企業的未來

作者按：本文是我們探討未來經濟的系列文章之二，刊載於一個讓獨立聲音探索 AGI 未來的新平台。文中所述僅代表我們的觀點，並不代表 OpenAI 或其他同事的立場。

我們兩人在 OpenAI 開始管理自己的團隊時，都只有二十四歲。不過，認識我們的團隊後，你大概就不會覺得這有多了不起。

我們本來應該是做雜務的基層員工。二十四歲，通常還在企業階梯的最底層。工作不外乎做會議紀錄、寫幾份備忘錄。熬過多年枯燥工作，才有望獲委以更廣泛的職責。

但我們，以及今天許多年輕人的職涯，正走向不同的道路。我們初入職場，就已經有「員工」可供調遣。這些助手日夜工作，週末和假日也不休息。它們很擅長處理繁瑣的基礎工作。我們的團隊甚至有數學奧林匹克金牌得主提供意見。這些新下屬仍會犯不少錯。但它們正在進步，逐漸了解我們的需要，我們也在學習如何管理它們。

我們兩人都沒有沿企業階梯向上爬。反而是管理職責來到了我們這一層。本文談的正是我們這次「晉升」，以及邁進智能時代後，企業可能出現的其他組織變化。

AI 進入企業後，會處於甚麼位置？我們提出三種情境作說明：

這些情境不會完全按我們所描述的發展，但我們認為三者各自的某些面向終將成真。事實上，這三種情境早已在不知不覺間逐步體現。

我們在此關注的不是全面自動化，而是轉型中的經濟。我們想探討，隨着 AI 進步並融入現有組織，人類與 AI 混合組成的企業會是甚麼模樣。

我們認為這種混合企業是個重要概念，因為採用 AI 並真正轉化為生產力，過程並非一蹴而就。當模型只能執行部分任務時，最容易率先採用它們的，可能是熟悉工作的基層員工。一旦模型能從頭到尾承擔廣泛職能，高層就可以直接使用。依我們之見，AI 能力越強，就越容易採用：企業必須學習如何運用科技，但勞動力會學習如何配合企業，並自行融入工作。

我們將剖析這三類新組織架構，再探討它們對行政繁文縟節、員工自主權、企業規模及薪酬差距的未來有何影響。

第一種情境看來帶來的衝擊最小。在這個情境中，每個人的崗位和匯報關係不變，表面上仍在做原來的工作。從現今邁向這個未來，人類員工的組織架構看來沒有改變。

真正的轉變出現在我們下方。每位非管理職員工之下，都有一隊全新的 AI 勞動團隊向其匯報。組織架構多了一層地下室，而每個人都晉身成為管理者。

起初，這層地下室還未建好。每人先有一兩個智能代理。與其說它們是老練的下屬，不如說更像是需要我們時刻提點，多加包容的實習生。我們的期望不高：發一封電郵、草擬一份備忘錄，再回覆各處的 Slack 訊息。就像初級人類員工一樣，它們起初獲得的自主權和信任都不多。

但隨着模型進步，智能代理能承擔更多任務，所需的督導也越來越少。它們會互相協調。當中可能有管理型 AI、基層 AI、會計師和律師，全都按你的指示協作。到最後，你不再是手把手帶着實習生，而是在經營一家自成一體的小企業：它有自己的組織架構，而你就是董事會。

留意，這種情境並不意味着裁員。我們採用 AI，卻沒有用自動化取代自己。我們用自動化取代的是過去的自己，而自己則在架構中向上晉升。AI 接手了越來越多我們過去做的工作。我們的職位得以保留，因為要管理的事情更多，而我們也要為更大的整體產出負責。

工作並非一成不變⁠（在新視窗中開啟）。假設 AI 能完成你過去九成的工作。你可能會認為，自己只剩一成工作可做。另一種可能是，你仍有一份完整的工作，只是內容不同了：如今專注的目標，規模是原來的十倍。這正是科技一貫帶來的好處：生產力提升，抱負隨之擴大，工資也可以提高⁠（在新視窗中開啟）。

這一切取決於我們是否仍能為生產增添價值⁠（在新視窗中開啟）。本文聚焦未來幾年：自動化尚未無所不能，也未全面普及的時期。即使 AI 能包辦一切，我們仍可能因為某件東西出自人手而更加珍視它，或堅持由人類作最終決定。

