为什么公司的权力，要永久属于职位？

会议室里有两个人。

一个坐在长桌下面。

这个问题，她已经做了三个月。

哪里会出问题。

为什么会出问题。

客户真正卡在哪里。

哪个方案看起来安全，但最后一定跑不通。

她可能是这个房间里最清楚的人。

另一个人坐在上面。

他有签字权。

他很忙。

这个问题，他可能只看过一页摘要。

然后问题开始往上走。

先到经理。

经理把技术翻译成风险。

再往上。

风险被翻译成资源。

再往上。

资源被翻译成：

这个季度到底要不要做？

两周之后，会议终于做出了决定。

他们批准了一个更安全的版本。

而那个版本，

恰恰是她两个星期前就反对过的。

没有人故意使坏。

也没有哪个人一定是傻瓜。

只是这个组织里发生了一件非常普通的事：

最靠近问题的人，没有决定权。

而真正有决定权的人，

离问题最远。

这种场景太普通了。

普通到我们甚至不觉得它有什么奇怪。

因为公司一直就是这么运转的。

你进入公司。

拿到一个职位。

职位变成 Title。

Title 后面，跟着一篮子相对固定的权力。

你成为 Manager。

你开始可以批一些东西。

你成为 Director。

能批的东西更多。

你成为 VP。

越来越多的问题开始跑到你的桌子上。

哪怕其中很多问题，

你从来没有真正做过。

我们很少停下来问一句：

为什么公司的权力，要长期属于职位？

注意。

我不是在问：

经理是不是应该被干掉？

CEO 是不是没用了？

公司是不是应该人人平等？

这些问题太简单了。

真正有意思的问题是：

为什么一个人通常必须先获得一个 Title，

然后获得一篮子决定权，

最后才获得处理那些问题的权力？

Title → Authority → Decision

这套顺序，

为什么是理所当然的？

上一篇 Future Lab，我们讨论了一个很奇怪的现象。

AI 已经让很多「做」变得非常快。

写代码。

做研究。

整理资料。

写报告。

分析问题。

生成方案。

很多过去需要几天的事情，

现在几个小时，甚至几十分钟，就能出来。

但公司并没有一起变快。

方案下午已经有了。

决策可能两个星期以后才出来。

代码已经写完。

还在等 Review。

分析已经完成。

还在等 Alignment。

最快的部分结束了。

最慢的部分，

才刚刚开始。

所以 AI 越快，

一个以前没那么显眼的问题反而越来越明显：

公司真正贵的东西，可能已经不是执行。

而是：

谁能决定。

谁敢点头。

出了问题，谁负责。

如果 Decision 正在成为新的瓶颈，

那我们就必须继续往下问：

我们今天分配决定权的方法，本身还合理吗？

先别急着骂层级。

Hierarchy 不是一群笨蛋设计出来的。

恰恰相反。

它曾经是一项非常有效的组织技术。

1937 年，Ronald Coase 问过一个后来非常经典的问题：

既然市场可以让大家自由交易，

为什么还需要公司？

一个重要答案是：

因为每次重新协调，都很贵。

找谁做，很贵。

谈条件，很贵。

交换信息，很贵。

监督，很贵。

每次出了问题，再重新讨论「这次到底谁说了算」，更贵。

所以公司做了一件非常聪明的事：

提前把很多权力装进职位。

Manager 能决定什么。

Director 能决定什么。

VP 能决定什么。

提前写好。

这样问题出现以后，

大家不用每次重新发明一次权力结构。

从这个角度看，

组织图，其实也是一张提前写好的权限表。

它牺牲了一些灵活。

换来了稳定。

过去，这笔交易非常划算。

这也是为什么「把管理层删掉」听起来很性感，

做起来却经常没那么简单。

Google 早期就做过类似实验。

2002 年，Larry Page 和 Sergey Brin 一度取消了工程经理。

他们不喜欢传统管理。

他们希望工程师直接做事情。

听起来非常 Google。

结果很快发生了一件很现实的事情。

报销。

冲突。

优先级。

资源协调。

各种鸡毛蒜皮的问题，

开始往 Larry Page 那里堆。

最后，

经理又回来了。

后来 Google 自己的 Project Oxygen 也得出了一个并不革命的结论：

好的经理，

确实有价值。

所以问题从来不是：

我们能不能把 Manager 删除？

你把 Manager 删除，

问题不会一起消失。

很多时候，

问题只是重新堆到另一个人的桌子上。

Hierarchy 很笨。

但它有一个巨大的优点：

它稳定。

出了问题，

至少大家知道往哪里送。

但 AI 开始改变其中一些前提。

不是全部。

只是一部分。

过去，想知道谁真正懂一个问题，本身就很贵。

一个人的经验，

可能只存在他脑子里。

一次判断为什么正确，

可能根本没有留下记录。

十个人同时遇到不同的问题，

经理很难实时知道每个人到底发生了什么。

所以组织只能用一个非常粗糙的方法：

既然我们不可能每次都重新判断「谁最懂」，

那就让职位先决定「谁说了算」。

这是一种压缩。

不完美。

但便宜。

AI 正在让这种压缩的一部分理由消失。

查资料变便宜了。

总结变便宜了。

信息整理变便宜了。

跨部门翻译变便宜了。

组织过去发生过什么，也越来越容易被检索。

甚至一个人的判断历史，

理论上也越来越容易被记录。

换句话说：

我们开始有能力知道，谁真正靠近一个问题。

可奇怪的是，

知道了以后，

决定权往往还是没动。

其实组织理论很早就发现了这个裂缝。

1997 年，Philippe Aghion 和 Jean Tirole 提出了一个非常有意思的区分。

他们把组织里的权力分成两种：

Formal Authority。

名义上的权力。

合同上、职位上、组织图上，

谁可以决定。

还有一种：

Real Authority。

真实发生作用的权力。

谁掌握信息。

谁真正理解问题。

谁实际上影响了决定。

这两个东西，

并不总在同一个人身上。

你再回头看开头那间会议室，

就会发现：

坐在下面的人，

可能拥有 Real Authority 所需要的信息。

坐在上面的人，

拥有 Formal Authority 所需要的 Title。

一个人知道发生了什么。

另一个人有权让事情停下来。

很多公司的慢，就发生在这两种权力之间。

问题必须从懂的人那里，

一路爬到有权的人那里。

然后再一路解释。

一路翻译。

一路重新包装。

我们之前把其中很大一部分工作叫：

传话型工作 / Message-Passing Work。

AI 可以让传话变快。

但它还没有解决最后那个问题：

谁能让问题停下来？

于是一个很诱人的想法出现了。

如果未来的公司，

不再总是让问题沿着层级往上爬呢？

如果有些时候，

权力可以往问题所在的地方，

走一点呢？

注意。

只是走一点。

不是取消 CEO。

不是所有人投票。

不是年轻人取代老人。

不是专家永远说了算。

更不是让 AI 给所有员工打一个「权力分」。

只是一个更窄的问题：

一个人在某个具体问题上的影响力，能不能更多来自他在这个问题上的真实判断，而不是他在组织图里的位置？

换句话说：

过去是：

Problem follows the hierarchy.

问题跟着层级走。

未来有没有可能更多变成：

Authority follows the problem.

