过去两年，围绕 AI Agent 时代”企业规模是否必然走向小型化”的讨论频繁出现，却往往流于表象判断。笔者曾在此前关于组织形态的分析中指出：
在AI赋能的环境中，团队的整体价值实现最终依赖于对人机协作产出的整合、评估、决策以及认知水平的协同提升。仅仅增加人力或增强AI能力，都会受到团队整体协作效率所设定的认知边界限制…关键在于，我们需从本质上理解业务的抽象结构，并在此基础上重新审视和划分组织形态。 — Alex Su 破局新人月效应，如何搭建AI原生的生物医药团队？
这一判断的核心并不在于”人多或用 AI 替代多少人”，而在于复杂系统中，复杂度被如何承接、消化与治理。正因如此，在2026年的开端，重新审视”大企业 vs 小企业”的争论，已不再是组织规模的价值判断，而是一个更底层、也更具解释力的问题：
当技术显著提升系统可处理的复杂度上限时，这些新增复杂度，究竟应该由谁来承担？
我们暂且搁置一个现实但更具政治经济学意味的前提： AI Agent 平台在未来形成事实性寡头后，其议价权如何随规模效应急剧上升。仅在自由市场定价与理性组织选择的最基本假设下展开讨论，围绕企业规模的演化路径，当前主流观点大致可归纳为三类。
A firm will stop growing (i.e., reach its optimal size) when the marginal cost of organizing an extra transaction internally equals the cost of carrying out the same transaction on the market. https://www.charlescoverdale.com/p/coase-vs-ai
该观点认为，AI 技术通过降低市场交易与协作成本，使得企业得以将大量依赖内部承接的复杂任务（如数据分析、客户服务）外包给市场中的专业化 AI 服务或平台。复杂度由此被”市场化”解决，企业不再需要在内部维持庞大的职能体系，其结果自然是组织规模趋向小型化与敏捷化。
Instead of asking “Should we build this internally or outsource it?” the question becomes “How can we best orchestrate AI systems to create value, regardless of traditional organizational boundaries?” https://medium.com/@apoorvkhanna/the-nature-of-the-ai-driven-firm-rethinking-coases-theory-for-the-digital-age-378ade604c1d
该观点强调，AI 技术促进了复杂任务的模块化与标准化。企业不再被视为一个稳定、封闭的全能执行体，而是演化为临时性的、动态重构的协调节点。其核心能力不在于单一资源的占有，而在于将模型、工具、人、流程与 AI Agent 编排为一条可自动运行的价值链。复杂度不再固定归属于某一组织，而是依据项目与阶段，在不同组织、平台与智能体之间流动，企业边界随之呈现出高度弹性。
与前两者不同，该观点认为 AI 真正抬升的是组织内部可被有效管理的复杂度上限。当企业面对的是多技术耦合、长周期、不确定性高度相关的系统性问题（如个性化医疗、全球化新零售或深度工程化的前沿制造等）将关键复杂度重新”内化”反而更具效率与战略意义。这导致在数据、算力、人才等关键要素上呈现明显的”赢者通吃”的规模报酬递增效应，头部企业具备持续扩张的内在动因。
笔者认为，上述三种看似相互对立的观点——“规模缩小派”、“边界流动派”与”规模扩大派”，并非非此即彼的零和博弈，而是同一问题在不同复杂度承接方式下的自然投影。企业规模的演化，并不由 AI 技术本身直接决定，而取决于行业所固有的复杂度壁垒，是否能够被有效拆分、转移或内化。它们共同指向一个更具普适性的逻辑：
复杂度在企业、市场与社会之间的重新配置，与组织成本之间的动态权衡。
关于复杂度如何被内化、外包或转移的选择，最终将我们引向企业理论的核心命题，罗纳德·科斯（Ronald Coase）与奥利弗·威廉姆森（Oliver Williamson）关于企业边界与交易成本的经典论述。
1991 年诺贝尔经济学奖得主、芝加哥学派代表人物罗纳德·科斯（Ronald Coase）在 1937 年提出了后来被概括为交易成本理论的经典框架。交易成本理论解释了企业规模——企业的存在是为了降低市场交易成本（如信息搜寻、谈判签约等），其边界取决于市场交易费用与内部组织管理成本的边际均衡点：当内部协调更便宜，企业扩张；当市场交易更高效，企业收缩。
