AI行业有两种人：追指标的和看结构的
系统不在乎你觉得什么重要。你衡量什么，它就生产什么。你衡量的是震撼感，你收获的就是一次性烟花。
最难 debug 的 bug，不是代码写错了，是系统结构让每个人都”对”了，但结果还是错的。
追指标是使劲推，看结构是找杠杆。
我一直以为在 AI 行业，拼的就是谁跑得快。谁先发模型谁赢，谁先上线谁赢，谁先刷屏谁赢。我带着这个信念做了一年产品，越做越感觉不对劲。明明团队所有人都在拼命跑，回头看怎么感觉像在原地转圈？
最近看了德内拉·梅多斯的《系统之美》。读完之后我发现，也许我们可以从系统运行底层规律的角度来理解。
如果你也有过这些困惑：为什么有的产品首周爆火，两个月就凉了？为什么团队里每个人都没做错，结果还是一团糟？为什么越卷越累，但看不到终点？
这本书可能会给你一个全新的角度。
接下来是我的理解。简单说就一件事：AI 行业的很多问题，不是技术问题，而是系统结构问题。而大多数人解决问题的方式，恰恰在强化这个结构。
两种人，两种游戏
工作中其实有两类人、两种做事方式，分别是追指标和看结构。
追指标的人盯着数字干活：下载量、日活、融资额、发布速度。数字涨了就是对的，跌了就换方向。
看结构的人问的是另一层问题：这个数字为什么涨了？涨了之后系统会怎么反应？我优化的这个东西，真的是最重要的东西吗？
表面上这两类人可能在做同一件事，但结果完全不同。
追指标长什么样？
陷阱一：你衡量什么，系统就生产什么
Sora 就是一个教科书级的例子。
2024 年末发布，首周 iOS 下载 62.7 万次，比 ChatGPT 当年还猛。所有人都觉得这是下一个现象级产品。两个月后，日下载从 10 万掉到不足 2.5 万。
为什么？因为 Sora 从第一天起优化的就不是”用户能拿它干什么”，而是”用户看到它有多震撼”。但震撼感这个东西，用一次就没了。你不会每天打开一个 app 就为了再震撼一次。
系统不在乎你觉得什么重要。你衡量什么，它就生产什么。你衡量的是震撼感，你收获的就是一次性烟花。
整个娱乐赛道都在滑向同样的坑。有创业者说得很直白：“大家越来越不在意完整性，只在意过程中每一段的正反馈够不够强。就像短剧，越往后越没意思，但这不重要，过程中你爽过了就行。”
爽感是消耗品，但产品不应该是。
陷阱二：每个人都只盯着自己的指标
追指标还有一个更隐蔽的表现：团队里每个人都在追自己的指标，每个人都”做对了”，但加在一起结果是错的。
我亲身经历过一个例子。产品和技术吵架。技术要自建，盯的是架构扩展性的指标。产品要用第三方快速上线，盯的是 MVP 交付时间的指标。
两边都有道理，因为两边看到的信息不一样，优化的目标也不一样。选了技术的方案，交付延期了。选了产品的方案，MVP 过关了，但公司最终还是要自建，之前的投入也是浪费。
事后看，很难说谁对谁错。
梅多斯管这叫”有限理性”，意思是每个人基于自己能看到的那一段做了最合理的决定，但个体最优加在一起，不等于全局最优。
最难 debug 的 bug，不是代码写错了，是系统结构让每个人都”对”了，但结果还是错的。
追指标的人遇到这种事会想：下次多开会、多沟通，大家要有全局意识。看结构的人会想：怎么改变流程，让两个团队在做决策之前就不得不看到对方的约束？
如何从”追指标”切换到”看结构”？
那你可能会问：道理我懂了，具体怎么做？
书里给了几条线索。
第一，别藏信息。
她原话说：“你不可扭曲、延迟或隐瞒信息。”
这正是产品和技术吵架那个问题的药方。两个团队之所以做出互相矛盾的”正确决策”，根源就是各自只看到了自己那一段的信息。解决方案不是多开几次会，而是在结构上让信息流通。比如让技术在产品规划阶段就看到交付压力，让产品在选型阶段就看到长期架构成本。
第二，别一口气跑完，步步验证。
有人算过：一个 18 步的任务，每步准确率 90%，最终成功率只剩 15%。
AI Agent 的演进就是这条教训的最佳注脚。早期做 Agent 的思路是往模型里塞更多指令，让它一口气跑完整个任务。结果开发者试过了，成功率反而下降，token 成本还多了 20%。现在流行的做法是 Harness Engineering：在系统层面加约束，代码拦截器、自动重试、分步验证，在关键节点停下来，让人看一眼、校准一下，再跑下一段。
不是教模型想得更对，是让架构兜住它想错的时候。
设计一个容错的结构，比培养一群完美的个体现实得多。
第三，别预设，去感知。
梅多斯在书里讲过她滑雪的感悟：在雪道上，你没法在山顶就规划好每一个弯怎么转，雪况、坡度、速度随时在变，你只能盯着前方、感受脚下、不断调整。她说她后来才意识到，做管理、做决策也是一样的道理。
Sora 的问题就是反面。团队从一开始就预设了用户要的是对技术的”震撼”，然后照着这个假设一路冲。如果他们不是追着”首周下载量”跑，而是像在雪道上一样，边滑边感受地形，观察用户真实的使用行为，比如他们拿视频生成做什么、在哪个环节放弃、什么场景下会回来，产品走向可能完全不同。
回头看前面这三件事，其实都指向同一个道理：你不需要在系统里每个环节都使更大的力，你需要找到那一个对的位置。让信息流通是一个杠杆点，加一层分步验证是一个杠杆点，把衡量标准从”震撼感”换成”留存率”也是一个杠杆点。改动不大，但撬动的东西完全不同。
追指标是使劲推，看结构是找杠杆。
所以回到开头
我以前觉得 AI 行业拼的是速度。现在我觉得，速度只是放大器：方向对了它放大成功，方向错了它放大灾难。
Sora 的死不是因为技术不行，是没有去感知用户真正需要什么。Agent 不稳定不是因为模型笨，是没人给它设计容错的系统。团队内耗不是因为谁不够努力，是信息结构让每个人都只看到了局部。
这些问题，都不是”更快”能解决的。
速度决定你能跑多远，结构决定你能不能跑对方向。