一个团队的会议数量，一个月之内少了将近八成，你会觉得这是好事还是坏事？
大部分人的第一反应是好事——终于不用被拉进那些没有意义的对齐会了。但如果我告诉你，这个团队同时反映“比之前更累”，工资没变，干的活反而更多，你还会这么想吗？
这算不上假设——硅谷一家 AI 训练/推理大厂真实发生过这件事。有个带着 20 多人团队的负责人，跟公司申请了 100 万美元预算，做了一个 token 不限量的激进实验——花多少都行，看看团队能被 AI 推到多快。一个月下来，团队里花得最多的人单日烧掉 7000 美元，中位数是 2000 美元，换算成月薪早就超支了。结论他自己写得很直接：token 不限量不切实际，反而在组织效率上撞上了明显的天花板citation。
钱花超了还只是表面，真正扎眼的是那个 80% 的数字。会议变少，跟“大家更懂彼此了“没什么关系，真实原因是很多人把自己的大脑托管给了 AI——项目细节掌握得不够，别人在会上问什么，人已经答不上来了，只能变成“收到问题→去问 AI→再转述”的离线沟通。最魔幻的一个场景是，群里两边各自的 AI 一通乱答，人反而被带偏了。这算不上效率提升，更像是一种更隐蔽的失控。
一个被问错的问题
这几个月我一直在想，大家好像都在问同一个问题：AI 用得好不好？但我越来越觉得这个问题问错了方向。真正该问的是——AI 到底让什么变便宜了？
这个问题的答案，一百年前有人已经回答过一半。1937 年，经济学家科斯写过一篇论文，琢磨一件听起来很怪的事：既然市场价格机制那么高效，为什么现实里还需要公司这种东西存在？他给出的答案是，市场运行本身是要花钱的——找信息、谈价格、签合同、盯着对方有没有违约，这些统称交易成本。公司之所以存在，就是因为把这些交易内部化、用一个权威说了算，比每次都去市场上谈判更省钱。公司的边界在哪里，关键不在于它能生产多少东西，而在于“在公司内部搞定一笔交易”和“跑到市场上搞定同一笔交易”哪个更贵——哪边贵，就往另一边收缩。
把这个逻辑搬到今天，答案其实已经摆在眼前了：AI 让“做一件事”的成本压到了接近于零，可它没有，也没法让“决定要不要做这件事、决定该不该说给别人听”这件事一起变便宜。生产端已经免费了，交易端——人和人之间要不要互相信任、要不要花时间对齐、要不要为一个判断承担被否定的风险——依然贵，而且可能比以前更贵。
这句话我觉得是整件事的关节点：**AI 没有消灭交易成本，它只是把交易成本从市场搬进了组织内部，又从会议室搬进了每一个人自己的脑子里。**多数人省下来的注意力，理应流向这笔新账单，但实际上继续投进了已经免费的生产里——这就是为什么很多人感觉自己越用 AI 越累，却说不清累在哪。
这笔账藏在哪几层，值得一层一层拆开看：先是一个人要不要做这件事的那次决定，再是脑子能不能跟上机器产生判断的速度，然后是组织愿不愿意花钱把这些判断摆到桌面上说清楚，最后是市场那头到底想要什么、愿意为什么付钱。下面几节，就按这个顺序，把账一层一层翻出来。
MVP 原则，原来是在悄悄支付另一笔账
先看离行动最近的这一层——一个人要不要做这件事的那次决定。几乎所有人现在都在说“先跑一个 MVP 出来看看”，但我观察到的实际行为分裂成两个极端：一边是彻底放手，能跑就行；另一边是在一些无关紧要的细节上反复打磨，迟迟不肯往前推进。这两种行为看起来完全相反，其实可能是同一个病根。
MVP 原则本来为什么成立？它压根谈不上什么美德选择，本质是稀缺性硬逼出来的纪律——正因为你没法把所有东西都做完，你才被迫想清楚哪个是核心，哪个可以先放一放。这个“想清楚”的过程，其实是在偷偷支付一笔交易成本：说服自己，对齐团队，承担“如果这次判断错了”的风险。