权力跟着问题走一点。

这并不是一个完全没有现实依据的脑洞。

医院的急救团队早就在做类似的事情。

组织研究里有一个概念叫：

Dynamic Delegation / 动态授权。

在高压、快速变化的环境里，

正式层级并没有消失。

医院还是医院。

资深医生还是资深医生。

责任结构也没有突然不存在。

但在某一个具体时刻，

谁最靠近问题，

谁拥有最相关的信息，

操作层面的主导权可以暂时移动。

情况变化，

权力再移动。

这件事非常重要。

因为它说明：

稳定的责任结构，和动态的操作权力，并不一定互相排斥。

公司不一定只能在两个极端之间选择：

要么官僚层级。

要么所有人平等。

中间可能还有东西。

但另一些实验，又给我们泼了一盆冷水。

一些公司曾经尝试过内部预测市场。

让很多员工对未来结果下注、预测、表达判断。

结果很有意思。

集体汇聚出来的判断，

有时候确实比正式预测更准确。

但然后呢？

组织图并没有因此消失。

预测得更准的人，

也没有自动获得决定权。

为什么？

因为：

看得准，和能负责，不是一件事。

你可以非常准确地预测：

这个项目大概率会失败。

但要不要因此砍掉项目？

要不要裁掉团队？

要不要损失已经投入的钱？

要不要承担客户关系的后果？

这是另一件事。

公司不是预测比赛。

它不是为了找出「谁猜得最准」。

它最终必须有人说：

好，就这么干。

然后，

接住后果。

所以这里必须拆开三个东西。

它们在工业时代经常被一个 Title 捆在一起。

但它们其实不是同一件事。

谁最懂。

谁能决定。

谁最终负责。

你懂，

不代表你应该拥有最终决定权。

你能影响整个房间，

不代表出了问题账应该算在你头上。

你过去为公司创造过巨大价值，

也不代表今天每一个新问题都应该由你拍板。

工业时代的解决方法非常简单：

把这些东西一起装进职位。

Director。

VP。

CEO。

Title 越高，

默认你懂得更多，

决定得更多，

也负责得更多。

这个设计很粗糙。

但过去够用了。

AI 开始让这种粗糙，

越来越显眼。

尤其是在一些非常新的领域。

比如 AI。

一个 25 岁的人，

可能每天都在用最新的 Agent。

每天拆 Workflow。

每天试新的模型。

每天失败。

每天重新搭。

一个 55 岁的 VP，

可能管理经验比他丰富十倍。

见过的组织问题比他多得多。

但在这个具体问题上，

25 岁的人完全可能比 VP 更接近现实。

这时候会出现一个非常具体的问题：

为什么他的判断必须再等十年，才有资格在房间里变重？

如果一个人的判断，

一次次被现实验证，

他在这个问题上的影响力，

是不是应该上升得更快？

我倾向于：

应该。

但事情没有这么简单。

因为 AI 并没有自动给年轻人更多权力。

甚至可能相反。

2025 年一些基于大规模美国职业记录的研究发现，

采用生成式 AI 的公司，

初级岗位的相对就业反而出现下降。

一个重要原因不是企业疯狂裁年轻人。

而是：

开始少招年轻人。

Stanford 基于薪酬数据的研究，也观察到了类似的早期信号：

在 AI 暴露程度较高的一些职业里，

年轻员工的就业已经率先受到影响。

这意味着一个非常讽刺的可能：

年轻人可能掌握了一些最新能力。

但他们进入组织、

积累经验、

建立判断信用的入口，

反而正在变窄。

所以这不是一篇：

「AI 来了，老人让位。」

的文章。

现实可能复杂得多。

新能力进入决策层，

仍然很慢。

与此同时，

拥有新能力的人进入公司的路，

可能也在变窄。

梯子还在那里。

第一阶，却开始少了。

反过来也一样。

如果一个人年纪大了，

或者他在某个新领域已经不是最懂的人，

是不是就意味着他的价值消失了？

当然不是。

一个人今天不应该拍某个新问题的板，

和他过去为这个共同体创造过多少价值，

是两回事。

他可能不是最应该决定：

我们到底该不该上这套 Agent 系统。

但他可能是最值得被问：

上一次我们遇到类似的组织变化，

到底死在哪里？

他见过的失败。

踩过的坑。

对人的理解。

对风险的直觉。

这些东西，

也是真实价值。

所以这里又出现一个未来必须解决的问题：

Current Authority ≠ Historical Contribution.

