能寄托于“快速试错”——战略方向一旦跑偏，交付越快意味着错得越多。
破局思路：科创企业需摒
弃单纯依赖“兵勇”盲目冲锋的模式，转向培养具备 EQ（情绪智力）与 LQ（学商）的“将才”。
落地工具：结合丹尼尔·卡尼曼的“快慢系统”理论，本文提出 【Lumi 研发管理能力演进模型】，通过“知识体系构建 -> 原始数据收集 -> 优先级预判 -> 数据处理 -> 迭代机制”的 5 步结构化框架，在模糊中锁定确定性，大幅提升管理决策的速度与准确率。
趋势不可逆，顺势而为可以事半功倍。2014 年，在传统外企普遍沿用瀑布式研发管理的背景下，我首次接触到 Agile（敏捷）转型的概念。两年后转战互联网赛
道，我更深刻地体感到了科创企业通过敏捷研发带来的效能跃升。
市场这双无形的手在引导科创企业思考是否需要敏捷转型，如何做到企业级研发管理敏捷。
面对高度的不确定性，科创团队若仅凭“兵勇”的一腔热血盲目试错，极易铩羽而归。真正的敏捷需要“将才”谋定而后动，企业应当构建容错的创新土壤，为将才的成长提供空间。创造机会给员工学习理论知识，鼓励创新，对失败有耐心。良禽择木而栖，宽松良好的氛围使得科创可以吸引大量的人才加入。
十几年前，笔者还在某跨国金融机构软件研发
中心工作多年，每间隔两到三年不幸而又幸运地分别遇到了百年一遇的金融危机，罕见的金融风暴，区域性政治事件等黑天鹅事件。努力研发中的创新产品随时有被叫停风险，叫停后接着是项目组成员解散，等待集团总部再次调整战略规划。近年来，笔者在工作中目睹科创企业的研发管理遇到不确定因素越来越频繁。特别是新冠疫情三年以来，黑天鹅事件出现的频率之高，让我们对意外不再感到“意外”。研发管理的“道”具备了，还需要不断优化研发管理的“术”去应对这个BANI时代。
研发管理过程中会出现各式各样的问题，过往的经验不足以应对未来的不确定性。
我们不能对未知的未来投降，基于 微光Lumi团队 的项目推演经验，将自己的懒惰寄期望于快速试错或者过往的研发经验，“唯快不破”并不是金科定律。如果方向是错的，交付得越快也就意味着错得越多。没有100%成功概率的产品，我们可以做的是尽可能在模糊中寻找确定因素并对其管理，以便提高我们成功的概率。研发管理者可以到一线实地排查问题，从数据分析中发现问题背后的深层次原因，输出可执行的解决方案，阶段性验证方案并根据实际情况对解决方案做调优。
情商（Emotional Quotient）在1990年首次提出，丹尼尔·戈尔曼在《情商：为什么情商比智商更重要》书中阐述了情绪智力的五个领域：1.了解自身情绪，2.管理情绪，3.自我激励，4.识别他人情绪，5.处理人际关系。在大规模研发管理过程中，免不了应对过百人甚至过千人规模的研发团队管理问题，情商的意义不在于厚黑学，而是我们如何做好情绪管理，以及如何对他人的情绪进行正向管理。
BANI时代使得终身学习趋势愈演愈烈。学商（Learnability Quotient）重要性更加凸显。保持好奇心培养框架思维，系统化学习克服碎片化知识产生的即时满足感。高度不确定和快速变化的新世界需要我们更敏捷更高效地迭代我们的知识体系，主动适应新环境和重构我们旧的知识和经验。
丹尼尔·卡尼曼在《快思慢想》一书中描述了人脑做决策有快系统和慢系统两大块。常用的快系统依赖情感和经验快速做出判断并行动。慢系统经过人脑的统计和分析，做出较为准确的决策。人是懒惰经常想走捷径的，我们会不自觉地采纳快系统的直觉判断。笔者在过往的工作生涯中尝试着把慢系统和快系统结合起来，目标是提高笔者管理决策准确性，缩短决策时间，减少耗费的精力。2020年有幸加入管院工商管理研究生学习，笔者接触到更多的知识体系，开始搭建自身的管理模型。
笔者参考了数据模型原理，输入的数据越多，校验的次数越多，最终解决方案的有效性和速度也会越高。我将该套“Lumi 研发管理能力演进模型”拆解为以下五个核心模块：
图1 自身管理能力提升模型总结
1.知识体系。从专业渠道获取专业知识，克服碎片化时间获取信息产生的即时满足感。运用学到的知识处理事项，用实际结果验证和调整知识体系。
2.原始的工作任务数据收集。可以简单地从人员/团队数据，研发需求范围数据，时间计划数据这三方面收集原始数据。比如一个重大的公司产品研发计划，涉及哪几个团队，各自团队研发管理风格如何，需要在什么时候完成整体产品研发上线，产品研发涉及软件和硬件哪几方面等。
3.优先级和紧急程度预判。创新型产品研发不确定性极高，风险极高，很容易让人焦虑不安。笔者遇到不少同行的朋友/同事为了各种工作任务寝食不安。为了提升情商，做好自我和他人的情绪管理。判断工作的优先级和紧急程度是必要的，任务分析初期会先进行优先级分析，根据优先级对整体管理模型步骤进行适当裁剪，避免杀鸡用牛刀耗费精力。轻重缓急有序，始终目标导向。
4.数据处理。首先将第一和第二部分接收到的知识和信息数据化，进行归类整理，匹配不同的权重值和特性。然后在经验数据库中搜索曾经的解决方案，或者根据相关性搜索类似的解决方案。最后经过风险分析，输出初步的解决方案。
5.迭代机制。初步选择决策方案阶段性地落地执行，在实践中验证解决方案的有效性，根据阶段性的执行结果优化模型，调整知识体系，持续更新模型数据库。再用新模型的进行新一轮的标签归类，统计分析。如此反复直到最终的实际结果符合任务目标。