OpenAI 两位作者谈公司的未来:AI 会怎样改变分工与权力
原文链接: https://openai.com/index/the-future-of-the-firm/ 来源: openai.com 发现于: 小互 · AI 解读站 · 2026/10/30 说明: 本文由 AIHot 自动聚合(原文即中文,未翻译)。正文取自小互 AI 解读
全文 Markdown · 会员
作者:Hemanth Asirvatham / Elliott Mokski10-30 · 15 分钟🎧 听播客版0:00 / --:--
视频/音频
0:00 / --:--
OpenAI 网站刊登了两位在公司工作的作者 Hemanth Asirvatham 与 Elliott Mokski 撰写的《企业的未来》(The future of the firm),讨论 AI 将怎样进入组织架构——是在员工之下、在员工身旁,还是夹在上下级之间。
在传统职场晋升路径中,年轻人入职的前几年通常在底层做会议纪要、核对报表等基础事务,熬过琐碎磨砺才能获得带团队的更大授权。但随着 AI 逐步进入工作流,管理职责可能不再是自下而上熬出来的,而是直接降落到了基层员工的工位上。文章表达的是作者的个人观点。
两位作者说,他们 24 岁时就开始管理自己的“团队”:日常使用的 AI 助手。作者讨论的重心不是全盘自动化的远期设想,而是过渡期的组织重组:当 AI 逐步承担更多连续工作时,它会从哪个方向切入现有的组织架构?不同位置的介入,又会怎样重塑权力、分工与岗位命运?

原文的三种组织图:空心圆代表人,紫色实心圆代表 AI,位置分别在人之下、身边和上下级之间。
AI 进入组织的三种形态
AI 进入公司后,变的不只是某项任务做得多快,还有谁给谁分派工作、谁掌握信息、谁来拍板。人与 AI 怎样分工,会进一步改变监督成本和员工的自主空间。
作者提出了三种可能并存的切入形态:AI 置于员工之下(人人都成管理者)、AI 作为同事置于身旁(平级承担职能)、以及 AI 夹在上下级之间(充当协调与监督层)。
三种位置,三种汇报关系
在你下面
主管↓你 · 分派与检查↓你的 AI 团队
原有汇报线保留,你负责的产出范围扩大。
在你身边
共同的主管↙ ↘人类团队AI 团队
主管把一整块业务直接交给 AI,人类与 AI 团队并列。
在上下级之间 · 顾问入口
高层 · 做决定↑ 提供信息与建议AI 顾问 · 找问题↑ 读取工作记录员工 · 推进工作
图示较近的顾问路径。更远的设想中,人类承包者可能直接向 AI 汇报。
作者的三种概念情境可以并存;位置与连线示意分工,不代表真实企业的人数或部署。
三种形态可以同时存在。差别在于 AI 接受谁的任务,以及人还需要承担多少组织和协调工作。
第一种形态:AI 置于员工之下,基层也成为管理者
第一种形态看起来对现有格局冲击最小:原有的人类组织架构图在表面上维持不变,汇报关系看起来与过去一致。
真正的变化发生在每个人的工位之下:在每个员工下方,新增了一批由 AI 组成的数字劳动力,每个人都变成了一定意义上的管理者。起初,这些 Agent 更像需要监督与纠错的实习生,处理起草邮件、撰写备忘录等零散任务;随着模型能力提升,Agent 能承担更多工作,所需监督减少,彼此之间也能相互协调。
作者更远的设想是,个人名下的 AI 还会分化出管理者与执行者、会计与律师,形成一家拥有自身组织架构的微型公司。员工负责的范围随之扩大,角色也更像这家公司的董事会。
在作者构想的一个说明性设想中:财务人员 Jace 依然负责公司的会计工作,但他不再需要手动点击电子表格。表格工作交给了下属的 Agent。Jace 的日常工作彻底改变,转向沟通、协调与创造性工作,工作更有挑战性,也能展现此前无法展现的领导力与愿景。他的角色更像几年前他的主管,而他的主管则拥有了更大的管理范围。会计团队并没有缩减,因为全公司效率提升后对财务的需求比以往更多,Agent 尚不能包揽全部工作,高管也不懂如何整理财务数据,仍需要 Jace 的专业领域知识来有效利用 Agent。

