两位二十四岁就在OpenAI带团队的人：我们没爬晋升阶梯

作者注：这是我们关于下一个经济形态系列文章中的第二篇，该系列是一个新平台的一部分，旨在容纳探索AGI未来的独立观点。本文仅代表我们的观点，不代表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。等你们见到我们的团队，就不会觉得这有什么了不起的了。

我们本该是基层小卒。二十四岁时，你处在公司阶梯的最底层。你负责记会议记录、写几份备忘录。经过多年的苦差事之后，你（但愿）能获得更广泛的职权范围。

我们的道路——以及今天许多年轻人的道路——正在变得不同。我们进入职场时，手下已经有“员工”听候调遣。这些副手们日夜工作，周末和节假日也不例外。他们非常擅长苦差事。我们甚至还有数学奥林匹克金牌得主在我们的团队里为我们提供建议。我们的新下属依然会犯不少错误，但他们在不断进步，学习我们的需求，而我们也在学习如何管理他们。

我们俩都没有爬过公司阶梯。相反，管理职责降到了我们这一级。这篇文章讲的就是我们的升迁，以及当我们进入智能时代时，企业可能经历的其他重组方式。

当AI进入企业，它会去往哪里？我们提出三个示例性场景：

在我们之下。每个人保住自己的位置，一个新的AI劳动力地下室在下方生长。我们都变成了管理者。先是有了助手，然后是幕僚长，最终是整个微型公司向我们每个人汇报。每个人都得到晋升。

在我们旁边。AI作为某种同事加入组织架构图，与人类并列，直接为现有的人类经理和高管工作。它一开始承担这个任务、那个角色。随着时间推移，它执行更广泛的职能，向更高的层级汇报。

在我们之间。最反直觉的情况：上面是人，下面也是人，AI夹在中间。它协调和监督工作，贯彻高管的愿景，同时识别积极进取的员工的独特贡献。

这三个场景都不会完全按我们描述的方式上演，但我们认为三者都会部分成真。这三个场景已经在以微妙的方式发生。

我们这里的重点不是完全自动化，而是一个转型中的经济。我们感兴趣的是，随着AI不断改进并渗透进现有组织，嵌合体式的企业会是什么样子。

我们认为混合型企业概念上很重要，因为AI的生产性采用并非一蹴而就。当模型只能处理部分任务时，最容易被熟悉工作的基层员工采用。一旦模型能端到端地执行广泛职能，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：企业需要学习技术，而劳动力会学习企业，能够自行上手。

我们将剖析这三类新的组织架构图，然后探讨它们对繁文缛节、员工自主权、企业规模和薪酬差距的未来意味着什么。

我们的第一个场景看起来破坏性最小。在这里，人们留在原来的位置，保持原来的汇报关系，表面上做着和以前一样的工作。从今天到这样的未来，人类组织架构图看起来没什么变化。

不同之处在我们下方。在每个个人贡献者之下，一支新的AI劳动力大军向我们每个人汇报。我们的组织架构图多了个地下室，我们都变成了管理者。

起初，这个地下室是毛坯状态。我们每人先配上一两个agent，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积极实习生。我们的期望很低：这里发封邮件，那里起草份备忘录，到处回复Slack消息。就像初级人类员工一样，他们一开始只有很少的自主权和信任。

但随着模型改进，我们的agent们承担更多任务，需要更少的监督。他们相互协调。可能会有管理者AI和基层AI、会计和律师，都在你的号令下协同工作。你的运作最终不再是在扶持实习生，而是看起来像一家独立的小公司，有自己的组织架构图，而你是它的董事会。

Jace仍然在他的公司做会计工作，但他不再在电子表格里点点点。他的agent下属们做这些。Jace的工作更像他几年前经理的工作。而他的经理，如今有了更大的职权范围。