這也取決於我們的需求有多大。如果作為消費者的我們，並不想要十倍的產出，新的均衡就會偏向較少員工或較短工時。歷史上，產出增加從未讓我們完全滿足。我們擁有的多了很多⁠（在新視窗中開啟），工作時間卻只少了一點⁠（在新視窗中開啟）。若產出倍增時，我們的需求也繼續增長，而且我們仍能為生產增值，就會選擇繼續以勞動換取更多消費。反之，若生產變得極其充裕，足以滿足我們，我們可能會自願選擇縮減勞動人口。

我們稍後會討論更多反對意見，例如企業會否數目更多、規模更小。我們仍認為這種情境很重要，因為科技普及終究需要一個切入的起點。企業需要一條方式，從現有組織架構穩步演變。相比全面重組，先增強現有員工的工作能力，可能是更容易踏出的第一步。今天我們已看到這一幕：員工一個接一個把工作交給 AI，但組織至今尚未發生革命性變化。

這種情境的前提，是前線員工率先「聘用」AI。帶頭採用 AI 的是基層員工，而不是經理和高層。只要最懂得讓 AI 做好工作的人，仍是過去親手做這份工作的人，這種情況就很可能出現。

模型已能將許多數據科學任務自動化，但不熟悉箇中方法和細節的部門主管，仍難以善用這些工具。在 AI 主動到能指出你不知道的事之前（見下一種情境），它大概仍最適合已熟悉工作做法的人。

在這種情境中，入門級員工面對的變化最大。職場不再有最底層，至少對人類而言如此。我們聘請年輕人，不再是把他們放到企業最底層，做枯燥的苦差。那些崗位會由不介意做這些事的存在填補。

隨之失去的，是一些培育年輕員工的傳統途徑：學徒制⁠（在新視窗中開啟）、從基礎雜務中學習，以及逐步磨練、贏得認可。這些代價確實存在，但我們總體上仍視之為一種難能可貴的機遇。即使是最資淺的新員工，只要有好主意，也有資源嘗試。辦公室裏那句最老套的藉口「我們人手不足」正逐漸失效。一名初級員工，腦中有個精彩的電子遊戲構想，卻無從爭取人手，如今憑一己之力便能直接將其實現。

在我們看來，「晉升式」情境仍有許多值得初級員工學習的東西：判斷力、品味、管理本領和創意視野。我們會有動力培養這些能力，因為它們會反映在工作成果上。我們仍會從實踐中學習⁠（在新視窗中開啟），只是所涉的職責範圍更廣。企業前輩作為負責任的掌舵者，仍有動力幫助我們，因為他們持有股權，也能分享我們成功的果實。這帶來的機會，是讓每個層級的每個人，都有更具啟發和挑戰性的角色。任何員工都能透過更廣的職責範圍展現才能；對原本幾乎沒有自主職責的入門員工而言，意義尤其重大。

AI 進入企業的第二條路，是穿插於現有組織架構之中。這裏的智能代理不是最底層的雜役，而是同事。傳統管理者會把團隊的一部分工作交給模型，就像向任何員工分派工作一樣。AI 加入人類身旁，而不只是在其下方。

與第一種情境的關鍵分別是：在這裏，採用具生產力 AI 的是現有人類管理者，而不只是目前的非管理職員工。要做到這點，它必須有足夠能力，成為獨當一面的團隊成員。

人類是通才。鎚子只幫得上一種工作；人類能做的多得多。AI 從工具走向勞動力的過程，就是能力範圍不斷擴展的過程：先將任務自動化，再到整份工作、整個團隊，最後是整家企業。範圍每擴大一級，都需要更全面的能力。

一份工作就像一個裝滿各種任務的行李箱。若是整個團隊，箱內就塞滿了形形色色的工作。職責內的任務越多，潛在瓶頸就越多。只要團隊有一項必要任務涉及體力勞動，就需要一整套全新的周邊設備。要直接替代整個團隊，AI 就必須勝任團隊所有不同的職責。