“晋升”模式的示意:员工岗位保留,具体执行下移到 AI,人更多负责协调与判断。
效率提升与人员规模:关于就业的思想实验
作者用“自动化过去的自己”概括这种变化:旧任务交给 AI,人转而负责更大的产出,岗位的内容也随之改变。如果 AI 能完成你过去 90% 的工作,很容易直觉地认为,你手里就只剩下 10% 的活。
但在作者的思想实验中,你也可能仍做着一份完整的工作,只是内容已经不同:转而专注于一个比过去大出 10 倍的目标。在这种情况下,生产率提升可以支持更大的目标,薪酬也可能随之增长。
产出扩大能否维持就业?取决于两个核心条件:
- 人类能否继续为生产提供增量贡献: 在全面自动化尚未实现或尚未完全普及的阶段,生产流程中是否依然需要人类参与,或者人们是否依然更看重人类制作的产品、坚持由人类做最终决定。
- 市场对产出的需求胃口是否继续扩大: 如果人类对更多产出保持旺盛需求,生产率提高就会伴随更大的抱负和业务扩张;如果需求得到满足不再增长,平衡点就可能转向更少的人手或更少的工作时长。

市场是否还需要更多产出,是自动化后能否维持岗位的关键条件之一。
为什么采用 AI 可能先从一线员工开始
这种形态依赖一线员工率先采纳。最懂得如何让 AI 做好某项工作的人,通常就是原本负责这项工作的一线员工。
模型已经能自动化许多数据科学任务,但如果部门负责人不熟悉具体方法与细节,就很难直接调动这些工具。在 AI 尚未主动到能提醒你“不知道自己不知道什么”之前,它在熟悉具体业务的人手中最容易发挥作用。
这给年轻职场人带来了新的境遇: 在这种设想中,AI 接管底层杂活,年轻人入职便能承担更大范围的工作。代价是,部分通过基础工作积累经验的学徒式培养路径可能随之流失。作者更看重的是新人获得的实验资源:有了好的想法,就可以调动 Agent 动手尝试,减少对新增人手的依赖。新人仍要在实践中学习判断、品味、管理协调与创意构思,资深成员也有动力指导他们承担更大的责任。

学习的任务范围可能改变,学习本身仍然需要。
第二种形态:AI 作为同事并入组织,端到端团队为何更易被采纳?
第二种形态将 AI 作为同事编织进现有组织。在这里,AI 不仅置于基层员工之下,而是作为团队成员直接向现有的人类经理或副总裁汇报,分担特定职能。
在作者提出的另一个说明性设想中:家具公司副总裁 Sheila 从未做过广告投放,她给一个由 AI 构成的营销团队分配了预算,并让其负责一款新沙发的上市推广。这个团队在内部划分任务:部分 Agent 采访销售人员,部分 Agent 与工厂核对实际能交付什么,有子 Agent 发起在线调研,还有几个 Agent 尝试不同的视觉风格。方案草稿与修改在它们之间流转,无需频繁打扰 Sheila。Sheila 的人类销售与设计团队仍向她汇报,与这支营销 Agent 团队并列。到了周一,团队提交了待审批的推广方案,并主动向 Sheila 提示照片是否让沙发看起来太蓝。Sheila 之前从未意识到这类细节,经提示后,她批准由 Agent 协调人类摄影师进行重拍。

在营销设想中,AI 团队与人类团队并列,都向同一位业务主管汇报。
为什么能接下整块业务,反而可能更容易用起来
从工具走向劳动力,AI 面临的是范围阶梯:自动化一项任务,再到一个岗位,再到一个团队,最终到整家公司。范围每扩大一步,对综合能力的要求就高得多。岗位包含多项任务,而整个团队的工作更为复杂多样,包含更多潜在的卡点。如果团队有一项关键任务涉及实体操作,就需要一整套硬件设备配合。要完全替代一个团队,AI 必须覆盖其全部职责。单点任务熟练,并不能自动扩展为团队协作。

