岗位还在，工资先降？谷歌新研究拆解人工智能冲击的另一条路径

一个人工智能模型在测试里赢过普通人，为什么还可能在市场上输给一家公司？

谷歌旗下人工智能研究机构DeepMind的研究者，把这个问题放到了新论文的中心。他们认为，观察人工智能如何改变经济，不能只比较一个模型与一个人的能力，还要看不同能力如何组成团队，以及这些团队扩大之后能否继续有效工作。

10月29日，经济学研究者亚历克斯·伊马斯（Alex Imas）与同事发布工作论文《Organizing Intelligence》，并配套推出《The Economics of Intelligence》通俗说明。研究将单项任务能力与协作能力分开讨论，推演企业规模、就业和工资可能怎样变化。

论文首先划清了边界：这些是基于模型假设得到的经济情景，属于学术讨论，不是谷歌的经营预测、产品路线图，也没有给出通用人工智能到来的时间表。

一家公司，能把个人的短板拼起来

招聘一个人时，企业通常会看他的专长；组织一支团队时，还会看这些专长能否互补。

可以用一个简单例子理解：有人善于写程序，却不擅长解释产品；另一个人长于表达，却不擅长实现功能。各自独立承接完整项目时，两人的短板都会拖慢交付。把任务拆开，让他们负责各自擅长的部分，团队就可能超过任何一个人独自工作的效果。

研究者把这种组合称为“拼接式智能”：组织通过互补分工，形成单个成员并不具备的综合能力。

人工智能也有能力不均衡的问题。不过，复制同一个模型，并不自动补上它的共同盲区。十个副本可以增加工作容量；要让它们覆盖更多能力、相互检查错误，还需要有效的分工和协作。

因此，“模型超过了平均水平的人”，与“模型组成的团队能够取代一家组织良好的企业”，中间还隔着一层组织能力。

会做事，与会一起做事，是两条进步路线

论文区分了两个维度。

第一是任务能力，例如写代码、推理和写作。它提高时，同样规模的团队可以做出更多、更好的结果。

第二是协作能力，即成员之间能否正确传递信息、理解分工、处理交接，并让更多成员的加入继续带来收益。

人类企业都熟悉后一种难题。团队只有几个人时，大家可能知道项目的全部背景；人数增加后，会议、汇报、等待和返工也会增加。专业分工带来的收益，最终可能被协调成本抵消。

在研究者的模型里，单项技能变强，主要抬高生产效率；协作能力改善，则可能改变组织能够有效扩张到多大。这为理解人工智能进步提供了另一条线索：模型又考高了几分，未必与一个更可靠的多成员工作流程，产生相同的经济影响。

所谓智能体，是能够围绕目标执行步骤的软件系统。让许多智能体同时运行，只是开始。它们能否发现交接错误、保留关键背景，并把工作合并成一个可验收的成果，才决定这种扩张有没有意义。

四幅画面，四种不同的竞争格局

伊马斯在推文中附了一段20秒动画。图中黄色和粉色圆点代表不同领域的人类专长，绿色圆点代表协调者，蓝色菱形代表人工智能；虚线圈及其内部的小圈，用来示意市场和组织。

这组画面没有时间轴。四种情景表示不同能力组合，不是未来几年的日历。

图：研究者原推文动画约1秒处。这种情景被称为“最低限度的通用人工智能”，即达到模型设定的人类个体平均能力门槛；人类能力互补仍有价值。来源：Alex Imas。

在这一情景中，人工智能开始与人类竞争，人类团队仍可能凭借互补优势保留市场。就业人数可以暂时不变，但可复制的人工智能增加供给、压低服务价格，工资的议价空间可能先发生变化。

图：原动画约6秒处，人工智能单项任务能力更强。绿色协调者与蓝色智能体组成团队。来源：Alex Imas。

第二种情景里，人工智能已经非常擅长做具体任务，协调却仍存在瓶颈。能够组织复杂工作的人员，可能与更多人工智能一起工作；部分专业人员则转向需求规模较小、定制化更强的市场。

图：原动画约11秒处，协作能力跨越模型中的扩张门槛，大规模市场出现一个更集中的人工智能组织。来源：Alex Imas。

第三种情景改变的是组织扩张。人工智能之间如果能够高效协作，增加成员仍能提高单位产出，就可能突破人类企业长期受到的协调限制。任务技能未必每一项都达到极致，市场结构却可能先发生显著变化。

图：原动画约16秒处，任务能力和协作能力都很强。右侧仍保留人类参与的服务场景。来源：Alex Imas。

第四种情景同时提高两类能力。研究者进一步讨论，不同市场可能走向不同结构：需求能够容纳巨大规模的业务，更容易出现集中；需求有限的细分市场，以及人类参与本身具有价值的服务，则不能仅凭规模大小判断结果。

这些画面中的人的保留，依赖于需求、相对成本和能力等假设。它们不构成任何职业的安全保证，也不意味着现实中必然只剩下一家企业。

工资先动，不一定先出现大规模裁员

这项研究较有启发的地方，是把“岗位数量”与“劳动收入”分开观察。

如果人工智能让同类服务更容易获得，即使一家企业仍然保留原有员工，服务价格与员工贡献的稀缺程度也可能变化。岗位名称和人数没有立刻变化，并不意味着劳动市场没有受到影响。

研究还区分了两条替代路径。一条发生在企业内部：随着工具能力提升，人类与人工智能的任务比例逐渐调整。另一条发生在企业之间：采用新组织方式的竞争者，可能把整个人类团队所在的企业挤出市场。

前者可能表现为渐进调整；后者则可能让变化突然发生。这也解释了，为什么只统计“某个任务有多少可以自动化”，不足以推算整个行业会失去多少岗位。

同样，不能据此得出“管理者最安全”。研究中的协调者，指的是能让团队有效合作的一类能力，并不等于职位名称中带有“经理”的所有人。当人工智能自身的协作能力提高时，这类人类能力的相对价值也可能改变。

这套模型，哪些地方还需要现实来检验？

论文把人工智能设定为能够按给定算力成本复制，而现实中的芯片、电力、部署、数据权限和监管约束，都可能影响扩张速度。市场需求是否足够大，也决定了扩大规模是否有经济意义。

此外，能够传递更多信息，不等于已经能够可靠合作。错误如何被发现，目标是否真正一致，多个智能体能否在复杂任务中持续协同，都需要实际证据。

作者也明确提出，接下来应测量组织如何随智能体数量增加而变化，并把企业的人力支出与运行人工智能的算力支出放在一起观察。只数员工，可能看不清一家公司的真实工作规模。

对企业和从业者，这意味着值得多问几件事：交接之后，任务还能不能被正确完成？在相同计算预算下，增加智能体能否提高可验收成果的数量？人员与工具重新组合后，究竟减少了多少返工？

模型考分继续上升当然有意义。而决定它如何进入经济生活的，还包括一群智能系统能否把事情共同做完，以及人类在其中还能提供怎样的互补价值。

参考资料

[1] IMAS A, KOH A, LEGG S. Organizing Intelligence[R]. Google DeepMind, 2026-10-29.

[2] IMAS A, KOH A, LEGG S. The Economics of Intelligence: How and when does AGI lead to economic transformation?[EB/OL]. 2026-10-29.

[3] IMAS A. The Economics of Intelligence研究发布及配套动画[EB/OL]. 2026-10-29.