第二章：定制成本的坍塌
一个被忽视的视角
关于AI，最常见的讨论框架是AI能做什么：能写文章，能写代码，能分析数据，能生成图片……
这种讨论把AI当作功能清单，不断往上添加新能力。知道AI能做什么，当然是使用它的前提。
但我们可能忽视了一个更根本的问题。AI改变的到底是什么——不是新增了什么功能，而是改变了什么根本性的东西。
本章的论点是：AI的本质不是更强的工具，而是在信息产品和认知劳动领域，把定制成本降到接近零。
这个论点需要解释。要理解其中含义，先得回顾标准化生产——现代社会的基础逻辑。
一、传统产品的逻辑
标准化是为了降低成本
想象工业革命之前的世界。
你需要一双鞋，去找鞋匠。他量你的脚，根据脚型、需求、预算，为你做一双。这鞋是专属定制，世上独一无二。
你需要一件衣服，去找裁缝。他量你的身材，根据体型、喜好、用途，为你缝制。穿上身刚刚好。
你需要一把椅子，去找木匠。他问你想要什么样的，然后按你的描述做出来。合你审美，称你心意。
定制生产的优点明显：完全符合个人需求。
缺点也是致命的：太贵。
定制一双鞋，鞋匠要花几天甚至几周。定制一件衣服，裁缝要耗大量工时。定制任何东西，都意味着熟练工匠把时间和技能投入单一产品。价格不可能低。
结果是：大多数人买不起定制品。普通人穿粗布衣裳，用简陋家具，精致之物只有富人才负担得起。
工业革命改变了这一切。核心创新是标准化生产。
不再为每个客户单独制作，而是设计出标准产品，用机器大量复制。一条生产线出成千上万双一样的鞋，一个工厂产成千上万件一样的衣服。
标准化的威力在于：边际成本急剧下降。
生产第一双鞋成本很高——设计、开模、调试生产线。但生产线一旦建好，每多产一双鞋的额外成本就很低了，只是原材料和一点电费。生产一万双，平均成本远低于定制一双。
工业产品因此便宜到普通人也买得起。汽车、电视、冰箱、手机——这些东西以前是奢侈品，如今是日常用品。根本原因就是标准化把成本降下来了。
标准化的代价
标准化有代价：只能满足”最大公约数”需求。
一款鞋的设计要照顾大多数人的脚型。脚太宽、太窄、两只脚大小不一的人，只能将就。
衣服尺码按S/M/L/XL划分。你的身材若刚好落在两个尺码之间，只能选稍大或稍小，不可能刚刚好。
手机功能按产品经理想象的典型用户来设计。你的需求若和典型用户不一样，要么忍受不需要的功能，要么忍受缺失的功能。
标准化产品满足的是平均需求，不是你的需求。
这个代价，多数时候我们默默接受了。毕竟相比买不起，将就一下还可以忍受。
但代价仍然真实存在。每一个标准化产品，都意味着一部分人的需求没被真正满足。
个性化太贵了
市场也提供个性化选项。
你可以定制西装，价格是成衣的好几倍。可以请私人教师，费用是培训班的很多倍。可以雇私人助理，但那是高管和富人才有的待遇。
个性化不是不存在，而是太贵。
贵的原因是定制需要人的时间和判断。裁缝给你量身做衣服，他的时间只能用在你身上，无法同时服务另一个人。私人教师给你上课，注意力只能集中在你一人身上，无法同时教另一个学生。
人的时间有限，定制服务的供给不可能大幅增加。供给有限，需求存在，价格自然高。
由此形成分层：
富人享受定制服务。私人医生、私人律师、私人理财顾问、私人教练——每一个服务者都专注于理解他们的需求，提供个性化方案。
普通人只能用标准化产品。去医院排队看统一流程的门诊，去培训班上统一内容的课程，用统一设计的App管理统一格式的信息。
这种分层存在很长时间，被视为理所当然。毕竟个性化需要人力，人力稀缺，稀缺的东西当然贵。
AI改变了这个等式。
二、AI的逻辑
定制成本接近零
AI做到了一件以前不可能的事：大规模提供个性化服务，成本趋近于零。
这需要解释。
