# 社会分工的终结？------当分工不再只是人的分工
文｜傅蔚冈
上海金融与法律研究院 研究员
2026年2月，纽约律师Zack Shapiro发表了一篇名为《Claude原生律所》（"The Claude-Native Law Firm"）的文章，介绍自己如何用Claude经营一家"AI原生律所"。一时间洛阳纸贵。
今天，用AI检索资料、审阅合同或者起草文书，早已算不上新闻。这篇文章之所以获得关注，是因为它展示了一种不同的律所组织方式。
据报道，Shapiro创办的Rains LLP当时只有两名全职律师，却已经服务超过200名客户。按照传统律所的组织方式，这样的业务量通常意味着需要更多律师承担法律研究、合同起草、文件审阅和项目管理。但Shapiro把自己的分析框架、文书格式、语言风格以及处理特定法律事务的方法，写成一套套指令和技能（"skills"），交给Claude执行。过去需要年轻律师花费大量时间完成的工作，越来越多地交给AI完成。
真正值得注意的，并不是"两个人做了过去十个人的工作"。如果只是这样，这仍然是一个熟悉的自动化故事：机器提高劳动生产率，企业因此可以减少雇员。
一个更值得关注的现象是：工作并没有消失，分工也没有消失。合同仍然需要审阅，法律仍然需要检索，风险仍然需要识别，文书仍然需要起草，客户的商业目标仍然需要转化成合同语言。甚至因为AI能够同时处理更多材料，任务还可能被拆分得更加细致。
变化的只是一个过去被认为理所当然的环节：这些不同的工作，不再必须分别对应不同的人。于是，这就让我们触碰到一个比"AI会不会取代律师"更古老的问题：社会为什么会不断分工？当机器也能够承担分工时，分工还会继续意味着人的专业化吗？
分工为什么会带来增长？
1776年，亚当·斯密在《国富论》开篇写下了那个著名的制针工厂。一枚看似简单的针，被分解成拉丝、校直、切割、磨尖、安装针头等不同工序，不同工人各自承担其中一部分工作。斯密由此发现了现代经济增长最重要的秘密之一：分工提高生产率。
但斯密真正重要的洞见，并不只是"把工作拆开会更快"。分工之所以能够不断深化，是因为市场足够大。一个村庄可能养不起一个只生产某种零件的工匠，但城市可以；一个只面对几百名客户的市场，无法支撑极细的专业化，一个面对几亿消费者的市场，却可以。
市场越大，越能够容纳专业化；专业化越深入，生产率越高，成本越低，市场又会进一步扩大。于是，现代经济逐渐形成了一条熟悉的循环：市场扩大 → 分工深化 → 生产率提高 → 成本下降 → 市场进一步扩大。因此，分工不只是生产组织的一种方式，它本身就是经济增长的一种机制。
工业革命以来，这个过程不断重复。铁路出现以后，并不只是马车夫减少了，司机、调度员、工程师、维修工、铁路会计和货运代理也随之出现。汽车普及以后，又出现了汽车销售、维修、保险和公路服务等庞大的职业体系。计算机和互联网提高信息处理效率以后，也没有让社会分工变得简单，相反，它们产生了程序员、软件工程师、产品经理、电商运营等大量新职业。
1928年，阿林·杨格在《递增报酬与经济进步》中进一步说明了这一点。市场扩大与分工深化并不是单向关系，而是相互强化的过程。更大的市场允许更细的专业化，更细的专业化又提高生产率、降低成本，从而创造更大的市场。
这意味着，过去两百多年的技术进步虽然不断淘汰旧任务，却很少真正破坏分工本身。机器替代了一部分人的工作，市场扩大又创造了新的任务，新的任务最终通常会变成新的职业。
因此，面对技术性失业时，我们总有一个非常有力的历史经验可以依赖：旧工作会消失，但新工作会出现。然而，这个经验背后隐藏着一个从未真正被挑战过的前提：新出现的任务，最终仍然需要由人来完成。
如果新任务不再自动变成新职业？
假设AI使制作一部影视作品的成本下降90%。按照斯密和杨格的逻辑，成本下降会扩大市场。过去只能生产100部作品，现在可能生产1000部；过去只有大型影视公司能够进入，现在小工作室甚至个人也可以生产。市场扩大以后，新的任务会随之出现：策划、分镜、翻译、配音、营销、发行、版权管理和客户服务。
过去，这几乎意味着新的职业。但AI带来了一个以前很少存在的问题：这些新增任务为什么一定要交给人？
