作者注： 这是我们的下一个经济系列文章中的第二篇，该系列是 一个新平台 的一部分，用于承载探索AGI未来的独立声音。它反映我们的观点，而非OpenAI或我们同事的观点。
我们俩在OpenAI开始管理自己的团队时都是二十四岁。等你见到我们的团队后，这就不那么令人印象深刻了。
我们本应是基层员工。二十四岁时，你处于公司阶梯的底层。你负责做会议记录，写几份备忘录。经过多年枯燥的工作，你（希望）被授予更广泛的职责。
我们的道路——以及当今许多年轻人的道路——看起来不同。我们进入职场时就已经有“员工”听从我们的指挥。这些代表日夜工作，周末和节假日也不停歇。他们擅长基础工作。我们甚至有数学奥林匹克金牌得主在职为我们提供建议。我们的新下属仍然会犯他们那份错误。但他们正在变得更好，学习我们的需求，而我们也在学习如何管理他们。
我们俩都没有爬上公司阶梯。相反，管理层降到了我们的层级。本文讲述的是我们的晋升，以及随着我们进入智能时代，公司可能重新组织的其他方式。
当AI进入公司时，它去哪里？我们提出三个说明性场景：
在我们之下。每个人都保留自己的位置，而一个新的AI劳动力地下室在下面生长。我们都成为管理者。首先我们得到助手，然后是幕僚长，最终是完整的微型公司向每个人汇报。每个人都得到晋升。
在我们旁边。AI作为某种同事加入组织结构图，与人们并肩工作，直接为现有的人类管理者和高管工作。它开始时承担这个任务和那个角色。随着时间的推移，它执行更广泛的职能，向更高层汇报。
在我们之间。最不直观的情况：人类在上，人类在下，AI在中间。它协调和监督工作，执行高管的愿景，同时认可有进取心的员工的独特贡献。
这些场景都不会完全如我们所描述的那样发展，但我们认为所有三个场景的各个方面都会成真。所有三个场景已经在以微妙的方式发生。
我们在这里关注的不是完全自动化，而是转型中的经济。我们感兴趣的是，随着AI的改进并融入现有组织，嵌合体公司将会是什么样子。
我们认为混合公司概念上很重要，因为AI的生产性采用不是瞬间的。当模型只完成一部分任务时，熟悉工作的基层员工可能最容易采用。一旦模型端到端地执行广泛职能，高层可以直接使用它们。在我们看来，更有能力的AI更容易被采用：公司必须学习技术，但劳动力学习公司并可以自我入职。
我们将剖析三种新的组织结构图类别，然后研究它们对官僚作风、工人能动性、公司规模和薪酬差距的未来意味着什么。
晋升
我们的第一个场景似乎最不具颠覆性。在这里，人们留在相同的座位上，拥有相同的汇报线，表面上做与以前相同的工作。人类组织结构图在今天和这个未来之间看起来没有变化。
不同之处在我们之下。在每个个人贡献者之下，一个新的AI劳动力向每个人汇报。我们的组织结构图多了一个地下室，我们都成为管理者。
起初，这个地下室是未完工的。我们每人从一两个代理开始，与其说是经验丰富的员工，不如说是我们必须监督并随时原谅的热切实习生。我们的期望很低：在这里发一封电子邮件，在那里起草一份备忘录，到处回复Slack消息。像初级人类员工一样，他们开始时几乎没有自主权和信任。
但随着模型改进，我们的代理在更少的监督下承担更多任务。它们相互协调。可能有经理AI和基层AI，会计师和律师，都在你的指挥下一起工作。远非手把手指导实习生，你的运营最终看起来像一家小型公司，有自己的组织结构图，而你是它的董事会。
Jace仍然在他的公司做会计，但他不再点击电子表格了。他的代理下属做这些。Jace的工作更像几年前他经理的工作。而他的经理现在有更大的职责。
Jace的日常工作完全改变了，现在专注于沟通、协调和创造力。他工作更少，感觉更有挑战性。他的工作生活有更多变化，他以领导技能和以前无法展示的愿景来区分自己。
会计团队没有缩小，因为公司其他部分也提高了生产力，并且比以往任何时候都需要更多的会计工作。代理还不能做他团队做的所有事情。高管们对组装财务数据一窍不通，需要他的领域专业知识来有效使用代理。
