AI 的組織性互補條件

資料來源#

• A New Look at AI's Impact on Jobs: Firm-Level AI Spending and Workforce Adjustment
• Beyond Benchmarks 2026: Five Data Sets Grounded in the Real World
• State of AI 2026: The Builder's Economy
• The Shift to Agentic AI: Evidence from Codex

摘要#

OpenAI 的 Codex 使用研究 用來解釋：為什麼在模型完全相同的情況下，代理式 AI 的採用率在不同族群間仍如此不均。通用技術研究有一項悠久傳統指出，新技術帶來的生產力增益，取決於對互補條件的投資——包括商業流程、工作者技能、組織設計與無形資本——而不只是技術本身的能力。 經典案例是 David (1990) 的發電機：早期工廠把集中式蒸汽引擎換成集中式電動馬達，卻保留舊有的廠房配置，因此收效甚微。真正的大幅增益直到數十年後才出現，當時企業才圍繞電力的獨特優勢重新設計生產（小型、分散式馬達 → 重新組織工廠樓面、調整任務順序、採用彈性配置）。這段歷史套用到代理式 AI 的啟示是：短期影響可能低估長期潛力，因為企業尚未發現或規模化部署這項技術所促成的新生產流程——這是重新表述給 AI 的 Brynjolfsson「現代生產力悖論」。

證據說明。 Codex 跨族群資料使用 empirical；GPT／互補條件的框架則是該論文對既有經濟學文獻（David 1990；Brynjolfsson、Rock & Syverson 2019；Demirer et al. 2026）的綜合。這是對採用差距的詮釋，不是對互補條件的測量性因果估計。

三族群差距作為自然實驗#

該論文最有力的實證操作是：如果採用只取決於模型能力，那麼只要能使用同一模型，各處的使用情況就應該相近。 但事實並非如此。Codex 的輸出 token 占比為 99.8%（OpenAI）／63.3%（組織）／16.5%（個人）——而且 OpenAI 工作人員在更多職能中使用它，並具有高得多的並行度。既然模型是固定的，差距必然來自互補條件：

• 存取權：能否使用相關檔案、儲存庫與系統
• 權限與安全要求
• 工作者技能以及對前沿模型的熟悉度
• 管理期待與組織支持
• 用來驗證委派工作成果的互補性審查流程

OpenAI 是高互補條件的極端案例（低廉的邊際使用成本、培訓活動、回饋迴圈、鄰近模型的工作流程），這正是為什麼它的使用情況是前沿預覽，而不是族群估計。結論是：代理式 AI 不只是投入既有工作的更便宜要素——它的價值取決於組織能否圍繞委派與驗證重新設計工作流程、責任與審查流程。

為什麼這次轉型可能比電氣化更快#

該論文指出一項方向相反的差異。電氣化要求企業重新設計實體廠房並替換耐久資本——既慢又昂貴。代理式 AI 讓工作者與組織能以低成本試驗新工作流程：不必重建工廠，只需重新安排流程與工具。較低的試驗成本，可能讓新的生產方式比先前的 GPT 轉型更快擴散——即使完整的組織性互補條件仍在形成中。OpenAI 內部的縱向證據支持速度很快這一點：2025 年 12 月至 2026 年 4 月間，較晚採用的職能（法務、招募）Codex token 占比從約 0 上升至約 75%，其中最陡峭的階段是在單一月份內從約 20% 上升到 75%，搭上內部採用活動的推力。

發揮關鍵作用的互補條件：驗證與協調#

在該論文引用的文獻中，反覆出現的互補條件是監督／驗證／協調能力。Hitzig et al. (2026)（該文引用的研究）主張，代理系統會把互動從協助推向委派，「使監督、驗證與協調成為價值創造的核心決定因素，同時提高領域專業的報酬」。Demirer et al. (2026b) 顯示，任務層級的大幅增益只能不完全地轉化為產出，因為下游的人類活動仍是瓶頸；Demirer et al. (2026a) 發現，當 AI 能執行連續的任務鏈時，幫助最大（工作流程鄰接性很重要）。貫穿其中的主線是：欠缺的互補條件通常不是更好的模型，而是圍繞委派工作重新設計的審查與協調流程——也就是驗證是新瓶頸在組織層面的形式。