Jace的日常工作完全改变了，现在专注于沟通、协调和创意。他工作得更少，但觉得更有挑战性。他的工作生活有了更多变化，他凭借之前无法展示的领导技能和愿景脱颖而出。

会计团队没有缩编，因为公司其他部门也变得更高效，对会计工作的需求比以往任何时候都大。agent们还不能做他的团队做的所有事情。高管们对整理财务数据一窍不通，需要他的领域专业知识来有效使用agent们。

没有解雇通知的自动化

注意这个场景并不意味着裁员。在这里，我们采用AI，但并没有自动化掉自己。相反，我们自动化的是过去的自己，然后在层级中向上移动。AI承担了我们过去做的越来越多的工作。我们的工作依然存在，因为有更多事情需要管理，我们对更大的产出总量负责。

工作不是静态的。假设AI能做到你以前工作的百分之九十。你可能会得出结论：你只剩下百分之十的工作。另一种可能是，你仍然在做一份完整的工作，只是内容不同了——现在专注于一个十倍大的目标。这是技术的经典礼物：生产力上升，雄心也随之上升以满足它，工资可以随着雄心一起上涨。

这一切都取决于我们是否仍然为生产增加价值。这篇文章关注的是未来几年，那时自动化还不是普遍具备能力或被普遍采用。即使AI能做所有事情，我们可能仍然因为某样东西是人做的而更看重它，或者坚持要由人来最终拍板。

这也取决于我们的胃口。如果作为消费者，我们不想要十倍多的产出，均衡就会转向更少的工人或更少的工作时间。历史上，产出的增加并没有让我们满足。我们拥有的多了很多，但工作时间只是少了一点点。如果随着产出成倍增长，我们的胃口继续膨胀——而且我们仍然对生产有增量贡献——我们会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感到满足，我们可能会自愿选择更小的劳动力规模。

还有更多反对意见，我们稍后讨论（例如，我们是否会有更多更小的企业）。我们仍然认为这个场景很重要，因为采用总得从某处开始。企业需要一种从现有组织结构稳定演变的方式。加强现有员工的工作可能比全面重组更容易作为第一步。我们今天已经看到这种情况在发生：一个又一个员工把工作委托给AI，而至今没有出现组织革命。

为什么采用可能从底层开始

这个场景依赖于一线员工率先聘用。基层工作者——而不是经理和高管——在AI采用上领先。这看起来很有可能，只要最能指挥AI干活的人，是那个过去自己亲手干活的人。

模型已经能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主管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），它可能最适合那些已经熟悉工作流程的人。

入门级不再是底层

这个场景中最大的变化是对入门级员工而言。将不再有最低的阶梯横档，至少对人类来说是这样。当我们招聘年轻人时，不会是让他们待在企业的苦差事底层。那些位置将由不介意干苦差事的东西来填补。

随之而来的是，我们失去了一些培养年轻工人的传统途径：学徒制、在苦差事中学习、论资排辈。这些是实实在在的代价，但我们主要将其视为一种特权。最青涩的新员工只要有好点子，就有资源去试验。整栋楼里最老的借口——我们就是没有人力——正在消亡。一个脑子里装着绝妙电子游戏、却申请不到编制的初级员工，现在可以直接把它做出来。

在我们看来，这个“晋升”场景仍有大量东西供初级员工学习——判断力、品味、管理的肌肉和创意愿景。我们会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。我们仍然会通过实践来学习，但在更高的层面和范围上。企业中的前辈们仍然有动力作为负责任的管理者帮助我们（与我们的成功有利益关联）。这里的机会是让每个层级的人都有更刺激的角色。任何员工都可以在更大的职权范围内展示自己的才华，这对完全没有职权的入门级员工来说最为重要。

交织

AI进入企业的第二条路径是编织进现有的组织架构图。这里的agent们不是底层渣滓，而是同事。一位传统经理把团队的一部分工作交给一个模型，就像她可以把工作委派给任何员工一样。AI把自己插入到人类旁边，而不仅仅是在他们之下。

