# 实现不再稀缺之后

AI 降低了从构想到实现的成本，也削弱了执行门槛为想法提供的天然保护。想法没有失去价值，但它的价值越来越取决于问题判断、行动时机，以及实现之后能够积累什么。

## Metadata

- HTML: https://glenzli.com/notes/when-implementation-is-no-longer-scarce/
- Markdown: https://glenzli.com/notes/when-implementation-is-no-longer-scarce.md
- Collection: Notes
- Language: zh-CN
- Published: 2026-07-19
- Updated: 2026-07-20
- Tags: ai, ideas, judgment, execution, innovation

## Content

现在，一个软件想法刚刚被说清楚，原型往往也已经开始出现。

描述需求，生成界面，连接模型，补上数据流，再部署成一个可以使用的版本。这些事情当然还没有简单到不需要工程能力，但从一句想法到一个初步实现，中间的距离已经明显缩短。

这并不意味着想法失去了价值。

更准确地说，AI 正在拿走执行成本曾经借给想法的一部分稀缺性。

## 执行成本曾经保护想法

过去，一个想法从被提出到成为现实，需要跨过很多门槛。

软件需要团队开发，研究需要长期验证，产品需要渠道和资源，复杂系统还要经历部署、运维和持续维护。即使许多人想到过相似的方向，真正能够完成实现的人仍然有限。

因此，一个想法的领先优势，未必完全来自它有多难想到。很多时候，真正形成保护的是后面的执行成本。

它为最早行动的人留下了一段时间窗口：其他人即使理解了这个方向，也需要重新组织团队、积累技术、准备资源，再走一遍漫长的实现过程。

AI 首先压缩的，正是这段从表达意图到形成初步结果的距离。

它降低了搜索、原型、编码、内容生产和一部分验证工作的成本。过去足以形成几个月领先的实现门槛，现在可能只剩几周，甚至几天。

当然，执行成本下降得并不均匀。用户关系、独有数据、硬件制造、线下组织、监管许可和长期信任，并不会因为模型会写代码就自动出现。

变化主要发生在一个更具体的地方：仅靠“别人暂时做不出来”维持的优势，开始变得不再稳定。

## 重复实现以后，还剩下什么

AI 时代很容易出现一类听起来颇有吸引力的想法：

一个新的 Agent，一种新的工作流，一个行业智能工具，一个自动化平台，或者一种利用模型生成内容的新方式。

这些方向可能都能解决真实问题。但如果一个想法可以被一句话完整描述，别人知道它存在以后，也能使用相同的模型和工具很快做出类似结果，那么这句话本身就很难构成长期优势。

这不等于实现出来的产品都一样。

即使从同一句描述出发，不同的人仍然会选择不同的边界，接触不同的用户，得到不同的反馈，并逐渐形成不同的数据、经验和工作方式。

真正难以重复的部分，往往是在实现以后才开始出现：

- 对问题的持续理解；
- 和真实使用者建立的关系；
- 在错误中形成的判断标准；
- 能够不断修正产品的反馈循环；
- 愿意长期承担维护责任的组织能力。

想法仍然是起点，只是它的价值不再主要来自别人尚未想到，而来自它后来与现实建立了什么关系。

## 现在做，会积累什么

执行变得容易以后，一个自然反应是尽快把所有想法做出来。

但更低的执行成本，并不意味着所有方向都应该立即进入长期建设。

有些想法缺少的不是实现，而是外部条件。技术尚未成熟时，过早行动往往意味着围绕当前限制建立大量补偿结构。

模型不能处理足够长的上下文，于是建立复杂的分层知识库；模型不能稳定规划，于是把每一步写成固定工作流；模型不能可靠验证，于是增加多层角色、提示词和人工检查。

这些结构在当时可能完全合理，也确实解决过问题。但如果它们主要是在替某一代模型填补缺陷，模型能力跨过那道门槛以后，早期积累就可能迅速从资产变成维护负担。

我在[《AI 脚手架的半衰期》](/notes/half-life-of-ai-scaffolding/)中讨论的是这种结构何时应该退出。站在一个想法刚刚出现的时刻，同样的问题也可以提前问：