自动化范围从任务、员工扩大到团队、公司:更难构建,却可能更容易被企业采用;箭头表示定性关系。
然而这里存在一个不对称:对于研发者而言,覆盖范围越广的系统越难构建;但对企业而言,更大范围的端到端能力反而更容易采纳。
覆盖范围扩大,为何可能更容易采用?任务写一封邮件*→岗位承担多项相关工作→团队内部自行分工与协作→***公司**协调更多职能
对开发者:覆盖越广,越难造。 每个关键环节都要能接住,协作和异常处理也算能力。
对采用者:需要亲自拼接的环节可能更少。 从教员工使用零散工具,走向给能自我适应的团队交代目标。
这是原文提出的定性关系;没有已测出的难度、成本或采用速度。范围更大也不意味着这类能力已经实现。
这一机制的本质在于“企业学习技术”与“劳动力学习企业”的根本不对称:
- 窄范围工具:企业学习技术 新技术通常降低了特定窄任务的成本,但使用负担转移给了企业。企业必须重新组织业务流程并重新培训人员来适应新技术。就像电子表格软件不会自动融入财务部门,而是财务部门围绕软件重塑了自身流程。高管通常不会专门为了使用某种工具去参加基础操作培训,因此局限于窄任务的工具很难直接由管理层自上而下推行。
- 端到端劳动力:劳动力适应企业(企业需要自己拼接的环节可能更少) 合格的员工或成熟团队能主动吸收上下文、理解需求,甚至指出管理层未意识到的细节。当 AI 越具备主动性与适应性、能够承接端到端职能时,管理者直接采纳的阻力就越小,企业需要自己拼接的环节可能更少。

形状匹配的视觉比喻:工具需要企业适应,具有主动性的劳动力则会学习企业的需求。
为什么给每个岗位配 AI,还可能增加协作负担?
许多讨论将通用人工智能(AGI)的标准设为“自动化某个具体岗位”。但现代经济中极少产出直接来自单兵作战,绝大部分产出源于岗位组成团队、团队组成企业。
人类劳动力不仅在于完成各项孤立任务,更在于强大的组织协调与分工弹性。如果 AI 仍停留在单点工具或单个工作者的水准,将其穿插在每个员工身边就会在人机之间带来大量生硬的衔接与交接缝隙(seams and handoffs),反而可能减缓采纳速度。组织层面的有效协调,远比单个岗位的任务测试复杂得多。
因此,企业内部可能面临一场竞赛:一边是较早落地但能力相对有限的初步方案,另一边是较晚成熟但能力更强的模型。这场竞赛谁能胜出,取决于未来更强模型因组织采纳阻力更小而带来的速度优势,是否足以弥补等待技术能力走向成熟所额外耗费的时间。

更早落地的零散工具与更晚成熟的完整能力,可能走出不同的采用路径。
第三种形态:AI 介入管理,人可能向它汇报
第三种形态是 AI 介入员工上方,形成人类在高层、人类在基层、AI 在中间协调与监控的格局。

信息更容易汇集到高层,可能改变原有层级中的权力分布。
这种夹层形态更完整、但也更遥远的设想,是由 AI 负责思考和安排工作,遇到自身能力缺口时调用人类承包者来补充,人类在执行中向它汇报。在作者看来,这种由 AI 调遣人类的模式目前依然十分陌生,还需要经历很多改变才可能成为现实。
人们常认为自动化会沿着层级自下而上推进:先自动化日常琐事,而管理属于最后的堡垒。但管理者的工作很大程度上发生在电脑和思维中:阅读材料、开会、权衡、跟踪进展、掌握各团队情况并做出决策。基层工作即便主要是脑力劳动,也往往需要与物理工具或外部环境打交道。
不过,管理决策的成功标准较为模糊,需要在较长周期中衡量,这使模型学习管理变得困难。作者明确表示,目前尚不知道模型到底多擅长管理,针对执行型认知劳动的评测很多,但缺乏针对管理者和高管这种大范围协调能力的评测。即便如此,管理的部分职能可能先于其监管的工作实现自动化,这依然是值得考虑的可能性。相比直接管理下属,更自然的切入形态,是充当管理者的内部顾问。