与第一个场景的关键区别：在这里，生产性的AI被现有的人类经理采用，而不仅仅是当前的个人贡献者。要做到这一点，它必须有足够的能力成为完全合格的团队成员。

Sheila是一家家具公司的副总裁。她从未操盘过广告活动。她给一个AI营销团队一笔预算和一款新沙发去推广。AI在自己的agent们之间分配发布任务。有些agent采访销售人员。另一些与工厂协调实际能交付什么。一个子agent发起在线调查，还有几个agent制作不同视觉风格的样稿。

草稿和修改稿在它们之间传递，无需经过她的办公桌。她的人类销售和设计团队仍然向她汇报，和营销agent团队并列。周一，一份待批准的广告方案和这样一个问题被递到她面前：照片是否让沙发看起来太蓝了。如果没有一位广告专家主动指出，她永远不会意识到这种细节。她授权agent们与人类摄影师协调重新拍摄。

范围的自动扶梯

人类是通才。一把锤子只帮助完成一项任务；一个人能做的多得多。AI从工具到劳动力的旅程是一个不断扩大的范畴：先是自动化任务，然后是职位，接着是团队，最后是企业。范围每向上一步，都需要更广泛的能力。

一个职位是一个装满许多任务的行李箱。对于一个完整团队来说，这个行李箱塞满了各种不同的工作。职权范围内任务越多，意味着潜在的瓶颈点越多。如果团队中哪怕一项关键任务涉及体力劳动，就需要一整套新的外围设备。要成为整个团队的即插即用替代品，AI必须在其各种不同职责上都有能力。

能处理更大范围的AI更难构建。但对企业来说——这是整个转型的核心不对称——更大的范围更容易采用。

一个端到端的自动化团队或广泛职能可以被高管直接采用。能力较窄的工具不能这么简单地从高层推行。较简单的工具依赖于整个劳动力队伍的大范围接受和再培训。

企业学习技术；劳动力学习企业

新技术传统上让完成一组有限任务变得更便宜。然后负担转移到了购买者身上。企业必须搞清楚如何利用新工具，并且必须围绕它进行再培训、重组和重建流程。电子表格软件不是自己安装进会计部门的——是会计部门围绕软件重塑了自己。

劳动力则相反。一个实习生、一名员工、一个好团队会自己弄清楚如何对你有用。他们会追问你、吸收你的背景信息、注意到你的需求。他们会告诉你那些你甚至没意识到自己不知道的东西。最好的劳动力会自行上手。

AI在这个意义上越像劳动力，越有主动性和适应性，企业就越不需要学习如何驾驭它，而它越能自行弄清楚如何对企业有用。一位高管可能不会坐下来听完一堂设计软件入门课来学习新工具。但他会很乐意接受这样一个提议：说句话，我就帮你把整个营销职能搭建起来。

这不是独狼经济

我们常常把AGI的圣杯定义为自动化一个职位。诚然，我们甚至还没达到那一步。职位之所以如此极其复杂，是因为我们的能力如此惊人。即便如此，我们经济产出中只有很少一部分来自独狼式工人。有生产力的职位贡献给团队，团队贡献给企业，而我们消费的大部分东西都由企业生产。

用“职位”作为AGI的标准，没有给人类足够的肯定。劳动力不仅仅关乎任务，甚至不仅仅是处理非例行部分：我们的劳动还关乎惊人的协调能力、我们作为更大产出中的小部件的可塑性。把我们仅仅描述为一袋袋任务，那是贱卖。人类的能力存在于我们的组织中，而不是个体中。一个经济意义上的AGI必须达到“人群”的标准，而不是“个人”的标准。

因此，如果AI仍然像工具，甚至像工人，而不是像团队或企业，那么“交织”场景可能会相当低效。每个工人旁边塞一个模型，意味着上千条接缝和交接。这种零敲碎打的设置可能会减缓采用。

