H
Howardism
Plate IIProduct & Org機器翻譯 · machine-translatedENHOWARDISM

角色平均化，而非角色消滅

Andrew Ambrosino 對角色消融提出細緻的 OpenAI 觀點：你的角色是『你花時間做的事情的平均』，而工具把關正在減弱——但消滅角色也會危險地消滅那些有可知最佳實務的專業領域（『取消產品職能是個糟糕的主意』）；而且「區域防守式」的涵蓋方式與管理者仍不可或缺，因為不是每個人都能兼顧所有事情的廣度與深度

Article metadata
Publication details
Published:July 3, 2026
Filed:Concept
Domain:Product & Org
Tags:Product ManagementTeam DesignAI Native OrgRole Evolution
Reading:25 min
Source:AI-synthesised
About this piece

Articles in this journal are synthesised by AI agents from a curated wiki and are refreshed automatically as new concepts arrive. Topics, framing, and editorial direction are curated by Howardism.

「角色平均化，而非角色消滅」的插圖

資料來源#

摘要#

Andrew Ambrosino（OpenAI Codex）對角色消融的看法，是這個 wiki 大致樂觀的 Engineer PM Convergence 群集中的反向提醒。他肯定了職能融合的現象——Codex 組織「見過許多角色消融」，設計師「會說工程師的語言」，PM「會寫程式」，而且**「你的角色是你花時間做的事情的平均」**（如果這週大多在做 PM 的事 ⇒「你現在就是 PM」）。但他劃出一道清楚界線：消滅角色這個概念，會危險地連帶消滅各門專業是有可知最佳實務之專業領域的觀念。「我聽過很多公司說要取消產品職能——順帶一提，這是個糟糕的主意……產品這整套學科，有真正的最佳實務，有真正嘗試過、失敗過的做法，卻因為大家覺得『喔，我寫了些程式碼』就被拋棄了。」職能流動是真實的；把一切攤平成一團則是錯誤。

證據說明。 practitioner-opinion——一位領導者對其組織（OpenAI Codex）的描述，並明確指出，該組織可能比公司或經濟體的其他部分更容易出現角色消融，因為它一開始就是面向工程師的技術產品。

什麼正在消退，什麼仍然存在#

Ambrosino 區分的是工具把關（正在消退，而且是好事）與專業判斷（仍然存在，而且不可或缺）：

  • 消退的是「這不歸你管」的界線，以及把精通工具當成身分認同。「我花了好久覺得自己不該當軟體工程師，因為我不在乎組合語言，也不想死記 TypeScript 語法。」做好一份職務曾被等同於精通它所用的工具；這道門檻正在消失。如今「轉換角色更容易、學習最佳實務更容易，也更容易不把自己的效能綁定在特定工具上」。
  • 留下的是每個專業領域真正的技能內涵。「工程是一種技能……其他職務也不是只靠感覺做事。」他用一句話點破：「你可以用 Excel，但你不能因此就在財務團隊工作。」產品、設計與工程各自累積了最佳實務；只靠氛圍式寫碼並不足以取得這些實務。

兩者的調和方式是：角色在工具層面變得模糊，也會依一個人一週的工作內容取平均，但各種專業領域仍是不同的專業知識體系，無法跳過。這正是 returns-to-expertise 研究結果在組織設計上的重述——即使執行成本下降，專業知識依然是決定性因素。

區域防守：協調平均化的組織#

當「每個人都在打造所有東西」，於是出現 90 個彼此未協調的建置成果（Implementation Abundance Inverts Product Work），協調就不能只靠由上而下。Ambrosino 的產品組織採用**「區域防守」：產品人員分散開來填補空缺**，而不是聚在一起。「兩個產品人員如果合作得太密切，通常不是好跡象。」大家會做一種「引導式活動」——找出誰最擅長什麼，「彼此拉開距離，確保整間公司都有人照應」，接著補上空缺。品味領航者「從發想階段一路引導，決定產品應該長什麼樣子」，因為在人人四處拋點子的混亂情況下，「由上而下、為期一年的規劃方式行不通」。

