十九世紀紐約與伊利鐵路組織圖的重繪版。它呈現的不是「資訊全部送到最高層」，而是如何把現場資訊、地方權限與整體監督組合起來；這正是今天導入 AI 仍然要回答的問題。
十九世紀紐約與伊利鐵路組織圖的重繪版。它呈現的不是「資訊全部送到最高層」，而是如何把現場資訊、地方權限與整體監督組合起來；這正是今天導入 AI 仍然要回答的問題。

這篇文章的起點，是 YouTuber 有点艺思哦 的一支影片 《AI绘画的未来》。講者從攝影史推想 AI 繪畫的走向：攝影剛出現時，畫家一邊公開抵制，一邊私下拿照片作畫；攝影先努力證明自己拍得像畫，後來才找到屬於自己的表現方式；等到靜態影像變得便宜，最後催生了電影。他據此預言，AI 繪畫真正的黃金時代還在後頭。

這個類比讓我想了很久，也覺得它能用在比藝術更大的地方：企業組織。AI 今天對知識工作者做的事，很像攝影當年對畫家做的事，把一項原本昂貴、需要多年訓練才具備的能力，一下子變得便宜。不過，要借攝影史來思考組織的未來，得先把幾個流傳已久的說法弄精確。就從一個最常見的問題開始。

「攝影讓畫家失業了嗎？」這個問題拿到課堂上問，多數人會點頭。懂得繪畫藝術史的少數人會說：「後來印象派出現，繪畫反而自由了。」兩種觀點（或主觀感受）都深植人心，也都不是很精確。

在攝影出現後一個世代內真正萎縮的，是一個很具體的市場：肖像微型畫。那是畫在象牙片上、可以放進口袋或做成墜飾的小幅肖像，十九世紀初在歐美中產家庭相當流行。大都會博物館的整理指出，1839 年銀版攝影問世後，許多微型畫家放棄了這門手藝，有人轉去替照片上色，也有人在同一間工作室裡同時提供畫像與照相（Metropolitan Museum of Art）。倫敦皇家藝術學院的年展，1830 年展出三百多件微型畫，到 1870 年只剩 33 件（Pictorialism 條目整理）。油畫還在，繪畫也還在；消失的是「讓一般家庭用負擔得起的價格留下一張像樣的臉」這門生意，以及靠它謀生的那群人。

這個細節會改變我們提問的方式。今天談 AI 與組織，最常聽到兩種說法：一種估算 AI 會取代多少職位，另一種說 AI 只是工具，會用的人就會贏。兩種說法都把焦點放在個人會不會被取代。攝影史提醒我們，技術先打中的，往往是某個靠價格撐起來的市場區隔；更深的變化則發生在旁邊——便宜的影像後來長出了新聞攝影、廣告與電影，這些行業在 1839 年都還不存在。

所以這篇文章想回答的是：當 AI 讓「產出一份像樣的分析、提案或草稿」變得幾乎免費，組織裡哪一塊會像肖像微型畫一樣萎縮？哪一種能力反而變得稀缺？企業又會因此長成什麼樣子？

我的猜想先放在前面。生成變便宜了，但確認它對不對、以及有人願意為它簽名負責，這兩件事並沒有跟著變便宜。未來幾年組織形態怎麼變，主要會由這兩項成本決定。

攝影史真正值得借用的三件事

第一件事，是公開反對與私下使用同時存在。1859 年波特萊爾在沙龍評論裡痛批攝影，主張它只配當藝術與科學的僕人；同一個時代，德拉克洛瓦、庫爾貝、馬奈、竇加都拍照、買照片，或把照片裡的姿勢與構圖放進畫中（Pictorialism 條目整理）。有些論者把這段歷史往前推到文藝復興，說范艾克那一代大師早就偷偷用透鏡與鏡面投影作畫；這就是霍克尼與物理學家法爾科提出的假說，但光學史與藝術史學者至今多半不接受，爭議從 2001 年延續到現在（Hockney–Falco thesis 爭議整理）。拿它當「畫家一向作弊」的鐵證，說服力其實不夠；十九世紀畫家大量使用照片的紀錄，就已足以支撐論點。

