OpenAI长文：AI进公司先变的可能不是岗位 而是谁管谁

一个人开始用 AI 工作，最初往往只是想少做一点杂活：整理资料、写初稿、检查表格。用得熟练之后，交出去的事情越来越多，自己花在安排任务、检查结果、决定下一步上的时间，也跟着增加。

职位没有变，工作却开始有点像管理了。

这种变化如果发生在整家公司里，会是什么样？员工各自带着一支 AI 团队，管理者直接把业务交给智能体，甚至由 AI 介入上下级之间，负责发现问题、协调工作——公司的组织架构，可能也要跟着调整。

在 OpenAI 官网发布的《The future of the firm》（公司的未来）一文中，作者 Hemanth Asirvatham、Elliott Mokski 从自己的工作经历出发，讨论了 AI 进入公司组织架构的三种方式，以及这些变化可能如何影响新人培养、管理权力、公司规模和收入差距。

文章提出，AI 可能从三个位置进入公司的组织架构：在员工之下，成为由每个人管理的助手，逐渐组成一支微型团队；在员工身旁，成为直接接受管理者安排的同事，承担越来越完整的业务；在人与人之间，成为连接高层与一线的协调者，发现沟通错位、跟进工作，也让被忽略的贡献得到认可。

这三种变化并不互相排斥。一家公司里，可能有人开始带领 AI 团队，有人和 AI 同事合作，也有人需要接受 AI 的工作反馈。AI 改变的因此不只是做事的速度，还包括员工怎样成长、管理者怎样分配工作，以及公司的决定权会向哪里转移。以下是文章的重点内容整理。

职位没变，每个人却开始带团队

两位作者在 OpenAI 开始管理各自的“团队”时，都只有24岁。

听起来像是很早就当上了主管，但团队成员并不是人，而是 AI。

按照传统的职场路径，年轻人通常从底层做起：记会议纪要、写材料、处理琐碎任务。熬过几年，才有机会承担更大的责任。现在，刚进入职场的人，也可能已经有了一批可以调遣的“员工”：它们不分昼夜地工作，擅长处理基础任务，有些模型甚至具备数学奥赛金牌级别的解题能力。

这些助手仍然会犯错，但也在逐渐熟悉使用者的要求。人则在学习怎样安排它们的工作。

两位作者这样形容自己的处境：并不是自己沿着管理阶梯爬了上去，而是管理工作来到了自己所在的那一级。

这也是 AI 进入公司的第一种可能：所有人的位置和汇报关系暂时不变，只是在每个人下面，多出了一层 AI 劳动力。

一开始，每个人只有一两个智能体。它们更像需要监督的实习生，负责发邮件、起草文件、回复工作消息。随着能力增强，智能体承担的任务越来越多，也开始彼此协作。负责管理的 AI、负责执行的 AI，以及会计、法律等不同专业的 AI，可以组成一支小团队。

到那时，一个人管理的可能已经不只是几个助手，而是一家微型公司，自己则像这家公司的董事会。

假设一名会计把操作表格的工作交给智能体，自己的精力便可以更多地放在沟通、协调和判断上。职位没有变，日常工作却越来越接近过去的主管；原来的主管，则可以负责更大范围的业务。

在这个设想里，会计团队没有缩小。因为公司的其他业务也变得更高效，产生了更多财务需求。同时，AI还不能包办所有事情，高管也不熟悉财务数据的具体处理方法，仍然需要会计的专业知识。

这说明，自动化并不只有裁员这一种结果。

假设 AI 能完成一个人过去90%的工作，不一定意味着这个人只剩下10%的事情可做。另一种可能是，工作内容变了，负责的目标却扩大到了原来的十倍。

被自动化的是过去的工作方式，人则开始负责更大的产出。

但这种结果有条件：人必须继续为生产创造价值，市场也必须愿意消化更多产品和服务。如果需求没有跟着增加，企业仍然可能减少员工，或者缩短工时。历史上，人们拥有的商品和服务大幅增加，工作时间却只减少了一部分；未来是否还会如此，不能直接下结论。

