一、事件概述

OpenAI News 于 2026 年 10 月 28 日发布了一篇题为《The future of the firm》的文章，作者是 Hemanth Asirvatham 和 Elliott Mokski。副标题提出了一个很具体的问题：AI 会以什么方式进入组织架构图——在人类下方、在人类旁边，还是在人类之间。

需要先说明两点背景，避免误读：

  1. 这篇文章不是 OpenAI 的官方路线图。作者在文首明确写了“作者注”：这是他们“下一个经济”系列随笔的第二篇，属于一个承载独立声音、探讨 AGI 未来的新平台；文章反映的是作者个人观点，不代表 OpenAI 或同事的立场。
  2. 它不是论文，也没有实验数据。全文是概念性、场景化的组织理论推演，不包含模型评测、客户案例或量化预测。

文章的核心论点可以概括为一句话：真正值得讨论的不是“全面自动化”，而是一个正在过渡中的经济体——AI 逐步变强、逐步编织进既有组织时，那种“嵌合体公司”（chimeric firms）会长成什么样。

作者给出了三个示意性场景：

  • Beneath us（在我们下方）：所有人保留原座位、原汇报线，但在每个人脚下长出一层新的 AI 劳动力“地下室”。每个人手下先是助手，再是幕僚长，最后是一整家微型公司，人人“升职”。
  • Beside us（在我们旁边）：AI 作为某种意义上的“同事”被画进组织图，直接为现有人类管理者和高管工作，从接手零散任务开始，逐步承担更宽泛的职能，并向上汇报。
  • Between us（在我们之间）：最反直觉的一种——上面是人、下面也是人，AI 夹在中间，负责协调与监督工作，一方面执行高管的意图，另一方面识别一线员工的具体贡献。

作者自己承认，三个场景都不会原样发生，但三种形态的某些方面都会成真，而且已经在以微妙的方式发生。文章随后表示将逐一拆解这三类新组织图，并讨论它们对“繁文缛节、员工自主性、公司规模、薪酬差距”的影响。

说明：本次提供的正文在“Entry level is no longer the lowest level”一节处即告中断，关于 Beside us 与 Between us 两个场景的详细展开、以及文末对红头文件/员工自主性/公司规模/薪酬差距的具体分析，原文未提供，本文不做推测性补充。

二、关键技术点与核心论证

虽然不涉及模型架构，但文章的推理链条对做 Agent 落地的人很有参考价值。可以拆成以下几个要点。

1. “更有能力的 AI 更容易被采纳”

这是全文最重要的一个判断，也是反直觉的：

产出式采用（productive adoption）不是瞬时发生的。当模型只能完成一部分任务时，采用可能最容易由熟悉这项工作的一线员工从底部推动；一旦模型能端到端承担宽泛职能，高层就可以直接使用它们。

作者给出一句很精炼的表述：公司需要学习技术，但劳动力本身已经学会了这家公司，并能自我上手（firms must learn technologies, but labor learns the firm and can onboard itself）。

换句话说，Agent 的可用性与部署位置强耦合：能力窄时，它适合贴在懂业务的人手边；能力宽时，它才适合被管理者直接调用。

2. “自动化我们的过去自我”，而不是自动化我们自己

在 Beneath us 场景里，作者用一个会计岗位的例子说明演化路径：Jace 不再点表格，他的 Agent 下属去做；他的日常工作转为沟通、协调与创造性工作，工作时间更少但挑战更大，工作方差也更大。而会计团队并没有因为自动化而缩小编制——因为公司整体生产率提高，对会计的需求反而更多了。

作者据此提出一个关键区分：automate our past selves。AI 接手的是你过去做的活，而你随之上移，承担更大的产出总量。文中引用了“岗位并非静态”的观点（原文以超链接形式引用外部资料，具体出处原文未展开说明）：如果 AI 能做你过去 90% 的工作，你未必只剩 10% 的活，也可能仍在做一份完整的、只是目标大十倍的活。

3. 这个场景成立的两个前提

作者很克制地列出了条件，没有当成必然：

  • 人类仍然对生产有增量价值。文章明确表示，讨论范围限定在“自动化尚未普遍具备能力或尚未普遍被采纳”的今后数年；即便 AI 全能，人们也可能因为“这是人做的”而更看重某物，或坚持要有人拥有最终决定权。
  • 我们的胃口仍在增长。如果消费者并不想要十倍产出，均衡会转向更少的劳动者或更少的工时。作者引用历史观察：产出增长远大于工时下降，我们拥有了“多得多”，但只“少工作了一点点”。若胃口继续扩张且人类仍具增量性，我们会继续用劳动换取更多消费；若产出丰裕到让人满足，则可能自愿缩小劳动人口。

