作者说明：这是我们就下一经济系列文章的第二篇，属于一个新平台的一部分，该平台用于承载探索 AGI 未来的独立声音。它反映的是我们的观点，而非 OpenAI 或我们同事的观点。
我们俩在 OpenAI 开始管理自己的团队时都是 24 岁。等你见到我们的团队后，这一点就没那么令人印象深刻了。
我们本该是干杂活的。24 岁时，你处在公司阶梯的最底层。你做会议记录，写几份备忘录。经过多年枯燥的工作，你（但愿）会被授予更广泛的职权。
我们的路径——以及当今许多年轻人的路径——看起来有所不同。我们进入职场时就已经有“员工”听命于我们。这些副手日夜工作，周末和节假日也不停歇。他们擅长干杂活。我们甚至还有数学奥林匹克金牌得主在职为我们提供建议。我们的新下属仍然会犯他们那份错误。但他们在变得更好，在学习我们的需求，而我们也在学习如何管理他们。
我们俩都没有爬上公司阶梯。相反，管理层降到了我们这一级。这篇文章讲的是我们的晋升，以及随着我们进入智能时代，公司可能重新组织的其他方式。
当 AI 进入公司，它会去哪里？我们提出三种示意性场景：
在我们之下。每个人都保留自己的位置，而在下方生长出一层新的 AI 劳动力地下室。我们都成为管理者。首先我们得到助手，然后是幕僚长，最终是完整的微型公司向我們每个人汇报。每个人都得到晋升。
在我们身旁。AI 作为某种同事，与人们一起加入组织架构图，直接为现有的人类管理者和高管工作。它一开始承担这个任务和那个角色。随着时间推移，它履行更广泛的职能，向更高的层级汇报。
在我们之间。最不直观的情况：人在上，人在下，AI 在中间。它协调和监督工作，执行高管的愿景，同时认可有进取心的员工所做的独特贡献。
这些场景都不会完全按照我们描述的方式展开，但我们认为三者都会以某种方式成真。三者都已经在以微妙的方式发生。
我们这里关注的不是完全自动化，而是一个转型中的经济。我们感兴趣的是，随着 AI 不断进步并融入现有组织，嵌合型企业会是什么样子。
我们认为混合型企业具有概念上的重要性，因为 AI 的生产性采用并非一蹴而就。当模型只完成一部分任务时，由熟悉工作的基层员工来采用可能最容易。一旦模型能够端到端地执行广泛职能，高层就可以直接使用它们。在我们看来，能力更强的 AI 更容易被采用：企业必须学习技术，但劳动力会学习企业，并能自我入职。
我们将剖析三种新的组织架构类别，然后考察它们对繁文缛节、员工自主权、企业规模和薪酬差距的未来意味着什么。
我们的第一个场景似乎破坏性最小。在这里，人们留在原来的位置，汇报关系不变，表面上做着和以前一样的工作。从今天到这个未来，人类的组织架构看起来没有变化。
区别在我们之下。每个个人贡献者之下，都有一支新的 AI 劳动力向他们每个人汇报。我们的组织架构多了一个地下室，我们都成了管理者。
起初，这个地下室尚未完工。我们每人先有一两个智能体，它们不太像资深员工，更像我们必须监督并随时宽容的 eager interns。我们的期望很低：在这里发封邮件，在那里起草份备忘录，到处回复 Slack 消息。就像初级人类员工一样，它们一开始几乎没有自主权和信任。
但随着模型进步，我们的智能体在更少监督下承担更多任务。它们彼此协调。可能会有管理者 AI 和苦力 AI、会计师和律师，全都在你的吩咐下协同工作。远非手把手带实习生，你的运营最终看起来就像一家独立的小公司，有自己的组织架构，而你是它的董事会。
Jace 仍然在做他公司的会计工作，但他不再在电子表格里点来点去。他的智能体下属做这些。Jace 的工作更像他几年前的管理者。而他的管理者，如今职责范围更大了。
Jace 的日常工作已经完全改变，现在专注于沟通、协调和创造力。他工作得更少，却感到更有挑战性。他的工作生活波动更大，他凭借领导力和以前无法展示的愿景脱颖而出。
会计团队没有缩减，因为公司其他部门的生产力也提高了，对会计的需求比以往任何时候都多。智能体还无法完成他团队所做的所有事情。高管们根本不懂如何汇总财务数据，需要他的领域专业知识才能有效使用智能体。
