[OpenAI] 公司的未来

智能时代

公司的未来

AI 可能以何种方式进入组织架构——在下方、在旁边、在我们之间。

作者：Hemanth Asirvatham 与 Elliott Mokski

作者按： 这是我们「下一代经济」系列中的第二篇文章，该系列是我们面向 AGI 未来的新平台的一部分，用于承载探索 AGI 未来的独立声音。本文反映的是我们自己的观点，而不是 OpenAI 或我们同事的。

我们俩在 OpenAI 开始管理自己的团队时才二十四岁。等你见过我们的团队，就不会觉得这有多令人惊叹了。

按理说，我们这个年纪应该是干杂活的。二十四岁，你还在公司阶梯的最底层。你负责记会议纪要、写几份备忘录。干上几年苦活之后，你（希望如此）才会被授予更大的职责范围。

我们的路径——以及今天许多年轻人的路径——正在变得不同。我们进入职场时，手上就已经有了听我们调遣的「员工」。这些副手日夜工作，周末和节假日也不停歇。它们擅长做杂活。我们甚至请了数学奥林匹克金牌得主来当员工给我们出主意。我们这些新下属仍然会犯该犯的错误。但它们在不断变好，学习我们的需求，而我们也在学习如何管理它们。

我们俩都没有沿着公司阶梯往上爬。管理层反倒降到了我们这一级。本文讲的是我们的晋升，以及在我们步入智能时代之际，公司还可能以哪些其他方式重组。

当 AI 进入公司，它会被安放在哪里？我们提出三个示意性的情形：

在我们之下。 所有人各守其位，而一层新的 AI 劳动力「地下室」在下方生长。我们人人都成了管理者。先是配助理，然后是幕僚长，最终每个人都辖下一整个迷你公司。每个人都获得晋升。

在我们旁边。 AI 以某种同事的身份与人并肩进入组织架构，直接为现有的管理者和高管工作。它从接手某项任务、某个角色开始。久而久之，它承担更广泛的职能，向更高层级汇报。

在我们之间。 最反直觉的一种：上面是人，下面也是人，中间夹着 AI。它负责协调和监看工作，贯彻高管的意图，同时认可有进取心的员工所做出的独特贡献。

这些情形都不会完全如我们描述的那样发生，但我们认为三者的某些方面都会成为现实。三者其实都已经以微妙的方式在发生。

我们关注的不是全面自动化，而是一个正在转型的经济体。我们感兴趣的是：当 AI 不断进步并嵌入现有组织之后，混合型的公司会是什么样子。

我们认为混合型公司在概念上很重要，因为对 AI 的高效采用不会一蹴而就。当模型只能做一部分任务时，最容易采用它的可能是熟悉这项工作的基层员工。一旦模型能端到端地承担宽泛的职能，上层管理者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：公司必须去学习技术，但劳动力会学习公司，并能自行完成上手。

我们将逐一拆解这三种新型组织架构，再考察它们对繁文缛节、员工自主权、公司规模以及薪酬差距意味着什么。

晋升

我们的第一个情形看起来破坏性最小。在这里，人们待在原来的位置上，汇报关系不变，表面上做着和以前一样的工作。从今天到那个未来，人类组织架构看起来毫无变化。

差别在我们的下方。在每位个人贡献者之下，都有一支新的 AI 劳动力向各自的上级汇报。我们的组织架构多了一层地下室，于是我们人人都成了管理者。

起初，这层地下室还没建好。我们每人先配一两个 agent，与其说是老练的员工，不如说是热情但需要我们监督、也容易原谅的实习生。我们的期待放得很低：这里发封邮件，那里起草一份备忘录，到处回复 Slack 消息。和人类初级员工一样，它们一开始既没有自主权，也没有信任。

但随着模型进步，我们的 agent 承担的任务越来越多，需要的监督越来越少。它们彼此协调。可能会有管理型 AI 和干杂活的 AI，有会计、有律师，全都按你的吩咐协同工作。你的这套运作最终远不止像手把手带实习生那样，它本身就像一家小型公司，有自己的组织架构，而你就是它的董事会。

Jace 仍然负责公司的账目，但不再在表格里点来点去。他的 agent 下属接手了这些。Jace 的工作更像是几年前他上司的工作。而他的上司，如今职责范围又更大了。