从顶端燃烧的梯子:部分管理职能也可能先于基层执行工作发生自动化。
随时待命的内部顾问
在作者构想的第三个说明性设想中:CEO Asha 收到其内部 AI 顾问系统的提示,发现某次即将到来的发布存在问题。系统从 Slack 上的日常沟通记录中发现销售部门承诺了研发部门并未开发的功能。AI 顾问建议推迟发布并重新调配三名工程师。同时,系统还注意到远程办公的工程师 Sarah 自发搭建了该项目所需的基础设施。AI 顾问确保这项主动贡献被 Asha 知晓,Asha 随即致电感谢 Sarah,并任命她为该事项的工程负责人。
这种形态最初步的体现是咨询与建议。今天高管可以让模型阅读公司内部的沟通记录与文档并回答疑问。传统管理咨询费用高昂且属于短期介入,而内部 AI 顾问可能成本低廉且随时可用。目前模型解析文档与沟通的能力刚刚起步,判断力与主动性仍待成熟。AI 顾问更像高管的内部通信员与参谋,而非直接管理人,其结构性影响是拉近管理层与业务实际的距离,让高层能够更直接地掌握组织细节。
这种顾问形态还开启了一条不同于前文“基层先采用”的落地路径。高管不必先学会使用新技术,也不必参加专门的工具培训,只要像面对传统顾问那样提出具体的经营和业务问题,AI 负责处理其中的技术细节。因此,AI 的采用也可能从高管办公室开始,再带动企业其他部门使用 AI。
老板更了解一线工作,可能放权,也可能加强控制
当管理层能够更直接地了解组织各处的情况时,这究竟会给员工带来更多自由,还是更严格的约束?这构成了组织透明度上的两种可能路径:
相同的信息能力,不同的管理方式AI 读取工作记录,帮助高层发现进展与问题↙ ↘更严格地执行统一规则
可能加强控制
更多细节被看见,管理者也更容易检查员工是否按指定方法工作。 信息更集中,员工的选择空间可能缩小。识别成果,只上报重大例外
可能增加自主权
更能理解真实贡献,管理者可能减少对在线状态和固定工作方式的依赖。 高层看住关键风险,日常选择更多留给员工。
两条路径是条件推演。作者对自主权净增加的乐观,依赖公司采取后一种用法;信息更多本身不能保证评价公平。
- 强化集中控制的可能:推行统一规程 高管过去下放权力,部分原因在于无法掌握各环节的全部细节。当 AI 顾问能够持续汇总信息时,管理层可能更有能力推行统一的操作规范。企业通常重视一致性,例如连锁餐厅倾向于在各加盟店保持统一菜单,以便批量采购食材并让顾客获得一致体验。此外,高管与员工的诉求并不完全重合,所有者享有企业整体成果的收益,而员工往往聚焦于自身专业领域。AI 顾问可能被用于更严格地推行自上而下的规程。
- 增加灵活自主的设想:减少对表演性指标的依赖 许多企业对远程办公和外包心存疑虑,核心难点在于监督履约(enforceability)。过去缺乏低成本衡量真实工作的方法,往往只能退回到考核点击量、鼠标移动或在线状态指示灯等形式化指标。 作者设想,在合适条件下,如果智能监控工具能够理解产出、识别朝向目标的实际进展,就可能增强管理层的信任,减少对形式化工作状态的依赖。员工可能拥有更多按自身方式工作的自由,这种信任还可能扩展企业用人的范围:企业可能更愿意接纳混合办公、具备不同思路或工作方法的人、独立承包者以及身处海外的优秀人才,从而改变谁能获得工作或合作机会。正如前文设想中居家办公的 Sarah 一样,基层直接发现的问题或未被常规指标捕捉到的扎实贡献,也可能更容易被高层获知并认可。但这取决于实际部署机制,并非必然保证公平。

