當 AI 逐漸能勝任知識型工作，一個不太好回答的問題是：它到底會以什麼樣的位置進入公司組織？OpenAI 兩位年輕主管 Hemanth Asirvatham 與 Elliott Mokski 在其「下一個經濟」系列文章〈The future of the firm〉中提出三種情境，並強調這些觀點是個人立場，不代表 OpenAI 官方。他們觀察到一個有趣的現象：包括他們自己在內，許多年輕人進入職場時，手上已經擁有全天候待命的 AI「下屬」，這些 AI 擅長過去由基層員工處理的雜務。換句話說，傳統上需要一路攀爬的職場階梯，如今管理職責反而自己降到了年輕人的層級。文章的核心問題是：在智慧時代，混合人類與 AI 的「嵌合型公司」會長什麼樣子？
第一種情境可以稱為「底層增建」。所有人的職位與匯報關係維持不變，人類組織圖看起來完全一樣，改變發生在每個人的「下方」：每位個別貢獻者底下都長出一層 AI 勞動力。一開始這層地下室還很粗糙，每個人配一兩個 AI 代理，像需要密切督導的實習生，只能發信、寫草稿、回覆訊息。但隨著模型進步，這些代理會承接更多任務、彼此協調，甚至出現 AI 管理者、AI 會計、AI 律師，最終每個人都像在經營一家小公司，自己則成了它的董事會。文章用一位會計人員 Jace 的例子說明：他不再自己點擊試算表，而是讓 AI 下屬處理，他的工作轉向溝通、協調與創意。值得注意的是，這種情境不必然導致裁員——組織是在「自動化過去的自己」，而不是消滅現在的自己。即使 AI 能完成你原本九成的工作，你仍可能在做一份全職工作，只是目標規模放大了十倍。這條路的關鍵在於採用順序：基層員工最熟悉工作細節，最有能力把 AI 用好；相比之下，不熟悉資料科學方法的部門主管反而難以駕馭工具。這對基層新人影響最深遠，因為「最底層」的位置將由 AI 填補，傳統上靠打雜學習的學徒制度會消失，但新人也第一次擁有把腦中想法直接做成的資源。
第二種情境是「編織其間」：AI 不是塞在每個人底下，而是以同事身分並肩存在於組織圖中，直接向現有的人類主管匯報。文章虛構了一位從未做過行銷的家具公司副總 Sheila，她把預算和一款新沙發交給一個 AI 行銷團隊，AI 自行拆解任務、訪談業務、協調工廠、做市調、設計視覺稿，最後端出完整方案，甚至主動提醒照片色偏的細節。這條路徑的發展邏輯像一道範圍階梯：AI 先自動化單一任務，再來是整個職位、整個團隊，最後是整個職能。兩位作者指出整個轉型中最關鍵的不對稱性：範圍越大的 AI 越難打造，但對公司而言卻越容易採用。這是因為「公司學技術，勞動力學公司」——傳統工具需要組織重訓、重組流程來遷就它，就像會計部門當年重塑自己去適應試算表軟體；但好的勞動力會自己理解你的需求、主動適應你。一個能端到端完成整個行銷職能的 AI，高層主管一句話就能導入，不必全員培訓。文章也提醒，經濟產出絕大多數來自組織協作而非單打獨鬥，因此衡量 AI 能力的標準應該是「達到一群人的水準」，而非一個人的水準；若 AI 還只是工具等級就被硬塞到每個人身邊，會產生上千個交接縫隙，反而拖慢採用。
第三種情境「層疊其中」最反直覺：人類在上、AI 在中、人類在下，形成自動化三明治，也就是有人要向 AI「匯報」。這聽來遙遠，但作者認為溫和版本已經開始。例如 CEO 的 AI 顧問主動通報即將上線的產品有問題——業務承諾的功能工程沒做，證據直接從 Slack 對話中撈出來，連人類都沒發現這個溝通錯誤；同時 AI 還注意到一位遠端工程師自發建了有用的基礎設施，促成她獲得賞識與晉升。作者推翻了一般「自動化從基層爬上去」的直覺：管理工作的內容大多在電腦與腦中，反而基層工作更常接觸實體事務；而管理能力難以評測，今天的模型搞不好更接近人類管理者而非基層員工的水準。更具體的近期形態是「AI 顧問」：高層可以讓模型讀遍全公司的頻道、文件與程式碼，隨時回答組織運作的問題。這很像企業長期購買的管理顧問服務，但成本低到近乎零、隨時在線，而且不需要主管具備任何技術能力就能使用。這種模式的結構性影響是權力集中：資訊摩擦原本迫使組織分權，如今高層可以直接看見一切，決策層級被壓縮。
從這三種情境出發，文章進一步討論四個關鍵問題。第一是繁文縟節的增減：當 AI 把原型製作的成本壓到極低，組織從「瞄準一次、慎重開槍」轉向「少瞄準、多開火」，規劃委員會與簽核流程的必要性下降，中間管理層可能因此變薄。第二是員工自主性：如果 AI 給每個人同樣優質的商業建議，主管干涉下屬的理由減少；但 AI 顧問同樣能把 CEO 的偏好更徹底地貫徹到全組織，這是一把雙面刃，作者整體判斷員工的自主權會淨增加。第三是公司規模：根據經濟學家 Ronald Coase 的經典提問，公司存在的理由是用內部組織取代外部合約的交易成本；當 AI 讓溝通與監督變得容易，一方面可能出現更多小公司，另一方面也可能出現由 AI 協調的龐大「控股公司」，把許多專案收在同一個共同資產（如機器人工廠）或共同使命之下。第四是薪資差距：如果 AI 把好點子發給所有人，個人表現的差異化空間縮小，薪資分布會被壓縮；但若每個人率領的 AI 團隊規模變大，判斷力好壞的差異會被放大，反而可能拉大差距。最終的分野或許在於：你的價值是提供判斷，還是執行判斷。兩位作者認為這三種情境不會原封不動上演，但各自的部分元素已經在真實職場中悄悄發生。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。