没有裁员的自动化
注意，这个场景并不意味着裁员。在这里，我们采用 AI 而不自动化我们自己。我们转而自动化过去的自己，并在层级中向上移动。AI 越来越多地承担我们过去所做的工作。我们的工作得以保留，因为有更多需要管理，我们获得了对更大产出总量的责任。
工作不是静态的（在新窗口中打开）。假设 AI 能完成你以前所做工作的百分之九十。你可能会得出结论，你只剩下百分之十的工作。另一种可能性是，你仍然在做一份完整的工作，只是不同的工作——现在专注于一个十倍大的目标。这是技术的经典馈赠：生产力上升，雄心随之上升以匹配它，而工资可以上涨（在新窗口中打开）与雄心同步。
这一切都取决于我们是否仍然增加价值（在新窗口中打开）于生产。本文关注的是未来几年，届时自动化尚未普遍具备能力或被普遍采用。即使 AI 能做所有事情，我们可能仍然更看重某些东西，因为它是人做的，或者坚持由人拥有最终决定权。
这也取决于我们的胃口。如果作为消费者，我们不在乎十倍多的产出，均衡将转向更少的工人或更少的工作时间。从历史上看，产出的增加并没有让我们满足。我们有多得多（在新窗口中打开）但工作只少一点（在新窗口中打开）如果我们的欲望随着产出倍增而继续膨胀——并且我们仍然是生产的增量——我们会选择继续用劳动换取更多消费。反之，如果生产变得如此充裕以至于我们感到餍足，我们可能会自愿缩减劳动力规模。
我们稍后会讨论更多反对意见（例如我们是否会拥有更多数量的小公司）。我们仍然认为这一情景很重要，因为采用必须从某处开始。企业需要一种方式，从当前的组织结构稳定演进。先增强现有员工的工作，可能比彻底重组更容易迈出第一步。我们在今天已经看到这种情况：一个又一个员工把工作委托给 AI，而迄今为止尚未发生组织革命。
为什么采用可能从底层开始
这一情景依赖于一线员工率先招聘。是基层员工——而非管理者和高管——引领 AI 的采用。只要最擅长让 AI 完成工作的人正是过去亲自做这份工作的人，这种情况就很可能发生。
模型已经能够自动化许多数据科学任务，但一位不熟悉这些方法和细节的部门主管将难以驾驭这些工具。在 AI 变得足够主动、能告诉你你所不知道的东西之前（见我们的下一个情景），它可能对已经熟悉工作方式的人效果最好。
入门级不再是底层
这一情景中最大的变化是针对入门级员工。将不再有最低的一级，至少对人类而言如此。当我们招聘年轻人时，不会是为了把他们放在公司里最枯燥的底层。那些职位将由不在乎这些的东西来填补。
随之而来的是，我们失去了一些教育年轻员工的传统途径：学徒制（在新窗口中打开）、通过苦活累活学习、以及熬资历。这些是真实的代价，但我们主要将其视为一种特权。最稚嫩的新人只要有好点子，就有资源去尝试。楼里最古老的借口，我们就是没有人手，正在消亡。一位初级员工脑子里有一个很棒的视频游戏创意，却没有途径获得人手，现在她可以直接把它做出来。
在我们看来，这种“晋升”情景对初级员工来说仍有很多可学之处——判断力、品味、管理能力和创造性视野的肌肉。我们会受到激励去培养这些技能，因为它们会体现在我们的工作成果中。我们仍将在实践中学习（在新窗口中打开），但处于更高的职责范围层级。公司资深成员仍有动力作为负责任的管家（在我们的成功中持有股权）来帮助我们。这里的机会在于，每个层级上的每个人都能扮演更令人振奋的角色。任何员工都能以更大的职责范围展示自己的才华，这对那些原本毫无职责范围的入门级员工来说最为重要。
交错模式
AI 进入公司的第二种方式贯穿现有的组织架构。在这里，智能体不是残渣，而是同事。传统管理者把团队工作的一部分交给模型，就像她可能把工作委派给任何员工一样。AI 将自己插入人类旁边，而不仅仅是人类之下。
与第一种情景的关键区别在于：在这里，生产性 AI 是由现有的人类管理者采用的，而不仅仅是由当前的个人贡献者采用。要做到这一点，它必须足够胜任，成为一个完全成熟的团队成员。