> 如果现在开始做，真正会被积累下来的是什么？

如果积累的是用户、数据、信任、领域经验和无法从公共资料重建的反馈，提前行动通常有明确价值。

如果积累的主要是当前模型缺陷的补丁，那么“更早开始”也可能只意味着更早背上维护成本。

## 等待也不是默认答案

判断一个想法是否值得立即实现，并不是为不行动寻找理由。

很多问题只有进入现实以后才会暴露。用户是否真的需要它，原来的问题定义是否成立，哪些功能属于核心，哪些只是想象出来的需求，都很难只靠思考得到答案。

因此，等待和长期建设之间，还存在一种更轻的选择：做一个可以被丢弃的实验。

它不急于建立完整架构，也不假设自己会成为长期平台。它只是用尽可能低的成本，换取一个原本无法获得的事实。

这样的实现即使最后被删除，也不一定是浪费。只要它回答了一个真正影响决策的问题，就完成了自己的任务。

关键不在于是否动手，而在于不要把探索自动包装成长期资产。实验的目的，是减少不确定性；长期系统的目的，则是承担持续责任。两者不应该因为使用了相同的代码和工具就被混为一谈。

## 先发优势，也可能是先发成本

技术领域经常强调先发优势，但 AI 时代需要进一步区分两种先发。

一种先发会形成长期积累。技术变化以后，用户关系、数据、经验和现实反馈仍然存在，并继续改善后来的版本。

另一种先发，只是在替未来模型完成今天还做不好的事情。模型能力提高以后，原来的复杂结构不再带来明显优势，却仍然需要兼容、迁移和维护。

这两种先发在早期看起来非常相似：都需要投入时间，都可能形成复杂系统，也都能在短期获得更好的结果。

区别通常要过一段时间才会显现。

所以，在决定是否提前建设时，可以先问几个更具体的问题：

- 如果所有人明天都能实现同样的功能，今天留下的优势是什么？
- 现在行动会获得哪些等待无法获得的事实？
- 模型升级以后，哪些积累仍然存在？
- 什么证据会让我继续投入，又有什么信号意味着应该停下？

判断并不是在动手以前把未来完全算清楚，而是让投入能够被检查，让系统能够被缩小，也让错误方向可以及时退出。

## 研究也不是例外

类似的变化同样发生在研究领域。

AI 可以生成猜想、搜索资料、提出证明路线、设计实验，也可以帮助检查推导和实现验证代码。但一个猜想并不自动构成理论，一条证明路线也不等于证明，更不等于这个问题值得被投入长期研究。

真正困难的部分仍然包括：对象是否自然，问题是否重要，假设是否揭示了结构，还是只为了让证明成立；一个推广究竟增加了理解，还是仅仅增加了复杂度。

AI 可以参与这些评价，比较不同路线并给出理由。变化不在于人类拥有某种模型永远无法触及的神秘判断力。

更实际的区别是，研究资源、机会成本和结果带来的影响，最终仍然要由现实中的个人和机构承担。生成能力提高以后，候选方向会变得更多，选择研究什么的责任却不会因此消失。

成果也不只是最早说出一句话。它还需要定义、证明、证据、解释，以及能够让其他人继续工作的结构。

## 真正需要保护的是什么

如果一个想法被别人知道以后就能被迅速重复实现，那么单独隐藏它，可能无法提供想象中的长期保护。

更值得保护的，通常是围绕它形成的上下文：为什么这个问题值得解决，哪些尝试已经失败，什么证据改变过判断，哪些边界不能为了方便实现而被放宽。

还包括那些无法轻易重新获得的现实积累：用户的信任、独有的数据、长期反馈，以及在一次次取舍中形成的标准。

这些东西很难被压缩成一句提示词，也不会因为别人看到了最终产品就自动复制过去。

想法的价值因此没有消失，而是从被想到的那一刻，逐渐移向它被选择、验证、修正和长期发展的过程。

## 进入现实的门槛

AI 会让产生想法和初步实现都变得越来越容易。

但现实并不会因为实现变便宜，就突然拥有无限的注意力、数据、权限和维护能力。每一个真正进入现实的系统，仍然会占据资源，建立依赖，并带来需要有人承担的后果。

过去，高昂的执行成本替我们挡掉了许多选择。大量想法在到达实现以前就自然消失，我们不必明确说明为什么不做。

当这层成本下降以后，原本被它遮蔽的问题就会重新出现：

什么问题确实存在？什么方向值得现在行动？什么实验只需要短暂存在？什么结构值得成为长期系统？又有什么东西，虽然已经能够实现，却不值得继续占据现实？

AI 没有让想法失去价值。

它只是让“想到一个东西”越来越难以单独构成优势。

实现可以越来越便宜，选择却不会因此变得无关紧要。

想法仍然重要，只是它的价值不再停留在被想到的那一刻，而要在后来的一系列判断中逐渐形成。