AI不会让公司变平,只会让责任变陡

我现在每天同时和十多个AI协作。它们查资料、写代码、做图、跑测试，也互相检查。有时，一条任务在我喝完一杯咖啡之前，已经沿着几条并行路径推进了几十步。

如果只看产出，这很像一个人突然多了一支团队。于是，一个很自然的推论出现了：既然AI能分担大量执行和协调，公司是不是可以少招人、少设管理层，最后变成创始人加一群Agent？

这个推论方向不全错，但逻辑远远不够。

它把组织层级误解成了传话链条，也把“能生成结果”误解成了“能对结果负责”。如果不先回答层级为什么存在，就无法判断AI究竟消灭了什么；如果不把职位层级、知识层级、权力层级和责任层级分开，就会把一张更扁的组织图，误判成一个真正去中心化的组织。

我的核心判断是：

AI会压缩人的执行链，却不会同步压缩组织的责任链。未来企业很可能同时出现三件事：人更少，正式职位更平，关键人的责任梯度更陡。

这不是文字游戏。它决定企业应该删掉哪些岗位、保留哪些能力、如何重新授权，以及为什么“每个人配一个AI”远远不等于完成组织升级。

一、先把问题倒过来：组织为什么需要层级

讨论AI会不会让公司扁平，不能从AI开始，必须从公司为什么存在开始。

科斯在1937年提出，企业存在，是因为通过市场逐项议价、签约和监督存在交易成本。当企业内部用权威协调的成本低于市场交易成本，活动就进入企业边界。^[1] 这解释了“为什么有公司”，但还没有解释公司内部为什么分层。

第二层答案来自人的认知限制。任何负责人都不可能看见全部事实、处理全部例外、同时做出所有判断。Galbraith把组织理解为信息处理系统：任务越不确定，组织需要处理的信息越多；当人的带宽不够，就只能通过规则、分工、横向协调或增加层级来吸收不确定性。^[2]

第三层是知识分布。Garicano把组织层级解释为一条“问题升级链”：一线解决高频、标准的问题；解决不了的例外逐级交给更稀缺的专家。层级的价值，不只是发号施令，而是避免每个人都学习全部知识，同时让少数专家的知识被更多人复用。^[3]

第四层是权力。Aghion与Tirole区分了“正式权力”和“实际权力”：任命书决定谁有权拍板，但谁掌握信息、谁能提出可行方案，往往决定真正的决策权。授权不是把一个头衔交出去那么简单；信息、主动性、激励与责任会改变权力实际落在哪里。^[4]

第五层是责任。企业可以把任务拆给很多人，却不能把一个重大后果无限拆散。产品事故发生时，必须有人决定是否召回；现金流断裂时，必须有人决定砍掉什么；企业价值发生冲突时，必须有人承担选择。层级在这里提供的不是效率，而是合法性：谁有权让组织承受这个后果，谁必须解释为什么。

所以，层级至少同时解决五种摩擦：

AI只拆掉其中一部分；权力与责任不会随搜索成本一起归零。

这一步决定后面的推理是否成立。AI对五种摩擦的影响并不相同。它能把信息搜索压到几秒，把初稿成本压到接近零，却不能把两个股东的利益冲突变成一道计算题，也不能在法律和社会意义上替企业坐牢、赔偿或失去信誉。