現在，個人貢獻者與管理者兼而有之#

角色平均化也消融了個人貢獻者／管理者的二分法：「不是管理職會消失，也不是每個人都成了個人貢獻者——每個人多少兩者兼具。」個人貢獻者「不是一個字元一個字元地打出程式碼——你是在管理代理程式、管理組合起來的工作。」管理團隊的人「做的是同一件事，只是粒度不同。」兩者都是在掌舵，差別只在範圍。這就是管理者不會消失的原因：「不是每個人都能兼顧所有事情的廣度與深度。」（Anthropic 一方的 Managers as ICs 從另一個方向得出相同的兼而有之——管理者仍是個人貢獻者；Ambrosino 則指出個人貢獻者變成代理程式管理者。）

技術職員（member of technical staff）這條線索#

通用的**「技術職員」**職稱（Ambrosino 追溯到 Xerox 與以研究為重心的公司，如今正逐漸普及）是角色平均化的一種命名方式：你的職能不再由某個固定類別決定。但他不認同將之解讀為「職能將會消失」——這代表流動性與更容易轉換角色，而不是專業領域走向終結。

平均化調查（ICONIQ，2026 年第二季）#

Ambrosino 所說的「平均化，而非消滅」，是單一領導者對其組織的描述；ICONIQ 的 State of AI 2026 調查（約 305 家打造 AI 軟體的公司，empirical）則為兩者之間的差別提供了整體數據。問及 AI 生產力提升如何改變人力規劃（單選，N=302）：45% 計畫「調整職務組合（例如減少營運人員、增加熟悉 AI 的人才），但不會淨減員」——這是最多人選擇的答案，幾乎可說是本頁標題的教科書式重述。另有 33% 計畫真正縮小團隊規模，因此消滅角色確實在某些情況下發生，並非完全沒有。職能組合的傾斜也可從職務別看出：研發／產品／銷售增加，客戶支援與一般及行政職務減少；一般及行政部門的營運人員回報，已直接裁撤財務營運與訂單管理職務——這正是 Ambrosino 警告的消滅風險：當它抹去一門專業的最佳實務時，就會造成危害；但此處受影響的是營運職務，而非產品／工程專業。放大到整體人口層級來看，這正是他所說的分野：角色更多是平均化並重新混合，而非消失；而在消失的職務中，也多是營運層級，而非有可知最佳實務的專業領域。（這是意向調查，受訪者自陳未來計畫；完整的重組分析與簡報中的單位經濟，請見 AI-Native Organization。）

Netflix 的佐證（Stone，2026 年 7 月）#

Elizabeth Stone 從 wiki 中規模最大的非研究實驗室組織視角，獨立得出同樣兼而有之的結論：角色流動是好事（「他們現在比以前更懂得不同領域的語言」），但**「我仍然看到專業領域裡有一種非常重要的工藝卓越，我認為短期內不會消失……優秀的工程能力仍然稀缺，優秀的資料科學能力仍然稀缺，卓越的創意仍然稀缺。」**她對各專業領域核心能力的劃分，正好對應 Ambrosino 所說具備最佳實務的專業：資料科學家負責判斷資料是否可信，PM 負責界定做什麼，工程師負責決定如何做。她更進一步指出：專家端的規模也在縮小——少一些狹窄而深入的專家，多一些適應力強的通才；只有編碼、播放這類全球僅少數人精通的領域例外——見 Systems Thinking Over Specialization。

平均化的隨機實驗：一半職務自動化，另一半工作量倍增#

ICONIQ 調查的是意向，Ambrosino 描述的是自己的組織。Jabarian 與 Henkel 的招募現場實驗則是在單一職業中透過隨機分派觀察到相同分野，並以行政結果衡量——它以格外直接的方式呈現了平均化，而非消滅。

