Generated by Answer me with HTML 0.5.11 · 2026-11-18 17:11 · ★ Star on GitHub
AI 真正改變的,可能不是你的能力,而是公司需要你的方式
讀《Organizing Intelligence》:從個人的焦慮,看到組織如何重新分配機會
更會使用 AI,不必然等於更有議價能力。關鍵是組織如何重組,以及成果由誰分享。
先用三句話摘要
- AI 能做好一份工作,不代表它已經能經營好一個組織。 作者把「做事能力」與「共事能力」分開,研究兩種進步如何改變企業、就業與薪資。[8]
- 人變得更有效率,不保證收入更高。 AI 會改變工作的稀缺性,企業也會重組;重組效果可能抵銷、甚至逆轉原本的技術效果。[8]
- 這是條件式的經濟模型,不是失業倒數。 它回答的是「什麼條件下可能出現哪些結果」,不是「哪一年一定發生」。作者首頁也明確排除把它當成 Google 的企業預測。[8]
如果你讀到 AI 新聞時,想到的不是排行榜,而是「我明天還會不會被需要」,那種不安值得被認真對待。
它不一定來自不夠努力。也可能來自一個更難掌握的變化:你還在把事情做得更好,組織卻可能已經改變了雇用你的方式。
《Organizing Intelligence》值得讀,正在於它把問題從「一個人能不能贏過 AI」,移到「什麼樣的組織,還能在市場裡成立」。這個轉向,比單次模型跑分更接近工作者真正面對的世界。[8]
能力互補:你不必樣樣第一
論文區分兩種能力:
- 做事能力(competence):例如程式、寫作。在既定規模與組成下,決定組織能產出多少。
- 共事能力(coordination):例如交接、共享脈絡、對齊目標。決定人或 AI 增加之後,合作會帶來更大成果,還是更多摩擦。[8]
作者的簡化例子很直觀:程式專家在兩項能力上的分數是 (9, 1),寫作專家是 (1, 9)。如果工作兩方面都需要,單人的短板就會拖住成果。使用作者的調和平均聚合式,單人的能力指標是 1.8;把兩種專長組合,平均能力成為 (5, 5),指標是 5。[8]
這些是人為設定的模型數字,不是智商,也不是現實企業的生產力測量(第2.1節,印刷頁3–4)。它要說的是:組織不只把能力相加,也能把彼此的缺口接起來。 因此,一個勝過平均個人的 AI,仍可能輸給互補的人類團隊;但這不是人類永遠不會輸的保證。[8]
我喜歡這個視角。它讓我們看見:不擅長每件事,並不等於沒有價值。問題是你的長處,能不能在一個適當的合作關係裡發揮。
同為兩人團隊,互補如何改變能力指標?
模型示意,非實測。只比較平均能力的聚合指標,不等於成本調整後總產出。[8]
資料
| 兩位程式專家 | 1.8 |
|---|---|
| 程式與寫作專家 | 5 |
一人公司,還是超級巨頭?