如果把层级只看成“信息从下面传到上面”，我们当然会预测层级消失；如果把层级看成认知、知识、权力和责任共同构成的制度，我们得到的结论就完全不同。

二、AI真正改变的，不是人数，而是组织的成本函数

AI进入公司，最直观的变化是生产成本下降。同样一份研究、文案、程序或方案，一个人可以更快完成，也可以同时探索更多路径。但组织价值从来不等于生成了多少中间产物。

更接近真实的等式是：

组织净收益＝执行与协调成本的下降－验证、集成、错误和治理成本的上升。

AI首先压低四类成本。

第一，搜索成本。原来需要跨部门找人、翻资料、等待反馈的知识，现在可以被模型快速检索、归纳和翻译。

第二，生成成本。文字、代码、图像、分析和计划的第一版，开始变得廉价。

第三，局部协调成本。AI可以在不同专业语言之间做接口：把技术方案翻译成业务影响，把客户反馈转成需求，把需求转成测试项。

第四，复制成本。一条工作流一旦被写成指令、工具和检查规则，就可以被多个Agent重复执行，不必依赖同一个人的时间。

但与此同时，另四类成本会被抬高。

第一，验证成本。生成越容易，候选答案越多，判断哪些真的能用越难。

第二，集成成本。局部正确的代码、文案和策略，并不自动兼容现有架构、品牌、流程和组织承诺。

第三，错误扩散成本。一个人的错误过去影响一份文件；同一个人指挥十个Agent后，一个错误目标可以同时污染十条执行链。

第四，治理成本。AI越能访问数据、调用工具、修改系统，企业越需要规定它在什么条件下能做什么，并留下可审计证据。

OpenAI对Codex使用的研究提供了一个早期信号：2026年上半年，活跃用户增长超过5倍；超过10%的用户每周至少有一次同时管理三个以上Agent；个人用户提交“相当于资深人类工作八小时以上”任务的比例增长近10倍。^[8] 这证明人的可调度执行能力正在迅速扩大，却没有证明最终业务价值同步扩大。论文自己也提醒，OpenAI内部使用成本低、组织支持强、员工熟悉模型，不能代表普通企业。

OpenAI在8月发布的另一份企业报告分析了1764家组织、17446551条消息。2025年6月至2026年3月，单用户消息量约增至4倍，输出token约增至7倍，推理token超过4倍。^[7] 使用深度在增加，但这份报告明确不测量下游产出、生产率或组织改变。消息和token增长只能证明更多活动进入了AI，不能证明这些活动穿过了整条价值链。

另一项针对10万多名GitHub开发者的研究把这条裂缝展示得更清楚：自动编程Agent让commit累计增加180%，但增益到“项目数”只剩50%，到“实际发布”只剩30%；四个应用市场中新应用有所增加，总使用量却没有增加。^[10]

代码不是产品，发布也不是采用。AI把生产链前端推得很快，瓶颈就会向验收、集成、销售、信任和组织决策迁移。原来的慢点没有消失，只是换了位置。

生产量增长只说明等式左边发生变化；价值取决于完整生产链。

这也是为什么“给员工开通AI账号”不是组织变革。2026年的一项515家高增长初创企业现场实验，把关键阻力称为“映射问题”：企业不知道AI应该被放进生产过程的哪里。实验组获得其他企业如何围绕AI重组生产的信息后，发现的AI用例增加44%，主要集中在产品开发和战略；它们完成的任务多12%，获得付费客户的概率高18%，收入达到对照组的1.9倍。与此同时，劳动需求没有下降，对外部资本的需求反而低39.5%。^[6]

比收入倍数更值得看的是那个中间变量：模型能力只有被映射到完整生产链，才可能变成公司能力。而这种映射需要重新定义目标、接口、验收与责任，不是简单减少管理者。

三、“组织更扁平”为什么是一句危险的半真话

人们说组织扁平，通常把七件不同的事混在了一起：

这七件事并不必然同向。

公司可以取消两层区域经理，让一线员工直接使用AI获取信息，汇报层级确实变少；同时，总部通过系统实时看到每一个动作，自动设置优先级和绩效标准，实际控制反而更集中。员工不再被经理盯着，并不意味着没有被管理；管理可能只是从一个可见的人，迁移成一套不可见的指标、权限和算法。

算法管理研究早已提醒，数字系统能够通过推荐、限制、记录和评价建立新的控制地形。^[12] AI把这种能力再向前推进一步：它不只记录员工做了什么，还可以参与拆解任务、分配工作、生成评价甚至建议处罚。表面上，组织图更平；实际上，过程控制可能比过去更密。

HBS在2026年研究了Y Combinator 2020年至2024年批次及同期美国风投初创企业。与同产业、同批次的非AI企业相比，AI原生企业员工约少25%，工程师占比高13%，初级员工和管理者占比各低约15%，层级少约半个资历级别，估值却相近。^[5]

这是一条很有价值的近期证据，但不能被写成“AI已经证明会让所有企业扁平”。它是横截面相关研究，不是随机实验；样本是年轻的风投初创企业；作者明确承认，企业进入更复杂的规模阶段后，新的协调需求会不会让层级重新长回来，目前不知道。更重要的是，招聘信息里提到ChatGPT、Copilot或Cursor，并不能预测公司更小；真正与小团队相关的是把AI嵌进产品和生产模式。

所以，“扁平化”最多描述了组织图的一部分。更准确的表述是：

AI让信息距离变短，让执行路径变短，却可能让权力距离变长、算法控制变密、责任集中度变高。

组织图、信息距离、管理跨度、决策权和控制强度可以朝相反方向移动。

未来最值得警惕的，不是企业有没有中层，而是中层承担的功能被谁接走了。如果传话由AI接走、监督由算法接走、资源配置回到总部、风险最终压到少数负责人，那么减少中层并没有带来真正的自治，只是把可见的科层换成了数字科层。

