OpenAI 员工撰文探讨 AI 进入企业组织架构的三种方式

公司的未来

AI 可能如何进入组织架构——在我们之下、身旁与之间。

作者：Hemanth Asirvatham 与 Elliott Mokski

收听本文 28:52

音频 1

分享

作者说明：这是本系列关于下一轮经济的第二篇文章，属于一个新平台，用来承载探讨 AGI 未来的独立声音。文中观点仅代表我们个人，不代表 OpenAI 或我们的同事。

我们俩在 OpenAI 开始带自己的团队时，都才二十四岁。等你见过我们的团队，就不会觉得这有多厉害了。

按说我们本该是打杂的。二十四岁，你还在公司阶梯的最底层：做会议记录、写几份备忘录。熬上几年苦差事，才有望（但愿如此）拿到更大的职权范围。

但我们这条路——也是如今许多年轻人走的路——正在变得不一样。我们刚进入职场，就已经有“下属”听命于我们。这些副手日夜工作，周末和节假日也不停歇。它们擅长打杂。我们甚至还有数学奥赛金牌得主在团队里为我们出谋划策。这些新来的“下属”仍会犯下自己那份错误，但它们在进步，在了解我们的需求，而我们也在学习如何管理它们。

我们俩谁都没有爬过公司阶梯。反倒是管理层级降到了我们这一级。这篇文章讲的是我们的“晋升”，以及在迈入智能时代之际，公司可能重新组织的其他方式。

当 AI 进入公司，它会落在哪个位置？我们提出三种示例性的情景：

在我们之下。每个人座位不变，而在底下长出一层新的 AI 劳动力地下室。我们都成了管理者。先有助手，再有幕僚长，最终是整家微型公司向每个人汇报。人人都升了职。

在我们身旁。AI 作为某种意义上的同事，与人类一同出现在组织架构图上，直接为现有的人类管理者和高管工作。它起初接手这项任务、那个角色，随着时间推移承担更广泛的职能，汇报层级也越来越高。

在我们之间。最反直觉的一种情况：上面是人，下面也是人，AI 夹在中间。它协调并监督工作，既贯彻高管的意图，也认可有进取心的员工所做的独特贡献。

这三种情景都不会完全按我们描述的方式上演，但我们认为三者各自的一些方面都会成真。而且三者都已经在以微妙的方式发生。

我们在这里关注的不是全面自动化，而是一个转型中的经济。我们感兴趣的是：随着 AI 不断进步并把自己编织进现有组织，这种“嵌合体”公司会是什么样子。

我们认为混合型公司在概念上很重要，因为 AI 的生产性采用并非一蹴而就。当模型只能完成一部分任务时，由熟悉这些工作的基层员工来采用可能最容易。一旦模型能端到端地承担广泛职能，高层就可以直接使用它们。在我们看来，能力越强的 AI 越容易被采用：公司必须学习技术，而劳动力会学习公司，并能自我入职。

我们将逐一剖析这三类新的组织架构，然后考察它们对繁文缛节、员工自主权、公司规模和薪酬差距的未来意味着什么。

晋升

我们的第一种情景似乎冲击最小。在这里，人们座位不变、汇报关系不变，表面上做着和以前一样的工作。从今天到这个未来，人类的组织架构图看起来毫无变化。

差别就在我们下面。每个个体贡献者之下，都有一支新的 AI 劳动力向他们汇报。我们的组织架构图多了一层地下室，而我们全都成了管理者。

起初，这层地下室还没建好。我们每人先带一两个智能体，它们算不上资深员工，更像是需要监督、也容易被原谅的热切实习生。我们的期望不高：这边发封邮件，那边起草份备忘录，到处回复 Slack 消息。和人类初级员工一样，它们一开始没什么自主权，也得不到多少信任。