内容增加十倍，需要更多翻译，翻译Agent可以增加；需要更多配音，语音模型可以增加；需要更多营销、客服和数据分析，相应的智能体也可以增加。生产规模可以扩大十倍，任务数量甚至可以扩大几十倍，分工也可以更加细致，但承担这些分工的人，却不一定同比例增加。于是，工业革命以来那条熟悉的链条，可能在最后一步发生变化。
过去是：技术进步 → 成本下降 → 市场扩大 → 新任务 → 新职业 → 更多人的专业化。
但是在AI时代可能变成：技术进步 → 成本下降 → 市场扩大 → 新任务 → 人与Agent共同承担。
甚至在某些领域进一步变成：市场越大 → 任务越多 → Agent越多，而企业需要的人未必越多。
这并不意味着分工消失。恰恰相反，分工可能变得更加细致。一个AI原生公司可能同时拥有编程Agent、财务Agent、法务Agent、营销Agent、客服Agent和数据分析Agent。过去需要六个人，或者六家专业服务机构承担的工作，现在可以由六个智能体完成。
所以，"一人公司"并不是分工倒退到前工业时代。前工业时代的工匠之所以是"一人"，是因为他必须亲自完成生产过程的大部分环节。AI时代的一人公司之所以可以只有一个人，是因为生产过程已经被拆成大量专业环节，而这些环节可以由不同的智能体承担。前者是分工不足，后者可能是分工高度深化之后的组织压缩。
这也意味着，我们在讨论AI的就业效应时，不能简单重复过去工业革命的经验。杰文斯意义上的需求扩张仍然可能发生，杨格意义上的市场扩大与分工深化也仍然可能发生。真正变得不确定的，只是最后一步：这些新增出来的分工，还有多大比例会转化为人的工作？
企业为什么存在？
如果说斯密解释了为什么分工会深化，杨格解释了为什么市场扩大与分工深化会相互强化，那么1937年的罗纳德·科斯则是提出了另一个问题：既然市场可以通过价格协调不同的专业生产者，为什么还需要企业？
科斯的答案是，使用市场本身也有成本。寻找交易对象、了解价格、谈判、签订合同和监督履约，都需要付出成本。在一定范围内，由企业家直接组织资源，比不断通过市场进行交易更加便宜。
这解释了传统律所为什么需要那么多年轻律师。合伙人当然可以每遇到一项任务，就去市场上寻找一个人：需要查判例时找研究者，需要修改合同时找起草者，需要核对文件时再找另一个人。但如果每天都有成百上千项任务，这样做的搜索、谈判、沟通和监督成本会非常高。于是，企业把这些人组织在一起，通过层级、流程和项目团队协调他们。
科斯因此把我们从"分工为什么存在"带到了另一个问题：分工由谁来组织？AI原生组织，恰好让这个问题重新变得尖锐。
如果调用一个Agent只需要几秒钟，不需要招聘，不需要长期雇佣，也不需要重新谈判劳动合同；如果一个人可以同时调度几十个智能体，而这些智能体又可以彼此传递任务，那么，过去支撑企业规模的某些交易成本，就可能大幅下降。这时，AI改变的就不只是"一个律师一分钟能写多少字"。它可能改变的是：为什么这些工作过去必须由那么多人组成一个企业来完成？
一个只有两三个人的组织，可以拥有过去几十个人才能形成的专业分工。一个创业者甚至可能在法律意义上仍然是一家"一人公司"，却在经济意义上拥有一个复杂的生产组织。
这正是Shapiro案例真正有意思的地方。它不是简单地证明AI提高了律师的生产率，它展示的是一种新的组织形式：企业可以把越来越多的专业能力，从"雇佣的人"转化为"可以调用的能力"。
AI原生组织：企业的边界开始改变
传统企业的基本单位是员工。企业通过招聘获得劳动时间，通过培训获得技能，通过管理协调不同的人。企业扩大，通常意味着增加岗位、部门和管理层。
AI原生组织的基本单位，则可能逐渐变成任务和能力。一个人可以同时向多个Agent发出任务，一个Agent又可以调用其他工具或Agent，不同任务可以并行推进，结果再被汇总、比较和修正。过去企业扩张往往意味着增加人手，而在未来，企业扩张可能更多意味着增加工作流、模型调用、数据接口和自动化流程，并不必然表现为人员增加。
