AI 的最优组织效率：从人类组织到智能体组织的知识迁移

关于 AI 的讨论大多围绕模型能力：参数、上下文窗口、基准分数。但真正把东西做出来的人关心另一个问题——同样的能力，用不同结构组织起来，产出能差多少？

这不是一个修辞问题。2025 年之后，多智能体（multi-agent）系统已经进入生产：Anthropic 的调研系统用一主多从的编排把内部评测分数提高了 90.2%，代价是 token 用量达到普通对话的 15 倍（Anthropic, 2025）；同一时期，对 7 个开源多智能体框架、200 多条执行轨迹的分析发现，失败率从 41% 到 87% 不等，而失败原因里只有 21.3% 出在"验证"，41.8% 出在"任务规格"，36.9% 出在"智能体之间的失配"（Cemri et al., 2025）。换句话说，大多数失败不是模型不会做，而是组织没搭对。

这篇文章想做的是一次知识迁移：人类组织研究积累了上百年的协调成本、层级设计与信息处理证据，哪些能直接搬到智能体组织，哪些一搬就错，以及由此能得到什么新的、可检验的判断。

先把"最优"说清楚。本文的"组织效率"指单位成本下通过验收的产出——不是吞吐，不是单步准确率，更不是"看起来在协作"。成本包括算力、延迟与人工审核；验收指结果能被人或可靠的自动程序判定为正确。这个定义贯穿全文，因为下面会看到：AI 组织真正稀缺的东西，正在从"生产能力"变成"验证能力"。

一、人类组织留下的四个结论

1. 协调成本随规模超线性增长，这是最硬的一条

Graicunas 在 1933 年就给出了形式化：一个管理者带 $n$ 个直接下属时，需要考虑的关系数是 $n(2^{n-1}+n-1)$——3 人是 18 条，4 人 44 条，5 人 100 条，6 人 222 条（Graicunas, 1933）。这个公式被后人批评为把不同性质的关系等量齐观，但它的方向没错：每加一个人，新增的不是一条线，而是一组线。Brooks 定律说的"向进度落后的项目加人只会更慢"，机制正是新成员爬坡加上沟通通道按 $n(n-1)/2$ 增长（Brooks, 1975）。

大样本证据支持这条曲线真的存在。对 58 个 GitHub 项目、58 万次提交、3 万名开发者的分析显示，人均产出对团队规模的标度指数为 −0.24 到 −0.36（p<0.001）；每周活跃开发者超过 50 人的项目，人均约 2 次提交/周，只有单人项目的十分之一；团队从十人量级扩到三百人以上，人均代码贡献平均下降两个数量级（Scholtes et al., 2016）。Apache 的案例更直白：约 400 人贡献过代码，但前 15 名核心开发者完成了 83% 的改动、88% 的新增行、91% 的删除行（Mockus et al., 2002）。

还有一个常被忽略的机制：人越多，个体越不使劲。对 78 项研究的社会惰化元分析显示，群体规模上升会稳定地压低个体努力，跨任务、跨人群都成立（Karau & Williams, 1993）。组织设计要对抗的不只是通信开销，还有动机稀释。

2. 规模没有统一最优解，它取决于要产出什么

团队科学的两次大样本研究给出了方向相反但互补的答案。Wuchty、Jones 与 Uzzi 分析了 1990 万篇论文与 210 万件专利：团队论文占比在社科领域从 1955 年的 17.5% 升到 2000 年的 51.5%，团队相对独著的平均被引比从 1.7 升到 2.1，末期团队论文拿到千次以上引用的概率是独著的 6.3 倍（Wuchty et al., 2007）。但 Wu、Wang 与 Evans 用 6500 万项成果反过来问"团队做了什么"：团队从 1 人扩到 50 人，论文、专利、软件的颠覆性指数分别下降 70%、30%、50%；独著进入"最颠覆前 5%“的概率比 5 人团队高 72%；而 10 人团队进入"高被引前 5%“的概率比独著高 50%（Wu et al., 2019）。