要構建能勝任更大業務範疇的 AI，技術門檻自然高得多。但對企業來說，工作範圍越廣，推動機構全面採用的門檻反而越低。這正是整個轉型過程最關鍵的不對稱之處。

高層可以直接引入一隊全自動化的團隊，或一套涵蓋廣泛職能的自動化方案。功能相對受限的局部工具，難以單靠高層由上至下強推普及。功能相對單一的工具，往往仰賴整個勞動力體系由下而上的廣泛認同，以及全面展開的培訓。

傳統上，新技術會降低一組有限任務的執行成本。接下來，負擔便轉移到買方身上。企業必須想出如何善用新工具，並圍繞它重新培訓員工、重整組織和重建流程⁠（在新視窗中開啟）。試算表軟件不會自行融入會計部，而是會計部為了配合軟件而改變了自身。

人力勞動恰好相反。實習生、員工和優秀團隊，懂得主動摸索如何為你創造價值。他們會向你提問、了解你的處境、留意你的需要。他們會指出那些你連自己不知道都未曾察覺的事。最優秀的人才，向來懂得自行適應並投入工作。

AI 越能像這樣的勞動力，具備主動性和適應力，企業就越不必學習如何駕馭它；反過來，它會更懂得自行找出如何為企業發揮作用。高層大概不會為了學習新工具，坐下來聽一堂設計軟件入門課。但他會樂意考慮這樣的提議：只要你開口，我就能替你搭建整套市場推廣架構。

我們經常把「讓一份工作自動化」視為 AGI 的終極目標。誠然，我們連這一步也還未達到。工作之所以如此複雜，正因為人類的能力如此出眾。即便如此，經濟產出中來自單打獨鬥工作者的比例仍極少⁠（在新視窗中開啟）。能創造價值的工種最終都是融入團隊運作，團隊再支撐起整間公司，而我們日常消費的一切，基本上全是由企業生產出來。

以「一份工作」作為 AGI 的標準，低估了人類的能力。勞動不只是執行任務，甚至不只是處理非常規部分；它還包含卓越的協調能力，以及靈活配合、為更大成果承擔一小部分工作的能力。把人類說成只是一堆任務的集合，實在是大大低估了我們的價值。人類的能力，更多體現在我們的組織⁠（在新視窗中開啟），而非個人身上。能在經濟中發揮作用的 AGI，必須達到一群人的標準，而非一個人。

因此，若 AI 依然停留在「工具」層次，甚至僅僅達到「個別員工」的水平，而未能像一個團隊或整間公司，「人機協作式」情境的效率可能相當低。在每位員工旁邊強行嵌進一個模型，意味着會出現無數銜接與交接環節⁠（在新視窗中開啟）。這種零散配置可能拖慢採用速度。

在我們看來，這是一場較早推出但能力較弱的應用方案，與較遲推出但能力更強的模型之間的競賽。誰會勝出，取決於未來模型的採用速度能否快到足以彌補達到那些能力所需的額外時間。

這種「人機協作式」情境，可以與第一種「晉升式」情境並存。我們可能會看到，隨着 AI 將某些職能自動化，企業減少人類員工；留下的人則在智能代理勞動團隊的協助下，承擔廣泛得多的職責。重要的是，這種情境本身並不意味着人類整體就業人數會減少。企業數目可能增加，只是每家僱用的人更少。

第三種情境最顛覆認知。在這種架構下，AI 凌駕於人類員工之上。權力架構不再是人管機器，而是「人類、AI、人類」的三層結構。部分員工甚至需要向 AI「匯報工作」。

這聽來很不切實際，尤其若把它當作企業採用 AI 的起點。但我們認為，它已經以較溫和的形式開始出現。

即使我們把 AI 視為腦力勞動的自動化工具，往往仍只着眼於較低層的工作。我們習慣認定 AI 所自動化的是試算表和簡報製作，而不是管理。我們的直覺往往假設自動化必定由下而上逐級攀升：繁瑣的腦力勞動首當其衝，高階的專業判斷則留守殿後，而管理層就是最後一道防線。

但管理層的工作大多在電腦上和腦海中進行：閱讀、開會、權衡、掌握背景、作出決策。親身在場、巡視辦公室、與員工相處，確實有其價值。然而，即使主要是腦力勞動，基層工作也比管理工作更常需要接觸實物和工具。被派去影印的是實習生，而非他的上司。