但随着模型进步，我们的智能体在更少监督下承担更多任务。它们彼此协调。可能会有管理者 AI 和干活的 AI，有会计和律师，全都听你调遣、协同工作。到后来，你的运作不再像手把手带实习生，而更像一家独立的小公司，有自己的组织架构图，而你就是它的董事会。

Jace 仍在自己的公司做会计，但他不再点着电子表格到处操作了。干这些的是他手下的智能体。Jace 的工作更像几年前他经理的工作。而他的经理，如今负责的范围更大了。

Jace 的日常已经完全变了，现在集中在沟通、协调和创造上。他工作更少，却觉得更有挑战。他的工作生活变化更多，他靠领导力和以前无法展示的愿景脱颖而出。

会计团队并没有缩小，因为公司其他部门也提高了生产力，对会计的需求比以往任何时候都多。智能体还做不了他团队做的所有事。高管们对汇总财务数据一窍不通，需要他的领域专长才能有效使用智能体。

不裁员的自动化

注意，这个场景并不意味着裁员。在这里，我们采用 AI，但不把自己自动化掉。我们自动化的是过去的自己，并在层级中向上移动。AI 越来越多地接手我们过去做的事。我们的工作还在，因为要管理的东西更多了，我们负责的产出总量也更大了。

工作不是静止的⁠(opens in a new window)。假设 AI 能完成你以前工作的百分之九十。你可能会得出结论：自己只剩百分之十的工作。另一种可能是，你仍在做一份全职工作，只是换了一种——现在聚焦于一个十倍大的目标。这就是技术经典的馈赠：生产力提高，雄心随之提高，工资也能随雄心上涨⁠(opens in a new window)。

这一切都取决于我们是否仍为生产增加价值⁠(opens in a new window)。本文聚焦未来几年，那时自动化尚未普遍具备能力或普遍被采用。即便 AI 什么都能做，我们可能仍会因为某样东西是人做的而更看重它，或者坚持要由人来做最终决定。

这也取决于我们的胃口。如果作为消费者，我们并不在乎产出多出十倍，那么均衡就会转向更少的工人或更少的工作时长。从历史上看，产出的增长从未让我们满足。我们拥有的多得多⁠（在新窗口打开），但工作只少了一点点⁠（在新窗口打开）。如果我们的胃口随着产出成倍增长而继续扩大——并且我们仍然对生产有增量贡献——我们就会选择继续用劳动换取更多消费。反之，如果生产变得如此充裕以至于我们感到满足，我们可能会自愿缩减劳动力规模。

后文我们还会讨论更多反对意见（例如，我们是否会拥有更多数量的小公司）。我们仍然认为这一情景很重要，因为采用总得从某处开始。企业需要一条路径，从当前的组织结构稳定演进。先增强现有员工的工作，可能比彻底重组更容易迈出第一步。今天我们已经看到这种情况：一个接一个的员工把工作委托给 AI，而迄今为止还没有发生组织革命。

为什么采用可能从底层开始

这一情景依赖于一线员工率先招聘。引领 AI 采用的是基层员工——而非管理者与高管。只要最擅长让 AI 完成工作的人，正是过去亲自做这份工作的人，这种情况就很可能发生。

模型已经能自动化许多数据科学任务，但一个不熟悉这些方法和细节的部门负责人，很难用好这些工具。在 AI 变得足够主动、能告诉你你不知道什么之前（见我们的下一个情景），它大概对已经熟悉工作方式的人最有效。

入门级不再是最低层级

这一情景中最大的变化落在入门级员工身上。将不再有最低的一级阶梯，至少对人类而言如此。我们招聘年轻人，不再是为了把他们放在公司里最枯燥的底层。那些岗位将由不在乎这些的东西来填补。

随之而来的是，我们失去了一些培养年轻员工的传统路径：学徒制⁠（在新窗口打开）、在苦活中学习、熬资历。这些是实实在在的代价，但我们更多把它看作一种特权。资历最浅的新人只要有好点子，就有资源去试验。公司里最古老的借口——我们就是没有人手——正在消亡。一个初级员工脑子里有一款很棒的视频游戏，却没有途径争取到人手，现在她可以直接把它做出来。