当然，这并不意味着企业消失。恰恰相反，企业可能越来越像一个"任务编排系统"。它的核心资产可能不再只是厂房、设备和员工，还包括一套能够稳定地产生结果的流程：什么任务由哪个Agent完成，什么信息可以被访问，什么结果必须经过人工复核，什么风险需要升级给负责人，什么错误可以自动纠正，什么决策必须由人作出。
过去，组织能力很大一部分存在于人的经验和协作关系中。一个资深律师知道如何判断客户真正担心什么，一个项目经理知道什么时候应该催促供应商，一个销售人员知道客户没有说出口的顾虑。
AI原生组织则会越来越努力地把这些经验外化为提示词、规则、案例库、评估标准和工作流。于是，企业的边界可能不再主要由"雇用了多少人"决定，它可能更多地由企业能够控制和协调多少流程、数据与决策接口决定。
劳动市场的基本单位，也可能随之发生变化。工业时代，企业购买的是人的劳动时间。Agent则不以"工作日"为单位存在。它可以被复制，可以同时处理多个任务，也可以持续运行。企业购买的不是某个智能体的生活时间，而是一次次能力调用。
于是，企业与生产能力之间的关系，可能从拥有一批人转向接入一组能力。这与传统外包还有一个重要区别。外包仍然意味着企业把任务交给另一个由人组成的组织；能力调用则可能绕过另一个人类组织，直接获得某种专业能力。企业不必为了偶发的翻译、设计、法律检索或者数据分析需求长期保留一个岗位，也未必需要每次都重新寻找外部服务商。
但这并不意味着所有能力都会变成同质化的公共资源。恰恰相反，真正有价值的可能是那些能够把通用模型组织成稳定结果的系统。同样是调用一个语言模型，有的企业只能得到一段流畅却漏洞百出的文字，有的企业却能通过数据、规则、审核和反馈，把它变成可靠的合同、代码或客户方案。差异不再主要来自"有没有AI"，而来自：谁能够更好地组织AI。
模型、工具和流程不会自动组成一个生产组织。什么任务应该交给AI，选择什么模型，哪些结果可以直接使用，哪些必须经过人工复核，数据可以开放到什么程度，最终责任由谁承担，仍然需要人的判断。AI可以降低大量具体任务的执行成本，却没有因此取消组织和判断本身。
因此，AI真正改变的，可能不是企业是否需要人，而是人在分工体系中的位置。过去，人的专业化更多体现为亲自完成某项任务；未来，一部分人的专业能力可能越来越体现为判断、组织和调用不同的能力，把人、模型、工具和流程组合成可靠的生产过程。人可能不再承担所有分工，却仍然需要决定如何分工。
结语
自工业革命以来，技术一直在替代人的工作，却也一直在创造新的工作。机器提高效率，成本随之下降，市场不断扩大；市场扩大以后，又产生新的产品、新的服务和新的任务，新的任务再逐渐变成新的职业。铁路如此，汽车如此，计算机和互联网也是如此。技术淘汰了一批职业，又创造另一批职业，这几乎构成了我们理解技术进步与就业关系的基本经验。
AI第一次让这个循环的最后一步变得不再确定。它不仅可以替代已经存在的任务，也可能承接技术进步和市场扩张以后新产生的任务。未来的经济完全可能生产更多产品、提供更多服务，拥有比今天更加复杂的专业化体系，却不再按照同样的速度增加人的职位。
这也是为什么"一人公司"值得关注。过去说"一个人就是一支队伍"，多少带有夸张的意味；到了Agent时代，它却可能逐渐成为一种真实的组织形态。表面上看，企业里只有一个人；实际上，他身后已经站着一支由不同能力组成的"队伍"。
所以，所谓"社会分工的终结"，也许从一开始就是一个错误的问题。真正可能终结的，不是分工，而是"分工必然表现为人的分工"这一延续了两百多年的默认前提。
当然，Shapiro的两人律所远不足以证明这种未来已经到来。AI也可能像过去的技术一样，在消灭旧任务的同时创造大量只有人能够完成的新任务。我们现在无法知道，十年后的律所究竟会是两名律师加一百个Agent，还是一百名律师带着一千个Agent。
但这个问题已经出现了：如果分工仍在不断深化，而人不再是分工唯一的承担者，那么我们人类，会站在这张分工网络的什么位置？
END
** 所刊专家文章并不代表本中心观点。*
** 部分图片来源于网络，**如有侵权，请联系我们删除*。
<br />
【欢迎转载】
请注明"来源：数字社会发展与研究 "。
* * *
数字社会发展研究中心
专注于数字技术发展及相应经济、社会、人文领域的新现象，新问题的公共性观察和研究。