AI 时代下的组织与商业形态——研究项目
研究目的：建立一个第一性 + 结构性的认知框架，用来判断 AI 时代价值会迁移到哪里、自己应该把资本/技能/关系/数据放在哪个位置。
输出形态：自用学习笔记（不发表）。
框架（先看这个，再看资料）#
第一性（最深的那一层）：
- 1. Coase 交易成本理论——公司之所以存在，是因为市场上的搜索、签约、监督、协调成本太高。公司的边界 = 内部协调成本与外部交易成本的那一刀。
- 2. 互补稀缺定律（complementary scarcity）——一种东西变便宜，它的互补品就变贵。这是这次研究最锋利的一条，几乎所有"哪里赚钱"的判断都是它的派生。
- 3. 委托代理在 Agent 下重写——古典 P-A 假设代理人是会偷懒的人，Agent 不偷懒但会幻觉、错配目标、不可问责。所以"目标设定权 / 评估标准制定权 / 最终问责权"会变贵。
AI 同时削减四类成本：
- 认知成本（生成、推理、分析）
- 匹配成本（搜索、撮合）
- 协调成本（沟通、同步、传译）
- 监督成本（委托代理可观测性）
互补稀缺映射：
| AI 让什么变便宜 | 互补品变贵（应该靠近的） |
|---|---|
| 生成内容、写代码、做分析 | 品味、判断、分发、信任、独特数据、决断 |
| 匹配与搜索 | 真实关系、私域信任、稀缺供给（牌照、产能、独家） |
| 协调与传译 | 跨域整合的"接口人"、能跑通端到端的人、组织设计能力 |
| 监督与执行（agent） | 编排、评估、责任、目标设定、对错判断 |
五层结构脚手架：
| 层 | 这一层关心 | 看完这层应该能答 |
|---|---|---|
| L1 第一性 | 经济学根基 | 为什么 AI 让 X 变贵 / 让 Y 变便宜 |
| L2 驱动力曲线 | 哪些 AI 能力的成本/能力曲线在变 | 时间窗：现在投什么、3 年后投什么 |
| L3 结构迁移 | 公司边界、组织、雇佣、价值链 | 哪种公司形态在赢、哪种在输 |
| L4 经验形态 | 在发生什么 | 哪些"现象"是趋势、哪些是奇观 |
| L5 你的位置 | 你的卡牌 → 互补稀缺的位置 | 一份个人下注清单（自己写） |
推荐阅读顺序#
看完整组资料需要 6-10 小时。如果时间紧，按这个顺序裁剪。
第一遍（2 小时，建立直觉）——只看这 5 篇：
- 1. `L2-capability-curves/three-observations-altman.md` — 三条经济定律，10 分钟
- 2. `L1-first-principles/coase-1937-nature-of-the-firm.md` — Coase 原文，但只读前 5 页和最后 3 页（够了）
- 3. `L3-structural-shifts/aggregation-theory-thompson.md` — 价值链怎么因为 0 边际成本而重组，30 分钟
- 4. `L1-first-principles/varian-ai-economics-industrial-organization.md` — Varian 把互补稀缺讲透，30 分钟
- 5. `L3-structural-shifts/how-to-get-rich-naval.md` — Naval 杠杆论，背后就是互补稀缺。读他关于 code/media leverage 的部分
第二遍（3-4 小时，建立结构）——按层补：
- L1 补 `brynjolfsson-rock-syverson-productivity-jcurve.md`（关键论文：互补的无形资产决定 GPT 的回报曲线）
- L2 补 Sequoia 三篇（Act One/Two/o1，看价值链阶段判断）和 a16z Big Ideas
- L3 补 Stratechery 三篇（unbundling, integration vs modularization, enterprise philosophy），Mollick 的 Cybernetic Teammate
- L4 看 Klarna 两篇（先看 cnbc 40% 那篇，再看 reversal——这是最重要的负面教训）+ Cursor 一篇 + Shopify 两篇