管理決策很難教給模型，因為成敗難以界定，也要經過很長時間才能衡量。培養優秀的人類管理者之所以困難，也是出於類似原因⁠（在新視窗中開啟）。我們還不知道模型的管理能力有多好。目前有大量評測針對以執行為主的腦力勞動，卻很少涵蓋經理和高層層面的大規模統籌。

不過，仍值得考慮一種可能：今天的模型，其能力或許其實更接近人類管理者，而非基層員工。某些管理職能，可能比其監督的工作更早實現自動化。

或許「夾層式」情境的完整形態，是由 AI 負責思考，再僱用向它匯報的人類承包人員，補足自身能力的缺口。那樣的世界，對我們來說相當陌生。許多事情都需要改變。

但有一種更自然演變而來的形態，而且已經登場：提供顧問意見。今天，高層已可要求 ChatGPT 閱讀公司各處數以百計的 Slack 頻道、文件、函件和程式碼檔案，然後回答問題。這個團隊實際上在做甚麼？那個漏洞出現在哪裏？對她而言，組織的每個部分都變得越來越容易分析和理解⁠（在新視窗中開啟）。

高層早已在組織架構中安插受僱的中間人——他們稱之為顧問服務。管理顧問公司會在你上方加設一層，時間短暫，收費卻高昂。往後，AI 顧問的成本可能低得微不足道，而且無時無刻都在。

模型才剛開始能可靠地分析企業文件和通訊。它們的品味和主動性仍需磨練。目前，ChatGPT 能幫助有心深入了解的高層，更細緻地掌握組織情況。我們預期，它最終會成為提供全方位服務的顧問團隊。它不會真正成為基層員工的「經理」，而是高層的內部情報員和顧問。它會運用商業專業知識審視一切，主動指出痛點，並協助判斷處理的優先次序。

這究竟有利還是有害，將取決於高層。它在結構上帶來的影響，是權力集中。我們認為，這會拉近最高管理層與公司實際運作之間的距離。過去，資訊流通的阻滯令分散決策更有利；如今，更多權力會集中到頂層。

我們認為這種情境影響深遠，不只因為它改變權力分配，也因為以顧問形式提供的 AI 可以非常容易採用。與傳統顧問服務一樣，AI 顧問團隊不要求高層具備技術知識。這不像電腦，最初由懂得打字和操作終端機的人自下而上採用。你只要與顧問交談，技術問題由它處理。這一波採用浪潮，可以從高層辦公室開始。顧問團隊繼而可以加快組織其他部門採用 AI 的步伐。

企業不信任遙距工作和外判，一個重大原因是：如何確保工作要求得到落實。企業一直沒有低成本的方法，能充分觀察員工工作時應有的細節與用心。於是，它們改為衡量工作的表象⁠（在新視窗中開啟）：點擊次數、滑鼠移動、線上狀態的綠色標示點。然而這些訊號完全無法反映工作是否真的做得好。

AI 提供了一個真正理解工作的監察者。它能查看一個人的產出，辨認出對更大目標有實質推進的成果。正如我們下一節會探討，任何新的監察措施都不應輕率推行⁠（在新視窗中開啟）。但在適當條件下，它能增進信任，鼓勵企業給予員工更多自由。

如果監察者理解，許多截然不同的方法都能帶來優質成果，員工就可以更按自己的方式工作。更重要的會是朝好成果取得進展，而非遵循一套方便上司追蹤的指定方法。智能監察者能給予彈性，也能懲治大家都厭惡的「表演式生產力」。

這裏的價值主張，類似保險公司在你於車內安裝追蹤器後，願意降低保費。如果你想鑽制度漏洞，這會對你不利；如果你只是踏實工作，監察者就能證明你的表現，讓管理層更信任你。