没有解雇的自动化
注意这个场景如何不意味着裁员。在这里，我们采用AI而不自动化我们自己。我们反而自动化我们过去的自己，并在层级中向上移动。AI承担越来越多我们过去做的事情。我们的工作保留下来，因为有更多要管理，我们对更大的产出总和承担责任。
工作不是静态的。假设 AI 能完成你以前所做工作的百分之九十。你可能会得出结论，你只剩下百分之十的工作。另一种可能性是，你仍然在做一份完整的工作，只是换了一份不同的工作——现在聚焦于一个十倍大的目标。这就是技术的经典馈赠：生产力提高，雄心随之提高以与之匹配，工资也能随雄心而上涨。
这一切都取决于我们是否仍然为生产增加价值。本文聚焦于未来几年，那时自动化尚未普遍具备能力或普遍被采用。即使 AI 能做所有事情，我们可能仍然更看重某样东西，因为它是人做的，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，我们不在乎十倍多的产出，均衡将转向更少的工人或更少的工作时间。从历史上看，产出的增加并没有让我们满足。我们拥有的多得多，但工作只少了一点点。如果我们的胃口随着产出成倍增长而继续增长——并且我们仍然对生产有增益——我们将选择继续用劳动换取更多消费。如果生产变得如此充裕以至于我们满足了，我们可能会自愿提供更小的劳动力。
我们稍后会讨论更多反对意见（例如，我们是否会有更多数量的小公司）。我们仍然认为这个场景很重要，因为采用必须从某处开始。公司需要一种从当前组织结构稳定演进的方式。加强现有员工的工作可能是比全面重组更容易的第一步。我们今天就能看到这一点在发生：一个接一个的工人把工作委托给 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
这个场景依赖于一线员工先招聘。基层员工——而不是管理者和高管——在 AI 采用上领先。这似乎很可能，只要最能让 AI 完成工作的人就是以前自己做这项工作的人。
模型已经可以自动化许多数据科学任务，但一个不熟悉方法和细节的部门负责人将难以利用这些工具。在 AI 变得足够主动、能告诉你你不知道的东西之前（见我们的下一个场景），它可能对已经熟悉工作如何完成的人效果最好。
入门级不再是最低级别
这个场景中最大的变化是针对入门级员工。将不再有最低的一级，至少对人类来说没有。当我们雇用年轻人时，不会是为了把他们放在公司最枯燥的底层。那些职位将由不介意的东西来填补。
这样一来，我们失去了一些教育年轻工人的传统途径：学徒制、通过苦差事学习、积累资历。这些是真实的成本，但我们主要把这视为一种特权。最有想法的新人也有资源去实验。公司里最古老的借口，我们就是没有人力，正在消亡。一个初级员工脑子里有一个很棒的视频游戏想法却没有途径获得人手，现在可以直接把它做出来。
在我们看来，这种“晋升”场景仍然有很多东西供初级员工学习——判断力、品味、管理肌肉和创造性视野。我们将有动力培养这些技能，因为它们会体现在我们的工作成果中。我们仍然会边做边学，但在更高的范围层次上。公司前辈仍然有动力作为负责任的管家（在我们的成功中拥有股权）来帮助我们。这里的机会是让每个层级的每个人都扮演更令人兴奋的角色。任何工人都可以用更大的职权范围展示自己的才能，这对完全没有职权范围的入门员工最重要。
交织
AI 进入公司的第二种方式编织穿过现有的组织图。在这里，代理不是渣滓而是同事。一个传统管理者把团队工作的一部分交给模型，就像她可能委托给任何员工一样。AI 把自己插入到人类旁边，而不仅仅是在他们下面。
与第一个场景的关键区别：在这里，生产性 AI 由现有的人类管理者采用，而不仅仅由当前的个人贡献者采用。要做到这一点，它必须足够胜任，成为一个完全成熟的团队成员。
