一人公司和 Agent Skill 的交易成本经济学

企业为什么存在？这个问题在 AI 时代有了新的答案。

一人公司的出现

最近两年，一种新的公司形态越来越多地出现在科技圈：一个人的公司，做出几百万甚至上亿美元的生意。

Midjourney，40 个人，年营收接近 5 亿美元。Cursor，不到一年 ARR 突破 10 亿。更极端的，一个独立开发者配上几个 AI Agent，一个人完成过去需要十几人小团队才能搞定的产品开发、设计、运营、客服全流程。Sam Altman 预测，一人十亿美元公司一定会出现。

但如果你只是把这当作一个 AI 很厉害的故事来听，就错过了背后更深的经济学问题：为什么过去需要公司来做的事情，现在一个人就可以了？是什么决定了一家公司应该有多大？

这个问题，经济学家在 1937 年就开始思考了。

Coase 问题：企业为什么存在

1937 年，Ronald Coase 发表了一篇后来帮他拿到诺贝尔奖的论文——《企业的性质》。他问了一个看似天真实则深刻的问题：如果市场这么高效，为什么还需要企业？为什么不是所有人都当自由职业者，所有交易都通过市场完成？

Coase 的回答很简洁：因为使用市场是有成本的。你要找到合适的交易对手（搜索成本），谈判合约条款（协商成本），监督对方是否按约执行（监督成本）。当这些市场交易成本加起来超过了在企业内部组织同样活动的成本时，把交易纳入企业内部——也就是成立一家公司、雇佣员工——就是划算的。

这就是企业的边界：企业扩张到内部组织成本等于外部交易成本的那个点。过了这个点，再扩张就不如外包了。

但 Coase 的分析比较粗线条。1985 年，Oliver Williamson 把这个框架做了决定性的深化，引入了一个关键概念：资产专用性（asset specificity）。

Williamson 的洞见：锁定，是一切问题的根源

什么叫资产专用性？简单说，就是一项投资在当前关系之外的价值大幅缩水。

你花三个月学会了公司内部那套极其复杂的 ERP 系统。这套知识对你现在的公司来说价值连城，但拿到另一家公司就没什么用——人家用的是完全不同的系统。这就是人力资产专用性。同理，为特定客户定制的模具是物理资产专用性，铁矿旁边建的炼钢厂是场所专用性。

Williamson 发现，资产专用性的高低，决定了交易应该通过市场还是通过企业内部来完成。逻辑链条是这样的：

你和公司刚开始合作的时候，市场上有很多候选人可以做你这份工作——是充分竞争的。但你干了三年之后，积累了大量关于公司内部流程、客户关系、技术架构的专有知识。这些知识让你在这家公司极有价值，但拿到市场上就不值钱了。

这时候，一个不可逆的变化发生了：原来是多对多的竞争市场，变成了一对一的双边垄断。

Williamson 给这个过程起了一个非常有力量的名字：根本转变（fundamental transformation）。

根本转变之后，你和公司被锁在一起了。你不想走（外面给的工资低），公司也不敢让你走（换人成本太高）。但这种谁也离不开谁的状态并不稳定——双方都有动力搞机会主义。你可能偷偷摸鱼，因为知道公司不太敢开除你；公司可能压你的薪水，因为知道你没有更好的去处。

这就是hold-up 问题——交易成本经济学里最核心的概念之一。

Williamson 的解决方案是：当资产专用性高到一定程度，就不要再通过市场交易了，直接把人雇进来，用老板的权威（fiat）替代市场的讨价还价。这就是为什么企业存在——不是因为企业天然高效，而是因为市场在面对高专用性资产时会失灵。

用人话说：公司之所以要雇人，本质上是因为关键知识锁在员工脑子里，不雇就拿不到。

AI 编码化：打破锁定的技术

现在，AI 来了。

AI Agent Skill 做的事情，用交易成本经济学的语言来描述，即是：它把原本锁在员工大脑中的专用知识，提取出来变成企业拥有的数字资产。

一个资深运营总监脑子里有十五年积累的供应链管理经验——哪个供应商靠谱、什么季节要提前备货、异常情况怎么处理。这些知识高度专用于这家公司。按 Williamson 的框架，这就是为什么公司必须雇佣他、给他高薪、忍受他偶尔的任性——因为他走了公司就瘫了。

但现在，如果公司让他（或者通过 AI 的行为观察自动学习）把这些经验编码为一套 AI Agent Skill——决策规则、判断标准、应急预案全部代码化——会发生什么？

