从“AI时代的企业边界论”看AI时代的组织论

围绕AI智能体的讨论，往往会落到企业内部的组织和管理者应当如何自处。大概是因为经营者和商务人士每天打交道的就是“组织”吧。

然而，企业内部的组织形态，本来就是由企业本身的形态所决定的。

既然如此，在思考企业内部的组织之前，应该先思考AI时代企业的形态和轮廓，也就是“企业与企业之间的边界会因AI智能体而如何被重新划定”。

我认为，先站到这样高一层的元视角，再去思考组织，就不会只停留在业务效率化，还能与作为AI时代竞争战略要素的组织论联系起来。

因此，本文想先思考“AI时代的企业边界论”，在此基础上再思考组织论，作一次试论。

具体来说，我会从以下角度来探讨AI智能体时代的企业轮廓：AI智能体普及之后，什么样的企业可以缩小企业规模，以及庞大的平台企业会变得更强还是更弱。我想，这样做对初创企业的经营战略也会有所启示。

不过请注意，这只是为了促使我们转换视角的试论，并不是“事情一定会变成这样”的预测。而且这个问题的答案，会随着AI智能体达到何种性能而大幅改变。本文以“AI智能体相当有用，但没有评估、审计和权限管理就无法完全放手交给它”这样一种性能比现在稍好一些的AI为前提来思考。

企业为什么会存在

要思考AI智能体时代的企业，就需要思考企业为什么会存在，或者说企业的边界是如何划定的。

思考企业的出发点，应当参考罗纳德·科斯的The Nature of the Firm。科斯把企业存在的理由归结为市场交易的成本。寻找对手、谈判、签约、确认履行，都需要花费功夫。这种功夫很大的活动，就会被纳入企业内部。

奥利弗·威廉姆森把这一论述发展为治理问题。对于依赖特定对象的投资、持续性交易、不确定性大的业务，与其每次都在市场上签约，不如在组织内部进行协调更为稳定。

不过，把工作纳入企业内部，并不意味着一切都会变得更便宜。企业内部也存在另一类成本，例如内部协调成本和官僚制成本等。

这种交易成本经济学的思路，在AI时代恐怕同样有效。企业的边界，取决于在市场上交易的成本与在组织内部协调的成本之间的比较。如此一来，只要看AI会如何改变各项成本，就更容易思考企业的轮廓会如何变化。

此外，詹森和梅克林的Theory of the Firm: Managerial Behavior, Agency Costs and Ownership Structure把企业视为利益相关者之间的代理问题。股东、经营者、员工、客户的利益并不完全一致，因此需要报酬、监督和问责。再加上格罗斯曼和哈特的不完全契约理论指出，正因为存在合同无法写尽的未来，所以由谁掌握剩余决定权才很重要。

将这些归纳起来，如下所示。

将在市场上每次签约都过于昂贵的活动内部化。
保护长期投资和隐性知识。
管理对重要资源的访问。
成为损失和责任的归属方。
向客户和社会保证品质和持续性。
在不完全的契约之中，拥有最终的决断权。

也就是说，企业不只是人的集合，而可以被理解为捆绑多种功能的制度。

到了AI智能体时代，在企业这个容器里，除了人类、资本、品牌、法律责任这些传统要素之外，还将捆绑进AI智能体、数据和模型。

AI智能体会同时改变多种成本

在参考这些理论的基础上，来思考AI智能体会如何改变企业的形态。

首先来想一想，哪些成本可能会发生变化。

(1) 搜索成本下降

买方可以高速比较供应商、价格、品质、过往业绩和替代方案。卖方也可以借助AI调查潜在客户、提案内容、定价和竞争信息。市场参与者增加，更细致的交易也更容易达成。

(2) 合同成本下降

规格书、合同、风险条款、验收条件等的草稿，AI可以在一定程度上承担。这样一来，过去那些小额交易也更容易签订合同了。

(3) 执行与监督的成本部分下降

AI智能体可以拆解任务、确认进度、检测异常、生成报告，甚至衔接到付款处理。这使得组合外部人才和外部企业的成本部分下降。

(4) 智能体之间的交易成本产生

市场将从人类浏览网站来选择的市场，转向AI智能体读取API、权限、声誉、价格、交付期和合同条件并进行谈判的市场。在这样的市场中，会产生AI之间的交易成本，以及为此所需的业绩记录和审计日志等成本。