Sheila 是一家家具公司的副总裁。她从未操盘过广告活动。她给一个 AI 营销团队一笔预算和一款要销售的新沙发。该团队将发布任务分配给自己的各个智能体。一些智能体采访销售人员。另一些则与工厂协调他们实际能交付什么。一个子智能体发起在线调查，还有几个子智能体制作不同视觉风格的样稿。
草稿和修订在它们之间流转，无需经过她的办公桌。她的人类销售和设计团队仍然向她汇报，与营销智能体团队并列。周一，她拿到一份待批准的营销方案，以及一个关于照片是否让沙发显得太蓝的问题。如果没有广告专家主动指出这类细节，她永远不会意识到。她授权智能体与人类摄影师协调重新拍摄。
职责范围的自动扶梯
人类是通才。锤子只对一项任务有帮助；人类能做的远不止这些。AI 从工具到劳动力的演进是一个不断拓宽的范围：先是自动化任务，然后是工作，然后是团队，最后是企业。范围每上一个台阶，都需要更广泛的能力。
一份工作是一个装满许多任务的行李箱。对于整个团队来说，那个行李箱塞满了各种不同的工作。职责范围内的任务越多，意味着潜在的瓶颈越多。如果团队中哪怕一项关键任务涉及体力劳动，就需要一整套全新的外围设备。要成为整个团队的即插即用替代品，AI 必须能够胜任其所有各种职责。
能够处理更大范围的 AI 更难构建。但对公司而言——而这是整个转型的核心不对称之处——更大的范围反而更容易被采用。
一个端到端自动化的团队或广泛职能可以直接被高管采用。能力较窄的工具则无法如此简单地从上而下实施。更简单的工具依赖于整个员工队伍的广泛认同和再培训。
公司学习技术；劳动力学习公司
传统上，新技术让完成一组限定任务变得更便宜。然后负担转移到了买方身上。公司必须弄清楚如何利用新工具，并且必须再培训、重组和重建其流程（在新窗口中打开）围绕它展开。电子表格软件并没有把自己安装到会计部门——是会计部门围绕软件重塑了自己。
劳动力则相反。一个实习生、一名员工和一个优秀的团队会想办法对你有用。他们会询问你，吸收你的背景信息，察觉你的需求。他们会告诉你你甚至没意识到自己不知道的东西。最好的劳动力会自我入职。
在这个意义上，AI 越像劳动力，越有主动性和适应能力，公司就越不需要学习如何驾驭它，而它就越能想办法对公司有用。高管大概不会坐下来听一堂设计软件入门课来学习新工具。但他会乐意接受一个听起来像这样的提议：说一声，我就把你的整个营销职能搭建起来。
这不是一个独狼经济
太多时候，我们把 AGI 的圣杯定义为让一份工作实现自动化。诚然，我们甚至还没有达到那一步。工作之所以如此异常复杂，是因为我们的能力如此惊人。即便如此，很少（在新窗口中打开）我们经济产出中来自单打独斗的劳动者的部分很少。生产性工作贡献于团队，团队贡献于公司，而公司生产了我们消费的几乎所有东西。
AGI 的“工作”标准对人类不够公允。劳动不仅仅是任务，甚至也不仅仅是处理非例行部分：我们的劳动还关乎惊人的协调，关乎我们为更大产出承担小部分工作的可塑性。把我们仅仅当作一袋袋任务的集合来出售，是贱卖。人类的能力在于我们的组织（在新窗口中打开）而非个体。一个经济型 AGI 必须达到人们的标准，而非个人。
因此，如果 AI 仍然只是工具式的、甚至只是工人式的，而非团队式或公司式的，那么“交错”情景可能相当低效。在每个工人旁边楔入一个模型，意味着上千条接缝和交接（在新窗口中打开）。这种零敲碎打的设置可能会拖慢采用。
我们看到一场竞赛，一方是较早、能力较弱的实现，另一方是较晚、能力更强的模型。胜负取决于未来模型的采用速度是否快到足以抵消达到这些能力所需的额外时间。
目前为止的两种情景
这种“交错”情景可以与第一种“提升”情景共存。我们可能会看到公司随着 AI 自动化某些职能而缩减其人力规模，而剩余的人类则在其智能体劳动力辅助下获得更广泛的授权。重要的是，仅就这一情景本身而言，它并不意味着整体人类就业减少。我们可能会发现自己拥有更多公司，每家公司的员工人数更少。
分层
我们的第三种情景最为令人困惑。在这里，AI 进入公司之上于人类。层级不再是人在机器之上，而是人、AI、人：一个自动化三明治。有些人“汇报”给 AI。
