AI会让企业变大还是变小？

答案是两者兼有。行业倾向的方向可能会在生产率统计数据显现之前重塑并购活动。

董事会在讨论AI战略时，总会陷入同样的争论。一方希望将更多目前在公司内部完成的工作外包出去，理由是利用AI监控工具更容易管理供应商。另一方则希望将更多活动纳入公司内部，认为AI协调工具使更大规模的组织更容易运营。双方都有证据，在我们看来，没有哪一方是错误的。

AI如何重塑企业边界（即哪些工作由内部完成，哪些从外部采购）是当前经济研究中的一个活跃问题。我们的贡献是我们在Man Group开发的一个框架，用于思考这一问题，我们首先要明确的是，这是一个分析框架，而非实证研究。它建立在下一部分中所述的Ronald Coase和Oliver Williamson的交易成本经济学基础上，并延伸至AI对这些成本的影响。完整的正式模型，1，包含底层数学推导，在一份配套的工作论文中阐述。本文重点介绍其背后的逻辑及其对投资组合的意义。

该框架有两个部分是我们自己的贡献。首先，AI同时从两个相反方向作用于企业边界：一方面使合同执行成本降低，这有利于外包；另一方面使内部协调成本降低，这有利于规模化。其次是数据反馈循环：更广泛的整合产生更丰富的专有数据，进而提升AI的精准性，再次降低成本，这进一步强化了进一步整合的论据。该框架是理论性的，它从当前可度量的特征出发，推导出我们预计在未来几年将看到的情况，而非报告我们已经估算的结果。

因此，基于这一点，外包阵营是对的；AI监控工具可以使供应商质量的验证实现实时化，降低市场交易成本。尽管如此，收购阵营也正确，因为AI协调工具可以压缩大型组织内部的沟通开销。只是这两种力量适用于不同的行业，而我们今天已经可以观察到决定某个特定行业将朝哪个方向倾斜的特征。

公司并非必须存在。一家公司内部所做的任何事情，原则上都可以从外部供应商那里购买，那么为什么要划定边界，称其为公司呢？科斯在19372,年就提出了这个问题，他的回答至今仍是争论的焦点。企业的存在是因为使用市场并非免费：寻找供应商、商定条款和监管交易都要花钱，经济学家称之为交易成本。当这些成本攀升到足够高时，将工作内部化反而更便宜。奥利弗·威廉姆森因这项工作获得了2009年的诺贝尔奖（与埃莉诺·奥斯特罗姆共享），他在1991,年进一步深化了这一点，正如科斯在3,年所做的那样。

他发现，成本高昂的部分与其说是达成交易，不如说是争议出现时的执行，尤其是在一方已经将资金投入到为该特定关系而建、且在其他地方价值甚微的资产中时。如今，人工智能同时作用于这两类成本，这就是为什么这个近九十年前提出的问题至今仍在董事会议题中活跃的原因。

按关系特定投资和协调复杂度划分的行业分类

资料来源：Man Group。框架来自 Bond (2026)《人工智能与企业边界：科斯式分析》，Man Group 工作论文。

科斯和威廉姆森在人工智能问世前很久就提出了理论，但我们认为他们的成本框架是理解人工智能影响的正确视角。应用该框架，我们会发现人工智能对每种成本的作用方向都是相反的。

在市场层面，AI可以使合同更容易执行。数字记录，无论是自动审计跟踪、实时质量监控还是异常检测，都能在纠纷发生时提供有说服力的证据。这里的机制是证据性的，而非协调性的，因为它并不要求AI系统跨越企业边界进行交互，只需要数字记录使合同履行能够向法院证明。当你能证明发生了什么，你就不需要通过拥有供应商来保护自己。因此，将业务保留在内部的理由就减弱了。

这种力量在交付物为定制或关系特定且合同不可避免地不完整的行业中最为强大，例如专业工程、定制制造和商业房地产经纪。这些行业的纠纷历来成本高昂，因为实际交付的证据不完整或有争议。AI生成的记录使这些证据更难以被质疑。

有一个重要的注意事项。这取决于法院是否在纠纷中赋予AI生成的记录证据效力，这受不断发展的电子和算法证据规则（在美国，FRE 901–902和Daubert标准）的约束。电子交易制度，如欧盟的eIDAS或新加坡的《电子交易法》，确立了数字记录的有效性，这有所帮助，但关键问题是法院是否会接受AI生成的操作证据。在这些标准正在成熟的地方，渠道已经开始活跃；在其他地方，“黑盒”AI输出面临与任何不可验证声明相同的怀疑。法律环境是该渠道见效速度的领先指标。

从内部来看，AI让大型组织的运营成本更低。企业规模的 fundamental 约束始终是协调成本，即如何在管理层级之间及时将信息传递给正确的人。AI通过自动化工作流程、决策支持工具和AI驱动的资源分配压缩了这一成本。