Jace 的日常彻底变了，如今集中在沟通、协调与创造上。他做得更少了，却觉得更有挑战。他的工作生活更多变了样，他靠领导能力和过去无从施展的愿景让自己脱颖而出。

会计团队并没有缩水，因为公司其他部分的生产力也在提升，对会计的需求比以往任何时候都更大。agent 还做不到他团队所做的一切。高管们对如何拼装财务数据一窍不通，需要他这个领域的专业知识才能把 agent 用好。

不发解雇通知的自动化

注意这个情形并不蕴含裁员。在这里，我们采用 AI，但并不是把自己自动化。我们自动化的是过去的自己，然后在层级中上移。AI 接手了越来越多我们过去做的事。我们的岗位之所以还在，是因为有更多东西要管，而我们要为一个更大的产出总和负责。

岗位不是一成不变的 假设 AI 能完成你以前工作的百分之九十。你可能会以为自己只剩下百分之十的工作量了。另一种可能是，你依然在做一份完整的工作，只是一份不同的工作——如今它的目标大了十倍。这正是技术带来的经典礼物：生产力上升，野心随之上升，而薪酬也能随之上涨。

这一切都取决于我们是否仍在为生产创造价值。本文聚焦的是未来几年——那时自动化还没有普遍具备能力，也没有被普遍采用。即便 AI 能包揽一切，我们可能仍会因为某样东西是人做的而更看重它，或者坚持要由人做最后决定。

这也取决于我们的胃口。如果作为消费者，我们并不想要十倍的产出，均衡就会转向更少的劳动者或更少的工作时间。历史上，产出的增长从未让我们满足。我们拥有的多得多，工作却只少了一点点。如果随着产出成倍增长，我们的胃口继续变大——而且我们仍然对生产有所增益——我们就会选择继续用劳动换取更多消费。反之，如果生产丰裕到让我们心满意足，我们也许会自愿贡献一支更小的劳动力。

我们后面还会讨论更多反对意见（例如，我们会不会拥有更多更小的公司）。我们仍然认为这个情形重要，因为采用总得从某处开始。公司需要一条路径，能从当前的组织结构稳定地演进下去。给现有员工的工作加把劲，可能比推倒重来更容易成为第一步。今天我们就能看到这种情形：一个又一个员工把工作交给 AI，而到目前为止还没有发生组织革命。

为什么采用可能从最底层开始

这个情形依赖于前线先招人。领跑 AI 采用的是基层员工——而不是管理者和高管。只要最懂得让 AI 干活的人，正是过去自己干活的那个人，这看起来就是很可能的事。

模型已经能自动化许多数据科学任务，但一个不熟悉具体方法和细枝末节的主管，要把这些工具用起来会很吃力。在 AI 变得足够主动、能告诉你「你还不知道什么」之前（见下一个情形），它大概最适合那些本来就熟悉这项工作怎么做的人。

入门级不再是最低一级

这个情形中最大的变化发生在入门级员工身上。将不再有最低的一级台阶，至少对人类而言不会有了。我们招年轻人时，不会再把他们放到公司最底层的苦活上。那些位置会由不介意干这活的东西来填。

这样一来，我们就失去了一些传统的培养年轻员工的路径：学徒制、靠干杂活学东西、在摸爬滚打中积累资历。这些都是实打实的代价，但我们主要把它看作一种特权。最年轻的新人有个好点子，就有资源去试错。公司里最老的那句借口——我们人手不够——正在消亡。一个脑子里装着绝妙电子游戏、却没有编制名额去实现的初级员工，如今可以直接把它做出来。

在我们看来，这个「晋升」情形里，初级员工仍然有很多东西要学——判断力、品味、管理的手腕和创造性眼光。我们会有动力去培养这些能力，因为它们会体现在我们的工作产出中。我们仍然会在做中学，但那是在更高的层次、更大的范围上。公司里的老前辈依然有动力作为负责任的管家帮助我们（因为我们的成功关系到他们的股权）。这里的机会是：每一级上的每个人都能获得更有意思的角色。任何员工都能用更大的职责范围展示才华，而这对那些原本根本没有职责范围的入门级员工尤其重要。

交织

AI 进入公司的第二条路径，是编织进现有的组织架构。在这里，agent 不是残渣，而是同事。一位传统管理者会把团队工作的一部分交给模型，就像她可能把活儿派给任何一位员工那样。AI 把自己插在人旁边，而不只是人下面。