(5) 信任、责任、审计的成本增加

当AI接连不断地执行时，成果物也相应增加，而随着成果物增加，责任也随之增加，因此失败时的责任就成了问题。为此所需的验证和审计成本将会增加。

把以上内容归纳起来，按下面的方式来思考企业的边界会比较容易理解。

容易推进市场化（外部化）的条件

市场交易成本 + 信任、审计、责任成本 < 内部协调成本 + 官僚制成本

容易推进企业化（内部化）的条件

市场交易成本 + 信任、审计、责任成本 > 内部协调成本 + 官僚制成本

AI会降低左侧的市场交易成本。同时，也可能提高左侧的信任、审计、责任成本。此外，还会降低右侧的内部协调成本。

因此，由此可以说的是：AI智能体会让企业变小，还是让大企业和平台变得更强，并不会朝单一方向确定，但重要的是看清哪些成本、在哪个领域、下降到什么程度。

另外，根据AI智能体未来的性能，算式左右两侧的成本都有可能发生变化，而市场化会推进还是集中化会推进，也会因此而不同。如果能够正确估计这种性能提升会到什么程度，就应该能看清更优的企业形态。

哪些企业会变小，哪些企业会变强

整体上如上所述，不过如果再稍微微观地观察企业的业务领域，我想大致的企业形态趋势还是会显现出来的。

(1) 微型企业增加

如果借助AI智能体，一个人或几个人的团队就能完成过去需要十人、一百人才能完成的业务，那么企业将不再是雇用大量人员的组织，而会变成捆绑AI等的小型经营实体。

尤其是在以下这样的领域，这种倾向会增强：

成果物可以验证
失败时的损害有限
监管较宽松
数据访问明确
容易组合外部工具

比如咨询、软件、教育、媒体、调研、设计，以及专业服务的一部分等。

如果是这样的企业实体，隶属于该企业的人数会变少，但AI智能体相对增多，因此需要转向与之相适应的组织运营形态。

不过需要注意的是，这类微型企业很可能依赖云、支付、AI模型、认证、保险、市场平台等平台。比如，现代的自由职业者式的人群，不再是以个人，而是以“少数个人＋AI智能体群”的微型企业形态挺立起来，再由这些微型企业在众包平台上承接各种执行工作，会比较接近这样的形态。

(2) 拥有智能体交易基础设施的企业会变强

AI智能体越多，就越需要确认AI智能体及其背后的主体是否真实、是否拥有权限、是否具备支付能力、成果物是否安全等。结果，将ID与认证、支付与声誉、日志、保险、纠纷处理等捆绑起来提供保证的平台，其价值会提高。

从科斯的角度来看，这似乎是市场交易成本下降所带来的市场化。然而实际上，这意味着市场本身有可能会依赖于少数基础设施。AI智能体之间要进行交易，需要通用的协议和API、权限管理、审计日志，而这类智能体经济的交易所具有网络效应，所以某个平台将会接近赢家通吃。

因此，AI智能体在使一部分市场分散化的同时，也使市场的基础设施集中化。而且市场越扩大，使市场得以成立的信任基础设施的价值就越高。

(3) 承担责任的企业会变强

少数人类留在企业核心，将周边的执行委托给AI智能体和外部专家的企业，会成为承担责任、品牌、客户关系、数据权限、品质保证，以及损害发生时的保险的企业。

比如，十人的公司利用AI智能体完成过去一百人规模的工作，是有可能的。这时重要的不是这十人直接处理一百个执行任务，而是在向AI智能体分配权限之后，验证成果，并对该成果承担最终责任。

执行越分散，承担责任的人就越必须明确。因为从客户的角度来看，比起是AI做的还是人类做的，由谁来担保更重要。

而且，让AI智能体来执行，产生的成果越多，该企业所承担的责任就越大。假如其中有几项成果物失败，对客户的赔偿额超过了自身能够支付的额度，这家企业就会破产。

也就是说，无论能够执行多少，很多企业恐怕也只会在自身能够承担的责任程度之内进行扩张。因此，即便AI扩展了执行能力，企业的扩张最终也会受制于承担责任的能力。

（另外，原本股份公司的有限责任是一种使人们能够挑战高不确定性事业的社会制度，在合理范围内承担这样的风险应当是可以的，但实际上愿意承担到那种程度风险的企业并不多。相比之下，初创企业是相对容易承担风险的容器，所以可能比既有企业更加踩下油门，以“只要充分利用AI智能体，就能承担到这个程度的风险和责任”的态度，承担比以往更大的风险，从而实现增长。）