我们看到一场竞赛：一边是较早的、能力较弱的实现，一边是较晚的、能力更强的模型。胜负取决于未来模型的采用是否快到足以弥补达到那些能力所需的额外时间。

迄今为止的两个场景

“交织”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小人类足迹，而剩下的人类在agent劳动力协助下获得更广泛的授权。重要的是，这个场景本身并不意味着人类整体就业下降。我们可能会发现自己面对更多企业，每个企业的人数更少。

分层

我们的第三个场景最令人困惑。在这里，AI进入企业时位于人类之上。层级不再是人类在机器之上，而是人类、AI、人类：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是一位首席执行官，她的AI咨询顾问给她发来提醒，说即将到来的发布有问题。它已经调查了这个问题，发现销售部门承诺了一个工程部门没有在开发的功能。证据来自Slack里的普通工作线程；没有人给她写报告，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调配三名工程师。它还注意到，Sarah，一名在家办公的工程师，已经为项目构建了一些有用的基础设施，尽管没有人要求她这么做。咨询顾问确保Sarah的主动贡献得到认可并传达给Asha。Asha给Sarah打电话，感谢她超出预期地付出，并任命她为新工作的工程负责人以示嘉奖。

梯子可能从顶端开始燃烧

即使我们把AI视为认知劳动的机械化工具，我们往往也关注较低的层级。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从层级底部往上爬：先是认知苦差事，最后才是判断力，经理是最后堡垒。

但经理的工作很大程度上活在电脑上和头脑中：阅读、开会、权衡、掌握上下文、做决策。身体在场有价值，巡视办公室楼层、和部队待在一起有价值。然而，是基层工作——即使是那些以认知为主的工作——比管理更多地与原子和工具打交道。被派去复印机的是实习生，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，而且要在很长的时间尺度上衡量。出于类似的原因，培养优秀的人类经理也很难。我们还不知道模型在管理方面有多好。我们的评估大量针对以执行为中心的认知劳动，但很少有评估能捕捉经理和高管层面的大规模编排协调。

但仍有必要考虑：今天的模型在能力上可能实际上更接近人类经理，而不是基层工人。一些管理职能可能会在被它们监督的工作之前实现自动化。

无处不在、无时不在的顾问

也许这个“分层”场景的完整版本是一个AI来做思考，然后用向它汇报的人类承包商来填补自身能力空白。那个世界对我们来说相当陌生。很多东西都需要改变。

但有一个更有机的化身，它的开幕演出已经登台：顾问服务。今天，一位高管可以让ChatGPT阅读公司上下数百个Slack频道、文档、信函和代码文件，然后回答问题。这个团队到底在做什么？那个漏洞出现在哪里？组织的每个部分对她来说越来越可解析。

高管们长期以来一直在组织架构图中掺入雇佣军式中间人——他们称之为咨询。管理咨询公司给你“分层”，短暂而昂贵。展望未来，AI顾问可以变得极其廉价且无处不在。

模型才刚刚开始可靠地解析企业文档和通信。它们的品味和主动性还需要成熟。目前，ChatGPT帮助一位有动力的高管更详细地了解她的组织。我们看到它最终会发展成全方位服务的咨询顾问。它不会成为基层员工的真正“经理”，而是高管的内置通讯员和顾问。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，取决于高管本人。结构性效应是集权化。我们看到这缩短了最高管理层与公司主体之间的距离。它在顶层集中了更多权力，而在过去，信息摩擦有利于更分散的决策。

我们认为这个场景意义深远，不仅因为它转移了权力，还因为AI咨询顾问的采用可以如此容易。就像传统咨询一样，AI咨询顾问不需要高管具备技术敏锐度。这不像计算机那样，由会打字、会操作终端的人从底层采用。你只需要和你的顾问说话，它负责处理技术诀窍。这波采用浪潮可以从角落办公室开始。而咨询顾问反过来又可以加速整个组织对AI的采用。