以前个性化服务贵，因为需要人。一个私人教师能同时教几个学生？最多寥寥数人。一个私人顾问能同时服务几个客户？不会太多。人的时间和注意力有限，这是硬约束。
AI没有这个约束。
同一个AI模型可以同时与上百万人对话，为每个人提供个性化回应。它不会疲倦，无需睡眠，不会因为同时服务太多人而质量下降。
这意味着为你一个人定制服务的边际成本趋近于零。
以前请私人教师讲解高中物理，要付时薪；现在AI可以根据你的水平和盲点逐步讲解，成本趋近于零。私人助理整理资料、安排日程、起草邮件，以前是高管才有的待遇；如今AI能按你的习惯和优先级处理这些事务。健康咨询也类似——AI虽不能替代诊断，但回答日常疑问、解释医学知识，已经够用。
个性化成本从稀缺资源变成接近免费。
这是根本性改变。不只是效率提高，而是整个经济逻辑发生了变化。
千人千面
理解这个变化的另一个角度是”千人千面”。
传统产品是千人一面。一款手机、一部电影、一本书——所有用户看到同样的东西。产品设计者必须找一个最优点，满足尽可能多的人。
AI产品可以是千人千面。同样的AI模型，在不同人手里做完全不同的事。
我和你用的可能是同一个Claude，但我用它写代码，你用它学外语，另一个人整理家族历史，又一个人头脑风暴创业点子。
同一个产品，提供完全不同的价值。
这在以前不可想象。一本书只能有一个内容，不可能根据每个读者需求自动调整。一门课程只能有一个设计，不可能针对每个学生水平实时变化。
AI可以。
AI本质上是通用智能引擎。没有固定功能，功能取决于你怎么使用它。你的问题、上下文、需求，决定了AI为你做什么。
使用者从消费者变成了定义者。
传统产品的使用者是被动的。产品有什么功能，你就用什么功能。你的角色是消费产品已经定义好的价值。
AI产品的使用者是主动的。AI能做什么，很大程度上取决于你想让它做什么、怎么引导它。你的角色是定义AI要创造的价值。
这个转变正在发生。想象这样的场景：
一个外卖员把常见投诉类型和自己的应对话术整理成文档，让AI学习后辅助应答，把个人经验变成可复制的话术库。一位宝妈用AI生成大量图像，用自己的审美判断筛选调整，为小商家提供定制设计。一个流水线工人把多年质检经验（什么瑕疵算合格、什么要返工）转化成判断标准，训练AI识别不同缺陷等级。
这些场景有没有真实发生？有些正在出现，有些是可能的方向。重要的不是这些具体案例是否成立，而是它们指向的模式：普通人找到AI与自己领域知识的连接点，用AI放大已有的能力。
外卖员懂得处理投诉——这是他的领域知识。宝妈有审美眼光——这是她的判断力。流水线工人了解质检的实际需求——这是问题敏感度的体现。AI能做的是把这些能力规模化：把经验变成可复用的系统、把判断变成可批量应用的筛选、把隐性知识变成显性标准。这个过程需要人来定义标准和边界，AI负责执行和放大。
这说明：AI带来的机会不只给技术精英，也给普通人。关键不在于会不会技术，而在于能不能定义AI该为你做什么。
这里有一个微妙的变化值得注意。
标准化时代，瓶颈是”做不出来”——缺人、缺技术、缺资源。定制成本趋近于零后，瓶颈变成了”不知道该做什么”——AI可以瞬间生成一百个方案，但一百个方案里选哪个？为什么选这个？选了之后怎么判断好不好？
从”做不出”到”选不出”，这个转变比看起来更深刻。
小众需求的爆发
定制成本趋近于零还带来另一个深远变化：以前不值得满足的小众需求，现在值得被满足了。
2006年，《连线》杂志主编克里斯·安德森出版《长尾理论》。他观察到一个有趣现象：传统零售中，畅销品占绝大部分销售额，大量冷门商品几乎无人问津。但互联网时代，这些冷门商品加起来，销售额居然可以与畅销品相当甚至超过。
他把冷门商品叫做”长尾”——画一条销量排名曲线，畅销品在头部形成高峰，大量冷门商品在尾部形成一条长长的尾巴。传统零售只关注头部，互联网零售可以靠长尾赚钱。