这种力量在协调复杂度高的行业中最为显著，如物流网络、多阶段制造业或大规模零售业。一个粗略的代理指标是，CEO面临的最大运营挑战是否在于让各部门相互沟通。如果是，那么协调复杂度就很高。

第二个注意事项是，AI往往先吸收常规决策，因此到达人类管理层的决策往往是更棘手的情况。在依赖不可削减的专家判断的行业中，协调收益可能部分被决策复杂性的上升所抵消，导致净效应不明确。

静态的图景——执法更容易，所以一些企业倾向于缩小，而更便宜的协调往往帮助其他企业成长——是有用的，但不完整。更有趣的结果围绕数据展开。

一个将更多相关活动内部化的企业会积累更多专有的运营数据。一个管理更广泛网络的物流公司会生成更多的路线优化数据。一个控制更多生产阶段的制造商会生成更多的流程数据。你可以购买的数据会商品化；只有你自己运营才能生成的数据不会。这些数据使企业的AI系统更有效，从而进一步降低其协调成本，这通常使更广泛的整合更具吸引力。

亚马逊稳步进军物流领域，从仓储到最后一英里配送再到航空货运，正是我们想到的那种模式，尽管我们不会称之为证据。纯粹的规模经济和网络效应在很大程度上也解释了这一点，而且大部分都早于今天的AI。新的地方在于有理由期待更多这样的扩张：每一步都会生成运营数据，使下一步运营成本更低。

同样的逻辑也适用于竞争激烈的行业，即合同执行收益和协调收益都很大的行业。医疗保健和金融服务就是例子。一个跨专业整合的医院系统会从患者流动、资源利用到跨部门调度中积累更丰富的运营数据。这很可能降低其协调成本，使进一步整合更具吸引力。没有这种数据广度的竞争对手往往会转而外包给专业机构。同一行业中的两家企业最终采取相反的策略，区别在于哪一家首先跨越了数据门槛并启动了反馈循环。因此，竞争激烈的行业会产生最大的行业内离散度，因为数据丰富的整合者与数据匮乏的专业机构之间的差距在两种力量都很强的地方最大。

这是一个正反馈循环，但其作用是不对称的。实证数据（如传感器日志、审计追踪）是任务特定的。一个供应商交付的合格钢材的证据，并不能帮助验证另一家供应商的软件。协调数据则相反，是跨任务的，因此一段物流线路的路径优化数据可以改善整个网络的调度。因此，反馈在协调端不断累积，而订约端几乎不变。

在协调成本构成约束性瓶颈的行业中，这会产生两种自我强化的结果：

来源：Man Group。框架出自 Bond (2026)，《人工智能与企业的边界：科斯分析》，Man Group 工作论文。

在数据优势充分叠加的地方，可能的结果是赢家通吃，那些广泛整合的企业最终既变得更大，成本也更低，前提是扩张不会稀释企业真正擅长的事情。在这种情况下，对于标准化的产品和服务，保持小规模反而成为成本更高的模式，而不仅仅是一种替代选择。

有一点需要澄清。我们谈论的是使用AI的企业之间的集中度，这意味着物流、制造业或医疗保健领域的数据丰富的运营商，而不是AI提供商本身，在AI提供商那里，相似的模型可能为了利润而竞争，而不是把市场交给其中任何一家。这一点涉及的是普通企业在各自行业中建立数据优势的问题，而不是模型构建者之间谁获胜的问题。

合成数据，即企业自身的人工智能在现实世界数据稀缺时生成的用于训练的人工数据，扩大了而非缩小了这一差距。数据丰富的企业可以用人工智能生成的合成数据来扩充其专有数据集，并通过自身运营进行验证，这种效果会随着时间的推移而累积。

数据贫乏的企业则相反，因为在回收的合成输出上进行训练可能会降低模型质量而非提升质量，研究人员将这种动态称为模型崩溃（Shumailov等人，2024）。4 云退出成本的上升使低整合陷阱更加严重，因为运营数据位于提供商基础设施上的企业面临着失去这些数据访问权或承担高额迁移成本的选择。

数据优势在不同业务之间会迅速消失。一家物流公司从增加相邻路线段中获得的收益远大于进入不相关业务，而且人工智能模型性能在任何情况下最终都会饱和。因此，赢家通吃的动态是自我限制的。即使在整合行业中，结果也是相关活动集合中的主导企业，而非全领域的垄断。

我们的框架沿两个维度对行业进行分类。第一个维度是关键投资的特定关系度，它决定了AI在多大程度上有助于合同执行。第二个维度是业务的协调强度，它决定了AI在多大程度上有助于内部管理。