合起来读：大组织擅长在既定方向上做深做广，小组织擅长换方向。 这条结论对 AI 组织同样成立，因为任务性质（探索还是执行）并不因执行者是模型而改变。

3. 结构比人数更决定结果，模块化是最有效的降本手段

Simon 在《The Architecture of Complexity》里讲了一个钟表匠寓言：1000 个零件，若每步有 1% 概率被打断，非分层组装平均耗时约为分层组装（10×10×10 子装配）的 4000 倍；组装 $n$ 个元素的时间随层数呈 $\log_s n$ 增长。这不是比喻：近可分解的系统之所以演化得快，是因为稳定的中间形态可以被复用（Simon, 1962）。Galbraith 的信息处理视角给出了同一个判断的另一面：组织结构要匹配任务的不确定性，当信息处理需求超过能力时，要么增加信息处理能力（纵向系统、横向连接），要么降低需求（松弛资源、自给自足的任务；Galbraith, 1974）。

模块化到底能省多少？MacCormack 等人用"传播成本"度量（改一个源文件平均波及的文件比例）：Linux 是 5.16%，早期 Mozilla 是 17.35%——同样的功能规模，耦合结构不同，改动成本差约三倍（MacCormack et al., 2006）。这与 Baldwin 与 Clark 的模块化理论一致：把设计依赖压到模块边界之外，模块内部就能独立并行演化，模块改进本身成了可以行权的"实物期权”（Baldwin & Clark, 2000）。这也是 Rajan 与 Wulf 观察到的"层级变平"的底层逻辑：1986–1998 年间，美国大企业 CEO 的直接下属从 4.46 增至 6.79，CEO 与利润中心之间的层级从 1.58 降到 1.18，原因是信息技术让"下放决策"变得可监控（Rajan & Wulf, 2006）。

值得强调的是，技术对结构的影响方向并不单一。Bloom 等人用 1000 家企业的跨国数据发现：信息类技术（ERP、CAD/CAM）提高一线自主权与管理跨度，通信类技术（数据网络）反而降低自主权、促成集中化（Bloom et al., 2014）。哪一种技术、改变的是信息获取还是信息传递，决定组织走向分权还是集权——这条区分在 AI 时代尤其关键。

4. 组织是信息与知识的配置问题，不只是激励问题

Marschak 与 Radner 的团队理论把组织定义为"信息结构 + 决策函数”：成员共享目标，但各自持有不同信息，组织问题是在信息成本下选择决策函数，使期望收益最大（Marschak & Radner, 1972）。这个框架里没有多少激励问题，只有信息与带宽问题。

组织为什么会有边界，是同一套逻辑的另一半。Coase 的答案是：当内部权威协调在边际上比市场交易更便宜时，企业就出现了，边界停在"边际内部成本 = 边际市场成本"处（Coase, 1937）；Williamson 把它细化为交易属性（资产专用性、不确定性、频率）与治理形式（市场、混合、层级）的匹配（Williamson, 1979）。这条推理可以直接搬到智能体：一次任务该由"自己组织里的智能体"做，还是"调用外部工具/服务"，取决于内部协调成本与外部调用成本的比较。

Garicano 的知识层级把这一点做成了可检验的模型：下层处理常规问题，把"例外"上送专家，知识获取成本与沟通成本的权衡决定层级层数与知识分布（Garicano, 2000）。这个模型在 AI 时代有了新的参数：自主智能体更像"知识最多的解题者"，非自主智能体更像"知识最少的工人"，前者受益更多，总产出也更高（Ide & Talamàs, 2025）。Wegner 的交互记忆则补充了横向维度：群体把"谁知道什么"编码成共享目录，从而降低每个成员的认知负荷（Wegner, 1987）。

组织配置确实影响产出。Bloom 与 Van Reenen 对 732 家中型制造企业的研究发现，管理实践得分从下四分位升到上四分位，全要素生产率提高 3.2%–7.5%（OLS），样本中管理实践可解释 TFP 差异的 10%–23%；在印度纺织业的随机对照实验中，五个月的管理咨询让第一年生产率提高 17%（Bloom & Van Reenen, 2007；Bloom et al., 2013）。组织不是一个软话题，它有可测量的生产率效应。