在我们看来，这种“晋升”情景仍然有很多东西值得初级员工学习——判断力、品味、管理能力和创意愿景的肌肉。我们会有动力去培养这些技能，因为它们会体现在我们的工作成果中。我们仍将在实践中学习⁠（在新窗口打开），但处于更高的职责范围。公司里的资深者仍有动力作为负责任的管家来帮助我们（他们在我们的成功中持有股权）。这里的机会是，每个层级的每个人都能扮演更令人振奋的角色。任何员工都能以更大的职责范围展示自己的才华，这对那些原本毫无职责范围的入门员工最为重要。

交错嵌入

AI 进入公司的第二条路径，是穿过现有的组织架构图。在这里，智能体不是渣滓，而是同事。一位传统管理者把团队工作的一部分交给模型，就像她可能把工作委派给任何员工一样。AI 把自己插入到人类旁边，而不只是人类之下。

与第一个场景的关键区别在于：这里，生产性 AI 是被现有的人类管理者采用的，而不只是被当前的个人贡献者采用。要做到这一点，它必须足够胜任，能成为一个完全合格的团队成员。

Sheila 是一家家具公司的副总裁。她从未做过广告投放。她把一笔预算和一款要卖的新沙发交给了一个 AI 营销团队。这个团队把发布任务分派给自己的各个智能体。有的去采访销售人员，有的去和工厂协调实际能交付什么。一个子智能体发起在线问卷，另外几个则做出不同视觉风格的原型。

草稿和修改在他们之间流转，从不经过她的办公桌。她手下的人类销售和设计团队仍然向她汇报，同时还有这支营销智能体团队。周一，她拿到一份待批准的营销方案，以及一个问题：照片是不是让沙发显得太蓝了。要不是有广告专家主动指出，她根本不会注意到这种细节。她授权智能体去和人类摄影师协调重拍。

范围升级的阶梯

人类是通才。一把锤子只帮得上一个任务；人却能做多得多的事。AI 从工具走向劳动力的过程，是能力范围不断扩大的过程：先自动化一项任务，再是一个岗位，然后是一个团队，最后是一整家公司。范围每上一个台阶，都需要更广的能力。

一个岗位是一只装满许多任务的手提箱。对一个完整团队来说，这只箱子里塞满了各种不同的工作。职责范围里的任务越多，潜在的瓶颈就越多。只要团队里有一项关键任务涉及体力劳动，就需要一整套全新的外围设备。要能无缝顶替一整个团队，AI 必须能胜任其所有各不相同的职责。

能处理更大范围的 AI 更难打造。但对公司而言——这正是整个转型中最核心的不对称之处——范围越大，反而越容易采用。

一个端到端自动化的团队或一项宽泛的职能，可以直接由高管拍板采用。能力较窄的工具则没法这样自上而下地简单落地。越简单的工具，越依赖全员的广泛认同和再培训。

公司学习技术，劳动力学习公司

传统上，新技术让完成一组限定任务变得更便宜。然后负担就转移到了买方身上。公司必须想办法利用新工具，还必须围绕它再培训、重组并重建流程⁠（在新窗口打开）。电子表格软件并没有自己装进会计部门——是会计部门围绕这款软件重塑了自己。

劳动力则相反。一个实习生、一名员工、一支优秀的团队，会自己想办法对你有用。他们会追问你，吸收你的背景信息，留意你的需求。他们会告诉你，你甚至没意识到自己不知道的东西。最好的劳动力会自我入职。

从这个意义上说，AI 越像劳动力，越有主动性和适应力，公司就越不需要学习如何驾驭它，而它越会自己想办法对公司有用。高管大概不会坐下来听一堂设计软件入门课来学一个新工具。但他会很乐意接受这样一个提议：你一句话，我就把你的整个营销职能搭起来。