在转型初期，让员工先用 AI 扩大自己的能力，可能比彻底重组公司更容易。尤其当模型还需要详细指导时，最懂得如何指挥它的，往往正是原来亲手做这项工作的人。一个不熟悉数据分析细节的部门负责人，即使拿到模型，也未必比一线分析师更会用。

新人受到的影响尤其大。

如果基础工作交给了 AI，年轻人可能不必再从最琐碎的位置做起。但过去靠做杂活、跟着前辈学习、逐渐熟悉业务的路径，也会被削弱。这是实实在在的代价。

与此同时，有想法却没有人手的新人，也获得了更多尝试机会。脑子里有一款游戏，过去可能只能等预算、等团队，现在则可以先做出来。

在作者看来，新人仍然需要通过实践学习，只是练习的内容会更多地转向判断、品味、管理和创意方向。资深员工也仍然有理由培养新人，因为新人的成长会影响整个团队的成果。

越能包办整项业务的AI，企业反而越容易采用

第二种可能是，AI 不再只是员工的助手，而是直接进入现有组织，成为与人类并列的同事。

管理者可以像给员工安排工作一样，把一部分任务交给智能体。随着能力增强，交出去的范围可能从一个任务，扩大到一个岗位，再到整个团队承担的业务。

再设想一家家具公司：一位没有做过广告营销的副总裁，把预算和推广新沙发的目标交给一个AI营销团队。

智能体自行分工：有的向销售人员了解情况，有的联系工厂确认供货能力，有的发起线上调查，还有的尝试不同的视觉方案。草稿和修改意见在团队内部流转，不需要每一步都交给副总裁处理。

到周一，副总裁收到的是一份等待批准的营销方案，以及一个需要决定的问题：照片是不是把沙发拍得太蓝了，是否应该安排摄影师重拍？

不熟悉广告业务的人，未必会主动注意到这个细节。但一个合格的团队，应当能发现问题，再把需要决策的部分交给负责人。

这里包含一个看似矛盾的判断：能够承担更大范围工作的AI，更难开发，但可能更容易被公司采用。

原因在于，工具和团队带来的使用负担不一样。

买来一套软件，企业需要研究怎么用、培训员工，再围绕它调整流程。电子表格软件并不是进入会计部门就自然产生价值，而是会计部门逐渐学会围绕它组织工作。

一个合格的员工或团队，则会反过来了解公司：询问背景、熟悉业务、发现需求，甚至提醒负责人注意那些尚未意识到的问题。

AI 越具备这种主动性和适应能力，公司就越不必费力研究如何使用它。高管未必愿意从头学习一套设计软件，却可能愿意接受这样的提议：告诉我目标，我来帮你搭起整个营销业务。

当然，能完成某项任务，距离承担整个团队的责任还很远。

一个岗位包含许多任务，一个团队又包含许多岗位。任何一个关键环节做不了，都可能成为瓶颈。如果其中涉及现实世界里的操作，还需要相应的设备和执行能力。

更重要的是，经济活动并不是无数个单独工作的人简单相加。人要在团队中协作，团队要共同完成公司的目标。把一个岗位拆成一袋任务，容易低估其中的协调能力。

如果 AI 只能分别帮助每个员工，却不能处理交接和配合，人和模型之间可能出现更多需要沟通的接口，反而拖慢整个流程。

因此，早期、能力较窄的工具，与未来、能力更全面的模型之间，存在一场竞争：前者先进入企业，后者虽然来得晚，却可能更快融入工作。

这两种组织形态也可以共存。一家公司里，一部分业务由 AI 团队承担，剩下的人各自带着智能体，负责更大的范围。单家公司的员工数量可能减少，但这并不能直接证明全社会的就业一定减少，因为公司数量也可能增加。