为什么？因为互联网降低了两个成本：库存成本和搜索成本。
亚马逊不需要把所有书放在实体店货架上，它的”货架”是无限的。一本小众学术专著，可能只有几百人会买，但这几百人现在可以通过搜索找到它。
AI正把”长尾理论”推向新高度。
以前的长尾只是让冷门商品有机会卖出去。AI让长尾发生在内容和服务的生产端——那些不值得为少数人专门制作的东西，现在可以近乎零成本地定制。
一门课程，传统上要有足够多学生才值得开。如果只有10个人想学”如何用AI辅助古典吉他编曲”，没有培训机构会为这10个人开发课程。但AI可以为他们提供个性化学习内容，边际成本几乎为零。
一个软件功能，传统上要有足够多用户才值得开发。如果只有100个人需要某个特定功能，产品经理不会把它排进开发计划。但AI可以让用户自己定义功能——你告诉它需要什么，它帮你实现。
结果是：以前被忽视的小众需求会被激活。
你有一个具体、独特的问题？以前可能找不到现成解决方案。现在AI可以帮你找到或创造一个。
你属于小众群体，有特殊需求？以前市场不会专门为你们服务。现在AI让为小众群体服务变得经济可行。
长尾的激活会改变竞争格局。以前，规模是优势——服务越多人，成本越低。现在，懂小众可能成为新优势——谁能识别和服务被忽视的需求，谁就能获得新市场。
可汗学院的例子
可汗学院的AI导师项目Khanmigo是个好例子。
创始人萨尔曼·可汗最初的愿景是：为每个学生提供个性化教育。他用录制视频的方式，让学生按自己的节奏学习。这已是一个进步——传统课堂上，老师只能按平均水平讲课，学得快的觉得无聊，学得慢的跟不上。
但视频还是一对多。同一视频，所有学生看到的内容一样。学生有特定困惑，视频不能回答。
AI改变了这一点。
Khanmigo可以根据每个学生的水平、知识盲点、学习风格提供个性化辅导。学生可以问任何问题，AI用适合这个学生的方式回答。若学生在某个概念上卡住，AI会尝试不同的解释方式，直到学生理解。
这就像每个学生都有私人家教。
以前，私人家教是富人的特权。好家教很贵，普通家庭负担不起。教育资源的差距，很大程度上是能不能请得起好老师的差距。
AI把私人家教的成本降到接近零。偏远山区的学生，只要有网络，就可以获得不亚于城市富裕家庭孩子的个性化辅导。
这是定制成本趋近于零的一个具体体现。
AI家教当然不能完全替代人类老师。它不能提供情感支持，不能发现学生的心理问题，不能在学生失去动力时给予激励。这些是人类老师不可替代的价值。
但在知识传递这个层面上，AI确实可以做到个性化、规模化、低成本。这本身就是巨大进步。
三、从拆分到组合：另一个视角
定制成本趋近于零是从成本结构的角度理解AI。但AI带来的变化还可以从另一个角度理解——价值链的解绑与重组。
每次技术革命都是一次”解绑”
回顾历史，每一次重大技术革命都伴随着解绑——原本捆绑在一起的东西被拆开，然后以新的方式重新组合。
印刷术解绑了思想与手抄。在此之前，一个人的思想要传播，必须依赖抄写员一字一句地复制。思想和手抄是捆绑的——你的想法再好，没人抄就传不开。印刷术把复制这个环节从人力中解放出来，思想传播的成本急剧下降。
互联网解绑了内容与分发渠道。在此之前，你写了一篇文章，必须通过出版社、报纸、杂志才能触达读者。内容和渠道是捆绑的——你的内容再好，没有渠道就没人看。互联网让每个人都可以直接发布内容，渠道的垄断被打破。
AI解绑的是什么？答案是想法与具象化。
解绑想法与具象化
科技评论家Ben Thompson提出过一个”内容价值链”的框架：
一个创意要变成被消费的内容，需要经过这五个环节：
- 想法：头脑中的创意、构思
- 具象化：把想法变成具体作品（写成文章、画成图、谱成曲）
- 复制：批量生产（印刷、录制、数字化）
- 分发：送达受众（书店、电视台、App Store）