这不是一个独狼经济

我们常常把AGI的圣杯定义为让一份工作实现自动化。诚然，我们连这一步都还没达到。工作之所以如此复杂，是因为人类的能力实在惊人。即便如此，我们经济产出中只有很小一部分⁠（在新窗口打开）来自单打独斗的劳动者。生产性工作贡献于团队，团队贡献于企业，而我们消费的几乎所有东西都由企业生产。

用“工作”作为AGI的标准，对人类来说并不公平。劳动不只是完成任务，甚至不只是处理非例行性的部分：我们的劳动还在于大规模的协调，在于我们能够灵活地承担更大产出中的一小部分。把我们仅仅当作一袋袋任务的集合来出售，是贱卖了我们。人类的能力更多体现在我们的组织⁠（在新窗口打开）中，而非个体身上。一个经济意义上的AGI必须达到人们的标准，而不是个人的标准。

因此，如果AI仍然只是工具式的、甚至只是员工式的，而不是团队式的或企业式的，那么“交错”场景可能相当低效。在每个员工旁边楔入一个模型，意味着一千个接缝和交接⁠（在新窗口打开）。这种零敲碎打的安排可能会拖慢采用速度。

我们看到一场竞赛：一边是较早、能力较弱的实现方式，另一边是较晚、能力更强的模型。胜负取决于未来模型的采用速度是否足够快，快到足以抵消达到这些能力所需的额外时间。

到目前为止的两个场景

这种“交错”场景可以与第一个“晋升”场景共存。我们可能会看到企业随着AI自动化某些职能而缩减人员规模，而剩余的人类则在其智能体劳动力的辅助下获得更广泛的职权。重要的是，这一场景本身并不意味着人类整体就业减少。我们可能会发现自己拥有更多企业，但每家企业的员工人数更少。

分层

我们的第三个场景最令人困惑。在这里，AI进入企业时位于人的上方。层级不再是人在机器之上，而是人、AI、人：一个自动化三明治。有些人“汇报”给AI。

这听起来很牵强，尤其是作为企业采用的起点。但我们认为，以不那么激进的方式，这已经开始发生了。

Asha是首席执行官，她的AI顾问提醒她即将到来的发布会有问题。它已经调查了这个问题，发现销售承诺了一项功能，而工程部门并没有在开发。证据是从Slack的日常工作线程中提取的；没有人给她写过报告，甚至没有人意识到团队之间的沟通失误。

AI顾问建议她推迟发布，并重新分配三名工程师。它还注意到，远程办公的工程师Sarah已经为该项目搭建了一些有用的基础设施，尽管没有人要求她这么做。顾问确保Sarah的主动贡献得到认可并传达给Asha。Asha打电话给Sarah，感谢她超出职责范围的付出，并通过指定她为新项目的工程负责人来表彰她。

梯子可能从顶端烧起

即使我们把AI视为认知劳动的机械化工具，我们往往也只关注较低的层级。我们通常说AI自动化的是电子表格和幻灯片，而不是管理。我们的直觉是，自动化沿着层级向上攀升：先是最基础的认知苦力活，最后才是判断力，而管理者是最后的堡垒。

但管理者的工作很大程度上是在电脑上、在头脑中完成的：阅读、开会、权衡、掌握上下文、做决策。亲临现场确实有价值，比如到各层办公室转转、和团队待在一起。不过，真正与原子和工具纠缠更多、而非与管理纠缠的，是基层工作，哪怕它主要是认知性工作。被派去复印机的是实习生，不是他的老板。

管理决策很难教给模型，因为成功与否难以界定，而且要放在很长的时间跨度上衡量。培养优秀的人类管理者之所以难，原因也与此类似⁠（在新窗口打开）。我们目前还不知道模型在管理上有多强。针对以执行为核心的认知劳动，我们的评测已经很多，但很少有评测能覆盖管理者与高管层面的大规模统筹协调。