这听起来很牵强，尤其是作为公司采用的起点。但我们认为，以不那么激进的方式，这已经开始发生了。
首席执行官 Asha 收到她的人工智能咨询公司的通知，称即将到来的发布存在问题。该公司已经调查了这个问题，发现销售部门承诺的一项功能工程团队并没有在开发。证据是从 Slack 中的普通工作线程里提取的；没有人给她写过报告，甚至没有人意识到团队之间的沟通失误。
这家 AI 咨询公司建议她推迟发布，并重新分配三名工程师。它还注意到，远程办公的工程师 Sarah 已经为该项目搭建了一些有用的基础设施，尽管没有人要求她这么做。咨询公司确保 Sarah 的主动贡献得到认可，并传达给 Asha。Asha 打电话给 Sarah，感谢她超出职责范围的付出，并通过任命她为新项目的工程负责人来表扬她。
梯子可能会从顶部烧起
即使我们把 AI 视为认知劳动的机械化工具，我们往往也关注较低层级。我们通常说 AI 自动化的是电子表格和幻灯片，而不是管理。我们的直觉是，自动化会沿着层级向上攀升：先是最基础的认知苦力活，最后才是判断力，而管理者是最后的堡垒。
但管理者的工作很大程度上发生在电脑上和头脑中：阅读、开会、权衡、保持上下文、做决策。亲临现场、巡视办公楼层、待在员工身边是有价值的。然而，与原子和工具纠缠更多的，是基层工作——即使它主要是认知工作——而不是管理。被派去复印机的是实习生，而不是他的老板。
管理决策很难教给模型，因为成功是模糊的，而且要在很长的时间跨度上衡量。正是出于类似的原因（在新窗口中打开）培养优秀的人类管理者也很难。我们还不知道模型在管理方面有多强。我们针对以执行为核心的认知劳动有大量评估，但很少有评估能涵盖管理者和高管层面的大规模统筹协调。
仍然值得考虑的是，当今的模型在能力上可能实际上更接近人类管理者，而不是基层工作者。一些管理职能可能会在其所监管的工作之前被自动化。
随时随地都有顾问
也许这个“分层”场景的完整版本，是一个 AI 负责思考，然后用向它汇报的人类承包商来填补自身能力缺口。那个世界对我们来说相当陌生。很多东西都需要改变。
但还有一种更自然的化身，它的序幕已经拉开：提供建议. 如今，一位高管可以让 ChatGPT 读取她公司里数百个 Slack 频道、文档、信件和代码文件，然后回答问题。这个团队到底在做什么？那个漏洞出现在哪里？组织的每一部分都越来越可解析（在新窗口中打开）对她而言。
高管们长期以来一直在组织架构图中安插唯利是图的中间人——他们称之为咨询。一家管理咨询公司会短暂而昂贵地为你层层加码。今后，AI 顾问可能会便宜到几乎可以忽略不计，而且无处不在。
模型才刚刚开始可靠地解析公司文档和沟通记录。它们的品味和主动性必须成熟起来。目前，ChatGPT 帮助一位有动力的高管更详细地了解她的组织。我们认为它最终会变成一家全方位服务的咨询公司。它不会成为低层员工的真正“管理者”，而是高管的内部通讯员和顾问。它将利用商业专业知识扫描一切，主动揭示痛点并帮助进行分诊。
这是有益还是有害，将取决于这位高管。其结构性影响是集中化。我们认为这会缩短最高管理层与公司主体之间的距离。它把更多权力赋予顶层，而在过去，信息摩擦有利于更分散的决策。
我们发现这一情景意义深远，不仅在于它如何转移了权威，还在于「AI 作为顾问」的模式多么容易被采纳。就像传统咨询一样，AI 顾问并不要求高管具备技术敏锐度。这不是那种由任何会打字、会用终端的人从底层引入的计算机。你只需与你的顾问交谈，它负责处理技术层面的专业知识。这一采用浪潮可以从高管办公室开始。反过来，顾问模式也可能加速 AI 在整个组织其他部门的采用。
不断演变的雇佣契约
企业不信任远程办公和合同制的一个主要原因赫然在目：可执行性。企业从来就没有廉价的方式来观察工作的进行过程及其应有的丰富性。于是它们衡量的是表面功夫（在新窗口中打开）点击次数、鼠标移动、绿色状态点，这些信号与是否在产出好工作毫无关联。
AI 提供了一种监控手段，它理解。它可以审视一个人产出的成果，并识别出朝向更大目标的真实进展。正如我们在下一节所探讨的，任何新的监控都绝不能轻率实施（在新窗口中打开）。但在恰当的情况下，它可以增进信任，并鼓励企业给予员工更多自由。