- 消费：受众接收内容
印刷术解绑了复制，互联网解绑了分发。
AI正在解绑具象化——把想法变成作品的那个环节。
这是最后一个人类专属的环节。
以前，复制和分发可以自动化，但把想法变成作品必须依赖人。你脑子里有一个故事，必须自己一字一字写出来。你心中有一幅画面，必须自己一笔一笔画出来。想法和执行是捆绑的——想法再好，执行能力不足就无法实现。
AI改变了这一点。
你有一个想法，可以告诉AI，让它帮你具象化。写一篇文章的初稿、画一张概念图、生成一段代码原型。你不需要精通写作、绘画、编程，就可以把想法变成初步的作品。
言下之意：有想法的人不再被执行能力限制。
一个有创意但不会写代码的人，以前只能把想法憋在脑子里，或者花钱雇程序员实现。现在他用自然语言描述需求，AI生成初步代码。创意和编程能力被解绑了。有商业洞察但不擅写作的企业家同样如此——口述想法，AI整理成结构化文档，洞察力不再被表达能力卡住。
这就是AI带来的解绑——你的想法和你的执行能力不再捆绑。想法可以借助AI的执行能力来实现。
集装箱的启示
类似的解绑在实体经济中早已发生过。集装箱的故事是一个好的类比。
1956年之前，货物运输需要大量人工搬运，耗时耗力。集装箱改变了这一切——货物在工厂装箱，整箱吊运，中间不需要拆开。
集装箱的直接效果是降低运输成本。但更深远的影响是：它解绑了制造和消费的地理限制。制造业可以转移到劳动力更低的地方，全球供应链因此形成。每个环节都可以找全球最专业的供应商，公司只做最核心的部分。
AI正在知识工作领域引发类似的变化。当具象化不再是限制，每个人都可以专注于自己最擅长的环节——可能是发现问题，可能是判断质量，可能是整合资源。执行的部分可以交给AI。
两极分化的逻辑
解绑带来机会，也带来分化。
集装箱时代，两类企业获益最大。
一类是极致组件专家——把一个环节做到极致。比如台积电，只做芯片代工，但做到全球最好。不做设计，不做品牌，就专注于把芯片制造这一个环节做到极致。
另一类是极致整合大师——把组件组合成最终价值。比如苹果，自己不做芯片（让台积电做）、不做屏幕（让三星做）、不做组装（让富士康做），但把所有组件整合成iPhone，创造出超越组件之和的价值。
中间地带被挤压了。那些什么都做一点、但都不极致的企业，在全球竞争中逐渐失去优势。
AI时代，类似的两极分化正在知识工作领域发生。
极致组件专家——把一个技能做到极致。比如顶级的Prompt工程师，专门研究如何让AI输出最高质量的结果。或者专注于某个细分领域的数据标注专家，确保AI训练数据的质量。
极致整合大师——把AI和其他资源组合成完整解决方案。他们可能不是AI专家，但懂得如何把AI、人类专家、业务流程、用户需求整合在一起，创造出单靠AI做不到的价值。
中间地带——会用一点AI但不够精，或什么都懂一点但缺乏整合能力——正在被挤压。
这解释了什么
解绑视角和定制成本视角是互补的。
定制成本视角解释了AI改变了什么：标准化与个性化的成本结构。
解绑视角解释了为什么定义能力变得重要：当执行环节可以外包给AI，真正稀缺的是知道该执行什么。
以前，一个人的价值很大程度上取决于执行能力——你能写，你能画，你能编程。现在，执行环节被解绑出来，可以借助AI完成。剩下的核心问题是：该写什么？该画什么？该编什么程序？
定义能力的核心正在于此——知道该做什么、为什么做、什么算做好。
四、延伸含义
把定制成本趋近于零这个本质理解清楚，可以推导出一些重要含义。
产品的价值重新定义
传统逻辑下，产品价值主要是功能。
一款手机的价值在于功能多少、性能强弱、设计优劣。一款软件的价值在于能做什么、稳定性如何、易用性怎样。产品价值是内置的，用户使用前就已确定。
AI时代，产品价值更多是能被如何使用。