最后要留一个反面提醒：人类组织里流传的"神奇数字"经常经不起复核。Dunbar 数被广泛引用为 150，但对原始数据的再分析给出的区间是 69–109（贝叶斯）与 16–42（GLS），95% 置信区间宽到 3.8–520，作者的结论是"无法由此推出一个确定的认知上限"（Dunbar, 1993；Lindenfors et al., 2021）。这提醒我们：迁移到 AI 时，要迁移的是机制，不是数字。

二、迁移：四个仍然成立的不变量

把上面的结论搬到智能体组织，有四个不变量依然成立，只是计价单位从"人力"换成了"token 与上下文"。

不变量一：协调成本仍然是最主要的成本项

Anthropic 的工程数据：普通 agent 约用 4 倍于对话的 token，多智能体系统约用 15 倍（Anthropic, 2025）。Gao 等人跨 7 个数据集的测量更细：多智能体的输入（prefill）token 是单智能体的 4–220 倍，输出为 2–12 倍；在 AIME 这类题目上，prefill 从 176 涨到 38788（220 倍；Gao et al., 2025）。成本差异还会以"两个数量级"的量级出现：在 HumanEval 上，同等准确率下不同 agent 设计的成本可以相差接近 100 倍（Kapoor et al., 2024）。

结论很直接：组织设计在 AI 里的第一性不是"能不能协作"，而是"协作的 token 花在哪"。

不变量二：结构（拓扑）比成员能力更能解释成败

MAST 对 200 多条轨迹的编码给出了失败的结构性分布：任务规格 41.8%、智能体间失配 36.9%、验证 21.3%；而干预实验里，同一基座模型、同一提示下，只改角色规格使成功率提高 9.4%，再加一道"高层目标验证"提高 15.6%（Cemri et al., 2025）。同样的模型，换个组织方式，成功率差 15 个百分点。

拓扑本身也有优劣。MultiAgentBench 在研究与编码场景比较了链、树、星、图四种结构：研究任务里图综合最优（任务表现、规划效率、token 用量都最好），树表现差且 token 高，“全体讨论"这一规划策略在所有指标上最差（Zhu et al., 2025）。MASS 的工作则显示，拓扑与提示的联合优化能在 MATH 上把得分从 CoT 的 65.28 提到 78.79，其中约 6 个点来自个体提示、3 个点来自拓扑组合、2 个点来自工作流级提示（Zhou et al., 2025）。

不变量三：组织记忆与知识分布决定"上下文怎么用”

Chain-of-Agents 的做法是每个 worker 只处理一个分块、链式传递证据、由 manager 汇总：在 9 个长文数据集上最高提升 10%，同时把计算复杂度从 $O(n^2)$ 降到 $O(nk)$（$n$ 为输入长度，$k$ 为窗口；Zhang et al., 2024）。这几乎就是 Simon 的"近可分解"在上下文上的复现：隔离不是为了省事，是为了让每一层只处理它能处理的信息。

训练侧也有同样的信号：用强化学习优化智能体间通信的 Optima，在信息交换密集的任务上，用不到 10% 的 token 取得了最高 2.8 倍的性能（Chen et al., 2024）。协调 token 不是固定开销，它本身可以被设计。

不变量四：代理问题换了形态，但没有消失

Jensen 与 Meckling 把代理成本拆成监督成本、保证成本与剩余损失（Jensen & Meckling, 1976）。在智能体组织里，“偷懒"变成了"目标错位”：MAST 里 41.8% 的失败属于任务规格类，典型模式是未按任务要求、步骤重复、推理与行动不一致（Cemri et al., 2025）。Hadfield 与 Koh 指出，AI 组织的一个真实差异是激励可以由奖励函数设定，这会让传统的监督与执行在局部变得"不必要"，但代价是对齐与不透明性的风险上升（Hadfield & Koh, 2025）。换句话说：代理成本没有消失，它从"人是否努力"迁移到了"奖励是否写对"。

