来源

执行成本下降之后，瓶颈转向治理

这期 Community Wisdom 收录了六组社区讨论。按汉松的兴趣画像，最值得保留的主线很清楚：AI 显著降低了执行成本，选择、协调、信任和上下文治理随之成为主要成本。生产系统的瓶颈因此从做得慢，迁移到了选什么、如何协同，以及怎样让结果可靠。

背景：当原型和功能可以在一天内完成，季度规划原先承担的风险控制功能会被削弱。规划本身仍然重要，只是它开始围绕问题、结果和跨团队协调展开。

季度周期原本是一种批处理机制。过去交付一项功能需要六周，一次错误下注就会烧掉整个季度，所以团队只能在规划季提前完成所有争论。当构建成本降到一天，这套数学就失效了。团队开始根据真实运行结果决定什么值得保留，提前预测逐渐让位于持续筛选。

规划被移到了证据之后。团队先把想法做成可运行的原型，再决定是否真正投入。问题选择、目标对齐和跨职能协调继续存在，路线图则逐渐摆脱预测未来的任务。

大型客户吸收变化本身也有成本。产品团队可以更快发布，客户仍按自己的节奏采用。战略规划既要判断什么值得构建，也要判断客户能够承受怎样的变化节奏。

兴趣匹配度很高。这里把 AI 对产品规划的影响解释成成本结构变化：执行更便宜以后，规划从承诺机制演化为证据筛选和组织协调机制。

背景：合规市场的表层工作已经被大量工具覆盖，真正紧迫的问题位于运营决策层。它们需要解释、判断和承担责任，而且监管者、审计方或交易对手拥有否决权。

判断一个机会时，可以寻找 PULL 条件：客户面对一个当前无法回避的问题，正在主动寻找方案，同时认为已有方案都存在关键缺口。已经在正常运转、只想节省一点时间的客户，通常只有锦上添花的需求。

合规领域真正缺氧的问题位于框架下面的运营决策层。工具可以收集文件和证据，人在面对审计、银行或监管者时仍要解释为什么这个决定成立。只要有一方能够说不，并且答案依赖推理而非材料收集，那里就存在高强度需求。

兴趣匹配度高。PULL 把市场发现从宽泛行业判断改写为可验证的客户状态；合规案例进一步说明，AI 的价值重点在于支撑判断链路，批量生成看似正确的文档只会延长尽调。

背景：社区成员的实践显示，AI 能覆盖研究、线索整理和初稿，但发送、回复解释、CRM 更新等关键动作仍需要人工判断。早期 GTM 的难点也包括 ICP、购买者角色和消息验证，这些工作无法由一个自动化工具代替。

AI 可以自动化流程中的很大一部分，但关键决策点仍需要人工监督。每封邮件在发送前都要检查，以免形成批量 AI 腔；回复也要先由人判断，再允许系统更新 CRM。

AI SDR 更适合帮助一个人扩大产能。新业务动作还需要有人定义理想客户画像和购买者角色、验证信息、建立线索来源、外呼流程与 CRM 系统。工具接手的是局部劳动，责任主体仍然存在。

兴趣匹配度很高。这是一个清晰的人机分工原则：模型负责扩展候选和起草，人负责高风险动作与状态变更，系统用检查点把两者连接起来。

背景：在 1500 人研发组织中建设规格驱动的 AI SDLC 时，提示词只是表层。系统能否分辨当前与过期、正式结论与讨论草案、已决事项与待人工判断事项，决定了它是否会制造返工和信任损耗。

最难的部分通常是上下文治理。Agent 一旦无法区分当前与过期、规范来源与临时讨论、已经决定与仍需人工判断，就会生成外表出色、实际持续制造返工和信任问题的成果。

应当把和 Agent 同等的精力投入运行模型：建立事实来源层级、清晰的交接包、显式决策记录、验收标准与验证关卡，并区分负责规划、执行和检查的角色。值得观察的核心指标是返工，包括澄清循环、工单重开、规格与设计错配、评审负担和一次验收通过率。

组织知识分散在 Wiki、数据目录、代码、文档和人的头脑中，Agent 每次都要重新拼接上下文。Open Knowledge Format 的思路是把每个概念写成带 YAML 元数据的 Markdown 文件，并用链接组成可导航的知识图谱，让上下文成为可维护的基础设施。

兴趣匹配度极高。这几段几乎可以直接转成 Agent 系统的验收标准：可信来源、显式状态、结构化交接、独立验证，以及以返工而非生成速度衡量系统价值。

这期最有价值的共同判断是：AI 把执行推向低成本之后，选择与治理会成为主要成本。产品规划、市场发现、销售外呼和 Agent SDLC 看似分属不同领域，实际都在回答同一个问题：哪些判断可以自动化，哪些状态必须显式保存，哪些动作需要人承担责任。