验证很便宜，对齐很贵
过去一两年里，最明显的变化是：把一个想法做出来，从几周缩短到一个下午。
但有一件事几乎没变——把这个想法讲给另一个人听，让对方理解、认同，再一起分好工。这件事的成本还和从前一样，甚至更高了。
我越来越觉得，这两种成本此消彼长，会慢慢改变“谁来满足需求”这件事。
两种成本
一件事从想法到落地，大致要付三种成本：想清楚、做出来、和别人对齐。
AI 大幅压缩的是第二种。写代码、画原型、查资料、搭一个能跑的版本，都比从前快了一个数量级。
问题在于，一个流程里只加速其中一段，剩下的那段就会变成瓶颈。过去一个团队里，沟通可能占三成时间；执行压缩之后，同样的沟通就占了七成。
更麻烦的是，对齐的需求会随着产出一起增长。每个人一天能写出三份方案、两个原型，需要被评审、被讨论、被取舍的东西就多了好几倍，而负责评审的还是那几个人，开会的时间还是那么多。产出在膨胀，对齐的能力没有跟上。
于是出现了一个有点反直觉的局面：大家都用上 AI 之后，彼此之间的沟通反而更贵了。
合作的理由在变弱
经济学家科斯问过一个问题：既然市场能配置资源，为什么还需要公司？答案是，有些协作放在公司内部完成，比在市场上一次次谈判更便宜。公司的边界，就画在内部协调成本和外部交易成本相等的地方。
分工也是同样的道理。过去做一个产品，需要有人懂需求，有人做设计，有人写前端，有人写后端，有人测试。一个人做不完，所以大家必须坐在一起，哪怕沟通代价很高，合作依然划算。
现在情况变了。一个人带着 AI，常常就能把一个想法从草图推到能用的版本。要不要再拉一个人进来，需要重新算账：新加入的人带来的增量，能不能超过和对方对齐的成本？
越来越多的时候，答案是否定的。验证一个想法很便宜，自己试一下就知道了；说服别人一起试，反而很贵。
这意味着组织的合理规模在缩小。
为什么大公司的增益很小
AI 当然也让大公司里的每个人变快了：代码写得快，文档写得快，邮件回得快。
但大公司的瓶颈从来不在个人执行，而在协调：会议、评审、排期、跨部门对齐、层层审批。AI 加速的恰好不是这一段。个人产出变多，反而让需要协调的东西更多，瓶颈更堵。
个人和小团队正好相反。他们的瓶颈本来就在执行——想法很多，人手不够。AI 补上的正是这块短板，增益几乎可以完全兑现。
同样的工具，放在不同的结构上，效果可能差一个数量级。
需求的分裂
通用产品有它自己的逻辑：开发很贵，所以必须覆盖足够多的人；要覆盖足够多的人，就只能满足大家共有的那部分需求。
这就是为什么我们用的大多数软件都“差不多能用”。它照顾的是一个平均用户，而现实里没有人是平均用户。每个行业、每种爱好、每个小圈子都有自己的习惯和特殊要求，只是这些需求太小，不值得一家公司专门去做。
细分需求并不是不存在，而是不划算。
当做一个东西的成本降到一个人几天的工作量，一百个人的需求就值得满足了，有时候甚至一个人的需求也值得。那些过去被通用产品压平的需求，会重新浮现出来。
谁最懂某个细分人群想要什么？不是大公司的产品经理，而是这个人群里会用 AI 的那个人。这个人本身就是用户，需求和供给落在同一个人身上，对齐成本几乎为零。
所以我觉得，需求会沿着社群分裂开：某个行业的从业者，某种爱好的玩家，某个地方的居民，各自由身边的人做出最贴合自己的东西。
一个有力的反驳
对这个判断，最有力的反驳大概是：ChatGPT 本身就是一个通用产品，但它给每个人的回答都不一样。既然通用产品已经可以个性化，为什么还需要细分？
我的看法是，它提供的是能力，而不是贴合。
一个通用模型可以回答任何问题，但要把它组织成某个人群每天真正在用的东西——知道他们的资料放在哪里，习惯怎样的流程，哪些步骤绝对不能省，哪些坑大家都踩过——这些仍然需要贴近这个人群的人来完成。能力是通用的，贴合是局部的。
而这恰好指出了大公司以后的位置：平台。模型、算力、分发、支付、身份认证，这些地方规模效应依然成立，大公司依然有优势。它们会越来越像水和电，而不是端上桌的菜。
边界
这并不是说大公司会消失。
有些领域天然需要规模：芯片和模型训练需要巨额资本，金融和医疗需要信任背书与合规能力，社交网络依赖网络效应。这些都不是一个人带着 AI 能解决的。
细分产品也有自己的问题。做出来容易，维护下去难。一个下午做出来的工具，可能在半年后的某次系统升级之后就没人修了。验证便宜，不代表长期运营便宜。
所以更准确的说法是：大公司的优势在收窄，从“什么都做”退到“只做必须靠规模才能做的事”。
结尾
我想象中的图景大概是这样的：底下是少数几个平台，提供能力；上面是大量小而贴合的东西，由各自社群里的人做出来，服务自己和身边的人。
软件会从工业品变得更像手艺。很多东西不再需要大规模生产，只需要被恰好做出来。
过去评估一个需求，我们问的是“有多少人需要它”。以后也许该问：“有没有人在乎到愿意自己把它做出来。”