AI 生产力的唯一落点

晚上和炎明吃饭，聊到 AI 的实际应用。几杯酒下去，话题从宏大叙事落到日常体验。我俩有个共同感受：

AI 目前能有生产力的，只有 coding 这一项。

这是一个残酷但诚实的判断。

为什么只有 Coding

仔细想想，Coding 和其他场景有什么本质不同？

第一，输出可验证。 代码跑不跑得通，一运行就知道。结果客观、即时、无歧义。AI 写对了就是对了，错了就是错了，不存在"写得好不好"的主观拉扯。

第二，反馈闭环极短。 写一段代码 → 编译/运行 → 看到结果 → 修改，这个循环可以秒级完成。AI 和开发者之间形成了高频的"对话-验证-迭代"机制。

第三，错误可容忍。 代码写错了不会死人。你可以反复试错，直到跑通为止。这种低代价的试错环境，是 AI 学习和人类协作最舒服的区间。

第四，人类判断力最低介入。 代码的逻辑正确性由机器判定，不需要专家逐行审阅。非技术类任务（写文章、做设计、决策建议）都需要人的判断力做最终把关——这恰恰是最稀缺的。

其他场景为什么不行

• 写文章 → 需要人类判断风格、语气、事实准确度，改了半个小时不如自己写
• 数据分析 → AI 能跑数，但"问对问题"才是关键，而这个恰恰是 AI 做不到的
• 创意设计 → 生成一堆选项，人类从中选一个最不差的，本质是降本不是提效
• 聊天陪伴 → 有情绪价值，但没有产出，不算生产力

这些场景的共同问题：判断成本转移了，但没有消失。 写文章的时候，AI 帮你省了打字的力气，但审稿的时间一点没少。效率提升只是把体力活变成了脑力活。

Coding 也是例外，也是范式

但仔细想，未来真正有生产力的 AI 场景，都会呈现出某种"可验证性"——无论是否在写代码。

比如合同审查：如果有一套明确的合规规则，AI 可以逐条校验；比如医疗影像：如果有标注好的数据集，AI 可以辅助诊断。这些场景的共同特征都是：输出可以被客观判定对错。

而那些依赖人类主观判断的领域——策略、审美、人情世故——AI 很难产出真正的生产力。不是技术问题，是评价标准的问题。

写在最后

和炎明的一顿饭，让我更清楚了一件事：AI 不是万能工具，它是一把专门在"可验证"领域发力的扳手。

承认它的边界，比鼓吹它的全能，更有意义。

而当前这把扳手最趁手的活，就是 coding。这也是为什么从大厂到个人开发者，都在往这个方向猛押注——不是跟风，是因为这里真的能看到产出。