同一个AI模型，在不同人手里创造的价值可能差十倍甚至百倍。一个人用Claude只是聊天解闷，另一个人用它提升工作效率十倍。产品一样，价值天差地别。
产品价值不再只是产品本身的属性，还取决于用户的能力。
上一章提过的公式——产品创造的价值等于产品基础能力乘以用户能力乘数。传统产品时代，这个乘数约等于1：一台电视无论谁用，提供的价值差不多。但在AI大模型这一端，乘数可以从1放大到几十甚至上百倍。用户能力这一项变得不可忽略。
会用和不会用的差距被放大
这直接导致一个结果：会用和不会用的差距被放大了。
以前，工具的使用门槛比较明确。会开车就是会开车，不存在会开车但只发挥了汽车10%能力这回事。会用电脑就是会用电脑，基本操作学会，日常使用就没问题。
AI不一样。它的能力边界是模糊的，且不断扩展。你可能会用AI——知道怎么打开、怎么输入问题、怎么获得回答。但你可能只用到它能力的一小部分。
这种差距很难通过简单学习来弥合。
学开车，花几十个小时基本就会了，此后提升空间有限。学用AI，你可能花几年都在持续发现新用法，因为AI能做的事太多，而且还在增加。
这对不同人意味着不同的事。
善于学习、善于探索的人，AI是巨大的放大器。他们不断发现新用法，不断扩展能力边界。他们和只会基础用法的人之间，差距会越来越大。
不善学习或没时间学习的人，AI可能只是普通工具。用到了基础功能，但错过了大部分价值。相对于高手用户，他们反而显得更落后。
这是需要警惕的趋势。AI本来可以是平等化的力量——让每个人都能获得以前只有少数人才有的资源。但如果会用和不会用的差距太大，AI反而可能加剧不平等。
用户能力成为产品体验的一部分
另一个含义是：用户能力成为产品体验的一部分。
传统产品，用户体验主要取决于产品本身。好用的软件对多数用户都好用，设计差的产品对多数用户都难用。产品设计者可以通过优化产品来优化体验。
AI产品不完全如此。用户体验很大程度上取决于用户自己。
你问AI一个模糊问题，它给你模糊答案。问一个精确问题，它给你精确答案。问问题的能力直接决定体验的质量。
让AI完成一个含混任务，结果可能不如人意。把任务拆解清楚、给出明确标准、提供必要上下文，AI输出会好得多。定义任务的能力直接决定产出的质量。
这对产品设计者是挑战。他们不再能完全控制用户体验，因为用户自己的能力是一个变量。
这对用户是机会，也是挑战。机会是：若有能力，你可以获得比普通用户好得多的体验。挑战是：若没有能力，产品再好，你也用不出来。
人需要的不只是最优解
这里需要引入一个行为经济学的发现。
罗里·萨瑟兰是广告界传奇人物，也是行为经济学的推广者。他有一个观点：人需要的不只是最优解，还需要被理解。
他举过一个例子：假设你去餐厅点菜，AI根据你的健康数据、口味偏好、营养需求，计算出最优菜单推荐给你。客观上可能是最好的选择。
但你会开心吗？
不一定。点菜的乐趣不只是获得最好的食物，还包括翻菜单的过程、在几个选项间纠结的过程、做出选择的感觉。若一切都被计算好，那种选择感就消失了。
萨瑟兰的观点是：人类决策不是纯粹的优化问题，而是包含情感、意义、体验的复杂过程。AI若只提供最优解，可能反而让用户不满意。
这对AI产品设计有重要启示。
AI的长处是计算、优化、提供最优解。但用户不一定想要冷冰冰的最优解。用户想被理解、想有选择感、想体验过程。
好的AI应用需要在效率和体验之间找平衡。给用户几个选项让他自己选，有时比直接给最优答案更好。解释建议的理由、让用户参与决策过程，也往往胜过冷冰冰地抛出结论。
这也是AI时代人的价值的一部分：理解人性的复杂，设计出既高效又人性化的解决方案。这不是AI自己能做到的，需要人来做。
五、个性化的另一面
定制成本趋近于零带来的个性化，多数情况下是好事。但它也有另一面，需要正视。
