# 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


## 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]

## 一、你不必樣樣第一，才能成為一個團隊不可少的人

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。

## 二、為什麼有人看見「一人公司」，有人看見「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。**在足夠大的市場、AI 可按固定單位成本複製，以及特定規模報酬等條件下，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]

## 三、別把「去當協調者」當成職涯保單

這是我認為全文最需要保留的一份清醒。

在作者的一組示意情境裡，AI 做事能力大幅提高後，人類協調者的報酬是 **0.48**，仍高於專才的 **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。

## 四、把論文放進不同人的問題裡

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。**這位自述替律所建 AI 系統的作者，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。**

## 五、我認為最值得帶走的，不是「人將被取代」

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、跨工具的合作，是否真的優於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。

因此，企業若只計算今天省下多少薪資，而不計算明天如何形成能力，可能會把一段很重要的組織資產當成成本刪掉。

## 六、這篇論文也有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]

## 結語：不是只把工作交給 AI，也要把未來留給人

我對這篇論文的評價是：**它是一張很好的問題地圖，不是一份已經寫好的命運。**

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，值得打造的不只是少人高產的系統，也是一個能培養人、說清責任、讓客戶信任的組織。

對社會，真正的考驗也許不是能不能生產更多，而是當生產變得更容易，我們能不能讓人比較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。**

---

# 研究附記：細節、核驗與限制

## 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）是平滑路徑、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**：100人、6領域與互補配對較隨機配對好32%的敘述，出現在作者解說，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。

本文的主張以原論文與已取回的具名評論為準，不按四個AI的多數票決定。

## Sources

[3] https://institute.deepmind.com/essays/the-economics-of-intelligence
[4] https://spaceasaservice.substack.com/p/the-office-is-a-coordination-technology
[6] https://medium.com/feed/@archchaudhury02 — Archie Chaudhury公開RSS：Beyond Coordination
[7] https://aguilar-pelaez.co.uk/the-checking-threshold.html — The Checking Threshold
[8] https://arxiv.org/pdf/2611.05417v1 — Organizing Intelligence，arXiv v1（2026-10-31）