不断演变的雇佣契约

企业不信任远程工作和外包合同的一个重大原因：可执行性。从来就没有一种廉价方式让企业以应有的丰富度观察工作的实际完成情况。所以他们衡量的只是工作的哑剧——计数的点击、鼠标晃动、绿色状态点，这些信号与是否真正完成了好工作完全脱节。

AI提供了一个能理解的监视器。它可以查看一个人产出什么，并识别朝向更大目标的真实进展。正如我们在下一节探讨的，任何新的监视都不应轻率实施。但在适当的情况下，它可以增加信任，鼓励企业给员工更多自由。

如果监视器能理解通向良好工作成果的许多不同路径，员工就可以更多地按自己想要的方式工作。朝向好结果的进展会更重要，而不是某种老板容易跟踪的规定方法。一个智能监视器提供灵活性，并惩罚我们都厌恶的表演式生产力。

这里的价值主张类似于保险公司：如果你在车上安装追踪器就降低保费。如果你试图钻系统空子，这会伤害你；如果你只是在做自己的工作，监视器可以还你清白，管理层会更信任你。

这种信任具有生成性。我们可能会看到之前对混合办公、非正统思维、外包合同工、以及聘用遥远国家优秀人才持犹豫态度的企业，表现出新的意愿。

今天的基层员工对组织架构图有很多不满。亲眼看到问题却无法向上反映，这极其令人沮丧。被困在一个无能的经理手下，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数据、粗略指导方针和愚蠢算法之上的。如果你只能处理传动比，那么每个人看起来都像齿轮。企业长期存在衡量劳动力的问题。一个智能监视器可以识别今天粗糙指标所遗漏的有价值贡献和独特方法。

四个大问题

综合三个典型场景，我们现在探讨一些关于企业未来的决定性问题。

企业的繁文缛节会增加还是减少？

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，返工令人痛苦。当你实际上只有一次机会时，你会投资于瞄准。有计划周期、路线图仪式和审批委员会，都是为了确保当企业最终说“出发”时，它朝着有价值的东西出发。我们层级中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正在压低构建成本——至少降到原型制作的水平，如果不是最终完成的话。我们认为企业的方法应该随之转变：少瞄准，多开火。企业可以构建一个原型、观察、快速学习、重新定位，然后再构建。简单的原型制作应该让企业远离支撑规划密集型生产的那些制度。

最简单的版本是团队迭代更快。更激进的理解是，团队本身受到质疑。如果协作规划变得不那么重要，而不相关的多样化想法更重要，那么是有一个快速迭代的团队更好，还是许多个人各自提交自己的工作原型更好？如果真实原型比任何范围界定文件都更能传递愿景，我们的沟通规范会改变吗：分享更多、更早分享、分享成果物而不是备忘录？

廉价的构建可能会让企业向个体倾斜。这将意味着更少的中层管理层级和更少的请示许可，因为过去请示比做事便宜，而现在不再是了。

尽管如此，正如我们接下来讨论的，同一项让个体能够以更低风险进行原型制作的技术，也可能强化更大卷轴的繁文缛节。

员工会有更多还是更少的自主权？

企业推行自上而下管理的一个主要原因，是相信高管能比初级员工做出更好的商业相关决策。企业为高能力资深高管支付更高薪酬，而且经理们通常受过商业战略训练，而个人贡献者则专精于自己的专业领域。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。这将增加员工自主权，并可能减少管理层级。

类似地，“AI咨询顾问”确保不会有太严重的事情在高管不知情的情况下发生。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，咨询顾问会主动向高管标记。这会催生信任：管理层不必担心重大事故会在他们不知情的情况下发生，所以他们不必对员工如何开展工作拴得太紧。

但AI咨询顾问是一把双刃剑。作为智能监视器，它可以为员工注入更多信任；它也可以在整个组织中更有力地执行CEO偏好的做事方式。企业重视一致性：不仅仅是一个好的决策，而是一个与公司文化、品牌和规模经济兼容的决策。连锁餐厅可能更喜欢所有门店共用一个菜单，这样食材可以批量订购，顾客可以期待一致的产品。

