当智能越来越便宜：组织能力、主动性与工作的意义

date

Oct 31, 2026

status

Published

slug

ai-organization-agency-and-meaning-of-work

一、Alex Imas：单个 Agent 的能力，不等于整个组织的能力

Alex Imas、Andrew Koh 与 Shane Legg 在 10 月 29 日发布的研究介绍中，把 AI 的经济能力区分为两个维度：独立完成任务的能力（Competence），以及协同完成任务的能力（Coordination）。

一个系统擅长写代码，并不意味着它能与其他系统顺利交接需求、处理冲突、完成集成。研究模型认为，单项能力提高可能逐步改变工资、价格和人机分工，而协作能力跨越某些门槛，可能进一步改变组织规模和市场结构。这是带有假设的经济学推演，并非对未来的确定预报。研究介绍

这给实际项目提供了一个评估角度：除了问“模型能不能完成这道题”，还要问“整个流程能不能交付”。

例如，多个 Agent 分别完成需求分析、编码和测试，看起来每一步都成功，最后仍可能因为接口理解不同、测试使用了错误数据、修改相互覆盖而失败。增加 Agent 数量之前，应先明确任务边界、共享状态、交接格式和验收责任。

二、Ethan Mollick：把低成本智能变成有价值的产品

原观点汇编将 Ethan Mollick 的讨论概括为：理解 AI 商业机会时，工业革命可能比淘金热更有启发。淘金热容易让人只关注“卖工具”，工业化则提醒人们，新的生产能力也会创造新的产品和需求。

公开转载中，Andrew McAfee 援引 Hal Varian 的思路作了补充：寻找与持续降价的事物互补、能够因此变得更有价值的能力。Mollick 原帖链接 · McAfee 回应链接

把这个思路用于创业，可以问三个具体问题：

智能更便宜以后，客户原先因为成本太高而放弃的事情是什么？

我掌握的行业规则、客户关系或交付经验，能帮助 AI 把哪件事做好？

客户愿意为最后的结果付多少钱，而不是愿意为多少次模型调用付钱？

这里没有“应用一定胜过基础设施”的结论。分发、品牌、算力供给和平台网络效应仍会影响利润分配。更稳妥的做法，是用真实客户与交付成本验证自己的位置。

三、Gergely Orosz：主动性要落实为可复用的实验

原汇编引用 Gergely Orosz 的行业观察：面对快速变化的工具，一部分人会主动探索和调整流程，另一部分人更依赖培训与明确安排。这种观察不能直接推广为对所有从业者的分类，也不能把组织支持不足全部归咎于个人。原帖链接

对个人更有帮助的，是把“主动”落实为一个小循环：

选择真实问题 → 做小范围实验 → 检查结果 → 留下可复用的方法。

例如，不必从“我要学会所有 Agent 框架”开始。可以先选一项每周重复的工作，记录原来的耗时和错误，再尝试让 AI 完成其中一个环节。只有质量不下降、总耗时减少，才扩大使用范围。

主动性也包括及时停下来：如果一个实验增加了大量审查和返工，却没有改善结果，就应调整方案。持续尝试与专业基础相互补充，不能用忙碌代替进步。

四、Tim Wu：当用户委托 Agent，谁会影响它的选择

原汇编转述 Tim Wu 的一个问题：如果用户把搜索、比较和购买等任务交给 Agent，依赖浏览时长和广告曝光的商业模式会受到怎样的影响？原帖链接

这个问题值得沿着决策过程继续追问。用户不再逐页浏览，不代表商业影响就消失了。推荐排序、付费接入和默认供应商，都可能影响 Agent 给出的结果。

因此，判断一个 Agent 产品是否值得信任，可以检查：

推荐理由和信息来源是否可追溯？

是否说明商业合作或付费排序？

用户能否设定预算、排除选项，并拒绝执行？

涉及购买、公开发布或修改重要数据时，是否有适当的确认与记录？

这些是产品设计上的检查项，而不是对任何一家平台已经采取某种行为的指控。对企业而言，获得 Agent 可读取的清晰产品信息很重要，保持可验证的服务质量同样重要。

五、Pedro Domingos：自动化也可能改变工作的乐趣

原汇编通过 Pedro Domingos 的讨论提出一个区别：AI 替人完成的，可能是令人厌烦的重复劳动，也可能是人最愿意亲自投入的创造活动。不能简单假设“少做一点工作”对所有人都有相同价值。原帖链接

