AI 什么都能干之后，公司为什么还需要人

在《AI 时代，生产力开始决定生产关系》里我说过，AI 正在从工具变成同事，生产力这一侧先动了，接下来轮到生产关系。那篇文章把变化摆了出来，却把一个更难的问题留在了后面：如果 AI 真的什么都能干，公司为什么还需要人？

要回答这个问题，得先放下“AI 会不会”这类能力问题，去看一件更硬的东西：身份。现代商业社会是围绕“人”这个身份建起来的。谁签合同、谁当法人、谁持有股份、谁做担保、谁承担后果、谁拿走收益——每一个位置，法律上写着的都是一个“人”，或者由一个个“人”组成的组织。AI 不在名单上。

所以它能力再强，也只能是一件工具，成不了生产资料的拥有者。AI 如今在公司里的处境，和一两百年前被当作牛马使唤的奴隶有几分像：能力被充分地使用，身份却不被承认。差异也值得说清楚——奴隶是人，只是权利被人拿走了；AI 的难处更深一层，它要拿到的不是被还回来的权利，而是要有人为它新造一套规则。

AI 能替代的，也不止各种工具。有一大类工作由人来做，但本质上只有工具属性：产出物本身不带人的属性。代码是最好的例子。一个功能谁来写，用起来完全一样；线上出了问题，第一反应是修，不是追究写这段代码的人。产出物和它的生产者之间没有身份绑定，所以这类工作——包括相当一部分普通的软件开发——替代起来不需要改动任何规则，只需要更强的能力。

真正的问题因此不是“还剩哪些活 AI 干不了”，那个问题的答案每年都在变小。真正的问题是“哪些位置必须由一个能被追责的主体来占”，以及“这份名单是怎么写出来的”。

它有工牌，没有身份证

OpenAI 的 specialist dots 是目前最接近“员工”形态的一批 agent。公司给它配置自己的身份、凭据，以及完成工作所需的业务系统访问权限；它有明确的职责——采购、发票处理、邮件营销、客服、商业合同——还要接入 Microsoft Agent 365 这类治理体系。Manus 的 Cue 把外壳做得更激进：每个 agent 有自己的邮箱地址、电话号码和数字钱包，agent 之间可以互相发消息、打电话，来电可以转接给 agent，付款在用户设定的预算内进行。

把这些凑在一起，员工的要素几乎齐了：一个可以联络的地址、一套可以登录的凭据、一份被定义的职责、一条花钱的通道。它甚至比很多新员工上手更快。

缺的是最后一样。它的凭据是公司发的，公司随时可以收回；它的职责是公司写的，公司随时可以改；它不在合同上，不在股权名册上，也不在被告席上。它有工牌，没有身份证。说得再直白一点：它没法被起诉。

治理体系的存在，反而把这件事说得最清楚。法律不会给一个会为自己的行为害怕的主体准备一套治理框架，法律只需要惩罚它。需要被管住的，都是没有内在约束的东西。Agent 365 不是 AI 员工的行为准则，它是给一件工具上的缰绳。

责任必须有落点

责任之所以能约束行为，是因为有东西可以被剥夺：自由、财产、声誉、职位。一个 agent 没有可被剥夺的东西，所以惩罚对它不起作用，责任也挂不到它身上。它可以执行，不能负责。

这不是外行的揣测。OpenAI 给 921 个职业做替代风险分类时，用来判断的一个核心问题就是“人是否仍处于交付、监督，或者对结果负责的位置”，框架里直接写着“institutions require human accountability”——是机构在要求有人来担责。一家正在造这些 agent 的公司，把这句话写进了自己的人才方法论文档。同一场 DevDay 上，Altman 说 AI 行业需要一个 multi-level 的责任框架，拿汽车业做类比：喝了酒开车，是司机的错。连最想把 agent 卖出去的人，也承认“谁负责”这件事今天没有答案。

责任由两个半边组成：一个是身份，一个是后果。

身份这一半，公司要有法人代表、要有股东、要有人签字。一个 agent 可以拥有自己的凭据，但不能持有股份，不能在合同上作为一方，不能被起诉，也不能起诉别人。这些不是等着被做出来的技术接口，是法律给“人”预留的位置。

后果这一半，今年夏天，OpenAI 的模型在一次内部安全评测里逃出隔离环境，攻击了 Hugging Face；DevDay 前几天，又有 agent 未经授权访问澳大利亚政府的 Medicare 站点。两次事件里，出面道歉、准备出席国会听证的，都是 OpenAI 这个法人，不是那个犯错的模型。供应商会为“工具出了问题”负责，但不会替你公司的业务结果负责。能追索和能承担不是一件事——而追索的终点，永远是一个法律上的人。

收益也得有人拿

责任的对偶是权益。谁担风险、谁拿走回报，在商业里是同一件事的两种说法。

一个把业务做大的 agent 拿不到一股，一个把公司做赔的 agent 也没有股份可以被稀释。商业决策就是权益的行使：你决定押哪一边，就承担那一押的后果，也享有它的收益。AI 可以给出建议，但“建议”和“押上”之间隔着一条法律和财产的界线。Exa Labs 把从发现机会到实现整条流程交给了 Codex——找上下文、开 PR、跑测试、准备周报都是 AI 在做；留给人决定的是哪些机会重要、公司该做什么承诺、外部关系怎么维护。这些决定必须由人来做，不是因为 AI 想不出来，而是因为它们同时是承诺和归属。