今天应该拥有多少决定权，

和过去创造过多少价值，

不是同一笔账。

传统公司习惯用 Title，

同时支付这两笔账。

升职既代表：

你过去做得很好。

也代表：

以后你拥有更多权力。

技术变化慢的时候，

这两件事还能绑在一起。

变化越来越快以后，

它们开始分开。

一边是：

有新判断的人必须排队。

另一边是：

有历史贡献的人害怕自己突然被宣布过期。

这个问题，

我们先放在这里。

因为它值得单独写一篇。

现在，

我们必须反过来攻击自己的想法。

假设我们真的说：

未来权力应该更多跟着「真实价值」走。

听起来很好。

问题马上来了。

谁定义真实价值？

CEO？

董事会？

员工？

客户？

还是 AI？

CEO 定义，

那还是旧层级。

员工投票，

公司可能变成议会。

客户定义，

大家开始表演客户。

算法定义，

听起来最客观。

但可能也是最危险的。

因为一旦一个指标开始决定权力，

人就会开始经营那个指标。

这就是 Goodhart's Law 背后的经典问题：

一个东西一旦变成被管理的目标，

它就会开始失真。

假设公司开始记录：

Jason 过去十次判断，

七次正确。

另一个人，

十次九次正确。

于是第二个人获得更高 Judgment Weight。

听起来非常科学。

然后人会开始干什么？

挑容易赢的问题。

避开没有历史数据的新问题。

争夺 Credit。

记录每一次自己说对的话。

弱化自己说错的时候。

会议发言不再只是讨论问题。

它开始变成：

经营自己的权力资产。

以前的人靠露脸。

未来的人靠刷分。

我们以前讨论过：

存在感替代贡献 / Visibility Over Value。

未来完全可能出现一个升级版：

过去是：

让我老板看到我。

未来变成：

让我算法认为我很可靠。

这就会走向一个非常黑镜的版本。

公司给每个人一个 Authority Score。

AI 根据你的：

历史判断。

成功率。

项目表现。

同事评价。

预测准确率。

网络影响力。

实时计算：

你的话今天应该有多重。

表面上看，

这简直就是我们想要的东西。

Title 不重要了。

能力决定权力。

听起来非常公平。

但你仔细想，

它可能只是把：

Corporate Bureaucracy

升级成：

Algorithmic Bureaucracy / 算法官僚。

老板没有消失。

老板变成了模型。

而这种危险，

并不是完全虚构的。

关于 Algorithmic Management 的研究已经发现：

当算法开始决定任务分配、绩效评价和工作节奏时，

组织表面上可能看起来更自动、更扁平。

但前线的人，

未必获得更多判断权。

甚至可能更少。

以前至少还能问老板：

为什么？

以后系统只告诉你：

这是最优结果。

更麻烦的是，

权力分数会产生一个自我强化循环。

过去判断正确的人，

获得更多权力。

拥有更多权力的人，

获得更多资源。

拥有更多资源的人，

更容易再次做出「正确」的结果。

社会学家 Robert Merton 很早就研究过类似现象：

Matthew Effect / 马太效应。

已经被认可的人，

更容易继续被认可。

新人呢？

没有记录的人呢？

少数意见呢？

那些从来没有发生过的新问题呢？

它们最容易被系统低估。

而 AI 时代最重要的问题，

偏偏经常就是：

以前从来没有发生过的问题。

所以，

「让 AI 分配权力」

不一定比 Title 更先进。

它可能只是另一种官僚主义。

甚至更危险。

因为过去出了问题，

至少还能找到一个名字。

Director。

VP。

CEO。