通向成果的路径可以不同;能否识别这些差异,影响监督带来自主还是控制。
决定企业未来的四个关键问题
结合上述三种形态,作者在文末探讨了决定未来企业走向的四个关键问题。这些问题没有单一的确定性答案,而是受到相互竞争的经济力量共同影响。
一、企业的流程与繁文缛节会变多还是变少?
许多企业中存在繁杂的立项审批与签字流程,这在很大程度上是因为真正把东西做出来通常成本高昂、耗时长且推倒重来代价巨大。当试错成本高时,企业自然会把大量精力放在前期的规划与审批上。
在许多领域中,AI 正在显著降低构建成本——至少在制作原型层面如此,尽管原型便宜并不等于最终成品已经廉价。作者认为企业的工作方式可能随之转变:少瞄准、多开火(aim less, fire more)。最直接的体现是同一团队能够更快地制作原型、观察学习并快速迭代。但作者更进一步提出疑问:当协同规划的重要性下降、而独立且多样的想法更关键时,与其让一个团队花很多时间做统一规划,是否不如让多个人分别交出能运行的原型,再直接比较各条路径?
如果一份真实的原型比任何规划文档都能更清楚地传达构想,组织的沟通习惯就可能转为更早分享原型成果,而不是反复请示。过去请示比动手便宜,如今亲自动手做原型的门槛大幅降低,构建成本的下降可能让组织更向个人倾斜,减少中间管理层的层层请示与审批。

先做出原型,再比较与讨论,是低成本试错的一种组织方式。
但同样的技术也可以用来更严格地推行自上而下的规章与流程。赋予个人更低试错风险的技术,同样可以让企业施加更密集的监督与规则。
二、员工的自主权会变大还是变小?
企业推行自上而下管理的一个重要原因,是认为高管通常能做出更符合商业全局的决策。如果 AI 能向所有员工提供高质量建议,决策质量的差距就可能缩小,管理者直接干预的必要性也会随之降低。同时,如果 AI 顾问能在产生重大后果时主动向管理层示警(例如在发布高风险内容前提醒),高层在确认关键风险受控的前提下,可能更愿意给员工自主空间。
反向力量在于组织的一致性与利益差异。企业看重品牌和协同效应,往往需要统一约束;且管理层追求公司整体利益,而员工往往专注自身专业领域。AI 也可能被用来更严格地推行固定规程。
作者倾向于认为,总体而言员工的自主权有望增加:AI 可以作为约束框架,在划定边界内由员工自由尝试,并在员工名下的 Agent 辅助下,承担规模更大的产出。

作者把 AI 比作支架:在必要约束之内,员工仍可尝试不同做法。
三、企业规模会变小还是变大?
经济学家罗纳德·科斯曾提出企业边界问题:如果市场协作足够高效,为何生产要组织在企业内部,而不是全靠个人之间的合约网络完成?随后的不完全契约理论也指出,契约很难预先写明所有细节,外部合作方可能在未明文约束之处削减投入,因此纵向一体化成为协调激励、组织大型项目的一种方式。
AI 从两个方向同时影响着企业边界,使得结果并不唯一:
- 支持更多小企业的力量: 如果沟通更顺畅、履约更容易被智能监控与协调,企业就不需要将过多职能保留在内部,而能更放心地依赖外部供应商与独立团队,从而催生更多规模更小的公司。值得注意的是,单个企业规模变小、人员精简,并不等于全社会的总就业岗位必然减少,因为市场上可能出现数量更多的新企业。
- 支持大型控股实体的力量: 在企业内部,如果 AI 充当协调层、减少传话与信息摩擦,管理层能像了解初创团队那样掌握大型组织的运作,大企业的运转将不再那么臃肿。作者指出,算力通常可以按需小批量租用,单靠算力未必足以支撑超大组织;但如果涉及共同的实体工厂、机器人车队等重资产,或是为了攻克共同使命(例如研发新药)而需要高度对齐激励,庞大的控股型组织依然有其经济理由。