一个行业在这两个维度上的位置决定了它可能面临四种未来中的哪一种，而它们之间的差异十分显著。

整合（高协调度，低特定关系度）：AI协调优势占主导，数据反馈强化规模效应，因此物流、综合制造和大规模零售倾向于集中化。

碎片化（低协调度，高特定关系度）：AI生成的证据使外包成本降低，因此专业工程、定制制造和商业房地产经纪倾向于碎片化。

竞争激烈（两者均高）：结果取决于哪家公司先建立数据优势，这导致行业内结果差异最大。医疗保健和金融服务属于此类。这一象限产生的是结果分布而非方向性判断，也是数据共享监管影响最深的领域。

现状（两者均低）：AI对组织影响有限，如手工生产和个人服务。

我们认为，并购将越来越受数据驱动，而非规模驱动。在协调密集型行业，该框架指出了收购的独特理由。企业将收购目标公司，以获得它们带来的运营数据，这些数据会增强收购方的AI优势，而不再是为了传统的规模或成本节约。物流、制造业和零售业中，以数据而非足迹或员工人数为收购理由的交易，正是这一转变的早期迹象。

集中度风险因行业而异。数据反馈回路预测，在高度协调象限（如物流、制造和零售）中，集中度将不断提高，因为在这些领域，早期拥有数据优势的企业拥有自我强化的护城河。在关系密集型行业（如专业工程、定制制造、商业房地产经纪），情况则相反，随着合同更容易执行，现有企业的整合优势逐渐丧失，行业趋于分散，转向更小、更专业化的企业。

数据优势最终会达到平台期，但领先者与落后者之间的差距往往会先扩大。与此同时，那些已经广泛整合并投资于专有数据基础设施的企业——即运营型企业，而非专业AI供应商——将从中受益。企业跨越数据门槛的两个可观察迹象是：其供应链整合的广度，以及其在监管文件中披露的专有数据资产。

法律环境是领先指标。如上所述，行业分散的速度取决于法院是否接受数字证据。这种跨境差异是行业分化中一个被低估的来源：同一行业可能在某个司法辖区整合，而在另一个司法辖区分散。

该框架如何解读行业，以及市场可能已经反映了什么。最清晰的信号是相对信号。在行业内，该框架指出，广泛整合、披露专有数据基础设施的运营商与数据匮乏的专业公司之间的差距正在扩大，随着整合指标变得可观察，这一差距应变得更加明显。有两个注意事项需要调和。首先是拥挤交易。青睐数据丰富的整合者与市场共识的“AI赢家”大型股交易高度重叠，因此任何优势更多在于区分行业内的赢家与输家，而非行业本身的选择。其次是资本支出。AI相关资本支出占收入的比例在大型股中已近乎普遍，单独看意义不大，因此更关键的问题是数据的公司特异性如何，以及支出是否旨在整合。总而言之，这仍是一个理论假设，尚待工作论文中提出的测试验证，更适合作为研究方向而非已验证的信号。

人工智能将使企业更大还是更小，首先取决于“更大”的含义。在这里，它指的是更广泛的业务范围，企业边界内包含更多的活动，而不一定意味着更多员工。根据这个定义，答案是两者兼有，而决定一个行业向哪个方向倾斜的特征如今是可以衡量的：关系特定投资、协调复杂度、数据禀赋和法律基础设施。一家企业可以在缩减员工人数的同时整合其供应链或扩展到相关专业领域。因此，需要关注的指标是整合，包括纵向和横向的整合，而不是员工人数。

关于总体生产率的争论很重要，但进展缓慢。企业边界问题变化更快。数据反馈循环，先行者与后来者拉开差距，是最可能在宏观数据赶上之前产生可投资的行业分化的动态。迹象应该开始出现在纵向整合指标中，如并购交易流、人口普查细分数据和制造与购买比率，尽管时机很难精确判断。三个发展可能会削弱这一论点。法院可能拒绝接受AI生成的证据，这将阻碍碎片化。反垄断行动可能针对数据驱动的整合，这将阻碍整合。或者数据共享规则，如开放银行式指令和欧盟《数据法案》，可能将后来者缺乏的数据交给他们，使他们能够赶上并缩小领导者与其他企业之间的差距，而整个论点正是依赖这一差距。

上述框架提供了一种在市场之前回答哪些行业整合、哪些行业碎片化以及速度如何的方法。

注：附加阅读——配套宏观评估：Gregory Bond，“生产力悖论：AI何时会带来回报？”，Man Group，2026年2月。关于AI基础设施和估值周期，另见“AI泡沫：隐藏的风险与机遇”，Man Group / Oxford Man Institute。

1. Bond, G. (2026). “人工智能与企业边界：科斯分析。” Man Group工作论文。 2. Coase，R.H. (1937). “企业的性质。” Economica，4(16), 386–405 3. Williamson，O.E. (1985). 资本主义的经济制度。纽约：自由出版社。 4. Shumailov，I., Shumaylov，Z., Zhao，Y., Papernot，N., Anderson，R., & Gal，Y. (2024). “当模型在递归生成的数据上训练时会崩溃。” Nature，631, 755–759

如需进一步澄清此处出现的术语，请访问我们的词汇表页面。