算法官僚主义最糟糕的版本是：

所有人都告诉你，

系统就是这么算的。

但没有人真正负责。

这比慢更危险。

慢，

至少还能找到人。

更有意思的是，

未来甚至可能走向完全相反的方向。

我们一直在讨论：

AI 会不会让权力更靠近问题？

但 Brynjolfsson 和 Hitzig 在 2025 年提出过另一种值得认真考虑的可能。

过去，

很多权力必须下放，

一个重要原因是：

总部不知道现场发生了什么。

很多知识是局部的。

隐性的。

说不清的。

只有现场的人知道。

但如果 AI 越来越能把这些信息：

收集。

整理。

总结。

建模。

实时送到上面呢？

那么现场的信息优势，

反而可能下降。

结果可能不是：

权力下放。

而是：

权力进一步上收。

这就出现一种很反直觉的未来。

公司确实变平了。

Manager 少了。

中间层少了。

传话的人少了。

但 CEO 看到的信息，

比过去任何 CEO 都多。

于是：

中间更薄。

顶部更强。

你看到的是一家更 Flat 的公司。

但它未必是一家更民主的公司。

甚至可能恰恰相反。

下面执行。

上面签字。

AI 把中间层抽掉以后，

权力直接连接到顶端。

这条路，

同样完全可能发生。

所以我们现在还不能宣布：

未来公司的权力一定会动态化。

也不能宣布：

Dynamic Authority 就是答案。

我们甚至还不知道，

AI 最终会把权力往哪里推。

它可能让权力更靠近问题。

也可能让权力更集中到顶部。

更可能的是：

不同类型的权力，

开始往不同方向走。

专业判断，

可能越来越分散。

信息，

可能越来越透明。

执行，

可能越来越自动。

但最终责任，

可能反而越来越集中。

这才是我觉得真正值得研究的地方。

对坐在会议桌下面的人，

这篇文章不是鼓励你造反。

不是告诉你：

你的老板是傻逼，所以你应该掌权。

真正的问题是：

你有没有建立一种不依赖 Title 的判断信用？

你说过什么。

你判断过什么。

你为什么这么判断。

最后发生了什么。

如果这些东西可以不断被现实验证，

那么即使你的 Title 没变，

你的真实影响力也应该开始变化。

这可能才是 AI 时代一个人真正值得积累的东西之一。

而对坐在上面的人，

这篇文章也不是劝你让位。

你拿更多钱。

拥有更大的 Title。

有最终签字权。

都没有问题。

但这些东西意味着另一件事：

你要承担更多责任。

Formal Authority，

不会自动让你理解每一个问题。

你真正的工作，

也许越来越不是：

证明自己永远最懂。

而是：

知道什么时候应该相信比你更懂的人。

然后，

在他们的判断之后，

做最后那个决定。

如果错了，

账算你的。

这不是削弱 CEO。

某种意义上，

这是让 CEO 重新成为 CEO。

工业时代，

Title 用一种非常便宜的方法，

同时回答了三个问题：

谁最懂。

谁能决定。

谁最终负责。

我们假装，

这三个人应该是同一个人。

因为过去这样最省事。

AI 正在把它们拆开。

也许未来，

最懂的人，

能决定的人，

最终负责的人，

本来就不应该永远是同一个。

那么真正的问题来了：

如果这三个人可以不同，

未来的公司，到底应该怎么重新分配权力？

谁的判断应该更重？

谁应该拥有最后的 Decision Right？

谁应该承担失败？

过去的贡献怎么算？

新的能力怎么算？

年轻人的机会怎么算？

老人的经验怎么算？

AI 应该参与到什么程度？

又应该在哪里停下来？

这篇文章，

不回答这些问题。

因为我现在也不知道答案。

但我越来越确定：