- 反方先看 `mit-nanda-95pct-pilots-fail-fortune.md`，再看 Acemoglu 全文（重点读他关于"task share"和"productivity gain"的算式）
第三遍（中文语境，2 小时）：
- 陆奇两篇 → 王慧文 → 朱啸虎 vs 杨植麟 → 字节 Context Not Control
- 重点是看中国论者把同样的第一性翻译成什么落地判断（应用层 vs 模型层之争 = 互补稀缺在中国语境的版本）
第四遍（写 L5）——最后才动笔：
建一个 `L5-your-position.md`，回答：
- 我手上的卡牌是什么（资本、技能、关系、数据、品牌、注意力）？
- 这些卡牌目前落在"变便宜"还是"变贵"那一侧？
- 哪些卡牌可以重新组合放到"变贵"那一侧？
- 接下来 6/12/24 个月做什么具体的事？
跨源张力（值得标记，否则会迷失在单边叙事）#
研究里几对关键的争议，我没替你下结论：
- 1. Brynjolfsson 派 vs Acemoglu 派——前者认为 AI 是 GPT、回报有 J-Curve、长期巨大；后者认为多数任务自动化收益有限，宏观影响被夸大。两人的分歧不是"看不看得上 AI"，而是"AI 自动化的任务占多大比例 × 成本节省多大"。读 Acemoglu 全文里他自己列的算式（约第 10-15 页），就能看出他和 Bryn 的争议在哪。
- 2. Lessin / Andreessen / Thompson 的"赢家"论：
- Lessin：巨头通吃（分发即护城河）
- Andreessen：开放胜过封闭，新公司有机会
- Thompson：模块化 vs 整合，看具体环节
三人不矛盾——他们说的是"不同环节"。把价值链分层后再读，会更清楚。
- 3. 朱啸虎 vs 杨植麟：是 Lessin/Andreessen 之争的中国版。朱=应用层=分发；杨=模型层=能力。哪一方对，取决于"模型何时停止快速进步"。如果停滞，分发派胜；如果继续指数级，能力派胜。
- 4. Klarna 的反转：从"AI 替代 700 客服"到"AI 处理量但客服满意度崩了，重新招人"——这是这次研究里最具体的"AI 自动化的边界"实证。看完会比 Acemoglu 的论文更有体感。
- 5. MIT NANDA 95% 失败：和 Brynjolfsson 的客服中心实证（生产力提升 14-34%）矛盾吗？不矛盾。前者讲企业内部 PoC 的 ROI，后者讲已经部署的具体场景。把"PoC 失败率 95%"和"已部署场景生产力 +14-34%"放在一起读，能看出"导入难度"才是真正的瓶颈，这又回到 J-Curve。
自检问题（看完资料后用来验证理解）#
读完之后，你应该能用自己的话回答这 7 个问题。如果答不出，回去找对应资料：
- 1. Coase 怎么解释公司为什么存在？AI 改变的是公式里的哪一项？
- 2. 互补稀缺定律是什么？给三个 AI 时代的例子。
- 3. Brynjolfsson J-Curve 说的是什么？为什么这影响"现在投资 AI 看不到回报"的判断？
- 4. Acemoglu 估算 AI 对 GDP 的影响有多大？他和 Brynjolfsson 的分歧在哪一步算式上？
- 5. 价值链上，AI 让哪一层（基础设施/模型/应用/分发）赚钱？为什么 Thompson 和 Lessin 的判断不同？
- 6. Klarna 的故事告诉我们：哪些任务 AI 不能替代？为什么？
- 7. 如果你只能给一个还在做"按工时计价"职业的朋友一句话建议，你会说什么？
后续可补充的源（如果发现这一组不够）#
- Stratechery 付费部分（Daily Update 里有更细的价值链分析）
- 晚点 LatePost 对 MiniMax / 月之暗面 / 智谱 的最新深访（要订阅）
- Brynjolfsson "AI's Trillion-Dollar Opportunity" 演讲
- David Autor 关于劳动力市场分化的论文
- 字节、阿里、腾讯、美团、拼多多最新组织调整的报道（直接对照"AI-native 组织设计"看）
- Anthropic / OpenAI / Google DeepMind 的研究院型组织设计
需要补哪一类，告诉我，再开一轮 Phase 1。