四、层级不会整体消失，而会分裂成五条不同的链

把组织层级继续拆开，我们会看到五种不同走向。

第一条：工作流层级会被大量压缩

汇总、分发、提醒、追踪、格式转换、标准审批，是最容易被Agent接走的部分。过去一份信息要经过助理、主管、经理逐级加工，未来可以由系统直接生成不同版本并送达相关人。这里的中间层确实会变薄。

第二条：知识层级会迁移，而不是消失

Garicano所说的“高频问题留在一线、例外问题上交专家”，会被AI重写。模型可以吞下更多高频问题，也可以处理一部分过去需要专家介入的例外。但当AI覆盖了旧问题后，人类专家面对的将更多是模型没有见过、多个目标冲突、数据本身不可靠的异常。

也就是说，专家收到的问题数量可能减少，平均难度却会上升。知识层级从“谁记得更多答案”，转向“谁能识别问题属于哪一种未知”。

第三条：权力层级不会自然下放

信息更透明，不等于决策权更分散。AI可以让总部同时看见更多业务，也可以让创始人跨过中间管理者直接干预更多细节。执行越分散，战略权力反而越可能集中，因为少数人第一次拥有了同时指挥大量执行单元的能力。

这构成未来组织的第一个悖论：生产去中心化，意志可能更中心化。

第四条：责任层级会变得更陡

Agent可以建议是否批准贷款，却不能承担歧视性决策的法律责任；可以生成医疗判断，却不能面对患者家属；可以自动改价，却不能替企业解释为什么伤害了客户。

任务可以外包，责任不能因为使用了AI就凭空消失。相反，当执行者减少、执行速度提高、行动范围扩大，重大后果会集中到更少的授权人身上。

第五条：能力成长层级可能被掏空

AI原生企业更少招聘初级员工，看起来是效率提升；但高级判断力并不是凭空产生的。很多专业能力来自长期处理低风险任务、观察失败、接受反馈，再逐渐形成隐性知识。如果初级工作全部被自动化，企业可能节省了今天的人力，却切断了明天的专家供给。

被压缩的是中转功能；异常、权力、责任和成长功能不会自动消失。

因此，不能只问“哪一层岗位会消失”，而要问“这一层原来承担的五种功能分别去了哪里”。岗位消失，不代表功能消失；功能没有被重新设计，就会以返工、事故、过载或隐性权力的形式回来。

五、为什么关键人的要求不是线性上升，而是非线性上升

“AI时代人的要求更高”也常被说得太空。真正的机制至少有四层。

第一层：杠杆放大

一个人过去每天只能推动有限任务，错误的影响半径也有限。现在，一个人可以并行指挥多个Agent。正确判断被放大，错误判断也被放大。

当执行能力从1变成10，人的价值不再主要取决于亲手完成一项任务的速度，而取决于能否定义一个值得做的目标、把约束写清楚、在关键节点识别偏离，并让系统及时停止。执行杠杆越大，目标误差造成的损失越接近乘法，而不是加法。

第二层：瓶颈迁移

编码研究中，commit增长180%，发布只增长30%，不是AI没有提高生产率，而是它把瓶颈推到了后面。^[10] 当草稿无限便宜，稀缺的是编辑判断；当代码无限便宜，稀缺的是架构、测试和真实采用；当方案无限便宜，稀缺的是选择哪一个方向并承担机会成本。

AI首先替代的是“做一个东西”，然后抬高“决定做什么、证明它可用、让别人愿意采用”的相对价值。

第三层：责任密度上升

假设过去一个经理带五个人，每个人每天产生一个需要审核的关键输出；未来这个经理带五个人，每个人又各自指挥五个Agent。即使Agent过滤掉大部分噪声，经理面对的异常种类、交叉依赖和潜在后果仍会明显增加。

传统管理跨度统计的是人数，未来更应统计：同时运行多少任务链、多少决策不可逆、多少系统共享同一数据与权限、一次错误能传播多远。人数减少，责任跨度可能反而扩张。

第四层：筛选效应

AI并不会让每一个原有员工都自然升级为高级判断者。更可能发生的是，企业减少初级岗位和例行管理岗，保留少量能够定义、整合、验收和负责的人。于是我们观察到的“平均能力提高”，一部分来自人的成长，另一部分来自低要求岗位被删除后的人员筛选。