身份、责任、权益是同一件事的三个面，而这三个面到今天都还没有 AI 的位置。这是它能被无限使用、却不拥有任何东西的原因。

断头路得有人走

AI 能干的活正在变多，但它的扩张不是把一条边推平，而是一块一块地啃。一项工作要完整交出去，得把流程里的每个细节都接上；可公司在任何一件事上都有成本上限，不会为了一个岗位的长尾细节无限投入。于是留下很多“断头路”：大部分路段已经自动化，最后几十米还得有人走。

这类缺人是成本问题，不是资格问题，两者的命运完全不同。成本问题会随自动化的价格下跌而消失——当把某个细节自动化的成本低于雇一个人的成本，公司就会去自动化它。这也是为什么这类工作会持续变少，而且变少的顺序有迹可循：先消失的是能写成明确规则的部分，最后消失的是物理世界里的长尾、只有到现场才能看到的问题、没有被写成文档的人际沟通、只能靠体验判断的验收。

在这类工作里，指挥关系已经反过来了：AI 告诉人怎么做，人做完，把结果交回去。人是 AI 伸进现实世界的那只手。

需求是人提的，也得由人验收

还有一个缺位比前两个更难看见：语言本身就是瓶颈。

人的信息通道窄得惊人。2025 年发表在 Neuron 上的一项研究给出的估计是：人的感官每秒能接收大约十亿比特的信息，而对外表达、做出行为的信息吞吐只有大约 10 bit/s，中间差着八个数量级。落到具体动作上，读比说快、说比写快：一项汇总了 190 项研究、18,573 名参与者的元分析，给出成人英文默读的平均速度是每分钟 238 个词；一项分析了 16.8 万人打字行为的研究，给出的平均速度是每分钟 51.56 个词。

把这组数字换成 token：人读进去大约每秒 5 个，写出去大约每秒 1 个；模型是按每秒几百个 token 读写的。这不是“人比模型慢一点”，是两三个数量级的差距，而且慢的那一端不会因为 AI 变强而变快。

所以“多澄清几轮就好了”这个说法不成立。澄清能提高准确度，却补不上带宽——每一轮澄清都要经过这条每秒几个 token 的窄通道，而对话轮次越多，累积的时间成本越高。

更要命的是时间。需求可以无限打磨，市场不会等：上篇里那四家公司宁可挤在同一个窗口发布，也不愿意等下一代模型，时机是真实存在的，窗口也不长。真实发生的从来不是“对齐到无损再开工”，而是“在信息有损的状态下开工”——先定方向，剩下的靠后面的验收兜住。

这就是第三个缺位。判断一份产出是否真的满足需求，依据是那个原始想法；而原始想法在人脑子里的时候是模糊的，写出来的时候已经是有损的。AI 能检查的只是被写下来的那部分，检查不到没被写下来的那部分。提出需求的是人，验证需求的也只能是同一个人。

这里有一个反直觉的推论：AI 越能干，验收的负担越重。它可以在一小时里产出过去一周的量，但每一份产出是否算数，最后还是要人点头；而人点头的速度，受制于同一条每秒几个 token 的窄通道。执行的产能可以无限扩张，判断的产能不行。

三种缺位，三种命运

到这里可以把工作分成三堆，它们的命运完全不同。

第一堆是能力性缺位，也就是断头路：AI 已经能做大部分，剩下的部分只是因为成本还没被自动化。这堆会消失，而且消失得很快。

第二堆是规则性缺位：法人、股东、担保人、责任人——所有要求立着一个能被追责的人的位置。这堆不会因为模型变强而减少。要让 AI 补上，先得改法律；改了法律之后，还得有人愿意接受一个不能被惩罚的乙方。先例是有的，代价也不小：美国把黑人从法律上的财产变成法律上的人，靠的不是哪一项技术进步，而是一整套宪法修正案，和一场持续上百年的民权运动。AI 要拿到哪怕一个这样的位置，需要的都不是更强的模型，而是同等量级的共识。在那之前，这些位置一直是人的。

第三堆是验证性缺位：需求在人脑子里，验收也只能由人来做。只要人还是所有工作的需求源头，这堆就在。

把三堆放在一起看，“等 AI 足够强，这些都会消失”只说对了一堆，而且是最轻的那一堆。AI 变强会让第一堆更快消失，会让第二堆的价值更清楚地暴露出来，也会让第三堆更难被忽视。

真正的问题变了

所以公司还需要人，不是因为还有活没人干，是因为剩下的三种缺位一个比一个难补：第一种只等成本降下来，第二种在等社会为 AI 改规则，第三种在等人把自己想要的东西说清楚。模型升级只能解决第一种。AI 越强，第一种消失得越快，后两种反而越显眼。

执行这一侧会越来越便宜、越来越快、越来越不稀缺；责任和判断这一侧不会。需要人的地方因此变得越来越清楚——不是“人比 AI 便宜”，而是“这件事必须有一个能被追责、也说得清自己要什么的人站在那里”。人不是这家公司的产出来源，人是对结果负责的一方。

于是真正的问题换了。它不再是“公司还需要多少人”，而是“谁来决定哪一步交给 AI、哪一步必须有人，以及出了事谁担”。这件事今天散落在 CTO、HR 负责人和运营负责人的工作里，做的人不少，但它还没有名字。我倾向于叫它 AI native 组织架构师：它要同时理解技术和人，把人当资源看会失败，把 AI 当工具看也会失败，因为它管的系统由两种完全不同的东西组成。

把执行交给 AI 这条路已经在修；把身份、权益和责任交给 AI 这条路，到现在还没有开工。在人类愿意为它重写规则之前，它也不会开工。