与第一个情形的关键区别在于：在这里，高效的 AI 是由现有的人类管理者采用的，而不只是由当前的个人贡献者采用。要做到这一点，它必须足够称职，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。她从未操盘过一场广告投放。她给一支 AI 营销团队一笔预算和一款要卖的新沙发。这支团队把上市任务分派给自己的 agent。有的去访谈销售员，有的去和工厂协调他们实际能交付什么。一名子 agent 发起在线调查，另外几个则尝试不同的视觉风格。

初稿和修改稿在它们之间流转，从不经过她的办公桌。她的人类销售团队和设计团队仍然向她汇报，与那支营销 agent 团队并列。周一，有人递给她一个待批的投放方案，以及一个问题：照片是不是把这张沙发拍得太蓝了。若不是一位广告专家主动提醒，她永远不会注意到这种细节。她授权这些 agent 去和人类摄影师协调重拍。

范围升级的扶梯

人类是通才。锤子只能帮一个忙，人能做的事多得多。AI 从工具走向劳动力的过程，就是适用范围的不断拓宽：先自动化一项任务，再自动化一份工作，再自动化一个团队，最后自动化一整家公司。范围每上一个台阶，都要求更广的能力。

一份工作就像一个塞满许多任务的行李箱。对整个团队来说，这个箱子里塞满了各式各样的活儿。职责范围内的任务越多，潜在的瓶颈就越多。哪怕团队里只有一项关键任务涉及体力劳动，就需要一整套新的外围配套。要成为能直接插进去顶替整个团队的 AI，它必须在各项不同的职责上都能胜任。

能处理更大范围的 AI 更难造出来。但对公司来说——而这正是整个转型中最核心的不对称——范围越大，越容易被采用。

一个端到端自动化的团队或宽泛职能，可以被高管直接采用。能力范围较窄的工具，则没法这么简单地自上而下推行。更简单的那个工具，要靠全员的广泛认同和再培训。

公司学习技术；劳动力学习公司

新技术传统上会让一小撮特定任务变得更便宜。于是负担转移到买方身上。公司必须想办法用好这个新工具，并且必须围绕它重新培训、重新组织并重建自己的流程。电子表格软件并没有自己装进会计部门——是会计部门围着软件重塑了自己。

劳动力恰恰相反。一名实习生、一名员工、一支优秀的团队，会想办法让自己对你有用。他们盘问你、吸收你的上下文、留意你的需求，还会告诉你那些你自己都没意识到不知道的事。最好的劳动力能自己完成上手。

AI 在这个意义上越像劳动力——越有主动性、越能适应——公司就越不需要学习如何驾驭它，反而是它自己会琢磨怎么对公司有用。高管大概不会为了学一个新工具，去坐在那里听一堂设计软件入门课。但他会欣然考虑这样一个提议：你一句话，我就把你整个营销职能搭起来。

这不是独狼经济

我们常常把 AGI 的圣杯说成是自动化一份工作。诚然，我们连这一步都还没到。工作之所以如此异常复杂，正是因为我们如此令人惊叹地能干。即便如此，我们经济产出中来自独狼劳动者的比例仍然非常小。有产出的工作汇入团队，团队汇入公司，而公司生产着我们消费的几乎一切。

用「工作」作为 AGI 的标准，对人类的评价给得太低了。劳动力不只是关于任务，甚至不只是关于处理非例行部分：我们的劳动力还关乎惊人的协调能力，关乎我们把自己塑造成更大产出中的一小块的弹性。把我们说成装满任务的麻袋，等于贱卖了。人的能力更多在我们的组织里，而不在个体身上。经济意义上的 AGI 必须达到人们的标准，而不是某个人的标准。

因此，如果 AI 仍像个工具、甚至像个干活的人，而不是像团队、像公司，那么「交织」这个情形可能相当低效。在每个工人身边都塞进一个模型，意味着上千处接缝和交接。这种零敲碎打的安排可能会拖慢采用速度。

我们看到，在更早、能力更弱的实现和更晚、能力更强的模型之间存在一场赛跑。胜负取决于：未来模型的采用速度是否快到足以抵消达到那些能力所多花的时间。

目前来看的这两个情形

这个「交织」情形可以与第一个「晋升」情形并存。我们可能会看到，随着 AI 自动化某些职能，公司缩减人力规模，而留下来的人类在 agent 劳动力的辅助下承担宽泛得多的职责。重要的是，单看这个情形并不意味着总体就业人数下降。我们可能会发现公司变多了，每一家的人数却更少了。

