《华人技术天花板：我不能接受可有可无的存在｜魏慧》 是课代表立正对魏慧（Wei Manfredi）的访谈节选。她从浙大文科毕业、来美国读 Asian Studies PhD，半年后转 CS，先后做过 Cummins 引擎仿真、Bay Area 跳槽淘金、Visa、Lululemon、Google Retail Cloud、麦当劳 VP of AI and Data，现在是 IHG（全球第三大酒店集团）SVP，负责 AI、数据架构和企业系统。她说自己从来没”规划”过走到管理层，但有一个判断贯穿了整段履历：不能接受可有可无的存在。
fearless 是 2000 年湾区给的礼物
她转 CS 是因为 Asian Studies 老师告诉她”真想做学问就去欧洲、想看世界就别学这个”，于是听同学建议——会计或 computer science，“工作稳定、不用说话”——选了后者。第一份工作是 Cummins 的 embedded engineering，给重型卡车引擎做 simulation，两小时能把整台引擎拆开再装回去。
互联网起来后跳到 ASP 咨询公司，2000 年前后到 Bay Area 几乎每半年换一次工作。“承诺了上百万股票的公司没一个成功”，但跳多了之后发现底线根本不是底线，fearless 才是这段经历最有价值的产物——重复试探过几次之后，对失业的恐惧就消失了。
看见 gap，并且承认 gap
快速成长的关键是好胜心要和 intellectual honesty（智识上的诚实）配合。她举了两类反例：一类是看奥巴马演讲觉得”我多看几遍也能”，gap 太大不 achievable；一类是身边稍强的同事，比如那位音乐出身、写一段就测一段的程序员——和正规科班”写完整段才 code review”的习惯相反，但显然更快。能不能学过来，取决于 ego 是否挡路。
go-to person 是这条职业路的脊梁
她的原则：“我可以不是你的领导，你也不用把我当做你最好的员工。但必须有一件事别人搞不定，必须是我能搞定的。” 每进一家公司先找这个点。
最早是数据库 query——投资公司的查询写得高效不高效，差距很大，join 怎么写、index 放哪边，看几本书练一练就能成为整个组里”跑得最慢就来找 Wei”的那个人。结果是半夜 long-running query 出问题、上层在 troubleshoot 的时候，电话直接打过来。“还是螺丝钉，但是是必须的螺丝钉。” 商业书里讲的”做唯一的、不要做最好的”是同一回事——不可或缺直接转换成议价权。
大厂的 impact 是被很多人用，不是 decision power
她最不喜欢大厂，“哪怕 Google 这样”。原因不是大厂不好，而是很多人误把”被很多人用”当成 impact。“你打了一个万吨巨轮的一个螺丝，但是你还是打了个螺丝。” 真正稀缺的是 decision power——做什么、为什么这么做的判断权。
管理层的价值她年轻时也看不见，觉得是”没本事、说空话、变得没用”，现在的判断完全反过来：管理是四两拨千斤，做什么比把它做出来更重要。让几千人精准地朝一个方向走，没有可见的 measurement，技术视角的人本来就难看见。
Lululemon 是运气节点，不是 plan
转折点是 Lululemon。她进去时正好是 Lululemon 砍掉创始人换 professional CEO、要做线上和海外扩张的窗口期——这家公司之前没 website、没 sales、不打广告、靠社区推销，IT 部门只做 infrastructure 和电脑维修，写程序都是外包。架构从零开始建，“每做一个东西利润翻一倍”。她在那里五年，title 一路加 scope，离开时股价从 40 涨到 400。
随后被 Google 拉去做 Retail Cloud 的几个 big bets，其中 Google Distributed Cloud 解决零售实体店断网时 POS 仍要跑的问题。麦当劳为了 GDC 把她挖过去——“在 Google 看不到你的用户，到了麦当劳一下就看到了”。
麦当劳的文化冲突让人窒息
数据化公司和传统企业的文化是相反的：前者”先试再说，错了赶紧换”；后者”必须测试到完美才能上”，一旦做错就背黑锅。中西部传统大公司还有强烈的等级感——CEO 有专机、身边有保卫，工程师没有 voice，最压抑的是不能 debate，“agree or shut up”。