最直接的风险是”信息茧房”——AI根据你的偏好筛选和生成信息，你越来越多看到符合既有观点的内容，越来越少接触不同声音。社交媒体的算法推荐已经加剧了社会极化，不同观点的人几乎活在不同的信息世界。AI的个性化能力更强——它不只推荐内容，还能生成完全契合你口味的内容，甚至为你构建一个”私人真实”。舒适，但可能与公共真实越来越远。
这还牵涉一个更深层的问题：共同经验的消失。传统社会里大家读同样的教科书、看同样的新闻、讨论同样的话题，这些共同经验提供社会凝聚力。当每个人都活在定制的信息世界里，讨论的共同基础也在被侵蚀。
更微妙的是，AI可能强化你已有的东西，而不是拓展你。你喜欢什么音乐，它推荐更多同类。你持什么观点，它提供更多支持。短期很舒服，长期可能是问题——人的成长往往来自不舒服的体验：接触陌生领域，听到不同意的观点，面对自己的弱点。
应对这些风险需要自觉。不要让AI只给你更多同样的，要主动让它挑战你。比如在让AI生成方案时，要求它给出一个你可能不同意的方向；定期用AI探索你不熟悉的领域，而非只在舒适区里深挖。把AI当作帮助成长的工具，而不只是满足现有偏好的机器。
六、能力放大器
理解了定制成本趋近于零这个本质，可以给AI一个更准确的定位：AI是能力的放大器。
放大器的逻辑
放大器不创造新东西，只放大已存在的东西。音频放大器放大声音信号，让小声音变大。功率放大器放大电力，让小功率驱动大负载。
AI放大的是人的能力。
你有创意，AI帮你更快实现。你有判断力，AI帮你处理更多需要判断的事。你有专业知识，AI帮你把知识应用到更大范围。
关键点是：放大器需要有东西可放大。
输入是零，放大一万倍还是零。若你没有创意、没有判断力、没有知识，AI也帮不了你多少。
这就是为什么在AI时代，你自己有什么比AI能做什么更重要。
不同的人，不同的放大
放大器对不同的人效果不同。
有深厚专业积累的人，用AI可以把专业能力放大十倍甚至百倍。他知道该问什么问题，知道怎么判断AI输出，知道如何把结果整合进自己的工作。AI让他从专家变成超级专家。
没有什么积累的人，用AI获得的放大就有限。他不知道该问什么，不知道怎么评估AI的回答，不知道如何应用输出。AI对他来说只是”可以对话的搜索引擎”，价值有限。
会用和不会用的差距，根源不在AI操作熟练程度，而在被放大的底层能力不同。
这意味着什么
这个放大器逻辑的含义比看上去更深。
很多人焦虑地学习prompt engineering——如何写更好的提示词。有用，但不是关键。最关键的是你要有值得放大的东西：领域知识、判断能力、创造力、独特视角。这些是根本，AI操作技巧是枝叶。对业务有深刻理解的人，即使prompt写得不太好，AI也能帮他很多。对业务不了解的人，prompt写得再花哨，AI输出的东西也是空洞的。
投资人Anthony Scilipoti有句话说得直白：AI不会让你变聪明，只会让知道方向的人更快。你知道自己想要什么，AI可以帮你更快得到。你不知道自己想要什么，AI也帮不上忙——它最多让你更快得到一些其实不需要的东西。方向感、目标感、判断力，这些AI给不了你。
陆游说”功夫在诗外”——写诗的功夫很大程度上不在写诗本身，而在诗以外的积累。AI时代，这句话有了新含义。用好AI的功夫，很大程度上不在AI本身，而在你的领域专业、思维方式、审美品味、人生经历。那些看起来与AI无关的东西——读过的书、做过的事、见过的人、经历的挫折——可能恰恰是让你在AI时代脱颖而出的资本。因为这些东西是独特的、是你自己的、是AI不能复制也不能替代的。
从”更强的工具”到”范式变化”
回到本章开头的问题：AI改变的本质是什么？
我的回答是：AI不只是更强的工具，它改变了一个基本的经济逻辑——从标准化生产满足平均需求到定制成本趋近于零。