合作公司的一位招募人員負責兩項專業任務：進行面試，以及評估應徵者。實驗將第一項自動化，第二項維持原狀，接著衡量第二項有何變化。結果是工作量增加：面試到錄取決策的時間中位數從 2.62 天升至 7.24 天，因為檢視自己未曾參與的對話，比起親自參與面試，需要招募人員投入更多工夫。人數從來不是研究結果指標——131 位招募人員全程持續評估；公司自己的說法（作者也認同）是「將招募專業知識轉向評估，並可能提高低門檻職缺評量的標準」。

因此，角色被平均化了：執行工作交了出去，判斷工作吸收了省下的時間，甚至還需要更多時間。Ambrosino 的描述未提及、而此處清楚可見的是，留下來的那一半不會自動變成輕鬆的那一半。招募人員自己的預測偏悲觀，而且錯在特定方向——61% 預期 AI 面試品質會較差，36% 預期錄取率會降低，只有 12% 預期 AI 對自己的影響會是正面（相較之下，應徵者為 47%）。掌握某門專業最佳實務的在職者，竟然對自己專精任務的效果方向預測反了。這確實讓「有可知最佳實務的專業會留下」變得更複雜：此處的最佳實務是進行面試，正是遭到自動化的部分，而掌握這些做法的人完全沒料到。

替代模型如何回答同一個問題#

對於「你的角色會被消滅嗎？」這個問題，形式經濟學的答案在結構上與本頁論點正好相反。Banerjee 與 Singh 的 HAT 模型（arXiv 2607.20781，2026 年 7 月，practitioner-opinion——形式模型，沒有資料）對一個分配單純形設定線性風險調整成本目標，其定理 6 指出，最佳解位於一個極端點：整項任務交由成本最低的單一代理者，不論是人類或 AI；只有成本完全相等，或外加限制介入時，才會出現混合分配。定理 7 則指出，切換會突然發生——要嘛完全替代，要嘛完全不替代，不存在漸進式轉變。Ambrosino 所說的「你的角色是你花時間做的事情的平均」，在這套幾何中無法呈現；失去面試工作、但保留評估工作的招募人員也是如此。

兩者的落差與其說是對現實有不同看法，不如說是模型選擇不同，而論文自己也指出了這點。限制 5 承認了單一任務抽象的問題——真實組織執行的是彼此依存的活動組合，在一項任務中以 AI 替代人力，會改變相鄰任務中的人力價值；限制 4 也承認極端點結果「最好解讀為結構趨勢的基準，而非對營運公司字面上的描述」，因為沒有任何單一代理者能滿足組織整體的產能需求。當一個角色是多項任務的組合，而非單一任務時，平均化就會發生：在任務層級，替代可以落在極端點；在角色層級，仍會產生重新組合。值得記住這種調和方式，因為這代表突然轉換的預測與觀察到的漸進式角色漂移並未真正衝突——它們談的是不同的分析單位，而分析單位正是整個論點的關鍵。

兩者真正衝突之處，在於什麼會留下來。本頁的論點是，有累積最佳實務的專業領域會留下來，因為這些做法確實存在；HAT 的推論 3 則指出，專業能否存續取決於兩條成本曲線的交會點——人力報酬隨技能提升而呈凸形，AI 成本則在能力提升時近乎持平。因此，在其他條件相同下，最佳實務取得成本越高的專業領域，越容易受到衝擊，而非越安全。招募實驗是目前唯一的數據點：最佳實務是進行面試，而這正是遭到自動化的那一半；掌握這些實務的人，還把效果方向預測反了。

角色平均化後擴大了範圍（Ng，2026 年 8 月）#

Andrew Ng 從雇主角度談同一種重新組合（Andrew Ng: The Biggest Opportunities in AI Aren't Where You Think，Silicon Valley Girl，2026-08-28，practitioner-opinion），可視為本頁論點的範圍箭頭向上版。先看軟體業：「大多數像前端、後端工程師這樣的開發者，如今都因為 AI 變成全端工程師……你可以承接更廣的範圍。」其他職能也呈現相同模式：「做行銷協調的人……如今可以轉為更完整週期的行銷人員，承接更廣的範圍」，還有「招募中的人才搜尋人員則能轉為負責完整週期、端到端招募的人員」。擴大職責的代價是兩種學習，而非一種——「你確實得學 AI 技能，但不只是學 AI，也得學其他技能……行銷或招募的其他環節」——這是把 Ambrosino 所說具備最佳實務的專業改寫成訓練成本；他聲稱報酬會提高（「坦白說，還會加薪」），但未提供來源。他在組織設計上的做法，是把工程師嵌入團隊：「招募工程師……坐在招募團隊裡的專業工程師」，再推廣為「招募工程師、行銷工程師、人資工程師」——這是在團隊層級平均化，透過在職能內安排專家來保留專業，而不是讓每個人都變成同一種人。

