# 实现不再稀缺之后 AI 正在拿走执行成本曾经借给想法的稀缺性。想法仍然重要，但它的价值越来越取决于选择、时机，以及实现以后能留下什么。 ## 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: 2026-08-17 - 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，再部署成一个能用的版本。这些事情还没有简单到不需要工程能力，但从一句想法到初步实现，中间的距离已经明显缩短。 想法没有因此失去价值。 只是，AI 正在拿走执行成本曾经借给它的稀缺性。 ## 执行曾经保护想法 过去，一个想法要进入现实，必须跨过很多门槛。 软件需要团队，研究需要长期验证，产品需要渠道和资源，复杂系统还要部署、运维和持续维护。许多人也许想到过相似方向，真正能完成实现的却很少。 所以，一个想法的领先优势，未必来自它有多难想到。很多时候，真正形成保护的是后面的执行成本。 它给最早行动的人留出时间。别人即使理解了方向，也要重新组织团队、积累技术、准备资源，再走一遍漫长的实现过程。 AI 压缩的，正是从表达意图到形成初步结果的距离。搜索、原型、编码、内容生产和一部分验证都变得更便宜。过去足以形成几个月领先的门槛，可能只剩几周，甚至几天。 成本下降并不均匀。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，不会因为模型会写代码就自动出现。 真正开始松动的是：仅靠“别人暂时做不出来”维持的优势。 ## 做出来以后 AI 时代很容易出现一类听起来颇有吸引力的想法：新的 Agent、新的工作流、行业智能工具、自动化平台，或者一种新的模型应用。 它们都可能解决真实问题。 但如果一个方向可以用一句话完整描述，别人听完以后，也能使用相同模型和工具迅速做出类似结果，那么这句话本身很难构成长久优势。 这不表示产品会变得完全相同。 从同一句描述出发，不同的人仍会选择不同边界，接触不同用户，得到不同反馈，并形成不同的数据、经验和工作方式。 真正难以复制的部分，通常在实现以后才开始出现：对问题的持续理解，和真实使用者的关系，在错误中形成的判断标准，能够修正产品的反馈循环，以及愿意长期承担维护责任的组织。 想法仍然是起点。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，会留下什么 执行便宜以后，一个自然反应是尽快把所有想法做出来。 但有些想法缺的不是实现，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补偿结构。模型处理不了长上下文，就搭复杂的分层知识库；模型不能稳定规划，就把每一步固化成工作流；模型不能可靠验证，就增加角色、提示词和人工检查。 这些结构当时可能完全合理，也确实解决问题。但如果它们主要是在替某代模型补缺，模型跨过门槛以后，早期积累就会迅速从资产变成维护负担。 所以，一个想法刚出现时，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，提前行动有明确价值。 如果积累的主要是当前模型缺陷的补丁，更早开始，也可能只是更早背上维护成本。 ## 做一个可以丢掉的实验 等待当然不是默认答案。 很多问题只有进入现实才会暴露。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，都很难坐在原地想明白。 等待和长期建设之间，还有一个更轻的选择：做一个可以丢掉的实验。 它不急着建立完整架构，也不假设自己会成为平台。它只用尽可能低的成本，换取一个原本无法得到的事实。 这样的实现最后即使被删除，也不一定浪费。只要回答了一个真正影响决策的问题，它就完成了任务。 关键不是动不动手，而是别把探索自动包装成长期资产。 实验负责减少不确定性。长期系统负责承担持续责任。两者用了相同的代码和工具，也不是同一件事。 ## 先发也可能先背债 技术领域喜欢谈先发优势。AI 时代，还要分清两种先发。 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，复杂结构不再带来明显优势，却仍要兼容、迁移和维护。 两者早期看起来很像：都投入时间，都形成系统，也都能短期获得更好结果。 区别通常过一阵才出现。 决定是否提前建设时，可以问得更具体：如果所有人明天都能实现同样功能，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，又有什么信号意味着应该停下？ 判断不是在动手前把未来算清楚。它只是让投入可以被检查，系统可以被缩小，错误方向可以及时退出。 ## 研究也一样 类似变化也发生在研究里。 AI 可以生成猜想、搜索资料、提出证明路线、设计实验，也可以检查推导和实现验证代码。但一个猜想不是理论，一条证明路线也不是证明，更不表示这个问题值得长期投入。 真正困难的仍然是：对象是否自然，问题是否重要，假设是否揭示结构，还是只为了让证明成立；一个推广增加了理解，还是只增加复杂度。 AI 可以参与这些评价，比较路线并给出理由。区别不在于人类拥有某种模型永远无法触及的神秘判断力。 更现实的是，研究资源、机会成本和结果影响，最后仍由现实中的个人和机构承担。候选方向变多以后，选择研究什么的责任不会消失。 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，以及能让其他人继续工作的结构。 ## 真正难以复制的东西 如果一个想法被人知道以后，就能迅速重复实现，单独隐藏它，未必能提供想象中的长期保护。 更值得保护的，是围绕它形成的上下文：为什么问题值得解决，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放宽。 还有那些无法轻易重新获得的现实积累：用户信任、独有数据、长期反馈，以及一次次取舍里形成的标准。 这些东西很难被压缩成一句提示词，也不会因为别人看见最终产品就自动复制过去。 想法的价值没有消失。它只是从被想到的那一刻，移向被选择、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越来越容易。 现实却不会因此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，高昂执行成本替我们挡掉了许多选择。大量想法在实现以前自然消失，我们不必明确解释为什么不做。 这层成本下降以后，被它遮住的问题重新出现：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，虽然已经可以实现，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。 实现可以变得便宜。 选择不会。