共同资产与共同使命,是大型组织仍可能存在的经济理由。
对于围绕共同使命运转的 AI 组织,作者还设想,它可以减少内部权力争斗、共享全部信息,并在必要时有意安排具有不同思路的 Agent 探索多条路径。目标一致、信息互通,可以与探索方式的多样性同时存在。
四、薪酬差距会拉大还是缩小?
当前的薪酬体系旨在激励和奖励表现突出的员工。但在模型能向所有人提供优质建议的环境下,员工该如何体现差异?
- 缩小差距的力量: 如果 AI 向所有人提供同样优秀的建议和方案,员工个体之间的产出差异减少,薪酬分布倾向于被压缩收窄。
- 拉大差距的力量: 每个人带领下属的 Agent、负责更大范围的工作时,人类的核心价值在于决策与判断。当调动的资源和面临的风险更大时,判断力的微小优劣对最终结果的影响会被显著放大,正如现代企业中高管决策对业绩影响巨大因而获得更高薪酬一样。如果部分员工能更好地调配资源,薪酬差距可能进一步拉大。
两股力量何者占主导,很大程度上取决于人类主要是在提供独立判断,还是在跟随模型建议,最终走向目前尚无定论。

调动的工作范围扩大后,人的判断差异可能对最终结果产生更大影响。
理解组织重构中的分工与权力
正如两位作者所言,现实中的商业组织不会完全按照某一种设想演进,更可能的情况是三种形态在组织中同时并存、逐步渗透。
探讨 AI 如何进入企业,核心不在于抽象的技术预测,而在于具体的分工安排:AI 替谁执行工作、向谁汇报成果、什么样的事项需要人类最终批准。这些具体的安排,会影响监督成本与决策权力的流向。随着 AI 从单项任务扩展到更大范围,组织结构、管理边界与个人的职责分配,都可能在过渡期中被重新安排。
延伸阅读 · 从设想到公司实践Manus 联合创始人张涛复盘如何在公司内部进行 AI 改造:用 Manus 改造 Manus,AI Native 组织改造的实践和思考看一家 Agent 公司如何改造研发、产品和市场的日常协作;文中成效属于企业自述。阅读这篇 → 来源The future of the firmHemanth Asirvatham、Elliott Mokski·查看主材料本站说明文中原图与插画来自原文,用于呈现概念与设想;中文图解辅助说明其关系。 OpenAI / 组织架构与未来劳动力
OpenAI 两位作者谈公司的未来:AI 会怎样改变分工与权力
AI 在员工之下、身旁,或上下级之间,会改变谁执行、谁汇报、谁拍板。采用它的阻力与组织权力,也会随位置变化。 观点一页纸 · Hemanth Asirvatham、Elliott Mokski 的个人观点 · 三种形态可以并存
年轻员工过去先做纪要、报表等基础工作,之后才有机会带团队。两位作者说,他们 24 岁便开始管理自己的 AI 助手“团队”。这篇刊于 OpenAI 网站的文章由此讨论:在全面自动化到来之前,AI 将怎样进入现有组织,让人的职责与权力重新分配?以下是作者的设想,并非已经验证的企业演进规律。
AI 进入公司后,改变的不只是单项任务的完成速度,更是谁给谁分派工作、谁掌握全局信息与谁拥有最终拍板权。两位作者提出了三种可能并存的组织切入形态:
形态 01 · 员工之下 基层人人成为管理者分派:人类主管 → 员工 → Agent
原有汇报线看似不变,员工把执行交给名下的 Agent,自己更多负责专业判断与协调。起初仍须监督纠错;更远的设想是带领一间“微型公司”。
形态 02 · 员工身旁 端到端团队并列协作分派:人类主管 → 人类团队 / AI 团队
AI 团队与人类团队并列,直接向同一位业务主管汇报。例如主管分配营销预算,Agent 分工调研、协调后提交方案,仍由主管审批。
形态 03 · 上下级之间 中枢夹层与内部顾问信息:高层 ← AI 汇总 ← 一线信息
较近的入口是高管的内部顾问:读内部沟通、指出问题,供人决策。更远且陌生的形态才是 AI 思考、安排工作,并调用人类承包者补足自身能力。