不过仍值得考虑一种可能：今天的模型在能力上，或许实际上比基层员工更接近人类管理者。有些管理职能可能会先于它们所监管的工作被自动化。

无处不在、随时在线的顾问

也许这种“分层”设想的完整版本，是一个负责思考的 AI，再用向它汇报的人类外包人员来填补能力缺口。那样的世界对我们来说相当陌生，需要改变的地方很多。

但还有一种更自然的形态，它的序幕已经拉开：顾问。如今，一位高管可以让 ChatGPT 读取公司各处数百个 Slack 频道、文档、邮件和代码文件，然后向它提问。这个团队到底在做什么？那个薄弱环节出现在哪里？组织的每个部分对她来说都越来越可解析⁠（在新窗口打开）。

高管们早就在组织架构里安插了雇佣兵式的中介，他们称之为咨询。管理咨询公司会短暂而昂贵地为你叠加一层。往后，AI 顾问可能便宜到几乎可以忽略不计，而且无处不在。

模型才刚刚开始能够可靠地解析公司文档和沟通记录。它们的品味和主动性还需要成熟。目前，ChatGPT 帮助有干劲的高管更细致地了解自己的组织。我们认为它最终会发展成一家全方位服务的咨询公司。它不会成为低层员工的真正“管理者”，而是高管的内部通讯员和顾问。它会运用商业专业知识扫描一切，主动揭示痛点并帮助分诊。

这对高管是有利还是有害，取决于高管本人。其结构性影响是集中化。我们认为这会缩短最高管理层与公司主体之间的距离。它把更多权力集中到顶层，而过去信息摩擦往往有利于更分散的决策。

我们认为这一设想意义深远，不仅因为它改变了权力归属，还因为“AI 即咨询”极易被采用。与传统咨询一样，AI 咨询不要求高管具备技术能力。这不是那种由会打字、会用终端的人从下往上引入的计算机。你只需和你的顾问交谈，技术诀窍由它处理。这波采用浪潮可以从高管办公室开始。反过来，咨询顾问又能加速 AI 在整个组织其余部分的采用。

不断演变的雇佣契约

企业不信任远程办公和外包，有一个原因格外突出：可执行性。企业从来没有便宜的办法，去观察工作本身丰富而真实的过程。于是它们只能衡量工作的表面动作⁠（在新窗口打开）——点击数、鼠标晃动、绿色的在线状态点，这些信号与工作是否真的做好早已脱节。

AI 提供的监控能够理解工作。它可以查看一个人产出的东西，识别出朝更大目标取得的真实进展。正如我们在下一节所探讨的，任何新的监控都不能轻率推行⁠（在新窗口打开）。但在合适的条件下，它可以增进信任，促使企业给员工更多自由。

如果监控能理解通往优秀工作成果的诸多不同路径，员工就能更多地按自己想要的方式工作。重要的是朝好结果取得的进展，而不是老板容易追踪的某一种规定方法。智能监控带来灵活性，也能惩罚我们所有人都厌恶的表演式忙碌。

这里的价值主张，类似于保险公司在你车上装追踪器就给你降保费。如果你想钻空子，这会让你吃亏；如果你只是老老实实干活，监控反而能还你清白，管理层也会更信任你。

这种信任具有生成性。我们可能会看到，那些原本不愿接受混合办公、不愿接纳非传统思维、不愿用外包、不愿在遥远国家招聘优秀人才的企业，开始有了新的意愿⁠（在新窗口打开）。

如今基层员工对组织架构有很多不满。亲眼看到的问题却没办法沿着层级往上反映，这极其令人沮丧。困在一个无能的经理手下，或者做了出色的工作却无人认可，这都是不公平的待遇。

在我们看来，上一波商业超优化建立在有限的数据、粗糙的准则和笨拙的算法之上。如果你能处理的只有齿轮比，那每个人看起来都像一个齿轮。企业对自己的员工队伍，长期存在衡量上的难题。智能监控可以识别出当今粗糙指标所遗漏的宝贵贡献和独特做法。