Sheila 是一家家具公司的副总裁。她从未运营过广告活动。她给一个 AI 营销团队预算和一张要卖的新沙发。它把发布任务分配给自己的代理。一些代理采访销售人员。另一些与工厂协调他们实际能交付什么。一个子代理发起在线调查，另外几个制作不同视觉风格的原型。
草稿和修订在他们之间传递，不经过她的办公桌。她的人类销售和设计团队仍然向她汇报，与营销代理团队并肩。周一，她收到一份要批准的活动方案，以及一个关于照片是否让沙发看起来太蓝的问题。如果没有广告专家主动指出，她永远不会意识到这种细节。她授权代理与人类摄影师协调重新拍摄。
范围自动扶梯
人类是通才。锤子有助于一项任务；人类做的远不止这些。AI 从工具到劳动力的旅程是一个不断扩大的范围：自动化任务，然后是工作，然后是团队，最后是公司。范围每上升一步都需要更广泛的能力。
一份工作就像一只装满许多任务的手提箱。对于整个团队来说，这只手提箱塞满了各种不同的工作。职责范围内的任务越多，意味着潜在的瓶颈越多。如果团队中哪怕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。要成为整个团队的即插即用替代品，AI 必须能够胜任其所有各种职责。
能够处理更大范围的 AI 更难构建。但对于公司来说——而这是整个转型的核心不对称之处——更大的范围反而更容易采用。
端到端自动化的团队或广泛职能可以由高管直接采用。能力范围较窄的工具则无法如此简单地自上而下实施。较简单的工具依赖于整个员工队伍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，新技术使完成一组限定任务变得更便宜。然后负担转移到买方身上。公司必须弄清楚如何利用新工具，并且必须围绕它再培训、重组和重建其流程。电子表格软件并没有自己安装到会计部门——是会计部门围绕软件重塑了自己。
劳动力则相反。实习生、员工和一个优秀的团队会想办法对你有用。他们会询问你，吸收你的背景信息，注意到你的需求。他们会告诉你一些你甚至没意识到自己不知道的事情。最好的劳动力会自我入职。
在这个意义上，AI 越像劳动力，越具有主动性和适应性，公司就越不需要学习如何驾驭它，而它就越能弄清楚如何对公司有用。高管大概不会坐下来听一堂设计软件入门课来学习新工具。但他会乐意接受这样一个提议：说一声，我就把你的整个营销职能搭建起来。
这不是一个独狼经济
我们常常把 AGI 的圣杯定义为自动化一份工作。诚然，我们甚至还没有达到那一步。工作之所以如此极其复杂，是因为我们如此令人惊叹地有能力。即便如此，我们经济产出中很少来自独狼式工作者。生产性工作贡献于团队，团队贡献于公司，而公司生产了我们消费的几乎所有东西。
AGI 的“工作”标准没有给予我们人类足够的认可。劳动力不仅仅关乎任务，甚至不仅仅是处理非例行部分：我们的劳动力还关乎巨大的协调，关乎我们为更大产出做小部分工作的可塑性。把我们仅仅当作一袋袋任务来出售，是贱卖。人类的能力更多在于我们的组织，而非个人。一个经济上的 AGI 必须达到人们的标准，而不是个人的标准。
因此，如果 AI 仍然像工具、甚至像工作者，而不是像团队或像公司，那么“交错”情景可能相当低效。在每个工作者旁边楔入一个模型意味着一千个接缝和交接。这种零散的设置可能会减缓采用。
我们看到早期能力较弱的实现与后期能力更强的模型之间的一场竞赛。胜者取决于未来模型的采用速度是否快到足以抵消达到这些能力所需的额外时间。
到目前为止的两种情景
这种“交错”情景可以与第一种“晋升”情景共存。我们可能会看到公司随着 AI 自动化某些职能而缩小其人员规模，而剩余的人类则在其代理劳动力的协助下获得更广泛的授权。重要的是，仅就这一情景本身而言，它并不意味着整体人类就业减少。我们可能会发现自己拥有更多公司，每家公司的员工人数更少。
分层
我们的第三种情景最为令人困惑。在这里，AI 进入公司是在人的上方。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，尤其是作为公司采用的起点。但我们认为，以不那么激进的方式，这已经开始发生了。