三、断点：四个不能直接照搬的地方

迁移到这里都很顺，但人类组织的经验有四处在 AI 上会失效，而且失效的方式决定了最优组织长什么样。

断点一：成员可以复制，招聘不再是规模上限

人类组织扩编要招聘、要培训、要发工资；智能体可以 fork。MacNet 把这一点推到极端：用有向无环图组织 1000 个以上智能体协作，性能随规模呈 logistic 增长，且"不规则拓扑优于规则拓扑"，链条适合软件开发、树形适合创意写作（Qian et al., 2024）。

但"可复制"有反作用力。More Agents 的收益来自独立采样加投票，不是"多了几个部门"：40 个样本时，Llama2-13B 在 GSM8K 上从 0.35 升到 0.59，GPT-3.5 从 0.73 升到 0.85（Li et al., 2024）。如果 fork 出来的成员共享同一先验、同一上下文、同一工具集，那么它们犯的错是相关的——相关性误差不因人数增加而抵消。AgentArch 的企业工作流基准里，多智能体 ReAct 配置的幻觉率达到 36%，而其他所有配置为 0%（Bogavelli et al., 2025）。可复制性提高的是"并行度"，不是"独立性"；而只有独立性才能换来投票收益。

断点二：通信便宜，带宽昂贵

人类的沟通成本主要在时间；智能体的通信成本主要在 token 与上下文窗口。这两者的结构完全不同：一句"你好"几乎免费，但把一份 10 万字的上下文塞进每个成员的窗口，成本随成员数线性叠加。这解释了为什么 Anthropic 的编排让每个子代理拥有独立上下文、只回传压缩结论（Anthropic, 2025），也解释了为什么长文任务里检索增强比"全上下文"便宜 20 倍以上（Kapoor et al., 2024）。

所以人类组织里"多开会、多同步"的做法在 AI 里要反过来：同步是奢侈品，隔离是默认值。

断点三：激励可以编程，但规格成为新的代理成本

MetaGPT 的角色消融提供了一个干净的对照：同一框架下，只留 1 个工程师角色时软件可执行性为 1.0、成本 0.915 美元；加到 4 个角色（产品、架构、工程、测试）时可执行性升到 4.0、成本 1.385 美元（Hong et al., 2023）。组织分工确实买到了质量，而且不贵——但前提是规格写得清楚。反过来，ChatDev 那类"完整公司流程"在 MAST 的复现里正确率只有 33.33%（Cemri et al., 2025）。角色越多，规格的歧义被放大的机会越多。

断点四：真正的瓶颈是验证，不是生产

这是本文最想说的一点。Catalini 等人对 AGI 经济学的分析把结论说得很直接：当执行的可度量边际成本趋近于零，增长的约束就变成人类的验证带宽——审核、审计与承保的能力，租金随之向"真实性的来源、来源证明与责任承保"转移（Catalini et al., 2026）。这不是新问题，只是换了名字：Alchian 与 Demsetz 早就指出，团队生产的核心难题是计量（metering）——每个人的边际贡献难以直接观测，才需要监督者与剩余索取权（Alchian & Demsetz, 1972）。AI 组织把"计量"换成了"验收"：智能体的产出容易生成，但"这段输出对不对"仍然需要一个可信的判定者。Agent-as-a-Judge 的成本对照给出了量级：一次覆盖 55 个任务、365 条需求的完整评测，人类专家评审用 86.5 小时，约 1297.5 美元；用"智能体评审智能体"是 30.58 美元、118 分钟，约为人类成本的 2.29%，而且与人类判断的对齐率是 90.44%，高于纯 LLM 评审的 60.38%（Zhuge et al., 2024）。

把它和 §1 的结论放在一起：人类组织的瓶颈是协调带宽（沟通、层级、会议），AI 组织的瓶颈是验证带宽（谁能判定对错、判定一次多少钱）。这是两种完全不同的稀缺资源，也是"最优组织"在 AI 里必须重新定义的根本原因。