这一逻辑在微观层面极易获得直觉化理解。以 HR 决策为例：当招聘一名全职员工完成某项工作的长期边际成本低于持续外包该工作的市场交易成本（包括筛选、沟通、协作摩擦等隐性成本）时，这一 headcount 在组织层面便具备正 ROI。在业务稳定、流程成熟的企业中，企业规模事实上就是其承载并处理任务复杂度的组织化表达。在软件工程时代，这一等价关系尤为清晰：“人 + 软件”几乎吸收了系统中全部可控复杂度，员工规模因而成为复杂度内生化的可观测指标。
2009 年诺贝尔经济学奖得主奥利弗·威廉姆森（Oliver E. Williamson）进一步将交易成本理论从”是否进入企业”推进到”如何被治理”。他指出，交易成本并非抽象常数，而主要由资产专用性、不确定性与交易频率三类特征共同决定。不同特征组合对应不同的最优治理结构：低资产专用性对应市场治理，中等专用性对应混合治理，而高资产专用性与高不确定性则内生地推动交易进入科层化的企业内部。在这一框架下，企业不再只是”生产函数”，而是一种用于抑制机会主义、对抗有限理性、并系统性降低交易成本的治理技术。
通过对 OpenAI 在 2025 年的成本结构进行拆解，我们将看到：AI 并非简单降低成本，而是在重塑”哪些复杂度应当被内部化、哪些应当被外包”的成本曲线本身。
- 推理成本（Inference Costs）：2025 年前 9 个月，OpenAI 在 Microsoft Azure 上的推理支出已飙升至 86.7 亿美元，已超过 2024 年全年的两倍；
- 研发与模型训练（R&D /Training）：2025 年全年研发支出预计约为 146 亿美元，主要由模型训练成本、数据成本与研发人员成本构成；
- 人力与补偿成本（Staff & Compensation）：2025 年 OpenAI 员工平均股票补偿（SBC）高达 150 万美元/人，整体人员及管理费用预计约为 58 亿美元；
- 基础设施投资：涉及大规模算力与硬件承诺，但具体 GPU 采购与折旧数据尚未完全披露。
这些成本可以被清晰地映射到不同程度的资产专用性。其中，算力基础设施与模型训练能力显然属于高度资产专用资产：其用途高度依赖于 LLM 这一特定技术范式，几乎不具备跨用途的二级市场流动性。这类资产一旦外包，便极易暴露于机会主义风险与协调失灵，因此天然呈现出向科层化治理结构内生收敛的趋势。这也解释了为何在 Gemini 3 发布后，资本市场对 Google 的垂直整合能力给予积极反馈，以及 OpenAI 随后在自研硬件与基础设施上的一系列布局，这是交易成本最小化的理性结果。
相比之下，数据获取仍然停留在一种典型的混合治理区间。一方面，早期通过 Common Crawl 等公共资源获得的”免费数据”正在快速枯竭；另一方面，法律与合规边界尚未完全固化，使得 Bright Data 等第三方数据服务商得以存在于灰色但可交易的市场结构中。数据由此成为一种专用性正在快速上升、但尚未完全内生化的关键资产。
其高昂成本并非源于”数据稀缺”本身，而在于：LLM 无法在完全缺乏经验样本的领域实现有效泛化，企业不得不通过付费数据将原本分散于行业体系中的复杂度”转译”为平台内部的可学习能力。由此带来的关键问题并不是 AI 是否更强，而是：哪些复杂度应当继续通过市场外包，哪些复杂度已经理性地进入企业边界之内。在这一意义上，AI 平台型企业与非 AI 产品型企业的分野，本质上是对”复杂度内生化程度”的不同选择。
因此，我们可以从交易成本的理性企业视角回看 AI 企业财务结构，得到一个并不讨巧、但高度一致的结论：如果某类价值的产生依赖于高度专用、不可规模化、只能由领域专家以”人工标注”形式持续供给的数据，那么这些专家并不具备进入 AI 企业出卖劳动力的经济必然性。相反，这类复杂度更应当留在原有行业体系中，由 AI 作为工具被调用，而非被平台化地吸收。
回到医药行业，谁有资格内化业务复杂度？答案并不取决于谁拥有更大的模型、更多的算力或更激进的资本结构，而取决于谁能够承接那些无法被免费互联网数据触及、也无法被通用 AI 平台以边际成本吸收的复杂度。在药物发现、转化医学、临床开发与 CMC 等关键环节中，拥有一套能够与 AI 协同、却不可被其替代的复杂系统能力。
因此，AI 时代真正被淘汰的，并非中小企业本身，而是那些既不拥有复杂度、也无法有效外包复杂度，却试图通过平台化叙事来”吃下复杂度”的组织。回到文章开头的问题，答案也随之浮出水面：真正承担复杂度的企业，仍然必须维持其科层化治理结构与大型组织形态；AI 并不会消解这些结构，而只是成为连接高复杂度系统的”粘合剂”，并对组织如何驾驭复杂度提出更高要求。
器不待工，“道”则牟利。真正稳固的垄断，往往并不建立在复杂度之上，而建立在无需承担复杂度仍可获利的位置之上，AI 将充当其持续获得回报的效率放大器，并且开始取代为数不多由人承担的复杂度本身。而这，或许正是制度需要被重新询问的时刻。