首席执行官 Asha 收到她的 AI 咨询顾问的提醒，说即将到来的发布有问题。它已经调查了该问题，发现销售承诺了一项工程部门并未在构建的功能。证据是从 Slack 中的普通工作线程中提取的；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 咨询顾问建议她推迟发布并重新分配三名工程师。它还注意到，在家办公的工程师 Sarah 已经为该项目构建了一些有用的基础设施，尽管没有人要求她这样做。咨询顾问确保 Sarah 的主动贡献得到认可并传达给 Asha。Asha 打电话给 Sarah，感谢她超越职责的付出，并通过指定她为新工作的工程负责人来表彰她。
梯子可能从顶部烧起
即使我们把 AI 视为认知劳动的机械化者，我们往往也关注较低的层级。我们通常说 AI 自动化电子表格和幻灯片，而不是管理。我们的直觉是自动化沿着层级向上攀升：认知苦工在先，判断力最后，而管理者是最后的堡垒。
但管理者的工作在很大程度上发生在电脑上和头脑中：阅读、开会、权衡、保持上下文、做决策。亲临现场、巡视办公楼层、待在员工身边是有价值的。然而，与原子和工具纠缠更多的，是基层工作，即使它主要是认知工作，而不是管理。实习生被派去复印机，而不是他的老板。
管理决策很难教给模型，因为成功是模糊的，并且是在长时间跨度上衡量的。正是出于类似的原因，培养优秀的人类管理者也很难。我们尚不知道模型在管理方面有多好。我们有很多针对以执行为重点的认知劳动的评估，但很少有评估能捕捉到管理者和高管层面的大规模协调。
仍然值得考虑的是，今天的模型在能力上可能实际上比基层工作者更接近人类管理者。一些管理职能可能会在其所监督的工作之前实现自动化。
随时随地都有顾问
也许这种“分层”情景的完整版本是：AI 负责思考，然后用向其汇报的人类承包商来填补其能力缺口。那个世界对我们来说似乎相当陌生。很多事情都需要改变。
但有一种更有机的化身，它的开场戏已经上演：咨询。如今，一位高管可以让 ChatGPT 阅读她公司范围内数百个 Slack 频道、文档、信件和代码文件，然后回答问题。这个团队到底做什么？那个脆弱性出现在哪里？组织的每个部分对她来说都越来越可解析。
高管们长期以来一直在组织架构图中穿插雇佣兵式的中间人——他们称之为咨询。管理咨询公司会短暂而昂贵地为你分层。今后，AI 顾问可能会变得极其便宜且无处不在。
模型才刚刚开始可靠地解析公司文档和通信。它们的品味和主动性必须成熟。目前，ChatGPT 帮助有动力的高管更详细地了解她的组织。我们看到它最终会成为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。它将利用商业专业知识扫描一切，主动浮现痛点并帮助分诊。
这是有益还是有害将取决于高管。结构性效应是集中化。我们看到这缩短了最高管理层与公司主体之间的距离。它将更多权力赋予高层，而信息摩擦过去曾有利于更分散的决策。
我们认为这一情景意义深远，不仅因为它如何转移权威，还因为 AI 作为咨询顾问的采用可以多么容易。就像传统咨询一样，AI 咨询不需要高管具备技术敏锐度。这不是那种由任何会打字和用终端的人从下面采用的计算机。你只需与你的顾问交谈，它就会处理技术诀窍。这一采用浪潮可以从角落办公室开始。反过来，咨询公司可以加速整个组织其余部分的 AI 采用。
不断演变的雇佣合同
公司不信任远程工作和合同工的一个原因很突出：可执行性。公司从来没有廉价的方式来观察工作的进行及其应有的丰富性。因此，他们衡量其哑剧，计算点击次数、鼠标晃动、绿色状态点，这些信号与是否正在进行好的工作如此脱节。