管理者未必是最后被自动化的人

第三种可能最反直觉：AI介入上下级之间，成为协调工作的一层。

组织结构不再只是“人管机器”，而可能出现“人—AI—人”：高层借助AI了解业务进展，员工的工作也会经过AI的协调、检查或反馈。

比如，设想一家公司即将发布新产品，CEO却收到AI顾问的提醒：销售团队向客户承诺了一项功能，工程团队却根本没有开发。

没有人专门提交报告，也没有人意识到两个部门的理解出现了偏差。AI从日常工作消息中发现问题，随后建议推迟发布，并重新安排三名工程师的工作。

同时，AI还注意到，一名远程工作的工程师已经主动为项目搭建了部分基础设施。这项原本可能被忽略的贡献，被传达给CEO。负责人因此联系这名工程师，表示感谢，并安排其牵头推进后续工作。

这个设想挑战了一种常见看法：自动化会从基层逐步向上，先处理表格、文档和幻灯片，最后才轮到管理和判断。

但管理者的许多工作，同样发生在电脑上：阅读材料、参加会议、权衡信息、理解背景、作出决定。相比之下，一线员工即使主要从事脑力劳动，也往往需要更多地与现实中的设备和具体流程打交道。

作者提出的只是另一种值得考虑的可能：某些管理职能，可能比它所管理的具体工作更早实现自动化。

更容易率先出现的形态，是 AI 顾问。

在获得相应访问权限的情况下，模型可以帮助高管阅读公司内部的工作消息、文件和代码，回答某个团队究竟在做什么、问题在哪里出现。随着理解能力和主动性增强，这种服务可能逐渐接近一支常驻的咨询团队。

传统咨询公司也会介入组织、整理信息、给出建议，只是通常价格高昂，而且服务有时限。AI 顾问则可能成本更低、长期在线，也不要求高管自己掌握复杂技术。

它带来的结构性变化，是高层与具体工作之间的距离缩短了。

过去，信息逐层传递，需要汇报、解释和筛选，也因此给各层管理者留下了决策空间。如果高管能够直接了解更多细节，一部分权力就可能重新集中到上层。变化是好是坏，很大程度上取决于掌握这些信息的人怎样使用它。

工作评价也可能随之改变。

企业担心远程办公和外部合作，有一个原因是很难判断工作究竟做得怎么样。于是，有些管理方式依赖鼠标移动、点击次数、在线状态等信号。这些指标容易记录，却不一定反映真正的进展。

如果 AI 能理解工作成果与整体目标之间的关系，企业就可能更重视结果，而不是员工是否遵循了某一种容易监控的工作方式。

这或许有助于远程办公、灵活用工，也可能让不善于展示自己、但确实做出贡献的人更容易被看见。一线员工发现的问题，也可能不再被困在汇报链条中。

不过，作者同时强调，新的监督方式不能轻率推行。更强的理解能力，既可以帮助企业建立信任，也可以被用来实施更密集的监控。

干活更容易了，请示和审批会减少吗

公司的很多流程，建立在一个过去很合理的前提上：执行很贵，返工更贵。

开发应用、制作影片、增加功能、完成一份分析，都要投入时间和人力。为了避免走错方向，公司需要开规划会、排路线图、逐级审批，尽量在正式动手前，把事情想清楚。

AI 正在降低一部分制作成本，至少让原型更容易完成。于是，公司的工作方式也可能调整：先做出一个版本，观察结果，再修改方向，不必把所有判断都放在开工之前。

这甚至可能改变团队的组织方式。

与其让一支团队长时间讨论一个方案，是否可以让几个人各自做出原型，再拿成果比较？如果一个能运行的东西，比一份需求说明更容易表达想法，沟通时是否应该更早展示作品，而不是反复修改文件？

过去，请示通常比动手便宜。以后，在某些低风险、低成本的尝试中，先做一个版本，可能比等批准更省事。

但审批不会因此必然减少。同一套 AI，也能把公司的规则执行得更细。

员工能得到更好的建议，管理者就可能少介入具体决定；AI 能及时提醒重大风险，高层也可能更放心地把日常判断交出去。比如，一篇准备发布的文章如果可能给公司带来严重影响，系统可以提前提醒负责人，而不必要求所有内容都经过同样繁琐的检查。