換到今天的辦公室，場景幾乎一模一樣。微軟與 LinkedIn 在 2024 年調查 31 個國家、三萬一千名知識工作者，發現使用 AI 的人當中有 78% 是自己帶工具來上班，52% 不願承認自己在最重要的工作上用了 AI，53% 擔心讓主管知道會顯得自己可以被取代（Axios 報導）。這件事的管理代價常被低估。員工私下用 AI，組織就無從知道哪些用法可靠、哪些曾經出錯；「AI 在這類工作上會犯什麼錯」這種最有價值的經驗，全都留在個人的瀏覽器裡。一家公司在 AI 使用還見不得光的階段，談不上重新設計工作，因為它連現況都看不到。

第二件事，是新技術通常先模仿舊東西。攝影史上的第一個流派叫畫意攝影，攝影師刻意把照片拍得像素描、像水墨，證明自己不輸繪畫。後來的直接攝影才反過來問：攝影能做什麼繪畫做不到的事？答案是瞬間與在場，於是有了報導攝影與戰地攝影。多數企業現在用 AI 的方式，很像畫意攝影：把原本的月報、提案、會議紀錄做得更快更漂亮，工作流程與部門分工一動不動。經濟史學者 Paul David 研究工廠電氣化時看過同樣的事，早期工廠只是把蒸汽機換成電動機，仍然保留整排傳動軸與皮帶；生產力的大幅提升，要等到工廠依照每台機器各自有電的條件重新配置產線，前後拖了幾十年。

第三件事，是影片裡最有洞見的一段：攝影留下最大的後果，是便宜的靜態影像替電影鋪了路。這個觀察方向是對的，但我認為不夠精確。從 1839 年銀版攝影到 1895 年盧米埃兄弟公開放映，中間隔了半個多世紀。這段時間需要的，除了「每一張照片更便宜」，還有能連續快速曝光的感光材料、可以捲動的賽璐珞底片，以及放映設備；電影成為一門產業，又再等上一二十年，出現剪接、分鏡這套敘事語法，以及片廠、戲院與發行網絡。換句話說，成本崩跌只打開了可能性；新形式要成立，還需要一套新的「語法」和一整組新的制度。

這個過程此刻正在另一個地方重演。目前我們看到中國大陸正在瘋狂地產製各種 AI 短影音。說實在話，中國政府如果聰明的話，就放著它不管，不要搞什麼審查，讓這樣的形式繼續發展下去。

接著就會產生一套新的語法，以及一整套圍繞在 AI 生成影片的新制度：

  1. 一套越來越成熟的肖像授權規範
  2. 從劇本到成片的一套全新製作流程
  3. 更精準的分眾行銷
  4. 一套全新的收費與消費形式

就如同韓國的 Webtoon 出現之後，你看到的是環繞在長條漫畫所形成的一套新制度，是一樣的道理。

新語法與新制度要多久才會成熟，沒有人算得準，這也是我對影片結論最主要的保留。講者預言 AI 繪畫的黃金時代在十年後，並把它和虛擬實境普及綁在一起；攝影史給的證據恰好相反，它告訴我們新形式出現的時間，取決於配套條件何時湊齊，而這很難由技術本身的進步速度推算出來。放到組織，這個提醒同樣適用：與其猜 AI 何時「成熟」，不如盯著那些配套條件——工作怎麼拆解、成果怎麼驗收、出了錯由誰負責——有沒有開始成形。

請注意，所謂的「誰來驗收」、「誰來負責」，不一定是指組織裡的某個人。它可能是一個外部的組織，或是一種認證的技術；它可以是自動化的，也可以是有人涉入保證的；它可以是金融制度的，也可以是技術特徵、技術驅動的方案。