这一思考可以与 DeepMind Institute 关于工作价值的研究相互参照。其介绍涵盖英国、美国、丹麦和印度的调查；其中，英国、美国和丹麦约 20% 的受访者，在获得原工资 100%—120% 的保障收入这一假设条件下，仍表示不愿离开工作。印度采用线上样本，职业构成存在偏向；这个约 20% 的表述不能扩大为全球比例，也不能把情境意愿当成实际离职行为。研究介绍

这提示我们，在规划自动化时，可以把工作拆成三类：

希望交给工具的消耗性任务。

愿意让工具协助、但仍想保留判断的任务。

即使工具能做，也希望亲自练习和体验的活动。

写作、研究、设计、编程或手工创造，都可能同时具有产出价值和体验价值。工具可以扩大选择，不必替人规定什么值得热爱。

六、Aaron Levie：机会要在具体流程中验证

原汇编引用 Aaron Levie 的判断，认为企业工作流中的 Agent 深度应用仍处于早期，并提到“不到 1%”的粗略估计。这个数字没有在本文中作为市场渗透率使用，它是原汇编转述的个人估计。原帖链接

更有操作价值的问题是：哪些流程输入明确、发生频繁、结果容易检验，却仍耗费大量人工协调？

例如资料归档、内部报表准备或文档一致性检查，可以先限定输入范围、输出格式和异常处理方式，再验证能否稳定完成。涉及重要业务决策的步骤，则需要保留明确的责任人与适当复核。

“已经接入聊天助手”和“一个流程已经可靠运行”之间，往往还隔着数据清理、权限设计、系统集成和质量验收。机会有多大，要靠这些具体环节验证。

从观点到实践：先跑通一个小流程

以上观点带来的实践建议，是先选择一个边界清楚、风险可控的流程，进行一到两周的小规模试验。以下方法是本文的综合建议，并非上述研究已经验证的统一方案。

第一步，定义交付结果。 写清楚输入、输出、允许调用的工具，以及什么情况下必须停下来交给人。

第二步，建立原有流程的基线。 记录总耗时、返工次数、错误类型和人工检查成本。不要只统计生成速度。

第三步，从最简单的组织方式开始。 先试单个 Agent 或固定流程。只有出现明确的职责分离需求，再增加多 Agent 协作，避免协调开销超过收益。

第四步，用相同任务比较结果。 除了成功率，还记录每个合格结果的总成本、人工介入时间、失败后的恢复难度。对难以衡量的质量，让熟悉业务的人按预先确定的标准复核。

第五步，决定扩大、调整还是停止。 能稳定改善结果的方法，沉淀为规则、样例和测试。没有改善的实验，也应留下失败原因，而不是继续增加工具数量。

最后留下的判断

AI 的普及会让更多人获得执行复杂任务的能力，但它不会自动决定目标是否值得追求，也不会自动解决团队协作、商业激励和人的意义感问题。

对个人而言，值得积累的是理解问题、组织执行和验证结果的能力。对企业而言，值得投资的是让这些能力在真实业务中持续产生价值的流程。

至于更强的 AI 协作会帮助小团队，还是进一步强化大企业的规模优势，仍然是开放问题。与其押注一个确定答案，不如持续观察：自己的组织是否更容易协调，客户是否真正受益，人是否获得了更多有价值的选择。

来源与核验说明

本文整理自《全球前沿认知观察｜2026 年 10 月 30 日》分享内容，并补充实践分析。两篇 DeepMind Institute 研究介绍已核对公开原文。社交媒体观点参照原汇编及 Jurnalo 公开转载、Orosz 转载、Levie 转载整理。部分 X 原帖未能直接读取，因此以转述呈现，不作为逐字引语；具体措辞以原帖为准。经济模型、调查意愿、个人估计与本文建议，各自的证据性质不同。