外部佐證：AI 每位員工營收的落後（Emergence Capital，2026 年 6 月）#

Codex 研究從使用遙測資料提出互補條件論點；Emergence Capital 的 Beyond Benchmarks 2026 則從另一個方向、以公司財務提出相同論點。在 5 萬多家營運公司（Standard Metrics 財務基準群體）中，AI 公司在每個產業區隔的每位員工營收，都比非 AI 公司低約 39%——這正是本頁預測的「增益落後於採用」模式。報告本身的框架幾乎逐字重述了互補條件落後論：「AI 尚未成為達到同業最佳效率的捷徑，而是投資階段……隨著公司擴大使用量並將能力轉化為產出，應預期 AI 採用與每位員工營收的可測量增益之間存在落差。」同一份資料也看得出擴散情況：AI 原生公司的每位員工營收成長快於非 AI 公司（在營收超過 1 億美元的頂部十分位數，年增最高達 58%，而非 AI 公司則下降 6%），這與互補條件逐步建立、差距隨時間縮小的情況一致。這以基於資本表的財務指標，而非使用占比，佐證了 David 的電氣化主張——但要注意，這是創投發布的資料集（雖然資料來自合作夥伴）。創業公司側的討論見於 AI 是投資故事，而非效率故事。

公司層級佐證：AI 支出強度門檻（Ramp × Revelio，2026 年 6 月）#

Codex 研究從使用占比、Emergence 從財務提出互補條件論點；Kharazian、Simon & Stevens 則從公司層級採用支出提出相同論點，而且幾乎是對該論點的直接測量。他們將 Ramp 的 AI 供應商付款紀錄與 Revelio 的人力資料連結，涵蓋 21,559 家美國公司，發現 AI 帶來的就業增益受強度限制且有所延遲：只有高強度採用者（每位員工每月約 34 美元）能增加員工人數（24 個月內約 10%），而低強度採用者（每位員工每月約 2.78 美元——企業聊天訂閱層級）則沒有可偵測的變化。結論幾乎逐字重述互補條件落後論：「企業聊天訂閱似乎並不足夠。幾個月的實驗性支出也不夠……效益需要互補性投資、組織變革，以及企業內部的學習。許多企業可能購買訂閱、執行試點，卻未能進行從中獲益所需的持續投資。」增益出現前的 6–12 個月延遲，以及其在 24 個月內的複利效應，就是在付款追蹤資料上觀察到的 David 電氣化學習曲線。完整討論見於公司 AI 支出強度與員工人數成長；產業集中（只有資訊業的增益達顯著水準）本身就是互補條件的故事——在編碼代理工作流程已存在的地方，互補條件發展得最充分。

建造者自身損益表上的互補條件（ICONIQ，2026 年第二季）#

Codex 研究從採用差距推論互補條件，Ramp 則測量支出門檻；ICONIQ 的 State of AI 2026 調查約 305 家建造 AI 的軟體公司（empirical），則把互補條件拆成一項項支出——而受訪者對為什麼內部 AI 很昂貴的解釋，幾乎就是一份逐字的互補條件清單：

• 內部 AI 系統支出預計會從過去占營收 1–3% 跳升至 11%，再於 2026 年預計達到 16%——而這個數字刻意採用廣義定義，以涵蓋 token 之外的「AI 真實成本」。
• 受訪者表示真實成本難以預測，而超支正是來自本頁所列的互補條件： (1) 一旦單次呼叫變成多步驟代理管線，token 支出會非線性擴張（每次執行 0.10 美元的工作流程，在重試時可能達到 1.50 美元以上）；(2) 資料基礎設施——生產環境 RAG、權限管理、結構化；(3) 組織導入能力——治理框架、使用標準、持續培訓，以及「很少出現在初始商業案例中的成本」。第 (2) 與第 (3) 項，是以預算差異來源重新表述的無形資本／流程互補條件（Brynjolfsson）。
• 生產力回報確實存在，但受這些互補條件限制：代理工具在所有營收區間的增益都低於 <30%（相較之下，高成長公司的編碼協助約為 48%），而且「通常需要人類介入」——驗證／協調互補條件再次成為關鍵。內部生產力作為護城河的典範（Ramp：350 多個 Git 版本控制的可重用工作流程）就是一項刻意打造的互補條件。完整單位經濟討論見於 AI 產品經濟成熟化。

需要注意的是：這是一份自我回報的調查，包含預測等級的前瞻數字，因此 16% 的預測代表意圖，而非已測得的支出——但成本意外來源的拆解，確實是受訪者對自身投資不足的互補條件所作的描述。