如果监控能够理解通往优质工作成果的诸多不同路径，员工就能更多地按照自己想要的方式工作。朝向好结果的进展将更重要，而不是某种便于老板追踪的既定方法。智能监控提供了灵活性，并惩罚我们所有人都厌恶的表演式生产力。
这里的价值主张类似于保险公司在你车上安装追踪器后降低费率的做法。如果你试图钻空子，这会让你吃亏；如果你只是在做好本职工作，监控可以还你清白，管理层也会更信任你。
这种信任具有生成性。我们可能会看到新的意愿（在新窗口中打开）来自那些此前不愿接受混合办公、不愿接纳非传统思维的人、不愿聘用合同工、或不愿在遥远国家雇用优秀人才的企业。
如今，基层员工对组织架构图有很多不满。亲眼看到的问题却无法向上反映，这让人极其沮丧。被困在无能的经理手下，或者做了出色的工作却得不到认可，这都是不公平的待遇。
我们认为上一波商业超优化建立在有限的数据、粗略的指导方针和愚蠢的算法之上。如果你能处理的只有齿轮比，那么每个人看起来都像齿轮。企业长期以来在员工队伍的衡量上存在问题。一个智能的监控系统能够识别出当今粗糙指标所遗漏的有价值贡献和独特方法。
四个大问题
从三个典型情景中汲取素材，我们现在探讨关于企业未来的一些决定性问题。
企业的繁文缛节会更多还是更少？
构建通常相当昂贵。一个应用、一部电影、一份演示文稿、一个功能、一份分析：这些都成本高昂、速度缓慢，而且重做起来令人痛苦。当你实际上只有一次机会时，你会把精力投入到瞄准上。有规划周期、路线图仪式和签批委员会，都是为了确保当企业最终说“开始”时，它瞄准的是值得做的事。我们层级结构中的许多检查之所以存在，是因为执行曾经很珍贵。
在许多领域，AI 正在大幅降低构建的成本——至少降低到原型制作的水平，甚至可能降低到最终完成。我们认为企业的方法也应随之转变：少瞄准，多开火。企业可以构建一个原型、观察、快速学习、重新调整方向，然后再构建一次。轻松制作原型（在新窗口中打开）应当让企业远离那些支撑着规划密集型生产的制度。
最简单的版本是一个迭代更快的团队。在更激进的理解中，团队本身都受到质疑。如果协作规划变得不那么重要，而不相关的多元想法更重要，那么是拥有一个快速迭代的单一团队更好，还是让许多个人各自提出自己的工作原型更好？如果一个真实原型比任何范围界定文档都能更好地传达愿景，我们的沟通规范会改变吗：更早、更多地分享，分享的是工件而非备忘录？
廉价的构建可能使公司更倾向于个人。这将意味着更少的中层管理层级和更少的请示许可，因为过去请示比做事更便宜，而现在不再如此。
话虽如此，正如我们接下来要讨论的，这项赋予个人以更低风险进行原型设计的技术，也可能施加更多的繁文缛节。
员工将拥有更多还是更少的自主权？
公司实行自上而下管理的一个主要原因是相信高管能做出更好的与业务相关的决策（在新窗口中打开）比初级员工更好。公司为高层的高能力资深人士支付更高薪酬，管理者通常接受商业战略培训，而个人贡献者则专注于自己的专业领域。如果 AI 为所有员工提供出色的建议，决策质量的差距就会缩小。管理者干预的理由就会减少。这将增加员工的自主权，并可能减少管理层级。
同样，“AI 顾问”确保在没有高管被提醒的情况下不会发生任何后果严重的事情。如果一名员工即将发布一篇对公司有严重影响的博客文章，顾问会主动向高管标记此事。这带来了信任：管理层不必担心在他们不知情的情况下发生重大失误，因此他们无需对员工的工作方式保持如此严格的约束（在新窗口中打开）。
但 AI 顾问是一把双刃剑（在新窗口中打开）。它可以作为一种智能监控，向员工灌输更多信任；它也可以在整个组织中更有力地推行 CEO 偏好的做事方式。公司重视一致性（在新窗口中打开）：不仅要是一个好决策，还要是一个与公司文化、品牌和规模经济相兼容的决策。连锁餐厅可能更倾向于在其各加盟店采用统一的菜单，这样可以批量采购食材，顾客也能期待一致的产品。