AI 把生产端的稀缺性拿掉之后，“先跑一个版本看看”这句话被完好保留了下来，但很多人误以为整套纪律也自动跟着生效了。并没有。被拿掉的只是生产成本——生成一版方案几乎不要钱了——但“这个到底该不该做、值不值得跟别人商量”这件事，从来没有变便宜，只是被这句口号悄悄盖过去了。有个开发者在写自己 vibe coding 的经历时说得挺诚实：AI 五百行代码几分钟就能写出来，可他自己 review 五百行要花更久的时间，时间一长人就倦了，慢慢就变成“跑通就行”，不知不觉就丢掉了对代码的掌控citation。根子不在懒惰，而在纪律松动之后，没人再逼着他去支付那笔本该支付的判断成本。
生成快过理解的那段时间，账其实还在，只是没人记
决定该不该做只是第一层，往下一层，问题变成了脑子跟不跟得上。这段时间我一直在想一个具体的场景：一个人同时开着好几个 AI 会话，屏幕上的进度条在跑，代码在改，窗口在切换，可脑子根本跟不上重建每一处改动背后的因果关系。有篇文章把这个现象叫“认知吞吐错配”——当机器产生的、需要判断的状态，速度和复杂度超过了人建立情境模型、做出可靠判断的能力，瓶颈就会从“写不出来”迁移到“看不完、想不透、验不清”citation。
这句话如果放进交易成本的框架里看，意思就更清楚了——“看不完、验不清”，本质上就是一笔没被支付的交易成本。原本靠会议、审阅、团队讨论来完成的“确认这个结果是对的”这件事，现在被压缩成了一个人独自面对屏幕时的隐性负担。账没有消失，只是从组织层面沉到了个人的认知层面，变得看不见，也没人记账了。这大概也是为什么很多人说不清自己到底累在哪——活并没有变多多少，只是原本分散在会议和讨论里的判断成本，现在全压在一个人身上，一次性结清。
打磨细节，有时候是工匠精神，有时候只是躲进了一个安全的角落
脑子跟不上是认知层面的账，往下一层，问题变成了动机——明明知道该做判断，为什么还有人一头扎进细节里不肯出来。再回到开头说的那个矛盾——一边放任失控，一边死磕细节。我现在更倾向于这样理解：打磨细节是一种纯生产行为，不需要跟人谈判，不需要说服谁，一个人关起门来跟 AI 反复迭代就行。而“这个功能到底该不该做”“这个判断要不要说给团队听”，是典型的交易行为——需要搜集别人的信息，需要说服，需要承担被质疑、被否定的风险。
有个对照组我觉得很值得放在这里说——Kent Beck 提的“augmented coding”，也主张对细节保持纪律，但前提是这份纪律服务于一个清楚的整体判断：先用测试驱动开发定好边界，再把 AI 当成新来的初级工程师一样逐行把关——AI 更像一把被驾驭的凿子，而非替代判断的黑箱citation。这种打磨，是主动选择在生产端花力气，同时没有回避交易端那部分该扛的责任。
所以打磨这件事，外表看起来都一样，内核可能完全相反。一种是“我判断这个细节确实重要，所以我打磨它”；另一种是“我在交易端该做的判断已经让我疲惫，或者让我害怕暴露自己的不确定，所以我退回到生产端，用打磨细节假装自己还在认真工作”。这两者从外面几乎分不出来，可能连当事人自己也未必分得清自己此刻站在哪一边。
数据不会说谎，这笔账最后算在了人身上
这种逃避不只是我的观察，数据能把它坐实。有个数字我看到之后一直记着：重度使用 AI 的员工，脑力消耗增加了 14%，决策疲劳程度比普通员工高出 33%。核心矛盾被概括成一句话——产出变多了，决策却没减少，纠错成本反而上升了citation。还有个说法叫“AI brain fry”，讲的是技术人员的角色从执行者整体变成了持续评估者——大部分时间都花在审核、验证，在好几个 AI 生成的版本之间来回挑选，做事本身反倒被挤到了边上citation。