Anthropic对约40万次Claude Code会话的分析显示，经验越丰富，给AI的任务越复杂：专家的一条指令平均触发约12个动作和3200字输出，初学者约5个动作和600字；人承担约70%的规划决策，AI承担约80%的执行决策。^[9] 这说明同一个模型没有抹平专业差异，而是在放大人能否提出高质量问题、设定约束和验收结果的差异。它是厂商遥测，不直接测量真实业务结果，但机制信号很清楚。

宝洁对776名专业人员的随机实验提供了另一面：在一天的产品创新任务中，单人加AI的质量可以接近两人团队；相对单人无AI，质量提高0.37个标准差，用时少16.4%。^[11] AI确实能够补充部分跨职能知识，减少部分为了“把不同专业放到同一张桌子上”而建立的协作。但一天的实验无法证明长期团队可以被替代，更无法证明组织学习、信任和人才培养不再重要。

所以，未来不是“每个人都变成超级员工”，而是：

少数能定义问题、调度系统、独立验收并承担后果的人，会获得更大杠杆；大量只负责传递、汇总和标准执行的岗位，会失去存在依据。

任务越不可逆、越难验证、后果越大，越需要人类合法授权。

这也是为什么人的门槛会呈现两极化：基础生产门槛下降，关键判断门槛上升；更多人能做出第一版，更少人能对最终版签字。

六、未来组织的基本单元，不再是岗位，而是“可授权的责任单元”

工业时代的基本单位是岗位。岗位说明书规定一个人长期负责什么，再通过部门把岗位组合起来。但Agent的能力是动态的：同一个AI可以今天做研究、明天写代码、后天运行测试。继续按岗位给它整体权限，就会出现一个危险错觉：因为Agent看起来像一个员工，所以可以像信任员工一样信任它。

我更认同另一种组织单元：责任单元。

一个责任单元必须同时说明六件事：

这里的关键不是“这个Agent可不可信”，而是“当前这一步状态转换是否满足授权条件”。这也是我把它称为Trustlink而不是trust的原因：可信的不是Agent这个主体，而是当前链路中一次有边界、有证据、可追溯的状态转换。

于是，未来层级不再主要按职位高低划分，而按三条轴线划分：

可逆、可验证、后果有限的任务，可以让AI自动执行；局部不可逆但规则清晰的任务，可以由AI执行、独立系统复核；跨目标、高不确定的任务，需要人在关键状态转换前授权；涉及战略、法律和公共后果的事项，必须回到拥有合法权力并承担责任的人。

可信的不是Agent主体，而是有边界、有证据、可追溯的当前状态转换。

这是一种“责任梯度”，不是传统的固定金字塔。同一个人在不同任务里可以处于不同层级：工程师可以对技术实现拥有最高判断权，却无权决定是否承担某项法律风险；创始人可以决定风险偏好，却不应越过专业验收直接宣布系统安全。

真正的扁平组织，不是所有人都能做所有决定，而是每个决定都尽可能在最接近事实、同时又有能力承担后果的节点完成。AI让事实更容易流动，却没有自动解决后半句。

七、组织变平之后，四个二阶后果会慢慢显现

第一，初级岗位断层

如果企业只保留能够独立驾驭AI的高级人才，短期人效会很好看，长期却可能没有新人经历足够的真实问题。过去由初级员工完成的低风险任务，也是观察、试错和形成判断力的训练场。

未来企业必须主动设计新的学徒制：让新人先在可逆环境中审核AI、复盘失败、解释选择，而不是只看AI给出的正确答案。否则，组织会获得更便宜的执行，同时失去生成下一代专家的机制。

第二，权力集中悖论

一个小团队可以控制更大的业务，意味着所有权和控制权可能进一步集中。执行被分散给Agent，目标、资本和权限却集中到少数人手中。如果缺少独立校验和制衡，小团队并不天然更敏捷，也可能只是更快地犯下更大的错误。

第三，组织记忆外移

当越来越多知识存在模型、提示词、外部工具和供应商平台里，企业看起来不再需要大量内部知识工人，但也可能失去解释自己为什么这样做的能力。一旦模型变化、供应商中断或上下文没有被记录，组织会发现自己拥有结果，却没有形成可继承的理解。