這篇論文給的答案,不是二選一。
如果 AI 只是更會做事,人類仍要負責把事情接起來。 同樣的工作可能由更精簡的人機團隊完成。要注意,在作者的重要設定裡,固定團隊組成時,單純提高做事能力並不直接改變最佳規模;「公司縮小」牽涉組成調整、市場需求等其他變化,不是 AI 一變強就自動成立。[8]
如果 AI 也能在擴大團隊後持續有效協作,情況就不同了。 這需要足夠大的市場、固定的 AI 單位複製成本,以及特定規模報酬。在這些條件下,AI 組織可能突破原來的規模限制,使產出向大型組織集中。[8]
還要分開兩個門檻:突然被替代,不必等到「超協調集中」。 人機混合企業可能逐步減少人類投入;人類企業也可能在 AI 尚未越過規模門檻前,就因成本競爭失去市場。這是作者示例中的兩種替代機制,不是現實失業時間表(第2.4節,印刷頁13–14;命題5,頁42–43)。[8]
但這裡有一個容易漏掉的細節:論文的組織規模包括人類與 AI 投入,不只看人類員工名冊。 一家只有少數人、卻運轉大量 AI 代理的企業,在這個意義下可以是「巨型組織」。所以,少人公司與大規模生產並不矛盾。[8]
這也是我的第一個 INSIGHT:
未來值得研究的,可能不是公司還剩多少人,而是它能組織多少可靠的工作,以及誰控制這套組織能力。
同時,不要把「集中」直接翻成「壟斷暴利」。模型的均衡要求活躍企業損益兩平、沒有可獲利的進入機會;它沒有替現實巨頭的定價權、超額利潤或股票報酬提供保證。[8]
兩條不同的變化路徑
條件式機制示意,不是必經順序或時間表。固定團隊組成時,做事能力提升不直接改變最佳規模。[8]
薪資:別把職稱當成保單
這是我認為全文最需要保留的一份清醒。
作者有一組示意情境。AI 做事能力大幅提高後,人類協調者報酬為 0.48,高於專才的 0.39。乍看像是「管理者贏了」。但人類基準情境中,協調者的報酬是 2.41(第2節,印刷頁8、11)。[8]
相對優勢還在,不代表收入比以前更好。 這些都是同一套示意模型中的正規化數值,不是美元、降薪預測,也不能直接拿來判斷生活購買力。[8]
為什麼會這樣?作者把薪資變化拆成:
- 技術效果:先不改原來的組織,AI 變強如何影響人類的價值。
- 重組效果:企業再調整規模、AI 比例與人員組合,重新改變對人才的需求。[8]
所以,「用了 AI,我能做更多」和「市場因此願意付我更多」之間,沒有自動連接的等號。
這也不等於轉職一定無效。它只是提醒我們:不要把某一個職稱,誤當成永久稀缺性的證書。 如果你的價值主要來自追進度、轉交訊息、整理狀態,那麼「AI 協調能力改善」正可能觸及這些工作。
相對優勢與原來收入,是兩種比較
| 模型情境 | 人類角色 | 正規化報酬 |
|---|---|---|
| 人類基準 | 協調者 | 2.41 |
| AI 做事能力大幅提高 | 協調者 | 0.48 |
| AI 做事能力大幅提高 | 專才 | 0.39 |
以上只是說明性算例,不是美元、降薪預測或實質購買力估計。[8]
三位評論者,三個追問
以下是已取回原文的公開評論,不是學界共識,也不是同行審查結論。
Eduardo Aguilar Pelaez:合作之前,先問能不能抓錯。 他自述替律所建 AI 系統,質疑平均協調能力不足以描述錯誤相關性。同模型複本可能很會傳遞資訊,卻同樣覺得某個錯誤合理。他因此把獨立驗證能力看成更關鍵的門檻。[7]
Archie Chaudhury:組織變強以後,誰拿走好處? 他追問跨企業協作與基礎設施控制。小公司若能透過共享標準合作,未必非合併不可;反過來,公司很多,也可能共同依賴少數算力、身分或交易平台。[6]
Antony Slumbers:別把協調流程和人的承諾混成一件事。 他從辦公空間與企業需求出發,區分可被軟體接手的協調流程,以及偏好、承諾與責任。他認為後者可能較有韌性;這是產業判斷,不是人類工作的免疫證明。[4]
三個問題放在一起,讓原論文更有力量,也更需要謹慎:能力可以複製,錯誤可能一起複製;協作可以擴大,收益卻未必一起分享。
真正要保護的,不只是一個職位
而是這三個不同的問題。
1. 市場願意付的價錢,和人的價值,不是一回事
模型裡的工資,是特定生產方式、供需與組織安排下的價格。它不是一個人努力過多少、照顧過誰、值得多少尊重的總評分。
這不是逃避經濟現實。恰好相反:把兩者分開,我們才能討論制度與分配,而不是把所有壓力都推回工作者身上,叫他再學一個工具。
2. 真正值得追蹤的是「可靠完成」,不是「看起來很忙」
如果十個 AI 只是產出更多內容、互相引用同一個錯誤,那不是我們想要的組織智慧。
我的判斷是,評估 AI 組織時,應同時追問:成果是否通過獨立檢查?錯誤是否被攔下?人類接手善後的時間有沒有算進去?跨模型、跨工具合作,是否真能勝過成本相近的單一代理?這是把論文的規模問題轉成可檢驗問題,不是宣稱作者已證明某種架構最好。
3. 今天刪掉的初階工作,可能也是明天的人才階梯
這是我的延伸問題,不是論文的已證結論。
如果一家公司不再需要新人做基礎工作,卻仍期待未來有人能做資深判斷,那些人要在哪裡累積經驗?誰提供低風險犯錯、被指導、逐漸能負責的機會?