这种形态，应该容易在专业服务、B2B软件、调研、咨询、法务和会计的辅助领域、面向小众产业的服务中扩展开来。

(4) 能够治理数据的企业会变强

AI智能体的性能，并不只由通用的模型能力决定。能否管理客户数据和业务日志、从失败记录中学习、有时处理例外情况，以及能否获取专业知识和使用情境，会大大改变能否用好这个模型。

拉詹和津加莱斯的Power in a Theory of the Firm，除所有权之外，还从对重要资源的访问来解释企业内部的权力，而企业边界不仅取决于“雇用了谁”，也取决于“谁能让哪些数据、出于什么目的、被用于哪个模型”。不过，在AI智能体的时代，企业与其说只要是独有数据的所有者就行，不如说能否管理数据利用的许可范围，可能会左右AI的运用。因为能够访问什么样的数据，决定了AI的成果物。

在这种情况下，企业能够对同意、权限、再利用和审计等进行安全的数据管理，就会成为竞争优势。因为AI智能体越是替代业务，数据访问的设计就越是决定企业的边界和竞争优势。

我认为，在医疗、金融、教育、制造、研发、客户支持等领域，这个方向会变得重要。

(5) 对AgentOps企业的需求增加

许多企业将无法仅靠自身承担AI智能体的模型评估、权限管理、日志审计和事故应对。这意味着，越是使用AI智能体的企业，就越会产生对支撑其执行环境的专家的需求。

这里所需要的，不只是模型运维，而是AI智能体整个执行环境的运维。仅仅查看模型的精度是不够的，还需要管理：智能体读取哪些数据、使用哪些工具、自动执行到哪里、在哪里退回人工批准；是否能够把模型连接到业务和数据、减少事故、使其可审计，并在必要时能够叫停。

可以说，这是AgentOps而不是MLOps的领域。

其中一部分可能会内部化，由负责AgentOps的专家配置在企业内部。另一方面，也会出现从外部支撑AgentOps的外包对象。这并不是单纯的SIer，而应当是受托为企业安全地构建、监控并改进AI执行环境的AgentOps企业。可以说，就像制造业工厂里提供机器人引入和维护服务的企业的AI版本。

当然，OpenAI等平台企业也很有可能强化这类模型运维的功能。

(6) 在高风险领域，作为责任容器的企业会留存下来

在医疗、金融、法务、公共采购、基础设施等监管领域，即使AI提供辅助，许可、问责、监督、赔偿和保险依然存在。

企业与其说是执行者，不如说成为对社会的责任容器，因此在高风险领域，AI智能体不会瓦解企业，反而会加厚企业承担责任的功能。

到此为止的讨论归纳起来，就是下面这张图。

内部组织将趋近于按成果物划分的项目

以上是大致的推测。不过，我认为在进行了这样的讨论、思考了企业的边界和形态会如何变化之后，再思考在自己的领域里企业形态会如何变化，进而按各个领域去思考内部组织形态会如何变化，会比较好。

原本讨论到这里就可以打住，但我想再往前迈一步，也谈一谈内部的组织论。

顺着这一趋势，大方向上也许会是：承担责任的部门将持续留存，而负责执行的组织将以项目为单位，这种力量可能比以往更强地发挥作用。

比如，承担责任的部门负责经营、法务、风险管理和安全等，决定委托给AI智能体的范围、叫停的条件、保留的日志、批准者和责任人。

而执行部门，则会被拆分为拥有特定目的、期限、预算、数据权限、AI智能体、人类责任人和验收标准的小型项目，按“验证新市场的客户假设”“迁移既有代码”等目的组建，成果通过验收后就解散，更容易采取这样的形式。此时，日志和学习成果会留在公司，用于下一次学习。