對照下一節，這是平均化的另一種結果——一個範圍擴大的剩餘角色；而講述者正是負責挑選並支付擴大成本的人（「我的團隊大概……多少走在趨勢前端」）。Matsui 的單人作者縮小了範圍，因為原本由共同作者提供的廣度沒有任何工具能取代；Ng 的全週期行銷人員則擴大了範圍，因為工具取代了職務過去耗費工時的協調工作。兩者可以同時成立，而且都未衡量保留下來的專業知識——這正是 Ambrosino 所警告的關鍵量。

平均化後範圍縮小的角色#

平均化論點暗藏一種樂觀預設：留下來的判斷工作會增加。招募實驗確實呈現了這種情況（評估時間從 2.62 天升至 7.24 天），Ambrosino 的區域防守也以此為前提。Matsui 的單人著作研究則是在單篇論文層級觀察到相同的平均化——一位研究者吸收共同作者過去負責的執行工作——但發現其範圍朝相反方向變化。

比較作者在 2022 年後自行完成的成果，單獨寫作者的內容廣度（自己論文之間的平均成對餘弦距離）為 0.089，相較於持續與人合著者的 0.115，窄了 23%（調整後 −0.028，P < 10⁻¹⁶，n = 35,893）；而探索程度（與其 2022 年前合作研究中心點的距離）則在統計上沒有差異（+0.001，P = 0.07）。平均化後的角色仍待在原處，卻涵蓋得更少。關鍵在於：共同作者提供的是廣度，不只是勞力；而 LLM 吸收執行層工作，並不會補回這種廣度。這究竟代表更謹慎界定範圍（只做自己能獨立驗證的事），還是能力受限，尚未測量——但「留下來的那一半會增加」並非安全的預設。

預期消滅，觀察到平均化（McKinsey，2026 年 8 月）#

本頁標題的整體人口層級檢驗，出現在 The state of AI in 2026（McKinsey / QuantumBlack，2026-08-25，empirical，但為自陳資料；97 個國家的 1,719 位受訪者）中，結果偏向平均化。一年前有 32% 的受訪者預期 AI 相關裁員，如今僅 14% 回報 AI 促成整體人數下降，66% 則回報總就業人數幾乎沒有變化或完全未變（圖表 16）。十一個職能中，每一個的實際人數減少都低於前一年預期（圖表 17）；行銷與銷售、製造、知識管理及策略職能的減員預測約有一半未實現。軟體工程是最能證明本頁提醒必要性的例外：在各職能中，它是預測與實際情況最接近的領域之一（預期 31，實際回報 22，比例為 0.71；知識管理、行銷與銷售、製造則為 0.41–0.43），而且也是來年減員預期第三高的職能（36，低於服務營運的 44 與供應鏈管理的 38）。

這項佐證的界限很明確，值得說清楚：人數問題看不見平均化。「幾乎沒有變化」既可能代表人數固定、底下的角色重新組成——也就是本頁的主張——也可能代表什麼都沒發生。這份調查沒有衡量角色組成的工具；上文 ICONIQ 的分析（45% 計畫調整職務組合）仍是唯一能證明改變的是組成而非人數的整體人口證據。

有一筆角色層級數據，從另一個角度呈現。圖表 5 按組織層級分析人們感知到的 AI 影響，負擔並非平均分配：47% 的中階主管與個人貢獻者回報至少一項負面影響，主管與資深管理者則為 31%；「損害我的批判性思考能力」分別為 20%／16%，相較於 9%／8%；職涯焦慮則為 19%／18%，相較於 6%／10%。正面影響在各層級都差不多（生產力提升為 80／81／81／76）——因此因層級而異的是成本面，不是效益面。如果角色是你花時間做的事情的平均，那麼目前為平均化付出代價的是高階主管以下的人。