論文把人類能力供給當成模型條件,沒有完整描寫這條成長路徑。[8]但我們真正在乎的職涯與社會,正是由這些路徑構成。
企業可能只計算今天省下多少薪資,卻不計算明天如何形成能力。這樣就可能把重要的組織資產當成成本刪掉。
模型不能替我們回答的事
第一,AI 可複製,不等於算力、能源與資料權利沒有約束。 核心模型把每份 AI 的租用成本設為外生;誰擁有那些稀缺投入、成本如何隨規模上升,是判斷現實分配時不能省略的問題。[8][6]
第二,協作網路擴大,不必然等於單一法律企業擴大。 如果企業之間也能低成本協調,市場邊界本身也可能改變。論文提供一個有用的生產組織框架,但不能單憑它決定所有現實企業的邊界。[6]
第三,技術進步沒有指定年份。 模型的能力參數不是日曆;部分集中與薪資跳變的圖例還涉及大市場極限,不能直接翻成某個有限產業會在某天突然翻轉。[8]
第四,退出模型中的生產就業,不等於現實所有人都沒有工作或所得。 作者在配套解說中討論,人類參與本身有價值的關係型部門可能擴張;但這不是核心模型已經證明大量轉職者都能得到好工作。需求、訓練、偏好與資源如何銜接,仍是問題。[8][3]
把未來留給人
我的評價是:它是一張問題地圖,不是一份預先寫好的命運。
它讓我們不再只問「誰比較聰明」,而開始問:什麼能力仍然稀缺?誰能把合作做可靠?誰控制必要的基礎設施?誰能分享效率提升的成果?
對個人,可以繼續累積專業、理解問題、辨識錯誤與建立信任。但不必把每一次市場重估,都解讀成自己不夠好。
對企業,目標不只是少人高產。也要建立能培養人、說清責任、讓客戶信任的組織。
對社會,考驗也許不只是能不能生產更多。當生產變得更容易,我們能不能讓人不必靠恐懼來證明自己值得留下?
效率是一種能力;如何對待彼此,是另一種選擇。
細節、核驗與來源
A. 閱讀與版本範圍
- 技術標的:Alex Imas、Andrew Koh、Shane Legg,arXiv:2611.05417v1,首頁2026-10-31,共108頁。重點核讀第2節算例、第3節模型、第4–6節主要結果、第7.2節實證連結、第8節結論,以及相關數值核驗說明;不宣稱逐行重做所有附錄證明。[8]
- 配套解說發表於2026-10-29。本文把解說中的延伸討論與正式模型區分,不默默混用成同一層證據。[3]
- Aguilar Pelaez的評論日期為10/30,回應先前10/29公開稿與解說;其對第一動差表示(用平均能力描述特定組織關係)的問題,可在v1的假設2、印刷頁19核對。這不是聲稱他當時已評論10/31版。[8][7]
- 除特別註明外,本文定位使用論文印刷頁碼,而不是PDF閱讀器的頁次。
- 資料查核日:2026-11-18。這是一篇模型分析與評論整合,不是投資推薦、就業預測或學界共識報告。
B. 三個可重算的模型檢查
互補能力
示例使用調和平均:L = 2 / (1/y1 + 1/y2)。
- 程式專家
(9,1):L = 1.8。 - 同樣是兩人團隊,兩名程式專家的平均能力仍是
(9,1);程式與寫作專家組合後是(5,5),L = 5。 - 這只檢查作者的能力聚合機制;不同團隊的成本、協調與規模仍須另外考慮,不能把5/1.8直接稱為現實生產力實測。[8]
協調與最佳規模
第2.1節特定函數在正的有限內部解下,其偏好規模為:m* = φ/(1-c) - 1,c代表平均協調能力,這裡c<1(印刷頁5)。這是先不考慮人力與市場約束的技術性選擇;實際均衡規模仍須符合可用人力與市場需求,不是所有技術的通用公式。
取作者示例的φ = 7/4:c=0.75時m*=6;c=0.90時m*=16.5。模型允許連續投入,16.5不是現實中的半位員工。超協調是規模報酬條件,不是某張現成排行榜上的「1分」。[8]
相對薪資與絕對薪資