这两组数据和那个百万预算实验里的描述对得上——“比之前更累，工资没变，干的活反而更多”。推文里还有个细节很值得留意：便宜模型反而更贵。团队成员喜欢把快问快答的活丢给便宜又快的模型，结果来回反复的次数变多，总的调用量换算成钱，比一次到位的贵模型还贵。用交易成本的说法重新理解这件事就是——便宜模型没有真的降低交易成本，它只是把“一次说清楚”的一笔交易，拆成了“来回好几次才能说清楚”的多笔交易，每一笔都有自己的固定成本，总账反而更贵。
会议消失了，账单只是换了个收件人
前面几层账，都还发生在个人和团队内部，往上一层看，组织本身也在悄悄挪账。回到那个 80% 的数字。会议本来就是组织用来支付内部交易成本的一种机制——它不产生代码，不产生文档，它产生的是“大家对同一件事的理解真的对齐了”这件事本身。砍掉会议，不代表这笔交易成本消失了，只是这个组织选择了当下不支付它，把账转嫁到了未来某个“出了问题才发现没人真的懂”的时刻。
那个“两个 AI 互相乱答，人被带偏”的场景，现在再看会觉得没那么荒诞可笑了——那更像是一笔被拖欠很久的账，终于以一种滑稽的方式，集中兑付了利息。
省下来的注意力，其实早就该有个去处
前面四层账——决策、认知、动机、组织——说到底都还在公司内部打转，最后这一层才是真正决定输赢的地方：市场那头到底想要什么。回到科斯那篇论文最开始列的那几项交易成本——找信息、谈价格、签合同、盯着对方有没有违约。这几项里，“找信息”一直是最容易被忽略的一条，可能是因为它听起来太基础，不像谈判和监督那样戏剧化。但生产一旦免费，“找信息”反而变成了整笔交易成本里最贵、也最值得投入的那一项。
这里说的“信息”，不是模型参数或者技术细节，是人到底想要什么、愿意为什么付钱、在什么场景下会说“不”。这件事 AI 从来没有让它变便宜过——它甚至帮不上太多忙，因为需求本身经常连提出需求的人自己都说不清楚，得靠反复追问、观察和在真实场景里试错才能摸清楚。
现在很多团队把省下来的时间和精力，继续投回了已经免费的生产端——多跑几个版本，多打磨几处细节，多开几个并行会话。但真正稀缺、真正拉开差距的地方，其实是往市场那头多走一步：听一听真实的用户在抱怨什么、犹豫什么、愿意为哪个具体场景多付一点钱。这不是“多做用户调研”这种口号，而是说，如果生产端已经不构成瓶颈，那唯一还能决定胜负的，就是谁更早、更准地摸到了市场信号。
哪怕是在“agent pay agent”的场景里，这一点也没有变过。两个 AI 隔空对话、互相报价、互相下单，看起来交易发生在机器之间，但账单最后总会落到一个具体的人身上——是这个人批的预算，是这个人要为结果负责，是这个人会因为东西不好用而转身离开。商业说到底还是人和人之间的事，一方有需求，另一方要理解并满足这个需求，中间所有的自动化都只是压缩了传递的路径，从没替代掉“理解需求”这件事本身。AI 把生产端清空得越彻底，这件事就越会露出来，成为整张账单里唯一还没被自动化、也最该被认真对待的一项。
写到这里，其实没那么无解
如果生产变便宜之后，原来靠稀缺性撑着的那套判断纪律、审慎沟通、细节取舍，统统被卸下来了，那这笔账最后应该由谁来付、什么时候付、用什么方式付，我说不清楚，大概也没有一个统一的答案。
我只是觉得，当我们说“AI 让我们更快了”的时候，可能该多问一句——快掉的是生产，还是那笔本来就该有人去付的账，只是暂时看不见了而已。至于账单什么时候寄到，寄给谁，大概谁都说不准，只能等它自己找上门的那一刻。