生成真的便宜，貴的是驗證結果與承擔責任

想像一家零件廠買進一台新沖壓機，產量一下子變成原來的一百倍。老闆第一個反應是高興，第二個反應應該是去品保部門看一眼。品保人力沒變，檢驗站沒變，一天能驗的件數也沒變；如果照原本的比例抽檢，漏掉的不良品會跟著產量一起放大一百倍。更麻煩的是，假設這台機器做出來的不良品，外觀和良品幾乎一樣，只有裝到客戶的設備上跑了一陣子才會出問題，那麼產量越大，品保就越成為整條產線真正的瓶頸，而最後在出貨檢驗報告上簽名的那位主管，壓力只會越來越重。

生成式 AI 在知識工作上的處境，很接近這台沖壓機。哈佛商學院與波士頓顧問公司在 2023 年對 758 位顧問做的實驗，是目前最常被引用的證據：在 AI 擅長的任務上，使用 GPT-4 的顧問多完成 12.2% 的工作、速度快約四分之一、品質評分高出四成以上；但在一項刻意挑選、落在 AI 能力邊界之外的商業分析任務上，使用 AI 的顧問答對的比例反而少了 19 個百分點，而他們的報告讀起來更有說服力、更通順（Dell'Acqua 等人，Navigating the Jagged Technological Frontier）。研究者把這種能力分布稱為「鋸齒狀的技術邊界」：看起來難度差不多的兩件事，AI 可能一件做得很好、一件錯得很神不知鬼不覺，而且它不會主動提醒你可能已經越界或是出包了。

這就是外觀和良品一模一樣的不良品。對組織來說，它改寫了一筆很基本的帳。過去一份市場分析很貴，貴在有人要花三天去寫；寫的人通常也懂內容，所以產出與檢查大致由同一顆腦袋完成。現在寫只要三分鐘，檢查卻還是要一個懂的人花上一段時間，有時甚至要等到市場反應出來才知道對錯。生成和驗證原本綁在一起，現在被拆開了，而且兩者的價格朝相反方向移動。

2026 年 6 月正式刊登於《Organization Science》的寶僑實驗，是另外一篇最近常被引用的研究，大致上也說了差不多的事情。791 位寶僑的專業人員參與新產品構想任務，使用 AI 的個人表現可以追上沒有 AI 的兩人團隊，研發背景與商業背景的人也都提出較平衡的方案；但研究者拆解創新流程後發現，AI 主要提高的是構想生成的品質，挑選哪個構想值得往下做，人的判斷仍然保有價值（Dell'Acqua 等人，The Cybernetic Teammate）。便宜的是「多想出幾個好方案」，稀缺的是「知道哪一個該押」。

再往下推一層，還有第三項成本：承擔。工廠裡的出貨檢驗報告必須有人簽名，簽名的意思是「這批貨出了問題，找我」。企業對客戶報價、銀行核准一筆授信、主管決定裁撤一條產品線，本質上都是在做承諾，而承諾之所以值錢，在於背後有一個可以被追究的人或組織。AI 可以寫出一份授信建議，卻沒辦法被記過、被求償，也不會在乎自己的名聲。只要法律、合約與客戶的信任仍然要求「有人負責」，承擔這項成本就不會因為模型變強而下降；它只能靠制度調整，例如標準、保險、認證與新的契約安排。

把三項成本放在一起看，會發現許多關於 AI 的歷史類比需要修正。電報傳遞的是訊息本身，送到就是送到；貨櫃之所以能讓運輸業大重組，在於一只標準貨櫃可以秤重、封條、掃描，交接時很容易確認裡面是什麼。AI 產出的分析剛好缺少這個特性，在交接的那一刻很難便宜地確認它對不對。所以，「AI 降低了協調成本，因此組織會變扁平、邊界會變模糊」這種推論，只在驗證容易的工作上成立；驗證困難的工作，瓶頸只是從寫的人身上，移到看的人和簽名的人身上。

組織會先在哪裡改變

如果驗證與承擔才是真正的瓶頸，就可以提出一個能被檢驗的判斷：一項工作被 AI 重組的速度，主要取決於兩件事，一是確認產出對錯要花多少力氣、多久才知道，二是出錯時要由誰、承擔多重的後果。把工作放進這兩個維度，比按照部門或職稱去猜「誰會被取代」更有解釋力。