与此相关的是，企业老板的激励并不总是与员工一致。员工优化的是自己领域的成功，而高管关心的是整个企业。股权所有者和工资劳动者的偏好不同，因为更努力工作带来的回报归股权所有者所有。咨询顾问可以强制更严格地遵守顶层规定的具体方案。

我们的观点是，总体而言，员工将获得更多自主权。我们的乐观基于企业使用AI来标记重大例外情况，同时把更多决策留给员工。

我们相信AI将充当一个脚手架——即使高管希望保持品牌一致性，这也只是一个需要在其内运作的约束。员工会更清楚地意识到当前的商业约束，并且在那些限制之外的创造性得到更好的保障。有了基本保障，高管们可以让员工尝试潜在有利可图的新方法。在我们之下AI助手的协助下，员工们也将对更实质性的产出负责。我们看到，在指挥更复杂的工作时，会有更多创造机会。

企业会缩小还是扩大？

关于员工自主权的同一逻辑也适用于企业规模。Ronald Coase曾问，为什么我们在企业内部组织生产，而不是通过合同网络。即使是一架飞机也可以通过纯点对点承包来制造，但那样会非常低效。企业汇聚规模经济、对齐激励、组织大型项目，并免除了持续讨价还价的需要。

通过降低沟通成本，AI可以让更大或更小的企业都变得合理。经典的企业是信息向上传递、指令向下传达的基础设施，充满摩擦和传话游戏。如果AI充当协调层，一个更大的企业（拥有更多人类员工）就不那么笨重。有了“AI咨询顾问”，一位高管可以像创始人了解二十人初创公司那样了解自己的企业。她可以观察一项举措的实施，而不是等待季度汇报，并且如果发生什么事会被即时提醒。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，以及组织的整体优先事项。

但也可能反过来。如果沟通无摩擦、合规更容易监控，企业就不需要把这么多供应链内部化。企业可以更好地信任外部供应商和承包商。

垂直整合的一个主要动机是对齐激励。这里有个不完全契约的概念——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，喷气发动机公司有动力偷工减料，只顾自己的利润。为了避免这种情况，航空航天公司收购了喷气发动机公司。就像员工和老板之间一样：如果合同更容易监控，并且被智能地仲裁，而不是打勾检查，企业可能更愿意依赖其他企业。什么都自己内部做的理由就会减少。

我们预计会看到许多更小的企业，但也会看到庞大的AI“控股公司”，在一个企业内进行大量不同的项目。当存在某种被所有不同项目利用的公共资产时，联合大企业是经济的。这个公共资产可以是算力，尽管算力可以很容易按需小批量配置。一个公共工厂或机器人车队是更好的理由。

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个共同使命——比如说，治愈癌症——那么就不太需要单独的较小项目。一个AI企业可以避免权力斗争，共享所有信息，并在需要时在其agent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？

今天的制度本应奖励杰出的员工。他们在层级中上升，获得更好的报酬。但在一个拥有出色模型顾问的世界里，员工将如何让自己脱颖而出？

如果AI给每个人同样的好主意，我们差异化的机会就少了。薪酬尺度应该压缩。

与这种压缩相对抗的是判断力、品味和范围。如果我们每个人都领导着下方的AI企业，剩余的人类价值就是我们的决策能力。如果每个人负责的成果规模更大，好判断与坏判断之间的差异就会更加响亮。

我们长期以来一直把这一逻辑应用于组织架构图的顶端。我们为CEO薪酬辩护，理由是顶层的略微更好的决策可以对利润产生巨大影响。如果一些员工能更好地管理下方的AI企业来部署稀缺资源，薪酬不平等可能会加剧。

赌注越大，你比别人多出的一点点优势就越体现在你的薪水里。另一方面，AI会给每个人好建议。更少的差异化压扁了薪酬分布。

在这里和其他地方，主导的力量也许取决于我们主要是提供判断力还是遵循判断力。