职能部门的角色，也会更偏向于掌握权限和责任，而不是执行。

比如开发，将执行的大部分交给AI智能体，人类则转而掌握架构、质量标准、安全、上线权限等。（这也许已经在发生了）

法务决定合同模板、风险分类、升级条件，并承担责任。另外，人事则要设计哪些能力保留给人类、哪些能力用AI补足、哪些能力从市场上购买。最近日本也出现的由HR负责人兼任AI负责人的做法，看起来反映了这种组织设计的形态。

管理者的角色也会改变。

进度确认和汇报这类为组织运营而存在的信息路由功能，会逐渐变弱。取而代之变得重要的，是为产出成果而拆解目的和目标、决定交给AI的权限和工作、定义人类应当查看的例外情况。“人类下属的数量”也许会减少，但由人和AI混合组成的团队的设计与运营，反而会变得更重要。

此外，管理者还保留着在信息不完整的情况下做决断、在失败时承担责任的角色。围绕组织内部资源分配的政治性协调也不会消失。例如“我们团队在业务上很重要，所以希望AI使用预算比其他部门多一些”这样的谈判，只要资源有限就会发生，而且确定所需的前提条件信息有一部分并不完整，所以最优解并不能由AI唯一地推导出来。

不过，项目化也有副作用。长期的人才培养会变得困难，隐性知识和组织文化可能会变淡。另外，也可能容易偏向短期成果。因此，AI智能体时代的组织，需要面对如何兼顾短期项目带来的执行力与长期的能力培养。

而且，越是用AI替代执行，年轻人在失败中学习的机会就越少。因此，企业可能还需要把要效率化的业务，与为了培养人而特意保留的业务区分开来进行设计。（或者就是把教育外包到企业之外，只录用即战力。）

总之，组织设计不再只是人员配置，而将变成如何配置权限、责任、数据和AI的问题。

不仅需要组织图，还需要权限图和责任图

与智能体这类自主行动的对象打交道的情形增多，换成当下的业务来说，就意味着“人类的自由职业者和外包人员以前所未有的速度轮番进入企业内部，需要向这些人妥善委托工作并进行验收”这样的工作会大量发生。

在如今外包人员很多的情况下，已经出现了要明确让对方做什么、向临时成员披露到什么程度的信息之类的问题，而由AI智能体构成的组织，就是这种情况的放大版。

而且，如果这一设计出了错，AI智能体可能会在无意中将机密信息发送到GitHub等外部服务，带着过大的权限修改生产环境，或者因为嵌入外部文档的指令而执行不当操作。

也就是说，在AI智能体时代，比起人员配置这种易于理解的具体事物，权限和责任这类抽象程度较高的事物如何处理，会变得更加重要。

也就是说，应当做的事情是：除了以往以“人”为单位的组织图之外，

组织图：谁隶属于哪里
权限图：谁可以把哪些行为委托给哪个智能体或人（包括数据）
责任图：事故、损害、对客户的说明和审计应对由谁承担

还需要以更细的粒度准备好这样的多重映射。

尤其是对AI智能体来说，所需要的不是与员工相同的全面权限，而是按目的限定的临时权限。能读取哪些数据、能调用哪些工具、能支付到多少金额、能写入哪个环境、哪些操作需要人类批准，需要以交给AI的业务为单位来定义。

现在，诸如“这份数据可以让组织外部的AI读取”“这次的任务应该用更高级的模型来做”这样的判断是由人来做的。要准备某种元数据，使AI一方能够自动做出这类判断，并在多大程度上构建起让工作对AI而言顺畅流转的机制，这一点很重要。

最先应当设计的事情

AI智能体会拆解企业一直以来承担的功能，并重新分配。

那时，如开头对理论的整理所示，当把企业视为“如何将负责任的委托制度化”的问题时，企业在向AI智能体时代过渡的时点，有必要重新提出以下这些问题。

应当把什么留在公司内部
应当从市场上购买什么
对哪个AI智能体，授予哪些执行权限
哪些数据，出于什么目的允许使用
哪些判断需要人类批准
失败时由谁承担责任
AI智能体的成果与失败，作为组织的学习积累在哪里

我认为，越是能够回答这些问题的企业，越能把AI智能体不只当作业务效率化的工具，而是当作重新设计企业形态本身的力量来使用。

而在AI时代强大的企业，并不是大量使用AI的企业，而是能够把负责任的委托设计成制度的企业吧，这就是本试论的结论。