最先變化的，會是驗證便宜、責任又輕的工作，例如內部會議紀錄、簡報初稿、行銷素材的多個版本。這一區的人力需求下降得最快，情況最接近當年的肖像微型畫。驗證便宜但責任重的工作，例如附帶自動測試的程式碼、財務對帳、格式固定的法規申報，則會出現流程重組：交接關卡變少、小組變小，但簽核的那一關會被保留，甚至被強化。驗證困難但責任較輕的工作，例如產品構想與市場探索，AI 會讓選項暴增，瓶頸移到挑選與試驗；寶僑實驗看到的正是這一區。最慢、也最需要管理者親自處理的，是驗證困難又責任沉重的決策，例如授信、併購、人事與事業取捨。這些工作不會因為 AI 而消失，審閱者的負擔卻會先被推高。

這張圖也解釋了為什麼許多導入計畫買了工具卻看不到績效。十九世紀中葉的美國鐵路已經能透過電報即時掌握列車動態，但資訊更快並沒有自動解決調度混亂。紐約與伊利鐵路的 Daniel McCallum 真正做的事，是重新劃分哪些決定交給掌握現場資訊的分段主管，哪些留給總部，再用固定格式的報表讓總部看得到整體。今天的企業若讓 AI 每天找出一百個值得注意的異常，第一線卻仍然沒有處理權，所有事情都要排隊等同一位主管批示，結果只會是塞車變得更明顯。Galbraith 在 1970 年代就指出，組織面對不確定性時，要嘛多囤一些緩衝資源，要嘛提高處理資訊的能力，要嘛重新切分工作，讓各單位不必時時互相協調；AI 只補強了其中一條路，其他兩條仍然要靠組織設計。

企業邊界也會沿著同一條線移動。寇斯在 1937 年〈企業的本質〉裡提醒過，一項發明通常會同時降低公司內部的組織成本與外部市場的交易成本，企業最後變大還是變小，要看兩者誰降得多。AI 讓公司內外的「生成」都變便宜，所以光看生成，推不出企業會變大或變小。真正決定邊界的，是一項工作能不能被清楚地驗收、責任能不能寫進合約。驗收標準清楚的工作，會更容易外包給小型專業團隊，甚至交給另一家公司的 AI 代理去執行；驗收標準模糊、需要長期信任的工作，反而可能被收回公司內部，讓某些企業涵蓋更多活動。Bloom 等人 2014 年的研究也發現，讓第一線更容易取得資訊的技術，通常伴隨更多授權，讓上下溝通更方便的技術，則常讓權力往上集中（Bloom 等人，Management Science）。AI 兩種效果都做得到，走哪一條，是經營者的選擇。

最後，攝影與電影的類比在這裡可以有個暫時交會。組織世界裡的「電影」，最可能出現在兩個方向。第一個是頻率改變所形成的服務：過去一家中小企業一年只買得起一次市場研究，如今每週甚至每天都能取得調整建議，產品的時間結構從一次性變成持續性。第二個，也是比較少人注意的，是圍繞驗證與承擔長出來的新行業，例如替 AI 產出做驗收測試、對特定交付結果提供保證或保險、建立產業共用的驗收標準。十七、十八世紀倫敦勞埃德咖啡館周邊發展出的船舶資訊、登錄與海上保險制度，把「誰來經營這趟航程」和「誰來承擔這趟航程的風險」拆開，讓原本沒人敢做的貿易變得可以做。AI 時代值得期待的新組織形式，很可能也長在這種制度上。至於它需要多少時間，參考電影的經驗，答案同樣取決於語法和制度何時到位。

被忽略的一條線：誰來培養明天的驗證者

前面的推論有一個讓人不安的延伸。驗證需要判斷力，而判斷力多半是在寫初稿、被主管退件、再改一版的過程中練出來的。資深分析師之所以一眼看得出 AI 報告哪裡不對，是因為他年輕時親手做過幾百份類似的東西。如果初稿從此交給 AI，新人跳過了這段練習，十年後誰來當那個看得出錯誤的人？