分层

我们的第三个情形最让人费解。在这里，AI 进入公司时在人的上方。这个栈不再是「人压在机器上」，而是人、AI、人：一个自动化三明治。有些人要向 AI「汇报」。

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，这件事其实已经开始了。

CEO Asha 收到她的 AI 顾问团队的提示，说即将上线的项目出了问题。这支团队已经查过，发现销售承诺的一个功能工程部门没有在做。证据是从 Slack 上平常的工作对话里扒出来的；没有人给她写报告，甚至没人意识到两个团队之间的沟通失误。

AI 顾问团队建议她推迟上线，并重新调配三名工程师。它还注意到，一位居家办公的工程师 Sarah 已经在没人要求的情况下，为这个项目搭了一些有用的基础设施。顾问团队确保 Sarah 的主动贡献被认可并传达给 Asha。Asha 打电话给 Sarah，感谢她的超额付出，并指定她为这项新工作的工程负责人，以资嘉奖。

这架梯子可能从顶部烧起来

即便我们把 AI 看作认知劳动的机械化，我们往往仍盯着下面几级台阶。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会顺着层级往上爬：先啃认知苦活，最后才轮到判断力，而管理者是最后一道堡垒。

但管理者的工作大多存在于电脑和脑子里：阅读、开会、权衡、维持上下文、做决策。亲临现场是有价值的——巡视办公室各层、待在一线员工身边。然而，与原子和工具打交道更多的还是基层工作，哪怕它大多是认知工作。被支去用复印机的是实习生，不是他的老板。

管理决策很难教给模型，因为成功与否是模糊的，而且要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，也是出于类似的原因。我们还不知道模型在管理上有多强。我们针对以执行为主的认知劳动有大量评测，但很少有能覆盖管理者和高管那个尺度上的大规模统筹。

不过仍值得考虑的是，今天的模型在能力上其实可能比基层员工更接近人类管理者。有些管理职能，可能会在它们所监督的工作之前被自动化。

顾问无处不在，无时不在

也许这个「分层」情形的完整版本，是一种负责思考的 AI，再用向它汇报的人类外包人员来补齐自己的能力缺口。那个世界对我们来说似乎相当陌生。需要改变的东西很多。

但还有一个更自然生长的版本，它的开场戏已经上演：顾问。今天，一位高管可以让 ChatGPT 读完公司各处几百个 Slack 频道、文档、通函和代码文件，然后回答问题。这个团队到底在做什么？那个薄弱点出现在哪里？组织里的每一个部分，对她来说都越来越可解析。

长期以来，高管们一直在组织架构里安插雇佣兵式的中间人——他们把这叫咨询。管理咨询公司能短暂而昂贵地给你加上一层。往后，AI 顾问可能便宜到几乎不要钱，并且无处不在。

模型才刚刚开始能可靠地解析公司的文档和沟通往来。它们的品味和主动性还得磨练。目前，ChatGPT 帮助一位有意愿的高管更细致地理解自己的组织。我们设想它最终会成为一家全方位服务的顾问公司。它不会成为下层员工的真正「管理者」，而更像是高管的内线通讯员和顾问。它会借助商业专业能力把一切扫一遍，主动挑出痛点并协助分诊。

这究竟是有益还是有害，取决于那位高管。结构性影响是集中化。我们认为这会缩短 C-suite 与公司本体之间的距离。它把更多权力赋予顶层，而过去信息摩擦的存在曾有利于更去中心化的决策。

我们认为这个情形意义深远，不只在于它如何转移权力，还在于「作为顾问的 AI」竟然如此容易采用。就像传统咨询一样，AI 顾问公司不需要高管具备技术能力。这不是那种由会打字和用终端的人从下方采纳进来的计算机。你只要跟自己的顾问说话，技术上的事它自己处理。这股采用浪潮可以从顶层办公室开始。而这家顾问公司反过来又能加速整个组织其余部分的 AI 采用。