与此相关的是，公司老板的激励并不总是与员工一致。员工会优化其所在领域的成功（在新窗口中打开）而高管关心的是公司整体。股权所有者与工薪劳动者的偏好不同，因为他们收获回报（在新窗口中打开）来自更努力的工作。该咨询公司可以强制执行自上而下规定的特定方案的更严格遵循。
我们的观点是，净效应上，员工将获得更多自主权。我们的乐观基于企业利用 AI 标记重大例外情况，同时将更多决策留给员工。
我们相信 AI 将充当脚手架——即使高管希望维持一致的品牌，这也只是运营时必须遵守的约束。员工能更好地意识到在起作用的商业约束，也更有保障在那些限制之外发挥创造力。在基础得到保障后，高管可以放手让员工尝试可能带来丰厚收益的新方法。在我们下方有 AI 助手辅助，员工也将负责更实质性的产出。当驾驭更复杂的工作时，我们看到了更多创造力的机会。
公司会缩小还是扩大？
关于员工自主权的同样逻辑也适用于公司规模。罗纳德·科斯（在新窗口中打开）曾追问为什么我们在公司内部组织生产，而不是通过一张合同网络。甚至一架飞机也可以纯粹通过对等合同来建造，但那样会非常低效。公司汇聚规模经济、对齐激励、组织大型项目，并免除了不断讨价还价的需要。
通过降低沟通成本，AI 可能为更大或更小的公司提供依据。古典企业是向上传递信息、向下传达指令的基础设施，充满摩擦和传话游戏。如果 AI 充当协调层，规模更大的公司（拥有更多人类员工）就不那么笨重。借助“AI 咨询”，高管可以像创始人了解一家 20 人初创公司那样了解自己的公司。她可以观察一项举措的实施过程，而不是等待季度汇报，并且一旦发生任何事情都会收到通知。她的愿景可以更广泛地渗透。每个人都更清楚其他人在做什么，以及组织的整体优先事项。
也可能反过来。如果沟通无摩擦、合规更可监控，公司就不必把那么多供应链内部化。公司可以更好地信任外部供应商和承包商。
垂直整合的一个主要动机是对齐激励。有一种概念叫不完全契约（在新窗口中打开）——一家航空航天公司可以与一家喷气发动机公司签约，但对于合同中未明确要求的一切，喷气发动机公司都有动机偷工减料、只顾自己的利润。为避免这种情况，航空航天公司收购了喷气发动机公司。就像员工和老板一样：如果合同更可监控、由智能而非勾选复选框来仲裁，公司可能更愿意依赖其他公司。把所有事情都放在内部做的理由会更少。
我们预计会看到许多规模较小的公司，但也会看到庞大的 AI“控股公司”，其中大量不同项目在一家企业内部进行。在企业集团中，当存在某种共同资产被所有不同项目利用时，这种集团形式是经济的。这种共同资产可以是算力，尽管算力很容易按临时的小批量进行配置。共同工厂或机器人车队是更好的动机。
大型“控股公司”还可以通过以下理由得到支持：对齐的激励如果一个由 AI 和资本组成的大型组织完全致力于一项共同使命——比如治愈癌症——那么对单独的小型项目的需求就会减少。一家 AI 公司可以避免权力斗争，共享所有信息，并在需要时实例化其智能体之间的创造性多样性，从而探索不同的路径。
薪酬差距会扩大还是缩小？
如今的体系本应奖励表现突出的员工。他们逐级晋升，并获得更好的报酬。但在一个拥有卓越模型顾问的世界里，员工将如何脱颖而出？
如果 AI 把同样出色的想法给到每个人，我们区分彼此的机会就更少了。薪酬差距应当收窄。
与这种收窄相抗衡的，是判断力、品味和管辖范围。如果我们每个人都领导着位于自己之下的 AI 公司，那么剩余的人类价值就在于我们的决策。如果每个人都负责其下更大规模的工作，那么好判断与坏判断之间的差别就会更加响亮（在新窗口中打开）。
我们长期以来一直将这一逻辑应用于组织架构的顶层。我们为CEO 薪酬（在新窗口中打开）辩护的理由是，顶层稍微好一点的决策就能对利润产生巨大影响。如果一些员工能更好地管理其下的 AI 公司以部署稀缺资源，薪酬不平等可能会加剧。
利害关系越大，你相对于他人那一点微小的优势就越会体现在你的薪水中。另一方面，AI 会向每个人提供好的建议。差异化减少会压缩薪酬分布。
在这里以及其他方面，主导力量或许将取决于我们主要是在提供判断，还是在遵循判断。