AI 提供了一种理解的监控器。它可以查看一个人产出的东西，并识别出朝着更大目标的真正进展。正如我们在下一节中探讨的那样，任何新的监控都绝不能轻率实施。但是，在适当的情况下，它可以增加信任并鼓励公司给予员工更多自由。
如果监控器理解通往良好工作成果的许多不同路径，员工就可以更多地按照他们想要的方式工作。朝着好结果的进展将更重要，而不是老板容易追踪的一种规定方法。智能监控器提供灵活性，并惩罚我们都厌恶的表演性生产力。
这里的价值主张类似于保险公司在你安装汽车追踪器时降低费率。如果你试图钻系统空子，这会伤害你；如果你只是在做你的工作，监控器可以证明你清白，管理层会更信任你。
这种信任是生成性的。我们可能会看到，以前不愿接受混合工作、不愿接受非正统头脑、不愿接受合同工或不愿在遥远国家雇用优秀人才的公司，出现新的意愿。
如今，基层员工对组织架构图有许多问题。无法将我们亲眼看到的问题沿着梯子向上反映，这极其令人沮丧。被困在无能的经理手下，或者做了出色的工作却不被认可，这是不公平的待遇。
我们认为上一波商业超优化是建立在有限的数据、粗略的指导方针和愚蠢的算法之上的。如果你只能处理齿轮比，那么每个人看起来都像一个齿轮。公司长期以来一直存在劳动力衡量问题。智能监控器可以识别当今粗糙指标所遗漏的有价值的贡献和独特的方法。
四个大问题
从三个风格化情景中汲取素材，我们现在探讨关于公司未来的一些决定性问题。
公司的繁文缛节会更多还是更少？
构建通常相当昂贵。一个应用、一部电影、一份演示文稿、一个功能、一项分析：这些都很昂贵、缓慢，而且重做起来令人痛苦。当你实际上只有一次机会时，你会把精力投入到瞄准上。有规划周期、路线图仪式和签核委员会，都是为了确保当公司最终说“开始”时，它瞄准的是值得做的事情。我们层级结构中的许多检查之所以存在，是因为执行曾经很宝贵。
在许多领域，AI 正在大幅降低构建的成本——至少降低到原型制作的水平，甚至可能降低到最终完成的水平。我们认为公司的方法也应随之转变：少瞄准，多开火。公司可以构建一个原型、观察、快速学习、重新调整方向，然后再构建一次。轻松原型制作应使公司远离那些支撑规划密集型生产的制度。
最简单的版本是一个迭代更快的团队。在更激进的一种解读中，团队本身也受到质疑。如果协作规划变得不那么重要，而不相关的多元想法变得更重要，那么是拥有一个快速迭代的单一团队更好，还是让许多个人各自提出自己的可用原型更好？如果一个真正的原型比任何范围界定文档都能更好地传达愿景，我们的沟通规范会改变吗：更早、更多地分享，并分享工件而不是备忘录？
廉价的构建可能使公司倾向于个人。这将意味着更少的中层管理层级和更少的请求许可，因为过去请求许可比做事更便宜，而现在不再如此。
尽管如此，正如我们接下来所讨论的，赋予个人以更低风险制作原型的同一项技术，也可以施加更多繁文缛节。
员工将拥有更多还是更少的自主权？
公司实行自上而下管理的一个主要原因是，人们相信高管比初级员工做出更好的与业务相关的决策。公司为高层的高能力资深人士支付更多薪酬，管理者通常接受商业战略培训，而个人贡献者则专注于自己的专业领域。如果 AI 为所有员工提供出色的建议，决策质量的差距就会缩小。管理者干预的理由就会减少。这将增加员工的自主权，并可能减少管理层级。
同样，“AI 咨询”确保在没有提醒高管的情况下不会发生任何后果严重的事情。如果一名员工即将发布一篇对公司有严重影响的博客文章，咨询系统会主动向高管标记此事。这带来了信任：管理层不必担心在他们不知情的情况下发生重大失误，因此他们不必对员工如何开展工作保持如此严格的管控。
但 AI 咨询是一把双刃剑。它可以作为一种智能监控器，向员工灌输更多信任；它也可以在整个组织中更有力地强制执行 CEO 偏好的做事方式。公司重视一致性：不仅是好的决策，而且是与公司文化、品牌和规模经济相容的决策。一家连锁餐厅可能希望其各加盟店采用统一的菜单，以便批量订购食材，并让顾客期待一致的产品。