不断演变的雇佣契约

公司不信任远程办公和外包，其中一个始终突出的原因是：可执行性。公司从来没有便宜的办法，去观察工作真正开展时的丰富细节。于是它们只能度量工作的哑演：点击次数、鼠标轨迹、在线状态绿点——这些信号与「工作做得好不好」相去甚远。

AI 提供了一个懂你的监督者。它能看一个人产出了什么，识别出朝向更大目标的真实进展。正如我们下一节要探讨的，任何新的监控都不能轻率地推行。但在合适的情形下，它能增加信任，鼓励公司给员工更多自由。

如果这个监督者能理解通往优秀产出的各种不同路径，员工就能更按自己想要的方式工作。朝着好结果的努力会比一种老板容易追踪的规定做法更重要。智能的监督者给的是灵活性，惩罚的是我们都厌恶的表演式生产力。

这里的说服逻辑，类似那些在你车里装追踪器就给你降低费率的保险公司。如果你是在钻系统的空子，这对你不利；如果你只是在好好干你的活，这个监督者就能替你正名，管理层也会更信任你。

这种信任是有生产力的。我们可能会看到那些此前对混合办公、对不走寻常路的人、对外包商、对到遥远国家招聘杰出人才都不情愿的公司，重新产生意愿。

今天，基层员工对组织架构有不少抱怨。亲眼看到的问题无法向上反映，实在让人泄气。困在一个无能的管理者手下，或者做出出色工作却无人认可，这种滋味很不好受。

我们认为上一轮商业上的「过度优化」是建立在有限的数据、粗略的准则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只是个齿轮。公司长期以来在衡量员工方面就有问题。智能的监督者能够识别出那些被今天粗糙的指标漏掉的有价值贡献和独特做法。

四个大问题

综合这三个示行情形，我们现在来探讨一些关于公司未来的决定性问题。

公司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、一部片子、一套演示稿、一个功能、一份分析：这些都代价高、耗时长，重做起来极其煎熬。当你实际上只有一次机会时，你就会把精力放在瞄准上。我们的层级里有那么多审批环节，就是为了确保公司最终说「上」时，上的是值得的东西。我们层级中的许多检查之所以存在，是因为执行曾经非常宝贵。

在许多领域，AI 正在压低「做东西」的成本——至少降到原型这一步，即便没到最终完成。我们认为公司的做法应该随之调整：少瞄准，多开火。公司可以做一个原型，观察，快速学习，重新定位，再做一次。轻松的原型迭代 应当让公司漂离那些支撑重规划式生产的机构。

最简单的版本就是迭代更快的团队。更激进的解读是：团队本身受到质疑。如果协作式规划的重要性下降，而彼此不相关的多元想法更重要，那么是一个快速迭代的团队更好，还是许多各自拿出可运行原型的个人更好？如果一个真正的原型比任何范围界定文档都更能传达愿景，我们的沟通规范会不会改变：分享更多、更早，分享工作产物而不是备忘录？

廉价的「做东西」可能让公司向个人倾斜。这意味着更少的中管理层级，也更少地张口要许可——因为过去要许可比动手更便宜，而现在不再如此。

话虽如此，正如我们接下来要讨论的，同一项让个人能以更低风险做原型的技术，也可能强加更厚的一叠繁文缛节。

员工的自主权会变多还是变少？

公司推行自上而下的管理，一个主要理由是相信高管做出的与业务相关的决策比初级员工更好。公司为顶层经验丰富的资深人士付更高的薪酬，而管理者往往受过商业战略训练，个人贡献者则在自己的专业领域精耕细作。如果 AI 能给所有员工都提供出色的建议，决策质量的差距就会缩小。管理者插手插嘴的理由也就少了。这会提升员工的自主权，也可能减少管理层级。

同样，「AI 顾问公司」确保不会在高管不知情的情况下发生太要紧的事。如果某个员工要发布一篇可能对公司造成严重影响的博客文章，顾问公司会主动向高管标出来。这会滋生信任：管理层不必担心大纰漏会在他们毫不知情时发生，于是也不必把员工的工作方式拴得那么紧。

但 AI 顾问公司是把双刃剑。它作为智能监督者可以给员工更多信任；它也可以在组织里更用力地推行 CEO 偏好的做事方式。公司看重一致性：不只要决策好，还要与公司的文化、品牌和规模经济相容。一家连锁餐厅可能希望各家加盟店用同一套菜单，这样食材可以批量采购，顾客也能期待一致的产品。