第一，搜索成本下降了。公司不再需要找一个有十五年供应链经验的人，只需要找一个能配合 AI Skill 工作的普通人。合格候选人从市场上的十几个变成了几百个。

第二，hold-up 消失了。员工的议价能力来源于他的专用知识——知识被提取后，换人的成本从半年磨合期变成了三天培训期。准租金蒸发了。

第三，合约变简单了。过去的合约要覆盖各种不可预见的情况（因为关键判断在员工脑子里，你没法合同化），现在 AI Skill 已经把大部分判断编码了，剩下需要合约覆盖的不确定性大幅缩小。

用模型的语言说：如果员工原始的专用性是 $k$，编码化程度为 $\alpha$，那么编码后员工的有效专用性变成了 $(1-\alpha)k$。当 $\alpha$ 足够大，$(1-\alpha)k$ 小到不足以让层级治理优于市场治理——公司就不再需要雇佣这个人了。

这直接导致了 Williamson 框架里最戏剧性的结果翻转：根本转变变得可逆了。

过去，一旦专用知识形成，双边垄断就是永久的——你没办法把一个人脑子里的经验还原为市场上可以自由交易的商品。但 AI Skill 恰恰做到了这一点。公司把关键知识编码出来之后，可以带着这个 Skill 重新回到市场，让一百个初级从业者来竞标。

双边垄断重新变回了竞争市场。被锁死的关系重新变成了自由交易。Williamson 说的那种一旦锁定就回不去的根本转变，被技术逆转了。

企业边界的坍缩

如果每一项专用知识都可以被编码，企业的边界会发生什么变化？

回到 Coase 的原始框架：企业存在是因为市场交易成本太高。Williamson 进一步说明，市场交易成本高的根本原因是资产专用性带来的 hold-up。现在，AI 编码化系统性地降低了人力资产专用性带来的交易成本。

逻辑推论是直截了当的：企业应该缩小。

设想一家公司面对一系列任务，每项任务都有不同的专用性要求。在没有 AI 的世界里，高专用性任务必须通过雇佣来完成（层级治理），低专用性任务可以外包（市场治理）。存在一个临界专用性 $k^*$，以上的任务雇人做，以下的任务外包。公司的大小——有多少员工——取决于 $k^*$ 以上的任务有多少。

AI 编码化把 $k^*$ 往上推了。原来专用性为 7 的任务需要雇人，现在编码化之后有效专用性降到了 3，可以外包了。原来专用性为 5 的任务更不在话下。

随着编码化能力 $\alpha$ 提高，$k^*$ 单调上升，公司的地盘单调收缩。

当 $\alpha$ 足够大——编码技术足够先进——$k^*$ 会被推到所有任务的专用性之上。也就是说，没有任何任务需要通过雇佣来完成了。

这就是一人公司在经济学上的严格含义：不是说这个人特别能干，而是说 AI 编码化消除了需要雇佣关系来解决的组织问题。公司缩小到只剩一个协调核心——一个拥有和管理数字知识资产的人（或极小团队），所有具体执行都通过市场交易完成。

从雇佣知识到交易 Skill：平台化的必然

当编码化的知识可以脱离个人自由流通时，一种新的组织形态自然涌现：Skill 交易平台。

这和 Uber 或 Airbnb 的逻辑是一样的——双边平台连接供给方（Skill 的创建者/持有者）和需求方（需要特定专业能力的公司或个人），通过标准化的匹配、质量认证和交易机制降低双方的搜索和缔约成本。

在传统世界里，如果你需要供应链管理的专业知识，你要么花大价钱雇一个资深总监，要么花时间找一个靠谱的咨询公司。在 AI Skill 的世界里，你可以直接在平台上搜索一个供应链管理 Skill，按需购买或订阅，配合一个通用型执行者就能运转。

这个逻辑的经济学条件很清晰：当平台交易费加上残余搜索成本低于雇佣的官僚成本时，平台治理优于层级治理。而 AI Skill 的非竞争性（一份 Skill 可以同时服务无数个买家）天然具有规模效应，使得平台模式在经济上越来越有吸引力。

这不是科幻。看看现在的 AI 生态：OpenAI 的 GPTs Store、各种 Agent 框架的 Skill Marketplace、开源社区的 Skill 共享——这些就是 Skill 平台的雏形。它们目前还很粗糙，但底层的经济逻辑是坚实的。