這個擔憂已經有初步的數據。史丹佛數位經濟實驗室用美國最大薪資服務商 ADP 的資料追蹤，發現在 AI 高度曝險的職業裡，22 到 25 歲的年輕員工就業人數相對落後，這個差距在 2026 年 8 月的更新版本中擴大到約 19%；同一職業裡較資深的人員則大致持平或成長，而且下滑集中在 AI 主要用來替代、而非輔助人力的職業（Stanford Digital Economy Lab）。研究者也坦承，因果關係仍有爭議，部分趨勢在生成式 AI 普及前就已出現，把教育程度納入控制後效果也會減弱。即使打個折扣，方向仍然清楚：企業正在減少的，恰好是過去承擔初稿、同時藉此長出判斷力的那個位置。

肖像微型畫的後續，給了一個值得警惕的註腳。十九世紀末，工藝美術運動帶起一波手工復興，微型畫重新有人畫、有人收藏，但美國的研究者評價這批復興時期的作品，認為技法的層次與筆觸的精準，都比不上十八、十九世紀的前輩（From Hand to Heart 展覽專文）。一門手藝的傳承鏈一旦斷掉，事後要接回來，品質往往回不到原本的水準。

反過來看，AI 也可能讓學習變快。Brynjolfsson 等人研究客服中心導入生成式 AI 的成效，發現資淺與技能較弱的客服人員進步幅度最大，等於把資深同仁的做法更快傳給新人（Generative AI at Work, NBER）。所以問題的關鍵在設計。企業若只把 AI 當成省下新人薪水的工具，就是在消耗未來的驗證能力；若刻意保留練習的機會，例如某些任務先要求新人獨立完成、再與 AI 版本對照說明差異，或把「找出 AI 草稿的錯誤並說明理由」當成正式的培育內容，AI 就可能縮短新人長出判斷力所需的時間。這筆投資在財報上看不見，卻決定了五年後公司還有沒有人能在出貨檢驗報告上安心簽名。

經營者現在可以問的五個問題

如果要把這篇文章帶進下一次經營會議，我會建議先放下「導入了多少工具、多少人在用」這類數字，改問下面五件事：

  1. 這項工作的產出，要花多少力氣、多久時間才能確認對錯？驗證越便宜、回饋越快的工作，越值得優先重新設計流程。
  2. 出錯時由誰簽名？簽名的人有沒有足夠的專業、時間與權限把東西看完？審閱量暴增而審閱人力不變，簽核很快就會變成蓋章。
  3. AI 讓資訊變快之後，處理權有沒有跟著移動？第一線看得到問題卻不能處理，只會讓主管桌上的待辦越堆越高。
  4. 員工使用 AI 的情況是公開的嗎？組織有沒有管道，把「AI 在哪裡出過錯」的經驗收集起來，讓其他人不必再踩一次？
  5. 三年後，公司裡誰有能力判斷 AI 錯了？這些人現在正在做什麼樣的練習？

這幾個問題也對應到幾個值得長期追蹤的訊號。審閱工作是否開始積壓、返工與客訴有沒有增加，可以看出驗證是否成了瓶頸；公司內外有沒有出現以驗收、稽核、保證為核心的新職務與新服務，產業合約是否開始寫進 AI 交付物的驗收標準，可以看出承擔的制度正在成形；新人的招募與晉升速度，則反映組織是否正在消耗自己未來的判斷力。

回到攝影。便宜的照片沒有直接變成電影；中間隔了半個世紀，等到剪接這套語法和戲院、片廠這些制度到位，新的藝術形式才真正站穩。組織也需要自己的語法：工作怎麼拆解、成果怎麼驗收、出了錯由誰負責。AI 已經把產出的成本壓到接近零，接下來拉開企業差距的，是誰先把這套語法寫出來。

參考資料

工作類型 × 驗證成本與承擔責任 · 四種組織變化。右上角的決策最不會被 AI 取代，卻最先感受到審閱壓力。
工作類型 × 驗證成本與承擔責任 · 四種組織變化。右上角的決策最不會被 AI 取代，卻最先感受到審閱壓力。