这是「与现实对账」选集的第六篇。上一篇把快反馈与慢结果分开；这一篇讨论技术进步之后更容易被忽略的问题：旧瓶颈消失时，新的瓶颈会在哪里出现？
每一种新工具刚出现时，人们最容易想象它消灭了什么。
AI 让写作更快、代码更便宜、翻译接近即时、视频生产不再需要完整团队。曾经需要几天的工作，现在可能几分钟完成。
这些变化都是真的。由此推出“做事的门槛消失了”，却漏掉了系统的另一半：当一个环节变得充裕，决定结果的限制会搬到别处。
我有过一个很具体的早晨。夜里运行的几个 Agent 都显示完成：一个给小工具加了中英日多语言，一个给博客做阅读进度统计，一个把旧 CLI 改成插件架构。代码干净，测试也通过。我看了十分钟，回滚了其中两件。模型执行得很好，错在我把两件不该存在的事放进了队列。
那个早晨让我第一次直观地看见：产能不再是我的主要限制，决定什么值得生产，以及我能认真审查多少产出，才是。
系统的速度由最窄处决定
一条生产线有十个环节，九个环节提速十倍，最后一个环节不变，整体产出通常不会增加十倍。新增能力会在瓶颈前形成等待、返工或库存。
这只是约束理论最朴素的静态图景。真实系统还会反应：需求可能因价格下降而增加，质量会因赶工下降，原来的缓冲会消失，瓶颈本身也会随负载改变。所谓“瓶颈迁移”，需要持续观察局部提速以后，完整结果在哪里停止改善，而非找出一根永远最窄的管子。
AI 把内容生产成本压低以后，内容数量迅速增加，人的注意力没有同步增长。生产不再稀缺，被看见和被相信开始稀缺。
开发速度提高以后，代码堆积得更快，需求判断、代码审核、测试与维护可能成为限制。一个人能让五个 Agent 同时写代码，却不能用同样速度认真理解五套改动。我的三个夜间任务，就是执行带宽超过审查带宽后留下的废品。
工具提高局部产能，也把原本藏在后面的限制推到眼前。
效率提高，工作量未必减少
经济学里有一种反弹效应：资源使用效率提高、单位成本下降以后，总使用量有时反而上升。照明更省电，人们可能使用更多照明；计算更便宜，社会会创造更大的模型和更多应用。
AI 也可能如此。
写一篇内容只需原来十分之一的时间，不代表创作者因此获得九成空闲。若需求对价格和供给足够敏感，市场会吸收更多内容，竞争者也会提高产量；若新增内容无人需要，节省可能只变成更大的垃圾堆。
反弹不是必然规律。它取决于需求弹性、竞争和新用途能否出现。这个边界很重要，否则“效率一定制造更多工作”也会变成另一种技术宿命论。
所以“效率提高多少”不是个人收益的完整答案。还要看行业均衡怎样变化，以及节省下来的资源最终流向哪里。
如果所有人以相近速度提速，绝对产出提高了，相对位置可能没有变化，工具会从优势变成入场券。但普及从来不完全均匀：拥有专有数据、分发、品牌和更好审查机制的人，可能把同一工具变成更大的领先。公共工具既会抹平某些技能差，也会放大互补资产的差距。
优势有不同的半衰期
靠新工具获得的领先通常衰减很快。别人可以购买同一订阅，模型升级会把复杂能力包装成默认功能，平台也会内置原本需要独立开发的流程。
工作流的半衰期更长。它包含顺序、判断点、异常处理和团队之间的接口，不容易靠安装工具直接复制。可工作流也会被产品化，今天的内部诀窍可能成为明天平台的默认按钮。
再往后是私有数据、稳定关系、履约能力和信誉。它们需要真实交易和时间，无法通过一次版本更新补齐。
这几层经常被混在一起。一个团队率先使用 AI，便把速度优势写成护城河；几个月后大家都能做到，才发现自己没有留下其他东西。
判断一项 AI 投入时，我更愿意问：它除了增加产量，还让哪一条学习回路变得更快？
如果答案只是更多生成物，领先会随工具普及而蒸发。如果它让我们更快积累用户选择、失败原因、交付流程和信任，技术才开始连接长期资产。模型和功能可以买到，已经发生过的判断—行动—反馈循环不能一次性购买。
瓶颈迁移是一张路线图
瓶颈出现并非坏事。它往往说明上一阶段已经有进展。
没人看内容时，不必为百万订单建设仓库；开始稳定成交以后，供给和售后才成为日常约束；单个团队运行顺畅以后，组织问题才真正出现。
这不等于所有后端问题都能推迟。商品安全、数据保护、法律合规和不可逆的用户迁移，从第一天就是边界条件。瓶颈决定当下把增量精力放在哪里，底线决定哪些错误一次也不能发生。
危险的是仍然优化已经不再稀缺的环节。
内容已经供过于求，却继续投资生成速度；代码够多，仍以提交量衡量团队；流量已经存在，却不愿处理退货和复购。这些动作容易做，因为原来的能力、工具和身份都围绕旧瓶颈建立。
每解决一处约束，都应该重新画一次系统：现在最慢、最贵、最容易出错的环节是什么？继续优化旧位置，对完整结果还有没有影响？
这是一种需要刻意培养的放弃能力。昨天最重要的问题，今天可能已经不配得到同样多的注意力。
工程能力应该用来缩短学习
我曾经很容易把工程能力理解为“把系统做完整”。现在更看重另一种用途：缩短从行动到判断的距离。
工具可以降低第一次交付的成本，保存一次行动从输入、判断到结果的上下文，帮助人看见哪类错误反复发生。等某个动作真的成为瓶颈，再把它自动化。
这种顺序让工程服务于已经发生的事实。
反过来，若先建内容工厂、数据看板和多模型编排，再寻找值得解决的问题，系统会优先放大原来的假设。生产越快，错误方向消耗资源也越快。
AI 是放大器，但“放大”还不是最值得警惕的部分。执行足够便宜以后，错误判断不再在漫长建造中受阻，它会直接变成一个完成品；并行能力还会让同一次误判在醒悟前复制数次。建造成本下降了，选择和删除的成本反而上升。
技术进步把人的部分照得更亮
当执行昂贵时，做出东西本身就能形成区分。执行成本下降后，选择做什么、为谁做、怎样交付，以及为什么值得相信，权重都会上升。与其寻找某一种永恒的人类能力，不如训练系统在每轮提速后找到新约束、停止无效生产。
这不代表“人类判断永远不会被替代”之类宏大结论。它只说明在当前系统里，机器消除一部分稀缺以后，剩下的稀缺会决定价值分配。
技术越强，我们越需要准确看见新的约束，而不是继续庆祝旧约束已经消失。
AI 解决问题以后，问题不会离开。它会搬家。有时搬到分发，有时搬到信任，有时搬到组织，也可能搬回经营者本人：产能已经无限，我究竟应该把有限的注意力用在哪里？
读者回响