這種信任會開創更多可能。原本抗拒混合工作模式、非傳統思維人才、承包人員，或僱用遙遠國度優秀人才的企業，可能會變得願意接受⁠（在新視窗中開啟）這些選擇。

今天的組織架構，令基層員工面對許多問題。親眼看到問題，卻沒有途徑向上反映，是極其令人沮喪的事。被困在無能的上司手下，或做出優秀成果卻得不到肯定，都很不公平。

我們認為，上一波追求極致營運效率的企業浪潮，建基於有限的數據、粗略的準則和欠缺智能的演算法。倘若你的認知框架裡只能運算齒輪傳動比率，那麼每位員工看來自然都像一顆零件。企業長期以來都難以準確衡量員工的表現。智能監察者或能辨認出今天粗略指標所忽略的寶貴貢獻和獨特方法。

綜合上述三種概括性的情境，我們現在探討幾個左右企業未來的關鍵問題。

把東西做出來，通常成本不菲。應用程式、電影、簡報、功能、分析報告：每一項都耗資費時，重做更是苦差。當你實際上只有一次出手機會，自然會花心思瞄準。規劃週期、路線圖會議、審批委員會，都是為了確保企業最終決定動手時，做的是值得做的事。層級架構中的許多審核關卡之所以存在，是因為執行資源寶貴。

在許多領域，AI 正大幅降低製作成本，即使未能涵蓋最終成品，至少已惠及原型製作。我們認為企業的做法也應隨之改變：少花時間瞄準，提高出擊頻率。企業可以先製作原型，觀察結果，快速學習，調整方向，再重新製作。原型製作變得容易⁠（在新視窗中開啟），應會促使企業逐漸擺脫支撐大量前期規劃的生產制度。

最簡單的改變，就是團隊能更快地反覆改進。然而，在更激進的視角之下，團隊本身的存在價值都將受到質疑。如果共同規劃變得不那麼重要，獨立而多元的想法卻更重要，那麼由單一團隊快速反覆改進，還是由眾人各自提出可運作的原型會更具優勢？如果實際原型比任何範圍規劃文件都更能傳達構想，我們的溝通慣例會否改變：變成更早、更多地分享，而且分享的是實際成果，而非傳統備忘錄？

製作成本下降，可能令企業更重視個人。這意味着中層管理層級減少，需要請示的事也更少，因為過去請示的成本低於動手，現在卻不再如此。

話雖如此，正如我們接下來會討論，同一項讓個人以較低風險製作原型的技術，也可能帶來更多繁文縟節。

企業實行由上而下管理，一大原因是相信高層比初級員工更能作出良好的業務決策⁠（在新視窗中開啟）。企業付出較高薪酬，聘請能幹的資深人才出任高層；管理者往往受過商業策略訓練，而非管理職員工則專注於各自的專業。若 AI 為所有員工提供出色建議，決策質素的差距便會縮小。管理者插手干預的理由便會減少。這會增加員工的自主權，也可能減少管理層級。

同樣地，「AI 顧問團隊」可確保任何影響重大的事情發生時，高層都會獲得通知。如果員工即將發表一篇會對公司造成嚴重影響的網誌文章，顧問團隊會主動提醒高層。這能建立信任：管理層不必擔心重大失誤會在自己毫不知情下發生，因此無須對員工的工作方式過度干預⁠（在新視窗中開啟）。

但 AI 顧問團隊是一把雙面刃⁠（在新視窗中開啟）。作為智能監察者，它能增強管理層對員工的信任；但也能在整個組織中，更強力地推行行政總裁偏好的做事方式。企業重視一致性⁠（在新視窗中開啟）：決策不只要好，還要配合公司的文化、品牌和規模經濟。連鎖餐廳可能希望各加盟店使用相同餐單，以便大量採購食材，並讓顧客享有一致的產品體驗。

與此相關的是，企業老闆與員工的利益並非總是一致。員工致力於自己負責範圍內的成功⁠（在新視窗中開啟），高層則關心整家企業。股權持有人與受薪員工的取向不同，因為員工加倍努力所創造的收益會落到前者手中⁠（在新視窗中開啟）。顧問團隊可以更嚴格地要求員工遵守高層訂下的具體規程。