另一方面，管理者也可能借助 AI，让所有人更严格地遵循指定做法。

公司关注的不只是单次决定好不好，还包括它是否符合整体品牌、文化和经营安排。连锁餐厅坚持统一菜单，不只是限制门店发挥，也关系到原料集中采购和顾客体验一致。

员工希望自己负责的领域做好，高管需要考虑整个公司；股东与领取固定工资的人，对额外努力所带来的收益，也有不同感受。这些利益差异，不会因为有了 AI 就消失。

两位作者总体上更倾向于认为，员工会获得更多自主权。但这种乐观有明确前提：企业主要用AI识别重要例外，而不是干预每一个日常决定。

在这样的安排下，员工更清楚业务边界，也能在边界内尝试新的方法；管理者知道重大问题会被提醒，因而更愿意放手。

小公司和大公司，都可能找到新优势

AI 降低协调成本，究竟会让公司变小，还是变大？

原文借用了经济学家 Ronald Coase 提出的问题：为什么生产活动需要放进公司，而不是让所有人分别签合同、彼此交易？

理论上，造一架飞机也可以通过大量独立合同完成。但这样需要不断沟通、议价和协调，效率很低。公司把许多活动放在同一个组织中，可以统一目标、组织大型项目，并获得规模优势。

如果 AI 更善于传递信息、发现偏差，大公司可能更好管理。高管有机会像了解一家20人的初创企业一样，了解更庞大的组织：不必等到季度汇报才知道项目进展，有问题就及时收到提醒，员工也更清楚其他团队在做什么。

同样的能力，也可能让公司更愿意与外部合作，而不是把所有业务都收进来。

企业有时收购供应商，是因为合同无法把所有情况都规定清楚。例如，航空企业与发动机公司合作，合同没有明确约定的部分，供应商可能倾向于节省成本、优先照顾自己的利益。为了让双方目标更一致，企业可能选择直接收购。

如果 AI 能更好地理解合作过程、监督履约，并根据实际情况判断问题，企业或许会更放心地依赖供应商和承包商，不必事事内部完成。

因此，两位作者预计，未来可能同时出现更多小公司，以及开展大量项目的大型 AI 企业。

大型组织是否有必要存在，还要看不同项目能否共享重要资源。算力可以临时、少量购买，未必足以成为把所有项目放在一起的理由；共同使用一座工厂或一支机器人队伍，则可能更有价值。

统一目标也是一种理由。如果一个由 AI 和资本组成的大型组织都围绕“治愈癌症”工作，那么在作者设想中，它可以共享信息、减少内部权力争斗，同时让不同智能体探索不同路线，不一定需要拆成许多独立公司。

收入差距也存在两股相反的力量。

如果每个人都能从 AI 那里得到同样出色的建议，员工之间原有的能力差距可能缩小，薪酬差距也可能随之收窄。

但如果每个人都在管理一支 AI 团队，负责的业务范围扩大，那么判断、品味和资源分配能力之间的一点差别，也可能带来更大的结果差异。

今天，人们解释高管高薪时，常用的理由就是：身处重要位置，一个稍好的决定，也可能影响公司的大笔收益。如果越来越多员工都负责更大规模的工作，类似的放大效应也可能出现在更多岗位上。

AI让建议变得普遍，却可能让判断的后果变得更大。

究竟是哪股力量占上风，原文没有给出确定答案。它最后留下的分界是：未来的人，主要是在提供判断，还是在遵循判断。

这也是理解整篇文章的一条线索。AI进入公司之后，变化可能先出现在不太显眼的地方：谁先发现问题，谁有能力组织更多工作，谁的意见能更快到达负责人面前。

对员工来说，学会把任务交给 AI，只是其中一步。更值得留意的是，任务交出去之后，自己是否更理解业务、更能判断结果，也是否获得了相应的决定权。对企业来说，节省下来的执行成本，最终能不能变成更好的工作，还要看组织怎样安排学习、协作和责任。

原文链接：https://openai.com/index/the-future-of-the-firm/