四个大问题

综合三个典型情景，我们现在来探讨关于企业未来的一些决定性问题。

企业的繁文缛节会变多还是变少？

做东西通常相当昂贵。一个应用、一部电影、一份演示文稿、一个功能、一份分析：这些都费钱、费时，重做起来更是痛苦。当你实际上只有一次机会时，你就会把力气花在瞄准上。规划周期、路线图仪式、审批委员会，全都是为了确保当企业终于说“开始”时，冲的是一个值得做的目标。我们层级体系里的许多检查之所以存在，是因为执行曾经很珍贵。

在许多领域，AI 正在压低做东西的成本——至少低到能做出原型，甚至不一定到最终完成。我们认为企业的做法也应随之转变：少瞄准，多开火。企业可以做出原型、观察、快速学习、调整方向，然后再做一次。轻松做原型⁠（在新窗口打开）应当让企业逐渐远离那些支撑规划密集型生产的制度。

最简单的版本是让团队迭代得更快。更激进的一种解读则是对团队本身提出质疑。如果协作规划没那么重要，而互不相关的多元想法更重要，那么是让一个团队快速迭代更好，还是让许多个体各自拿出自己的可用原型更好？如果真实原型比任何范围界定文档都更能传达愿景，我们的沟通规范会改变吗：更早、更多地分享，分享的是成品而不是备忘录？

廉价的构建可能让公司更倾向于个体。这意味着中间管理层级更少，请示审批也更少，因为过去请示比动手更省事，现在则不然。

话虽如此，正如我们接下来要讨论的，这项让个体能够以更低风险做原型的技术，同样也能套上更多繁文缛节。

员工的自主权会更多还是更少？

公司推行自上而下管理的一个主要理由，是相信高管比基层员工更能做出与业务相关的决策⁠(opens in a new window)。公司愿意为高层能力强、经验丰富的人支付更高薪酬，管理者往往受过商业战略训练，而个体贡献者则专精于自己的领域。如果 AI 能为所有员工提供出色的建议，决策质量的差距就会缩小。管理者插手的理由也就更少。这会提升员工的自主权，并可能减少管理层级。

同样，“AI 顾问”确保不会在没有提醒高管的情况下发生任何后果严重的事。如果某位员工即将发布一篇对公司有严重影响的博客文章，顾问会主动向高管标记出来。这会带来信任：管理层不必担心在自己不知情的情况下发生重大失误，因此也就不必对员工如何开展工作管得那么紧⁠(opens in a new window)。

但 AI 顾问是一把双刃剑⁠(opens in a new window)。它可以作为智能监控者，让公司更信任员工；它也可以在整个组织内更有力地推行 CEO 偏好的做事方式。公司看重一致性⁠(opens in a new window)：不只是做出好决策，还要做出与公司文化、品牌和规模经济相容的决策。连锁餐厅可能希望各加盟店采用统一菜单，这样可以批量采购食材，顾客也能期待一致的产品。

与此相关，公司老板的激励并不总是与员工一致。员工优化的是自己所在领域的成功⁠(opens in a new window)，而高管关心的是公司整体。股权所有者与工薪员工的偏好不同，因为前者能收获⁠(opens in a new window)更努力工作的回报。顾问可能会更严格地执行高层规定的具体规程。

我们的观点是，净效果上员工的自主权会增加。我们的乐观建立在公司用 AI 标记重大例外、同时把更多决策留给员工之上。

我们认为，AI 会充当一种脚手架——即便高管希望维持统一的品牌形象，这也只是他们开展经营时的一项约束。员工能更清楚地意识到企业面临的种种商业约束，也更有底气在这些约束之外发挥创造力。有了这层保障，高管就可以放手让员工尝试那些可能带来丰厚回报的新做法。在下方 AI 助手的辅助下，员工还将负责产出更重要的成果。当我们驾驭更复杂的工作时，我们看到了更多发挥创造力的机会。

