AI 委托的新经济学

每一次重大技术革命首先改变了工具，之后才改变了人们的工作方式。今天，许多人仍然将 AI 视为仅仅是一种生产力工具。我认为这种观点过于狭隘。我们即将迎来更加深刻的变化，这些变化将重塑组织的结构和传统的角色和责任分配。

管理链的终结

许多公司，尤其是初创企业，最初由创始人承担几乎所有业务功能。他们同时构建产品、获取第一批客户和管理运营。

然而，随着业务的增长，这种模式不可避免地会达到其极限。工作量和所需的专业知识开始超过，创始人需要逐渐委托责任并建立一个组织，在这个组织中，不同的功能由专家拥有。

CEO 将部分责任委托给部门负责人。这些领导者反过来将工作分配给他们的团队。这样，熟悉的组织等级结构逐渐形成。

几十年来，这个系统有一个自然的边界。在最底层是个人贡献者，他们没有人可以委托。他们是自己做工作的人。在数学中，这种结构称为树，其终端节点称为叶子。在组织中，这些叶子标志着委托链的终结。

第一次在现代商业史上，这些叶子现在有了可以委托工作的对象或事物。现在几乎任何专家都可以将部分工作量交给 AI：一种可以在几分钟内产生第一稿、进行研究、编写代码、审查文档或收集信息的数字代理。

一种新的工人

今天，许多人担心 AI 会取代人类工人。乍一看，似乎合理地假设，公司委托给 AI 的工作越多，其运营成本就会越低。但现实更加微妙。

每一个委托行为都有一个价格。当经理将任务分配给员工时，公司支付该员工的工资。委托给 AI 引入了一个完全不同的经济模式。除了工资费用，公司还会产生基础模型、API 使用、计算资源、数据存储、上下文窗口、集成和现代 AI 代理依赖的许多其他服务的成本。

实际上，组织获得了一种新的工人。这种工人永远不会休假，可以全天候工作，但它远远不是免费的。因此，公司现在面临的最重要的问题之一不是是否应该使用 AI，而是哪些任务真正值得委托给数字代理，哪些任务仍然更有效地由人处理。

我有机会在 Keymakr 的时候亲眼目睹了这一转变。AI 工具逐渐渗透到公司的几乎每个功能。例如，营销团队使用 AI 代理来识别和分析行业活动、进行市场研究和收集竞争情报。在运营方面，AI 接管了文档处理、内部报告、信息检索和许多其他日常任务。

让我印象最深的是，这种委托是如何被深思熟虑地实施的。AI 没有取代人，而是处理重复、耗时的工作，让团队专注于需要人类判断、创造力和战略思考的任务。这种好处在组织的每个层面都可见，从优化日常工作流程到支持大规模计划和公司范围的活动。

那时我意识到，AI 的最大影响是从根本上改变了工作在整个组织中如何分配。

AI 的隐藏成本

公司最常见的错误之一是根据 AI 的月度订阅价格来判断其成本。实际上，这只是整体经济的一小部分。

真正的成本开始出现，当 AI 被嵌入到日常业务运营中时。一个代理分析文档，另一个代理与 CRM 合作，第三个代理准备报告，第四个代理处理电子邮件。每个代理依赖不同的模型，消耗不同的数据量，需要不同的计算水平。在这一点上，公司积累了整个数字基础设施。

AI 的真正成本最终取决于该基础设施被使用的效率。

假设两个员工被分配了同样的任务。第一个员工自动使用最强大、最昂贵的模型，无论请求有多简单。第二个员工理解，在大多数情况下，一个较小、较便宜的模型就足够了，只有在高级模型能够提供有意义的额外价值时才使用。结果可能相同，但完成任务的成本可能相差一个数量级。

同样的原则适用于数据。并非每个 AI 代理都需要处理数百万条记录，只因为它在技术上能够做到这一点。在许多情况下，缩小搜索空间、减少传递给模型的上下文量或重新设计数据处理工作流更为有效。这些看似小的决定正在塑造组织内部的 AI 经济学。

我相信，在未来的岁月里，公司将在如何高效地管理其 AI 成本方面展开竞争。领导者曾经需要学习如何管理人。现在他们将需要掌握另一种学科：管理数字化劳动力。胜利者将是那些能够以最低成本实现相同结果的人。

首先感受到变化的工作

最大的变化发生在那些日常工作中包含大量结构化、可重复、基于信息的任务，可以委托给 AI 的角色中。这些是 AI 经济学已经具有最强商业理由的环境。

这就是为什么首先改变的角色是那些围绕大量结构化、可重复流程构建的角色。今天，AI 正在设计、软件开发、法律服务、咨询和行政支持等领域被尤其迅速地采用，因为大量工作可以委托给 AI。

我认为许多人误解了 AI 的影响。他们通过消失的工作数量来衡量它。但许多职业可能仍然存在，即使他们的日常工作发生了如此巨大的变化，以至于几年后，工程师、设计师、律师和营销人员仍将拥有相同的工作头衔，但执行着根本不同的工作。

我不会对这样的事实感到惊讶，即几年内，公司将停止仅仅根据专业知识来评估员工。同样重要的是，能够建立和管理个人 AI 代理生态系统、理解不同模型的优势和局限性、为每个任务选择合适的工具以及控制整个 AI 基础设施的成本的能力。

在某种意义上，每个知识工人都成为了一名经理。区别在于，他们的团队中有一部分不再由人组成，而是由数字工人组成。

今天，通过我在 Introspector 的工作和与构建物理 AI 解决方案的公司的合作，我看到这一演变的下一个阶段。如果第一个问题是如何将 AI 集成到业务流程中，那么现在的对话正在转向更根本的问题：如何在人和智能系统之间分配工作，以便他们真正地互相补充并创造经济价值。

这就是为什么我相信 AI 管理正在逐渐成为一门独立的职业。我们已经看到咨询师，他们的工作是帮助组织设计 AI 工作流程、选择合适的工具和优化成本。我相信，对于这类专业知识的需求只会继续增长。