漫谈 AI 提效的几个问题

AI 真正的上行空间不在于单个组织消耗 token 冲破天际线，而在于基本的大盘子从 0 到 1 开始到 AI token 使用

1. 为什么 AI 实际上能提高十倍百倍的生产力，但实际上在组织里我们的体感没有这么高？

深度使用 AI 提升生产力一定是比不使用 AI 更累，对人脑的心智负担以及并发处理任务的要求很高，并且长期来看一定会造成脑腐现象（专注力下降，容易毛躁）。

旧的生产关系和分配制度没办法让大家真的愿意把 AI 生产力拉满，对于部分高产的团队成员来说完全吃力不讨好，高产出需要和高回报相匹配，组织需要重新设计分配制度，有了真正的激励之后才能把 AI 带来的生产力提升最大化。

这个实验中是因为 Token 完全不限量，大家都可劲蹬，甚至开了 Fast 模型，会造成用大炮轰蚊子的现象。

我在很长一段时间都很鼓励不管处理什么任务都默认用 Sota 模型，因为我觉得 Token 计价太落后了，需要从 Task 甚至 Project 维度对 AI 成本进行计算，考虑到返工成本、人维护处理的成本，对于大项目来说 Sota 模型的成本可能更低。

但是 gpt 5.6／claude 5 出来之后，模型能力已经相当牛逼了，对于很多小任务来说使用次优，甚至次次优模型绝对是性价比更高的选择。

如果换成限量模式（比如每人几个 coding plan 账号），成本就能大幅下降。

一方面是因为 coding plan 比 api 计费便宜很多，另一方面是大家有用量的制约就会把算力当成有限资源，会从性价比的角度出发选择更合适的模型。

我日常用 Claude 模型更多，虽然 Fable 的 token 定价是 opus 的两倍，但实际用起来会发现 Fable 5 low 的消耗速度是 Opus 5 high 的 3-4 倍左右。

我反而不觉得这是个问题，这是使用 AI 提高生产力所必须承受的代价。

追求 AI 提速和人的掌握是推进一个项目的一体两面，通常来说大体方向只能选择一个，当然，也可以尝试做平衡。

但是项目逐渐变得黑盒、臃肿，是引入 AI 开发的一个必然趋势，而且 AI 依旧能够定位到很多细节问题，本质上只是拖慢了人类定位某个具体问题的速度，只要使用 AI 的开发者依旧能通过 AI 把控项目的大整体，我觉得这个代价是可接受的。