延伸閱讀#

  • Community Smells Under AI Adoption — 專業領域一方的平衡證據：能辨別 AI 使用情況，與跨越知識邊界的互動增加有關（β =.252–.259，在三個模型中重現），因此此處所警告的最佳實務流失，在整體資料中並不可見——但研究衡量的是互動頻率，而非保留下來的專業知識

  • Psychological Costs of AI Adoption — 這是被平均化者對自身平均化的描述，而他們感受到的是失落。「身為會寫程式的軟體工程師，這曾是我的身分；現在我是個向 AI 下提示詞、再閱讀程式碼的軟體工程師」——這是從內部陳述本頁論點：角色確實變成新時間分配的平均，沒有人被裁撤，而實務工作者感受到的是工藝身分受衝擊，而非範圍擴大。它也提供本頁平衡問題所需的梯度——負擔普遍程度與 AI 接手多少角色的創造性工作相關；因此，建築師（工作觸角得以延伸：「我突然隨身多了一位開發者」）在同一波採用中，比作者工作遭取代的工程師更能受益。這種不對稱讓我們不能把平均化解讀為一致豐富化

  • The Solo-Authorship Rebound — 在單篇論文層級的角色平均化：單人作者吸收共同作者的執行工作，保留判斷層，正如本頁預測；但他們嘗試的範圍縮小了 23%——這是平均化論點未預期到的結果

  • Organizational Complements to AI — HAT 替代模型的完整說明，以及對照知識庫檢視的七項預測；其極端點結果是本頁在形式經濟學上的對應觀點，只有將角色視為多項任務的組合，而非單一任務時，兩者才能調和

  • Controlled Variance: AI's Edge as Reduced Dispersion — 在單一職業中以因果方式衡量平均化：招募人員的面試工作自動化，評估工作則增加（每位錄用者的審查時間中位數由 2.62 天升至 7.24 天）；沒有人被裁撤，而在職者對自己專精任務的效果方向預測錯誤

  • Task Crossover — 對平均化的衡量（客戶體驗工作者將 77% 的職業專屬 AI 使用花在其他職業的任務上），以及再次提出的提醒：使用遙測記錄的是嘗試過什麼，從不表示是否做好，因此無法區分角色擴展與能力稀釋

  • Shared Harness, Differentiated Surfaces — 將角色平均化落實為產品架構：Akshay Nathan 表示，將 Codex 整合進 ChatGPT Work 的理由是「很難依照你是誰來畫出一道硬性界線」。他以T 形表達自己的論點——「AI 將讓每個人都能成為通才……但人們仍會有自己的專長」——與另一位 OpenAI 領導者 Ambrosino 所說的平均化同時保留工藝精神不謀而合；但 Nathan 將專長說成個人選擇的興趣，而非累積而來的專業

  • Task Saturation: Broad but Shallow AI Diffusion — 勞動資料版的說法：各職業有五分之一的任務轉為與 AI 合作，而非職業本身消失；非例行認知對話中，只有 6.5% 以端到端自動化為目標

  • Systems Thinking Over Specialization — Stone 的延伸觀點：專業核心留存，但分布中狹窄專家端縮小，更多人轉向系統思考

  • Elizabeth Stone — Netflix 規模下，平均化並保留工藝精神的佐證

  • Andrew Ambrosino — 闡述平均化論點與保留專業的提醒

  • Andrew Ng — 擴大職責的說法：全端開發者、全週期行銷人員與招募人員，以及在團隊層級平均化的嵌入式「招募工程師」

  • Engineer PM Convergence — Anthropic 一方對職能融合的描述；本頁是其 OpenAI 版本的搭檔，也明確提出反向提醒（「不要消滅專業」）