相關連結#

• AI 產品經濟成熟化 — 這項論點在建造者側的單位經濟：ICONIQ 將互補條件定價為內部 AI 支出（占營收 1–3% → 預計 16%），並指出超支來源（資料基礎設施、導入能力、治理）——將無形資本互補條件列為預算項目
• 公司 AI 支出強度與員工人數成長 — 公司層級的自然實驗：AI 採用帶來的就業增益受強度限制（只有超過聊天訂閱的持續且實質支出才能增加員工人數），並且遵循6–12 個月的學習曲線——本頁在 AI 供應商支出與人力紀錄上直接測量互補條件落後
• AI 是投資故事，而非效率故事 — 這項論點在新創財務上的實例：AI 公司目前每位員工營收較低（增益落後採用），而 AI 原生公司的每位員工營收成長更快（互補條件正在建立），因此將精實獨角獸的效率主張調和為一種落差
• 從對話轉向委派 — 本頁解釋的三族群使用差距；同一模型、不同互補條件 → 99.8% 對 63.3% 對 16.5%
• 加速反噬 — 缺乏互補條件的下游成本證據：當組織採用 AI 的速度快過重新設計審查／QA，吞吐量上升，但品質與事故惡化——遙測資料中的生產力悖論失敗模式
• 代理式編碼中的專業回報 — 引用 Hitzig et al. 關於監督／驗證／協調與領域專業是關鍵互補條件的論點；專業回報資料是工作者層級的版本
• 暴露分類：觀察到的、理論上的、回報的、預期的 — 回報 AI 暴露程度中的 GDP 梯度，是本頁論點在調查形式中的呈現：較低收入的工作者可能缺乏互補技能／基礎設施（IMF 的觀點），使暴露轉化為增強而非取代
• 自動化—樂觀連結 — 樂觀程度與對技能價值的感知集中於大量委派者，這與互補條件限制誰能取得 AI 增益的情況一致
• 驗證是新瓶頸 — 最常發揮限制作用的具體互補條件：審查／驗證能力是代理式 AI 所要求的重新設計
• 工程師與 PM 的融合 — 角色重新設計的互補條件：工作轉向指揮、監控與整合代理輸出，而非執行任務
• 人機責任重新設計 — 委派式代理勞動需要重建的責任／管理幅度互補條件
• AI 原生產品節奏 — 新創側的版本：AI 原生組織在誕生時就具備互補條件（工作流程、審查、工具），而不是事後補裝
• 複利資料護城河 — 編碼化的組織特定情境（系統化互補條件）本身就是 Brynjolfsson 意義下的無形資本互補條件
• 印刷術與軟體民主化 — 能力廣泛民主化，但實現的價值仍集中於具備互補條件的地方；兩者合在一起，解釋了不均勻的擴散
• OpenAI — 其高互補條件的內部環境，是這項論點的上限
• 市場定價的 AI 暴露（AI 溢價） — 從股票價格讀出的論點：AI 溢價存在於已開發市場（每週 17.9 個基點），但在包括中國在內的新興市場不存在（5.0 個基點，不顯著）；Borri-Liu-Tsyvinski 將其歸因於「距離前沿」——AI 風險只有在上市公司與投資者接近互補性 AI 經濟的地方，才具有系統性，也因此被定價。互補條件論點被資本化
• AI 原生組織 — 實務工作者的重新表述：Tan 的「槓桿不在權重，而在你如何接起工作」是這項論點的舞台版；他的組織原語映射（技能／解析器／觸發 evals）則具體列舉了哪些互補條件

開放問題#

• 「數位生產比電氣化更快擴散」的主張，是從一個有利的內部案例推論而來。外部組織是否真的能快速重新設計工作流程，還是低廉的工具採用成本掩蓋了緩慢且昂貴的流程重新設計（真正的互補條件）？
• 哪一項互補條件才是真正的限制因素——存取權／權限、技能，還是審查能力？論文列出了所有項目，但沒有拆解它們的相對權重。
• 如果價值是由互補條件而非能力所限制，模型進步是否會在短期內出現報酬遞減，直到組織追上進度——而對代理式 AI 而言，這個落差究竟有多長？

資料來源#

• The Shift to Agentic AI: Evidence from Codex — §2 Related literature (organizational complements; David 1990; Brynjolfsson et al. 2019; Hitzig et al. 2026; Demirer et al. 2026a/b); §5 intro (electrification analogy); §6 Conclusion
• Beyond Benchmarks 2026: Five Data Sets Grounded in the Real World — Emergence Capital, Beyond Benchmarks 2026 (June 2026): the AI-vs-non-AI revenue-per-employee gap as company-financials corroboration of the complements-lag thesis
• A New Look at AI's Impact on Jobs: Firm-Level AI Spending and Workforce Adjustment — Kharazian, Simon & Stevens (Ramp × Revelio, June 2026): the intensity threshold and 6–12-month learning curve as firm-level, spend-based corroboration — §6 Results, §7 Conclusion (points 4–5)
• State of AI 2026: The Builder's Economy — ICONIQ Growth, State of AI 2026: The Builder's Economy (2026-07-08, empirical survey with prediction-grade forward figures): §"AI for Internal Productivity" — internal AI spend 1–3%→11%→16% of revenue, the three overrun sources (tokens, data infrastructure, organizational enablement), and the <30% agentic-tool productivity gains that gate the payoff