我們認為，整體而言，員工會獲得更多自主權。我們的樂觀，建基於企業會用 AI 標示影響重大的例外情況，同時將更多決定留給員工。

我們相信 AI 會提供一套支援框架：即使高層希望維持品牌一致性，那也只會是工作時需要遵守的一項限制。員工會更清楚業務上的限制，也更有保障，可以在不觸犯這些限制的範圍內發揮創意。基本風險得到控制後，高層便可讓員工嘗試可能帶來豐厚回報的新方法。有了下屬 AI 助手的協助，員工也將負責更大規模的工作成果。我們認為，統籌更複雜的工作，會帶來更多發揮創意的機會。

關於員工自主權的同一套邏輯，也適用於企業規模。Ronald Coase⁠（在新視窗中開啟） 曾問：為何我們在企業內組織生產，而不是透過一張合約網絡來完成？即使是一架飛機，也可以完全透過各方彼此簽約來建造，只是效率會很低。企業能發揮規模經濟、協調各方利益、組織大型項目，並免去不斷討價還價的需要。

AI 令溝通更暢順，既可能令擴大企業規模更合理，也可能令縮小規模更合理。傳統企業是一套讓資訊向上傳遞、指示向下傳達的架構，過程充滿阻滯，訊息也在層層轉述中失真。若 AI 擔當協調層，規模較大、人類員工較多的企業就不會那麼難以管理。有了「AI 顧問團隊」，高層可以像創辦人了解二十人的初創公司一樣，掌握自己企業的情況。她可以直接觀察計劃的執行情況，而非等待季度匯報；一有事情發生，也會收到通知。她的願景能更廣泛地貫徹。每個人都更清楚其他人在做甚麼，以及整個組織的優先事項。

結果也可能走向另一個方向。如果溝通暢通無阻，合約履行情況也更容易監察，企業就不必將那麼多供應鏈環節納入內部。企業可以更放心地信任外部供應商和承包商。

垂直整合的一大動機，是讓各方的利益一致。這涉及不完全合約⁠（在新視窗中開啟）的概念：航空航天公司可以與噴射引擎公司簽約，但凡合約沒有明文規定的事項，引擎公司都有動機省工減料，以保障自身利潤。為免如此，航空航天公司會收購引擎公司。這與員工和上司之間的道理相同：如果合約履行情況更容易監察，爭議能憑智能判斷裁決，而非只看有沒有逐項達標，企業可能會更放心地依賴其他企業。凡事都由內部包辦的理由便會減少。

我們預期會出現許多規模較小的企業，也會有龐大的 AI「控股公司」，在同一家企業內開展大量不同項目。當不同項目都能運用某項共同資產時，綜合企業集團就具備經濟效益。這項共同資產可以是算力，不過算力隨時可以按需要少量配置。相較而言，共用工廠或機械人團隊，才是推動企業走向集團化更合理的動力。

利益一致也能構成大型「控股公司」存在的理由。如果一個由 AI 和資本組成的大型組織，完全致力於同一使命，例如治癒癌症，就較少需要另設獨立的小型計劃。AI 企業可以避免權力鬥爭、共享所有資訊，並在有需要時，建立具備多樣創意思維的智能代理，以探索不同路徑。

現行制度理應獎勵表現出眾的員工。他們逐級晉升，獲得更高報酬。但當人人都有出色的模型顧問，員工要如何脫穎而出？

如果 AI 給每個人同樣的好主意，我們展現差異的機會就會減少。薪酬差距理應收窄。

與這股收窄力量抗衡的，是判斷力、品味和職責範圍。如果我們各自領導旗下的 AI 企業，人類剩下的價值就在於決策。若每個人負責的工作規模更大，判斷好壞所造成的差異便會更加顯著⁠（在新視窗中開啟）。

長期以來，我們一直將這種邏輯套用在組織架構的頂層。我們合理化行政總裁的高額薪酬⁠（在新視窗中開啟），理由正是最高層哪怕僅僅做出稍微更佳的決策，亦能對企業的最終盈虧產生巨大影響。如果某些員工更善於管理旗下的 AI 企業，調配稀缺資源，薪酬差距就可能擴大。

所涉利害越大，你比別人略勝一籌的優勢，就越會反映在薪酬上。另一方面，AI 會向所有人提供好建議。差異減少，薪酬分佈便會收窄。

不論是這個議題還是其他領域，主導未來走向的關鍵力量，或許始終取決於我們究竟主要是在提供專業判斷，抑或只是在遵從判斷。