相关地，公司老板的激励并不总与员工一致。员工为自己的领域成功做优化，而高管关心的是公司整体。股权所有者与拿工资的员工偏好不同，因为他们收获的是更努力的回报。顾问公司可能会强制更严格地遵循自上而下规定的具体做法。

我们的看法是，总的来说，员工的自主权会增加。我们的乐观建立在这样一个前提上：公司用 AI 标出那些要紧的例外情况，却把更多决定留给员工。

我们认为 AI 会起到脚手架的作用——即便高管希望维持品牌的一致性，那也不过是一个需要在其框架内运作的约束。员工会更清楚意识到有哪些商业约束在起作用，也能更好地为在限制之外发挥创造力兜底。有了这层保障，高管可以让员工去尝试可能带来丰厚收益的新做法。在我们下方 AI 助手的协助下，员工还要对更实质的产出负责。当我们指挥更复杂的工作时，会有更多创造的机会。

公司会变小还是变大？

关于员工自主权的同一套逻辑，也适用于公司规模。Ronald Coase 问过，为什么我们把生产组织在公司内部，而不是通过一张合同之网。甚至一架飞机也可以纯靠点对点的合同造出来，但那会非常低效。公司汇聚规模经济、对齐激励、组织大型项目，并免除不断讨价还价的需要。

通过让沟通变轻松，AI 可以让更大或更小的公司都说得通。经典的公司就是一套自上而下传递信息、自下而上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（人类员工更多）就没那么笨重。有了「AI 顾问公司」，一位高管可以像创始人了解一家二十人创业公司那样了解自己的公司。她可以盯着一个项目的执行，而不是等季度复述才听到进展，任何动静也会第一时间提示她。她的愿景能更广泛地渗透下去。每个人都更清楚别人在做什么，也更清楚组织的整体优先级。

它也可能朝相反方向起作用。如果沟通毫无摩擦、合规也更易被监督，公司就没必要把供应链的那么多环节收进内部。公司可以更好地信任外部供应商和外包商。

纵向整合的一大动因是对齐激励。这里有个不完全合同的概念——一家航空航天公司可以和一家喷气发动机制造商签合同，但合同没有明确要求的部分，发动机制造商就有动机偷工减料、只顾自己的利润。为了避免这一点，航空航天公司干脆把发动机制造商买下来。就像员工和老板之间一样：如果合同更能被监督、被智能地裁决，而不是靠逐项打勾，企业可能更放心地依赖其他公司。把所有事情都放在自己内部的理由也就少了。

我们预计会看到许多更小的公司，但也会看到庞大的 AI「控股公司」，在同一个企业内开展大量不同的项目。当存在某种能被所有不同项目共享利用的共同资产时，这种集团式组织才划算。这项共同资产可以是算力，尽管算力很容易按临时需要小批量地采购。共享的工厂或机器人机队是更好的动机。

大型「控股公司」还可以用激励对齐来论证其合理性。如果一个由 AI 和资本组成的大型组织完全致力于一个共同使命——比如攻克癌症——那么就没必要再设许多彼此独立的小项目。AI 公司可以避免权力斗争、共享全部信息，并在需要时于其 agent 之间实例化创造性的多样性，让不同路径都被探索。

薪酬差距会扩大还是缩小？

今天的这套体系本应奖励脱颖而出的员工。他们逐级晋升，拿更高的薪酬。但在一个有顶级模型顾问的世界里，员工要如何让自己脱颖而出？

如果 AI 把同一个绝妙点子给每个人，我们能彼此区分的机会就少了。薪酬差距应当被压缩。

能对抗这种压缩的，是判断力、品味和格局。如果我们每个人都领导着下方的一支 AI 小公司，那么剩下的人类价值就是我们的决策力。如果每个人都为下面更大的事业负责，判断力的好坏之别就会回响得更大。

我们早就把这套逻辑用在组织架构的顶端。我们用「顶层的决策稍好一点，就能对最终利润产生巨大影响」来为CEO 的薪酬辩护。如果有些员工更善于管理下方的 AI 小公司、去部署稀缺资源，薪酬不平等就可能加剧。

利害越大，你相对别人的那一点微弱优势，就越会体现在你的薪水上。另一方面，AI 会给每个人同样的好建议。差异化变少，薪酬分布就被压扁。

这里和别处，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