还有一个必须承认的趋势：多智能体的收益会随模型变强而缩小。Gao 等人的对照显示，MetaGPT 在 HumanEval 上的增益从 ChatGPT 时代的 +20.7 个百分点（67.0→87.7）降到 Gemini-2.0-Flash 时代的 +3.0（90.2→93.2）；多智能体辩论在 GSM8K 上的增益从 +8 点降到 +0.8 点；约 80% 的样本是"两者都过或都错"的平局（Gao et al., 2025）。辩论本身也不稳定优于自洽采样或多路径集成（Smit et al., 2024）。能力在替代组织。

四、五条新命题

以下五条是本文基于上述证据提出的判断，标 [推断] 的部分尚未被直接检验，但都可以设计实验来推翻。

P1｜最小可行组织（MVO）。 最优规模不是最大，而是"边际并行收益 = 边际协调与验证成本"的那个点。先把"加宽"的收益与代价摆在一起：

MultiAgentBench 的消融很说明问题：从 1 个智能体加到 3 个，协调分显著上升；继续加，总体 KPI 反而下降；迭代上限从 7 加到 10 时分数急剧下降（Zhu et al., 2025）。Chen 等人对"复合推理系统"的缩放分析更直接：Vote 类方法的性能随调用次数先升后降，且对易题有益、对难题有害，存在可估计的最优调用数（Chen et al., 2024）。工程上更省的做法是路由：难例走多智能体、易例走单智能体，实测可提升 1.1%–12% 精度并降低最多 20% 成本（Gao et al., 2025）。

P2｜组织即编译。 把任务依赖图编译成智能体拓扑——关键路径决定串行段，通信边决定 token 成本，数据局部性决定上下文分配。若这个类比成立，编译器领域的优化（最小化跨边界通信、复用中间结果、按局部性调度）都能直接借用。间接证据是：拓扑优化本身就有 2–3 个点的增益，且"不规则拓扑优于规则拓扑"（Zhou et al., 2025；Qian et al., 2024）；上下文隔离能把 $O(n^2)$ 通信降为 $O(nk)$（Zhang et al., 2024）。[推断]

P3｜验证优先（verification-first）。 组织效率 = 验证带宽 × 验收标准的可自动化程度 ÷ 单位产出的协调成本。这个式子的直接含义是：先设计验收，再设计生产。证据侧：MAST 的验证类失败占 21.3%，而加一道高层验证步骤能带来 15.6% 的提升（Cemri et al., 2025）；Agent-as-a-Judge 把评审成本压到人类的 2.29%（Zhuge et al., 2024）；Catalini 等人把"验证能力"直接设为增长的约束（Catalini et al., 2026）。[推断]

P4｜能力替代组织。 组织效率是模型能力的减函数：基座每上一个台阶，“靠结构换能力"的收益就缩小一截（Gao et al., 2025）。因此投资组织设计的时机不是"模型不够强"的时候，而是单模型失败率高、且错误可以被局部验收的时候——收益来自并行覆盖与错误拦截，而不是来自让弱模型假装成一群。

P5｜集中还是分权的分叉，由"验证能否自动化"决定。 2026 年的两支理论给出了相反的预测。Brynjolfsson 与 Hitzig 认为 AI 扩大了可编码知识、提高了信息处理能力，从而削弱分散人类智能体的优势，使集中控制更可行，预测平均企业规模与行业集中度上升（Brynjolfsson & Hitzig, 2026）。Klein 与 Wieczorek 则给出了机制相反的一支：协议化的智能体系统使集成成本从随交互拓扑的 $O(n^2)$ 降为 $O(n)$，并给出两条可检验预测——成熟生态中新增执行供应商的边际成本近似恒定，总协调成本与吞吐之比随生态扩大保持稳定（Klein & Wieczorek, 2026）。实证侧，Ewens 与 Giroud 用 3454 家美国上市公司、1810 万份简历发现，AI 岗位份额每上升一个单位，企业层级数（对数）下降 0.42（SE 0.15；Ewens & Giroud, 2025）。

我的判断是：当验收能自动化到接近零成本时，集中更优（协调成本低、口径统一）；当验收必须由人承担时，分权更优（把验证分散到最接近现场的人，避免组织被单一审核瓶颈卡死）。这个判别式同时解释了两派为什么都对——他们假设的验证技术不同。