从 Coase 的原始问题出发，我们可以画出一条完整的组织演化轨迹：

小作坊 → 大企业（工业革命降低了内部组织成本）→ 精简企业（信息技术降低了外部交易成本）→ 平台 + 一人公司（AI 编码化消除了人力资产专用性）

每一次企业边界的变化，都不是因为人变了，而是因为交易成本的结构变了。

知识创造的激励困境

到目前为止，故事听起来都像是一场效率革命——编码化降低交易成本，企业变小变灵活，皆大欢喜。

但 Williamson 的分析有一个往往被忽略的精妙之处：hold-up 虽然造成效率损失，但它也给了拥有专用知识的人一份租金——而这份租金恰恰是人们愿意积累专用知识的激励。

一个工程师愿意花十年钻研公司的核心系统，不仅仅是因为有趣，更是因为这种专用知识让他成为不可替代的人——公司不敢轻易开除他，薪水也比外面高一截。这份知识租金是他投资十年时间的回报。

现在 AI 编码化把这份租金抽走了。知识一旦被提取为 Skill，工程师就变得可替代了。如果工程师预见到这一点，他还会花十年去深入钻研吗？

这是一个经典的反向 hold-up 问题。传统的 hold-up 是员工 hold up 公司（我有知识你不能开我）；现在反过来了，是公司 hold up 员工（我把你的知识编码走然后不需要你了）。

理性的员工会做出什么反应？两种可能：

第一，少投入。既然深度钻研的回报被 AI 编码化侵蚀了，那就不要投入那么多时间精力去积累专用知识。做到够用就行，把剩下的精力放在更不容易被编码的领域——比如创造性判断、跨领域整合、社会关系。

第二，不配合。当公司要求你把经验写成 Skill 时，故意留一手，或者直接拒绝配合。毕竟，完全配合等于自我淘汰。

这两种反应在微观层面都是理性的，但在宏观层面可能导致严重的效率损失——全社会对专用知识的投资会减少，知识积累的深度会下降。

这是 AI 时代组织经济学面临的核心困境：效率和激励，两头不可兼得。编码化提高了知识的流通效率，但削弱了知识创造的激励。如果不设计新的制度安排来补偿知识创造者，长期来看，可供编码的知识源头可能会枯竭。

新的合约设计设计：知识版税和共享产权

解决这个困境需要制度创新。论文的分析指向几个方向：

知识版税（Knowledge Royalty）。 类似音乐版权的 ASCAP/BMI 模式——你把知识编码成 Skill，每次这个 Skill 被使用，你都能收到一笔版税。这样编码的行为不再是自杀，而是变现。

联合产权。 不是公司独占 Skill 的所有权，也不是员工带着知识走，而是双方共同持有——公司出 AI 基础设施，员工出知识，Skill 的收益按比例分配。论文的分析表明，这种联合所有权结构在激励两方投资方面严格优于任何一种纯所有权方案。

递减版税合约。 在编码的早期阶段，版税率高一些，激励员工全力配合；随着编码趋近完成，版税率逐步降低，维持效率。这种合约设计平衡了短期激励和长期效率。

这些制度安排目前还不存在——现行的劳动法和知识产权法都没有覆盖从员工大脑中提取隐性知识这个场景。但需求是迫切的。如果不从制度层面解决知识创造的激励问题，一人公司的故事最终会变成一个关于知识枯竭的悲剧。

结语

回到最初的问题：一人公司是怎么回事？

不是因为某些人突然变得超人般全能了。是因为 AI 编码化系统性地消除了 Williamson 所说的人力资产专用性——而这恰恰是企业之所以存在、之所以需要雇佣关系的根本原因。

当知识不再锁在人脑里，当专用技能可以被提取为可交易的数字资产，当双边垄断可以被逆转回竞争市场——企业的边界就自然而然地坍缩了。一人公司不是一种选择，它是新的交易成本结构下的均衡结果。

但这个故事还有另一面。编码化解放了知识的流通，却可能扼杀知识的创造。如果每个人都知道自己辛苦积累的经验会被公司编码走，深度钻研的意愿就会下降。效率革命和激励困境，是同一枚硬币的两面。

接下来会发生什么？新的合约形式会出现（知识版税、编码补偿金），新的平台会崛起（Skill 交易市场），新的组织形态会稳定（协调核心 + 外部 Skill 网络）。这些都不是预言——它们是交易成本经济学的逻辑推论，只不过 Coase 和 Williamson 当年不可能预见到 AI 会来得这么快。