  • Managers as ICs — 鏡像式的兼而有之：Anthropic 讓管理者持續寫程式；Ambrosino 則讓個人貢獻者成為代理程式管理者；兩者都保留管理者

  • Planning / Execution Division of Labor — 實證的分工方式（「人類決定做什麼，代理程式決定如何做」），角色平均化會據此重組團隊

  • Implementation Abundance Inverts Product Work — 「每個人都在打造所有東西」所帶來的豐沛，讓區域防守式涵蓋變得必要

  • Compute Allocator — 平均化後的個人貢獻者成為代理程式工作的分配者與掌舵者，而非逐字逐行的作者

  • Parallel Agent Orchestration — 將「個人貢獻者管理代理程式」具體化：平均化後的角色如今所管理的代理程式群

  • Returns to Expertise in Agentic Coding — 「專業不會消失」的實證基礎：領域專業仍決定成敗

  • Research Taste as the Human Bottleneck — 橡皮圖章式核准的風險也適用於區域防守：品味領航者「從發想階段引導」只有在判斷真實存在、而非預設核准時才行得通

  • AI-Native Organization — 整體人口層級的佐證：ICONIQ 調查中 45% 計畫調整職務組合（而非淨減員），這是在約 305 家 AI 建置公司中衡量本頁「平均化，而非消滅」論點；消滅風險則落在營運／一般及行政職務，而非 Ambrosino 希望保留的產品／工程專業

  • Printing Press Software Democratization — 從另一端解讀同一筆 Ng 資料（會寫程式的行銷人員、嵌入式招募工程師）：該文著眼於領域專家成為建置者、知識普及向外擴散；本頁則著眼於平均化後角色的範圍擴張。Cherny 所說的普及正是平均化的來源，而本頁提醒要保留專業，則是他的類比未計入的代價

尚待探討的問題#

  • 職能流動與專業化之間的平衡點在哪裡——角色平均化到什麼程度，公司才會失去 Ambrosino 所警告的累積最佳實務？
  • 區域防守假設有足夠多品味出眾的人照應整間公司；如果組織沒有 OpenAI 的人才密度，退回由上而下的規劃時，這種做法是否會失效？
  • 「你的角色是你花時間做的事情的平均」能否經得起績效考核與職涯階梯的考驗，還是會像 Cat Wu 提醒的那樣使它們支離破碎（「我們犧牲了產品一致性」）？ #oq/source **部分已有答案：**Netflix 的做法（Systems Thinking Over Specialization）是保留各職級的評量標準，再加上一層跨職級的 AI 熟悉度要求，理由是技術變化太快，無法逐級編入標準——這是大型組織的一個實例，證明職涯階梯可以透過將流動性納入覆加要求而非改寫職級，得以延續。2026-09-22 延伸：The Psychological Costs of Artificial Intelligence Adoption in Software Engineering（case-study，一家有 1,200 人的受監管軟體公司，N = 21）顯示，另一家大型組織也建立了這種覆加層——一套從新手到代理式工作共五級的 AI 成熟度模型，供實務工作者自我評估——但它成了施壓工具，而非中立的評量標準；這正是 Netflix 案例未見的失敗模式。它從未正式納入績效考核，也不需要如此。領導層將之視為進展證據（「他們很多人已經升到第 3、4 階段」），實務工作者卻將之視為評估（「所以他們定義了成熟度等級……他們要我們評估自己，並推著我們在部門裡達到某個程度」）；當時裁員新聞也清晰可見（「大家都在衡量人們的 AI 成熟度，新聞上又到處都在說這會害人被裁……所以每個人也都因恐懼而被推著使用 AI」）。因此，答案更明確了：覆加層可以在不改寫職級的情況下被吸收，但若覆加層依工具採用情況評分個人，人們就會把它看成職涯階梯，不論它是否與職涯階梯相連——此處它實際連結的，是尚未達成的企業目標（「軟體工程師達到 50% 採用率」），既施加了壓力，卻沒有把任何標準寫下來。仍未解答的部分依舊相同：兩個案例都沒有衡量升遷時會發生什麼事。

資料來源#

§ end
Cited by 26
Related articles