五、把它变成可操作的设计清单

1. 先画依赖图，再决定并行宽度。 并行只对可分解部分有效；Anthropic 明确说，需要所有智能体共享同一上下文、或智能体间强依赖的任务（多数编程任务）不适合多智能体（Anthropic, 2025）。Cognition 的工程观点更激进：共享完整轨迹、避免并行分叉，否则"决策冲突"会让系统变得脆弱（Yan, 2025）。两者并不矛盾：依赖密集 → 单线程；依赖稀疏且可验证 → 并行。
2. 默认小，超过就分层或路由。 2–5 个成员是多数任务的合理上限（Zhu et al., 2025）；再大就走层级（Anthropic 的编排在复杂研究里用 10 个以上子代理，但每层只回传压缩结论；Anthropic, 2025），或者按难度路由（Gao et al., 2025）。厂商指南的默认建议也是"先把单个智能体做到最好”：Anthropic 的经验是，很多应用用一次优化过的模型调用（检索 + 示例）就够了（Anthropic, 2024）；OpenAI 把多智能体归纳为"管理者（工具化）“与"去中心（交接）“两种形态，并提醒多智能体会引入额外复杂度与开销（OpenAI, 2025）。
3. 每个成员的上下文 = 它的信息权限。 不要把全量上下文广播给所有人；隔离既是成本手段，也是质量控制手段（Zhang et al., 2024）。
4. 验收标准前置，尽量机器可判。 每一层输出都要有可执行的验收条件；没有验收条件的并行，只是在批量生产待审稿（Cemri et al., 2025）。
5. 给"谁能改决定"设一层责任结构。 智能体可以提议，但改判必须落在明确的主体上；这与 Catalini 等人所说的"责任承保"是同一件事（Catalini et al., 2026）。
6. 记协调账本。 至少记五项：每任务 token（区分 prefill/decode）、消息轮数、返工率、平局率、验证耗时。这些量都可直接测量，也是目前唯一能支撑结构决策的数据（Kapoor et al., 2024；Gao et al., 2025）。

六、如何证伪

三条可以直接做的检验（均以"通过验收的产出/总成本"为因变量）：

• H1（倒 U）：任务可分解性固定时，收益随成员数呈倒 U；拐点位置随验证成本上升而左移。操作化：同一任务集，成员数取 1/3/5/7，验证成本用"人工审核分钟数"或"自动验收通过率"度量。
• H2（窄深优于宽扁）：相同 token 预算下，“少成员 + 强验收"优于"多成员 + 弱验收”。操作化：两条拓扑（3 成员 × 2 轮验收 vs 7 成员 × 无验收）在同一预算下比准确率与返工率。
• H3（能力替代组织）：同一组织配置的增益与基座能力负相关。操作化：固定组织，换 3 代模型，观察"多智能体 − 单智能体"的差值是否单调收窄——Gao 等人的结果已经提供了初步支持（Gao et al., 2025）。

七、边界

• 本文引用的厂商数据（Anthropic、OpenAI、Cognition）是工程报告，不是同行评审；其数字反映特定任务与内部评测，不能外推为普遍效应。
• MAST、Gao、MultiAgentBench 等是 2025 年的预印本或会议论文，结论可能随版本变化；引用数字时已注明版本。
• 2026 年的公司边界文献（Ewens & Giroud、Brynjolfsson & Hitzig、Klein & Wieczorek、Catalini 等）多为工作论文或会议稿，方向存在分歧，本文按"分歧"呈现而非择一。
• 四条"不变量"有直接证据；五条命题中 P1–P3 有间接证据支撑，P4–P5 是本文的推断，已标注可证伪的检验方式。

一句话总结：人类组织教给 AI 的第一课是"协调成本会吃掉规模收益”，第二课是"结构比人数重要”；而 AI 自己的特殊性在于——生产变便宜之后，组织效率的分母从人力换成了验证。谁先把验收做成可自动化的基础设施，谁才真正拿到了扩大组织的许可。