第2節中,超能AI情境的協調者報酬0.48 > 0.39(專才),但0.48 < 2.41(人類基準情境中的協調者)。本次用Python重算與比較;不轉成降薪百分比,也不把不同情境的示意值當成現實薪資估計。[8]
C. 容易被讀錯的證據層級
- 模型推導:工資分解、特定條件下的企業規模與替代路徑。命題6(第6.3節,印刷頁44)處理平滑路徑、內部匹配下的局部分解。重組效果可以是一階影響,不能因它是間接管道便稱為數學上的「二階小量」。企業整體退出另有離散比較,不能混成同一條平滑導數。[8]
- 示意算例:14人經濟、工資數值與企業份額;是展示機制,不是模型估計出的未來世界。[8]
- 外部實證:第7.2節引用其他研究,提供與框架相容的線索;不是本篇新做的大樣本企業實驗,也不足以識別整條未來能力路徑。[8]
- 配套解說的小型展示:作者解說另有100人、6領域的小型展示,提到互補配對較隨機配對好32%。這不是正式論文中的企業規模實證。本文未取得原始資料與完整方法獨立重做,不用這個32%推演企業生產力。[3]
- 延伸討論:關係型部門可能吸納人力、制度如何分配收益,以及本文提出的人才階梯問題,都須與已證定理分開。[3]
D. 公開評論如何取回
- Slumbers:取回Substack公開正文,本文採其協調流程、承諾與企業邊界的論點,不採未回查原件的產業百分比。[4]
- Chaudhury:Medium原文頁在本次HTTP讀取回403,改由作者公開RSS取回同一篇完整文章,依標題、作者與文章連結匹配;這是一篇評論,不把其中所有跨國數據自動當成已核實事實。[6]
- Aguilar Pelaez:取回作者個人網站正文與作者署名資料。他也自述替律所建AI系統、關注可機器驗證規格;其立場與實務專長相關,不能當成已推翻原論文的證明。[7]
E. 四個外部AI通道的使用與取捨
本次MUSE、Grok Fast、AGY Hydrogen High、GPT/Codex均取得實質回覆;MUSE並核對同案例的新user訊息及completed事件。它們是四條分析通道,不是四份獨立實證;共同簡報與共享來源也會造成意見相關。
- MUSE:提供錯誤相關性與驗證門檻的有用線索;其100人展示的出處須改正為配套解說,部分算例數字及頁碼不照抄。
- AGY:提供組織邊界與制度分配的討論;其將重組效果稱為「二階衝擊」並不準確,已依Proposition 6更正。其給出的部分評論網址不採用,改以實際取回原文為準。
- Codex:提供測量與企業邊界的反方;其中BidClub是AI摘要/清理字幕頁,不當成已核真人原始訪談。原始影音未另核聽,不引用其轉述的對談內容。
- Grok:提供跨企業網路與算力限制的反方;未核的X串文、鏡像評論不直接納入;同一篇評論的跨站轉貼不算新的獨立意見。
本文以原論文與已取回的具名評論為準,不按四個AI多數票決定。
引用來源
來源 [3] https://institute.deepmind.com/essays/the-economics-of-intelligence 來源 [4] https://spaceasaservice.substack.com/p/the-office-is-a-coordination-technology 來源 [6] https://medium.com/feed/@archchaudhury02 — Archie Chaudhury公開RSS:Beyond Coordination 來源 [7] https://aguilar-pelaez.co.uk/the-checking-threshold.html — The Checking Threshold 來源 [8] https://arxiv.org/pdf/2611.05417v1 — Organizing Intelligence,arXiv v1(2026-10-31)