公司会缩小还是扩大？

关于员工自主性的这套逻辑，同样适用于公司规模。罗纳德·科斯（Ronald Coase，在新窗口打开）曾追问：为什么我们要在公司内部组织生产，而不是通过一张契约网络来完成？哪怕是一架飞机，也完全可以只靠点对点的契约造出来，但那样做效率极低。公司能够汇聚规模经济、对齐激励、组织大型项目，并免去不断讨价还价的必要。

通过降低沟通成本，AI 既可能让公司变得更大，也可能让它变得更小。传统公司是上传信息、下达指令的基础设施，充满摩擦，还容易在层层传递中失真。如果 AI 充当协调层，规模更大的公司（员工更多）就不那么笨重难管。借助“AI 咨询顾问”，高管可以像创始人了解一家二十人的初创公司那样了解自己的企业。她可以实时观察一项举措的落地情况，而不必等季度汇报时的转述，一旦有事发生还能立刻收到提醒。她的愿景也能更广泛地渗透到组织中。每个人都更清楚其他人在做什么，也更清楚整个组织的优先事项。

不过，也可能朝相反的方向发展。如果沟通毫无摩擦、合规情况更容易监控，公司就不必把供应链的那么多环节都内部化。公司可以更放心地依赖外部供应商和承包商。

纵向整合的一大动机是对齐激励。这里涉及不完全契约（incomplete contracts，在新窗口打开）的概念——一家航空航天公司可以与一家喷气发动机公司签约，但对于合同中没有明确要求的一切事项，喷气发动机公司都有动机偷工减料、只顾自己的利润。为避免这种情况，航空航天公司干脆把喷气发动机公司买下来。员工与老板之间也是同样的道理：如果契约更容易监控，并且由智能来仲裁，而不是靠逐项打勾核对，公司也许会更愿意依赖其他公司。把一切都放在内部完成的理由就没那么充分了。

我们预计会看到许多规模更小的公司，但也会看到庞大的 AI“控股公司”，大量不同项目在同一家企业内部开展。当所有不同项目都能利用某种共同资产时，这种企业集团才划算。这种共同资产可以是算力，不过算力很容易按需小批量配置。共同的工厂或机器人队伍才是更有力的理由。

大型“控股公司”的合理性还可以来自对齐的激励。如果一个由 AI 和资本组成的大型组织完全投入一项共同使命——比如攻克癌症——那么单独设立众多小规模项目的必要性就降低了。一家 AI 公司可以避免权力斗争，共享全部信息，并在需要时让旗下智能体实例化出创造性的多样性，从而探索不同的路径。

薪酬差距会扩大还是缩小？

如今的体系本应奖励表现突出的员工：他们逐级晋升，薪酬也更优厚。但在一个满是顶级模型顾问的世界里，员工又该如何让自己脱颖而出？

如果 AI 把同样出色的点子给到每个人，我们可用来拉开差距的机会就更少了，薪酬差距理应收窄。

阻挡这种收窄的，是判断力、品味和职责范围。如果我们每个人都带领着身下的 AI 公司，那么剩下的人类价值就是我们的决策。如果每个人都负责其下更大规模的工作，那么判断好坏之间的差别就会更加响亮地显现出来（在新窗口打开）。

我们长期以来一直把这一逻辑用在组织架构的顶端。我们为CEO 薪酬（在新窗口打开）辩护的理由是：顶层决策哪怕只是略微改善，也可能对利润产生巨大影响。如果一些员工能更好地管理其下的 AI 公司、调配稀缺资源，薪酬不平等可能会加剧。

风险越大，你相对他人那一点点优势就越会体现在你的薪水里。另一方面，AI 会给每个人提供好建议。差异化变小，薪酬分布就会被压平。

在这里以及其他地方，主导力量或许取决于我们主要是在提供判断，还是在跟随判断。

• 2026
• 下一代经济

作者

Hemanth Asirvatham、Elliott Mokski