组织记忆不能等同于聊天记录。它必须包括决策依据、失败案例、验收规则和授权边界，并能被后来者重新检查。

第四，隐性数字科层

取消正式中层后，规则并不会消失。它们会进入工作流、评分器、权限系统和Agent编排。过去员工可以当面质疑经理，未来可能面对一个看不见规则、无法申诉的自动系统。

因此，未来组织治理不仅要问“谁管理人”，还要问：谁写规则、谁选择模型、谁设置评价函数、谁有权覆盖系统、谁审计这些看不见的管理者。

短期人效提高，可能伴随人才断层、权力集中、记忆外移和数字科层。

AI降低了企业边界内外的很多交易成本，小公司确实可能拥有过去只有大公司才有的研究、设计、工程和运营能力。但品牌信誉、资本承担、长期协作和责任合法性不会因为接口调用变便宜而消失。未来可能出现更多小而强的企业，却不意味着所有大组织都会解体。

八、什么情况下，这个判断会错

一个观点只有写出反转条件，才不是口号。

第一，如果未来几年企业广泛部署多Agent之后，管理者比例、汇报层级和审核节点持续增加，而且增加主要来自新的协调需求，而不是暂时合规过渡，那么“正式层级会变少”就应被修正。

第二，如果AI生成量增长能稳定、等比例地转化为实际发布、客户采用和利润，而验证与集成成本没有抬升，那么“瓶颈迁移到人类判断”会被削弱。当前编码证据显示的是明显衰减，但这不是永恒规律。^[10]

第三，如果企业能够把战略目标、价值冲突与责任合法性也可靠地编码为可验证规则，并让社会、法律和客户接受机器承担责任，那么责任层级可能真正下降。至少目前，我们没有这样的制度证据。

第四，如果AI原生企业在从几十人扩张到几千人后仍然保持同样低的管理者比例、同样浅的层级，并且事故率、人才培养和组织学习没有恶化，那么“规模会重新制造协调层级”的担忧将被反驳。^[5]

第五，如果初级岗位减少后，高级人才供给没有在五到十年后收缩，说明新的训练机制成功替代了旧学徒制；反之，专业人才断层将成为扁平化最昂贵的隐性成本。

因此，观察未来组织，不能只看人效和组织图。至少要同时看六个指标：

这些指标比“员工用了多少次AI”“每人生成多少token”更接近组织是否真的变强。

九、企业现在应该做的，不是先裁层级，而是先重画责任链

如果今天就要开始，最小可执行动作不是宣布“AI优先”，也不是先砍掉一层管理者，而是选择一条真实、重复、结果可验收的业务链，做一次责任重构。

第一步，画出从目标到结果的全部状态转换。不要只画谁向谁汇报，要画清楚信息从哪里来、哪一步改变了什么、哪一步可能不可逆。

第二步，把每一步分成生成、判断、授权、执行、验收五种功能。能由AI承担的是哪一种，必须分别证明，不能因为AI会生成就默认它会判断，更不能因为它能判断就默认它有权执行。

第三步，为每个高风险动作设置最小权限、明确前置条件和独立验证。让系统只获得完成当前一步所需的权限，而不是一次授予完成整项任务的整体信任。

第四步，把评估单位从“生成了多少”改成“多少结果被独立验收并真实采用”。把人工审核分钟数、返工率、错误传播半径和异常升级次数一起记账。

第五步，保留人的成长路径。让新人从验证AI、解释错误、处理边界案例开始，在可逆环境里形成判断，而不是被彻底挡在生产过程之外。

先检验一条生产链能否穿过生成、验收与采用，再讨论是否减少层级。

一个90天试验已经足够暴露主要矛盾：如果输出大幅增加，但验收、采用和客户结果没有改善，瓶颈就在生产链后端；如果审核负荷和事故同步上升，说明责任跨度已经超过人的带宽；如果只有少数人能让系统稳定工作，问题不是再买一个模型，而是组织没有把经验沉淀成可复用的授权与验收机制。

AI时代，管理者的核心工作会从“监督人是否完成任务”，转向四件事：定义目标，配置权限，设计证据，承担后果。

因此，未来最重要的组织问题不是“一个人能带多少人”，而是：

一个人能在不丢失判断质量和责任边界的前提下，管理多少条由多个AI推动的执行链。

我们可能会看到更少的员工、更少的正式经理、更短的信息路径。但只要目标仍会冲突、未来仍不确定、错误仍有后果，组织就不可能真正没有层级。

AI不会消灭层级。它会把层级从职位、会议和汇报线里剥离出来，重新压缩到目标、权限、证据和责任之中。

组织图会变平。

责任会变陡。

真正稀缺的人，不是能亲手做最多事情的人，而是能在更大的行动杠杆下，仍然知道什么值得做、什么不能做、什么证据才算完成，以及最后由谁负责的人。