**执行交给 AI,不等于岗位必然消失或保留。**作者设想,员工可能转向更大的目标。但维持就业依赖两点:人仍提供增量贡献,市场也持续需要更多产出;需求若不再增长,人手或工时就可能减少。新人可以更早带 Agent 试验,也可能失去部分通过基础工作学习的路径。
单个岗位能完成任务,还不等于整个团队能够顺利协作。作者提醒:若把单点 AI 工具穿插在每个员工身边,人与模型间可能增加生硬的衔接与交接,反而减缓企业采用。
核心机制 · 底层经济逻辑
范围阶梯与采纳不对称(Adoption Asymmetry)
自动化范围从“任务 → 岗位 → 团队 → 公司”扩大,构建难度随之增加:团队中每一项关键职责都要覆盖,实体操作还可能需要硬件。但如果端到端能力成熟,企业需要自己拼接的环节可能更少,因此反而更容易采纳。
窄范围工具 · 企业承担适应工作 企业学习技术(适应成本转移给企业)
工具降低一项任务的成本,企业却常须重组流程、培训人员来适应它。就像财务部门要围绕电子表格重塑流程。高管通常不会为工具专门学基础操作,推广因而存在阻力。
工具交付局部结果 → 企业与员工负责拼接 → 岗位之间仍要交接。
端到端劳动力 · 主动适应企业 劳动力适应企业(企业自拼环节更少)
在作者的营销设想中,AI 团队主动了解销售与工厂情况,调研并修改方案,还指出沙发照片偏色。主管不必会广告工具,也能提出业务需求并审批方案。
主管提出业务目标 → AI 团队吸收上下文、内部协调 → 提交待人审批的方案。
AI 顾问若能汇总内部沟通与文档,高管便更直接地了解一线。采用也可能从高管办公室开始:高管像面对顾问那样提出经营问题,由 AI 处理技术细节。信息距离缩短之后,权力会向哪边走?
路径 A · 强化集中控制
过去放权,部分因为高管无法掌握全部细节。AI 持续汇总信息后,管理层可能更有能力推行统一规程;品牌一致性、公司整体利益与个人专业诉求也可能形成约束。
路径 B · 释放实质自主
如果系统能理解实际产出和进展,管理层可能更信任员工,减少依赖点击量与在线灯等指标,并更愿意接纳远程工作者、独立承包者和海外人才。
**信任建立的前提:**在合适条件下,如果智能监控工具能够理解产出、识别朝向目标的实际进展,就可能增强管理层的信任,减少对形式化工作状态的依赖。这可能给员工更多按自身方式工作的空间,让扎实贡献被高层看见;能否兑现取决于部署机制,并不保证公平。模型多擅长管理,目前也缺少评测,仍未知。
作者最后提出四个尚无定论的问题。同一种技术会同时推动相反方向,不能把它们读成未来必然发生的结果:
01 / 流程与审批:变多还是变少?
原型更便宜,个人可以先做出样品再比较,可能减少前期规划审批;原型便宜不代表成品便宜。同样的 AI 也可能更严密地执行规章。
02 / 员工自主权:变大还是变小?
如果优质建议缩小决策差距、关键风险能及时示警,高管可能更愿意放权。统一品牌与利益差异却推动约束。作者倾向于自主权增加,而非确定结论。
03 / 企业边界:走向小型化还是超级控股?
外部履约更容易监督,可能支持更多小企业;内部协调更顺畅、共享工厂或机器人车队、共同研发使命,也支持大组织。算力能按需租用,单靠它未必需建巨型公司。
04 / 薪酬分布:拉大还是收窄?
人人获得优质建议,可能缩小产出与薪酬差距;人人调动更多资源,判断的细微差异也可能放大回报。走向取决于人主要作独立判断,还是跟随模型建议。
企业变小,不等于全社会总岗位必然变少:还可能出现更多新企业。
**分工与权力的本质:**探讨企业的未来,不在于技术何时全盘自动化,而在于过渡期具体的权责重排:AI 替谁执行工作、向谁汇报成果、什么样的事项需要人类最终批准。三种形态可能同时渗透同一家公司。判断变化时,可以沿着这三条权责关系逐一观察,而不是仅看配了多少 AI 工具。
↑ 正文结束 ✓ 本篇全文免费开放
会员可复制、下载全文 Markdown,还能让你的 AI 订阅和提问。 订年卡 $59/年看权益对比 →
📮 新解读每晚进邮箱
读完觉得有用?留个邮箱,每晚一封当天的新解读,随时退订。