4. 采用为什么可能从底部开始

作者直接点到了数据科学：

模型已经能够自动化许多数据科学任务，但一个不熟悉方法与细节的部门负责人，很难真正用起这些工具。

在 AI 尚未“主动到能告诉你你不知道什么”之前（作者把这个可能性指向下一个场景 Beside us），它最好用在已经熟悉这项工作如何完成的人手里。

5. 场景一真正的冲击点在入门级岗位

文章在标题“Entry level is no longer the lowest level（入门级不再是最低层）”处中断。该节的具体论述原文未提供。可以确定的是，作者把这一变化视为 Beneath us 场景中最大的结构性改变——当每个人脚下都有一层 AI“实习生”，过去用来训练新人的那些杂活将不再构成晋升阶梯的底座。

三、对数据科学与 AI Agent 落地的意义

抛开组织学讨论，这篇文章对工程侧其实给出了几个可操作的判断标准。

第一，Agent 的部署位置应随能力带宽而移动。 能力窄、需要人频繁纠错的阶段，把 Agent 挂在熟悉业务的一线人员身上，摩擦最小；能力端到端之后再上收到管理者，才有意义。很多企业失败的原因恰恰是反着做：能力还只有 30% 时就试图自上而下铺开。

第二，衡量 Agent 价值时，看“产出总量”而不是“任务替代率”。 文章里会计团队没缩编但需求变多，这在数据团队同样成立：如果取数、清洗、报表被自动化，短期内更常见的结果不是裁员，而是分析需求被释放出来，团队被要求回答更多、更快的问题。做 ROI 评估时如果只算“节省了多少人时”，很可能低估也被误判。

第三，领域知识仍然是 Agent 发挥效用的前置条件。 这是文章对数据科学最直接的一句话。把自然语言接口架在数据仓库上并不难，难的是让工具知道“这个指标在这个业务语境下该怎么定义”。这也解释了为什么当前有效的落地多半来自“懂业务的人 + Agent”，而不是“Agent + 不懂业务的人”。

第四，多 Agent 的内部组织形态值得提前设计。 作者描绘的“你的操作最终像一家小公司，有自己的组织图，而你是它的董事会”，实际上已经是当下多 Agent 编排（manager agent / worker agent、分工与协调）的隐喻。谁是编排者、谁负责校验、失败如何回传，这些在组织学里叫汇报线，在工程里叫编排拓扑。

四、我的技术点评

优点在于拒绝给单一答案。 市面上关于“AI 与就业”的讨论往往在两个极端之间摆动：要么全面替代，要么只是工具。这篇文章选择了一个更工程化的视角——关注过渡态，而不是终局。它明确把讨论限定在“自动化尚未普遍具备能力”的这几年，这个限定让结论变得可用。

“beneath / beside / between”这组三分法本身是个好用的分析框架。 它本质上是在问一个坐标系问题：AI 在决策链上的位置在哪。beneath 是执行层扩容，beside 是平行职能替代，between 是控制层插入。第三种（between）确实最反直觉，也最有争议：当 AI 承担协调与监督，它同时掌握信息聚合权和绩效解释权，员工的“独特贡献”由谁认定、如何复核，文章在此处中断，尚未给出答案。这恰恰是落地时最棘手的治理问题。

需要保留的怀疑。 三点：

  1. “自动化过去自我”的论证依赖一个乐观假设：生产率提升会同步带来需求扩张，且人类在更高层岗位上仍有增量价值。作者自己列了这个前提，但它在不同行业、不同岗位上的成立度差异极大。对流程高度标准化、需求刚性的职能，“产出变大”未必发生。
  2. 全文没有量化。 三个场景均为示意性（illustrative），作者也明说不会原样发生。作为从业者，不宜把其中的组织推演当作预测，更适合当作设计空间（design space）的枚举。
  3. 作者身份需要标注清楚。 这是 OpenAI 平台上发布的个人观点随笔，不是公司战略文件。写作中引用其观点时，应注明“作者认为”，而非“OpenAI 认为”。

一句话总结： 这篇文章最大的价值不在结论，而在于它把“AI 该放在组织图的哪个格子里”变成了一个可以逐项讨论的工程问题——能力带宽决定部署位置，领域知识决定采用路径。对于正在做 Agent 落地的团队，这比任何“2027 年取代 X% 岗位”的数字都更有参考价值。

五、原文链接