ai 接入日常工作流已经有一段时间了，效果有，问题也有。最近越来越觉得，目前碰到的问题归结起来其实就一条：边界明确的环节，ai 化是工程问题；有人的环节，ai 化是吞吐不对等问题。
无人的环节：工程上能闭环
如果 ai 嵌入的是一个全自动的环节——上下游都是程序，输入有明确的格式，输出有明确的校验方式——那这事在工程上是成立的。
输入对不对，可以校验；输出对不对，可以用测试、规则、二次确认来兜底；不对就重试、降级、报警。这本质上是传统的系统集成问题，跟接任何一个不稳定的外部服务没有区别：不信任它，就用工程手段约束它。只要边界画得清楚，输入输出的正确性是可以保证的。
这部分没什么新鲜的，能做，很多地方也已经做得不错。
有人的环节：大水管接了个小水管
真正卡住的，是环节里有人的情况。
ai 的输出端是一根大水管：token 哗哗地出，一分钟几千字，量大、速度快、不知疲倦。而人是接在它后面的那根水管——ai 的输出就是人的输入，人要把这些内容读完、看懂、在脑内重建上下文，然后判断对错、承担责任。
问题是人这根水管太细了，两边完全不对等。数量上不对等：ai 一分钟生成的量，人可能要十分钟才审得完。“智力带宽”上也不对等：ai 生成的时候不需要付出理解成本，人审阅的时候却要把整个思考过程重新走一遍——甚至更难，因为审的是别人的思路，得先猜它是怎么想的。
大水管突然接一根小水管，结果只有两个：要么水漫出来——人不审了直接信，埋雷；要么大水管憋着——人认真审，ai 的产能被白白浪费，人还成了瓶颈。两条路都不舒服。
症结就在这里
所以现阶段 ai 化的症结，我觉得不在模型能力，而在人和 ai 之间信息上下文的不对等：它生产信息的速度和人消费信息的速度，差着数量级。而且这个差距不会随着模型变强而缩小——模型越强，水管越粗，人还是那么细。
这也解释了一个普遍现象：ai 化做得顺的场景，往往都是”人审得过来”的场景——输出短、结论明确、验证成本低，比如有测试兜底的小段代码。而输出长、验证成本高的场景（长文档、大方案、整模块重构），提效的水分就很大，因为省下来的生成时间，又加倍还给了审阅时间。
由此想到的几个方向
顺着这个思路，落地路径其实就清楚了不少：
- 能把人拿掉的环节，尽量拿掉。让 ai 的输出直接进校验、进测试、进下一个程序，形成自动化闭环，人只看异常和最终结果。这是效率最高的形态。
- 拿不掉人的环节，把审阅成本做小。把开放式审阅变成判断题、选择题：让 ai 输出结论的同时输出验证方式，让人判断”对不对”，而不是重新理解”为什么”。判断题永远比阅读理解省水管。
- 最难受的是中间态：人既不能不管，又管不过来。这类环节要么想办法拆小，要么干脆先别 ai 化，硬上反而增加负担。
总之，ai 化的瓶颈不在 ai 那头，在人这头。大水管小水管的问题不想清楚，工具换得再勤，提效也有限。