她还在麦当劳建了印度 GCC，1000 人的团队靠 Accenture contractor 撑（一小时 250 到 350 美元），但 full-time 又卡在 range 里招不到好工程师。这段印度经历让她痛心，“出了那个园区到处都是垃圾、流浪狗被踢来踢去、生命在那种状态下根本不存在”，作为女性还被印度政府建议不要单独出门，活动半径被进一步压缩。
酒店业是 ready for disruption 的高利润老行业
她跳到 IHG 是因为酒店业本身的判断：生活必需品，但几十年没大变化——机场都能 self check-in，很多酒店要水还得打电话；去过十次的高档酒店还是不知道你是谁，没有 lifetime value 的概念。三大酒店集团的盈利模型空手套白狼——业主出钱建、用集团软件付费、再抽管理公司的成，profit margin 高、风险低，行业本身缺乏改造动力。
IHG 排第三，短期内堆不到 Marriott / Hilton 那个酒店数量级，能跳上去的方式是把存量做智能。她进去先布两件事：digital twin × 3——酒店、客户、流程三个孪生；agentic on top——孪生本身在福特这种工厂早就有，但只能看不能动，agentic 让 intelligent 真的进入回路。比如某家酒店前台排队过长，立即调人开柜台；客户 9 点 check-in 但飞机延误，主动发消息让房间提前准备好别赶。
她把 AI 在数字孪生上的工作拆成四步：detect anomaly → diagnosis（基于历史 pattern 和解决方式）→ recommendation → action。“做起来很 concrete、又 complex，成效马上能看到。“
招人先看 mindset，再看 skill set
AI agent / coder 这两三个月的进化让她调整了团队设计——原本要招大团队，现在改成 squad 模式：“一个 senior 加可能一个 junior，剩下交给一堆 agents 写 code。” 她不在意候选人是不是做过很多 AI，“只要你是好的 software engineer，AI tooling 现在很强，学起来快”。
但 mindset 这关筛掉很多人——尤其是把自我价值绑在”代码写得比 AI 好”上的人。unlearn 是最难的：很多软件工程的 best practice 之所以是 best practice，是因为过去写代码贵，所以要 scalable、要复用、要模块化；写代码便宜之后很多东西不必那么做，但根深蒂固的人会觉得”挑战这些就是挑战我的价值”。
她引了”鸭哥”对一个真实案例的复盘：把中文翻译英文，工程师本能是”中文 → API → 英文”加一堆兜底逻辑去修 hallucinate，结果变成人在给 AI 擦屁股、edge case 越来越多。AI native 的做法是改写状态——用文件而非工作流（文件 state 实时、工作可以存）、描述目标而非步骤（“从这个文件变成那个文件，做这些 check”），让 AI 自己想办法。从过程确定转向结果确定，是程序员尤其需要 unlearn 的本能。
她现在在 IHG 招三类人：platform and tooling（围绕 Google Stack / Gemini / Antigravity 做底座）、engineering and delivery（human-and-agent hybrid team，进来就必须用 agent）、AI Lab（两人小队 + 大学生 rotation 做 rapid prototyping，专门吸收”不需要 unlearn”的人带来的 shock）。
组织摩擦才是真正的瓶颈
“汽车刚出来时英国法律要求人走在车前面引路。” 用 ChatGPT 交互式工作和那个法律是一回事——你是瓶颈，提效 30% 已经了不起；放 AI 自己跑才能真正提效。但 AI 自己跑起来之后，组织又会变成那个走在车前面的人——传统公司一个 deployment 七八个 approval，每个 approval 都是会议，两个月就过去了。
第二个摩擦是 territorial mindset：“this is my org，不要动这是我的。” 这背后是房贷和生计的现实，但 AI 把传统组织边界搞混了，守边际线极度耗能。她预测 2026 年越来越多公司会”先裁掉一半人”再做 AI transformation——不是最佳路径，但人多事少根本用不好 AI，只有人少事多甚至人很少事很多，组织才会真正拥抱它。