这个改变的含义是多方面的：
产品价值不再只是功能本身，还取决于用户如何使用它。用户从消费者变成定义者。
会用和不会用的差距被放大。AI是能力的放大器，有能力被放大的人受益，没有能力被放大的人落后。
个性化带来机遇，也带来风险——信息茧房、失去共同经验、被强化而非被拓展。
这些变化合在一起，指向一个根本性转变：AI时代，你自己有什么比工具能做什么更重要。
这是一个根本性变化。以前我们关注怎么做——掌握技能、学会工具、提高效率。现在需要关注做什么和为什么做——定义问题、判断价值、选择方向。
稀缺性的转移
这个转变可以用经济学来解释。
经济学有个基本原理：价值源于稀缺性与有用性的结合。既有用又稀缺的东西，才有高价值。
执行能力正在经历一场稀缺性崩塌。
能写出合格文案的人曾是稀缺的，现在AI可以批量生成。能做数据分析的人曾是稀缺的，AI已可快速完成。能写代码的人也曾是稀缺的，AI正在降低这个门槛。
执行能力的有用性没变——写文案、做分析、写代码依然有用。但稀缺性大幅下降——会做这些事的供给（人+AI）大幅增加。
有用性不变 × 稀缺性下降 = 价值下降
那稀缺性转移到哪里了？
转移到了AI不能替代的环节：判断该执行什么。
AI可以写十个版本的文案，但不能判断哪个更好。AI可以做各种数据分析，但不能判断哪个分析有意义。AI可以写出能运行的代码，但不能判断这个功能是否应该做。
这些判断——什么值得做、什么算做得好、该往哪个方向走——依然稀缺。而且因为执行变容易了，做什么的选择变得更重要，这些判断的有用性反而提高了。
稀缺性不变 × 有用性提高 = 价值上升
定义能力价值上升的经济学解释正在于此——不是定义能力本身变厉害了，而是执行能力贬值后，定义能力的相对价值凸显了。
系统视角：瓶颈决定价值
还可以从系统论的角度来理解这个转变。
把任何价值创造活动看作一个系统，都有类似结构：
在这个系统中，瓶颈环节决定整体价值。就像一条流水线，最慢的环节决定整体产能。你把其他环节优化再多，瓶颈不变，整体也不变。
以前，执行任务往往是瓶颈。写一份报告需要一天，做一个设计需要一周，开发一个功能需要一个月。执行能力稀缺，所以执行者有高价值。
AI改变了这个系统。执行环节的效率大幅提升，不再是瓶颈。
现在的瓶颈转移了。转移到定义问题环节：AI可以快速写报告，但写什么报告？AI可以快速做设计，但做什么设计？AI可以快速开发功能，但开发什么功能？
也转移到评估调整环节：AI生成了十个版本，哪个好？AI完成了任务，达到标准了吗？结果不理想，问题出在哪里？
这些——定义问题和评估结果——正是定义能力的核心。
系统论告诉我们：当执行不再是瓶颈，定义就成为新瓶颈。瓶颈在哪里，价值就在哪里。
这种转变有一个更直接的说法：从执行者到定义者。
执行者的价值在于把事情做好——按标准、按流程、按要求完成任务。定义者的价值在于知道该做什么——发现问题、判断优先级、选择方向。当AI把执行成本降到接近零，执行者的稀缺性下降，定义者的重要性上升。
这不是说执行能力不再重要。恰恰相反，高质量的执行仍然稀缺。但仅有执行能力越来越不够。未来属于那些既能定义方向、又能确保执行质量的人——他们用AI放大执行效率，用判断力确保方向正确。
下一章，我们将看到这些变化具体如何展开：哪些职业正在贬值，哪些正在升值，哪些正在变形。
定制成本趋近于零，每个人都能获得”私人定制”——这是AI带来的本质变化。同一个AI产品在不同用户手里做完全不同的事，用户从消费者变成定义者。想法与具象化被解绑，有想法的人不再被执行能力限制。而AI作为放大器，放大的是你已有的东西——专业知识、判断力、创造力。功夫在诗外，在AI时代有了新含义。
章节讨论
所有留言经 Agent 审核后显示