与此相关的是，公司老板的激励并不总是与员工一致。员工为其所在领域的成功而优化，而高管关心的是公司整体。股权所有者与工薪劳动者的偏好不同，因为他们收获更努力工作的回报。咨询系统可以强制执行对高层规定的特定方案的更严格遵循。
我们的观点是，净而言，员工将获得自主权。我们的乐观基于公司利用 AI 标记重大例外，同时将更多决策留给员工。
我们相信 AI 将充当脚手架——即使高管希望保持一致的品牌，这也只是在其内运作的约束。员工更好地意识到起作用的业务约束，并更好地获得在这些限制之外发挥创造力的保障。在基础得到覆盖的情况下，高管可以让员工尝试可能有利可图的新方法。在我们下方有 AI 助手辅助，员工也将负责更实质性的产出。当掌控更复杂的工作时，我们看到更多创造力的机会。
公司会缩小还是扩大？
关于员工自主权的同样逻辑也适用于公司规模。Ronald Coase 问为什么我们在公司内部组织生产，而不是通过合同网络。甚至一架飞机也可以纯粹通过点对点合同来建造，但那样会非常低效。公司汇集规模经济、对齐激励、组织大型项目，并免除了不断讨价还价的需要。
通过简化沟通，AI 可以使更大或更小的公司变得合理。古典公司是向上传递信息和向下传递指令的基础设施，充满摩擦和传话游戏。如果 AI 充当协调层，更大的公司（拥有更多人类员工）就不那么笨重。借助“AI 咨询”，一位高管可以像创始人了解一个二十人初创公司那样了解她的公司。她可以观察一项举措的实施，而不是等待其季度汇报，并在发生任何事情时收到通知。她的愿景可以更广泛地渗透。每个人都更清楚其他人在做什么，以及组织的总体优先事项。
它也可能以相反的方式起作用。如果沟通无摩擦且合规更可监控，公司就不需要将那么多供应链内部化。公司可以更好地信任外部供应商和承包商。
纵向整合的一个主要动机是对齐激励。有一种不完全合同的理念——一家航空航天公司可以与一家喷气发动机公司签订合同，但对于合同中未明确要求的一切，喷气发动机公司都有动机偷工减料并只顾自己的底线。为避免这种情况，航空航天公司收购了喷气发动机公司。就像员工和老板一样：如果合同更可监控，并且通过智能仲裁而非勾选复选框来执行，公司可能更愿意依赖其他公司。将所有事情都内部完成的理由会更少。
我们预计会看到许多较小的公司，但也会看到庞大的 AI“控股公司”，其中大量不同的项目在一家企业内进行。在企业集团中，当所有不同项目都利用某种共同资产时，这种集团形式才具有经济性。这种共同资产可以是算力，尽管算力可以很容易地按小规模临时配置。共同的工厂或机器人队伍是更好的动机。
大型“控股公司”也可以通过对齐的激励来证明其合理性。如果一个由 AI 和资本组成的大型组织完全致力于一项共同使命——比如治愈癌症——那么对单独的小型倡议的需求就会减少。一家 AI 公司可以避免权力斗争，共享所有信息，并在需要时在其代理之间实例化创造性多样性，以便探索不同的路径。
薪酬差距会扩大还是缩小？
当今的制度本应奖励杰出的员工。他们逐级晋升并获得更好的报酬。但在一个拥有卓越模型顾问的世界里，员工将如何脱颖而出？
如果 AI 给每个人同样出色的想法，我们区分彼此的机会就更少。薪酬差距应该会缩小。
与这种压缩相抗衡的是判断力、品味和范围。如果我们每个人都领导着下属的 AI 公司，那么剩余的人类价值就是我们的决策。如果每个人都负责其下属的更大工作，那么良好判断与糟糕判断之间的差异就会更加响亮。
我们长期以来一直将这一逻辑应用于组织架构图的顶端。我们用这样的理念来证明CEO 薪酬的合理性：高层稍微更好的决策可以对底线产生巨大影响。如果一些员工能更好地管理其下属的 AI 公司以部署稀缺资源，薪酬不平等可能会加剧。
利害关系越大，你相对于他人的微小优势就越会体现在你的薪水中。另一方面，AI 会给每个人提供好的建议。更少的差异化会压缩薪酬分布。
在这里和其他地方，主导力量或许将取决于我们主要是在提供判断，还是在遵循判断。
