夜雨聆风
近日，Anthropic旗下编程工具Claude Code的创造者鲍里斯·切尔尼（Boris Cherny）与红杉资本合伙人劳伦·里德（Lauren Reeder）进行了一场深度对谈。在满座的科技投资者面前，Boris表示，从2025年底开始，他已经没有再手动写过一行代码，所有代码100%由模型完成。而他如今每天的产出，是10到30个Pull Request（代码协作与审查机制）——相当于一名优秀传统工程师周均工作量数倍的输出，在某些高峰阶段甚至更多。
同期，主打AI辅助编程的代码编辑器Curso，以极小规模的团队做到了20亿美元年经常性收入（ARR），成为B2B软件史上增速最快的公司之一。而Midjourney，同样以极少的人手，在图像生成领域建立起行业级的美学标准。
很多人习惯把这些数字归因于AI工具本身的强大。但这个解释并不完整，甚至可以说，它忽略了真正关键的问题。如果工具才是决定性变量，那么当所有公司都使用同样的工具之后，差距理应逐渐缩小。但现实恰恰相反，差距不仅没有消失，反而还在持续扩大。
真正的变量，藏在组织对某一类核心角色的认知与重视程度里。
一位长期关注AI与组织变革的作者，将AI时代组织中的人类角色归纳为四类：Strategist（战略者）负责把控全局方向；Composer（编排者）负责编排AI完成产品生产；Servicer（服务者）负责连接客户与市场；而第四个角色，则被他视为整个体系最稀缺、也最难被替代的核心——Taster（品鉴者）。
当AI开始大规模接管执行工作之后，Taster所负责的是最关键、也最难回答的问题：“这个，够好吗？”这个角色在AI Native公司被高度重视，但在大多数传统企业里，它几乎从未被单独定义，更谈不上被系统培养。
执行力贬值
是一个正在发生的事实
过去几十年里，执行力始终是一种稀缺资源。写出高质量代码，需要多年训练；做出专业设计，需要系统学习；输出一份结构严谨的分析报告，也需要长期实践积累。组织之所以雇佣大量专业人才，本质上是在购买这种执行能力。
但今天，AI正在迅速改变这个前提。代码、设计稿、分析框架，都可以由AI快速生成；甚至会议纪要、项目方案、市场报告，也都能够在极短时间内被批量产出。
然而，执行门槛的降低，并不意味着一切变得更简单。相反，它带来了一个更微妙、也更深刻的变化：执行越容易，判断越昂贵。
原因并不复杂。当一个人一天可以生成十个方案，而不是过去一个月只打磨一个方案时，哪个方向值得投入、哪个版本值得发布、哪个决定真正符合公司的长期目标，这些问题会变得前所未有地关键。因为一旦方向判断错误，AI会以更快的速度、更大的规模，在错误的道路上持续狂奔。
这是AI“放大器效应”最容易被忽视的一面：它不仅放大了执行效率，也同步放大了判断失误的代价。
而组织中的Taster，正是在这样的背景下，变成一种极度稀缺的能力集合。它不是一个职位名称，而是一种承担“最终判断责任”的能力——回答那个最核心、也最困难的问题：这个，真的够好吗？
Taster到底在判断什么
这个问题值得认真拆解，因为“判断力”这个词，太容易被误解成一种模糊的直觉，或者某种无法解释的“经验感”。但实际上，Taster的判断，是有清晰结构的。
第一层
方向判断
这件事，到底值不值得做？
任何组织的资源都是有限的。时间有限、人力有限、注意力更有限。在执行成本尚未大幅下降的时代，这个问题的容错空间还相对较高——方向错了，大不了重新再做，代价可控。但当AI把执行速度提升十倍之后，错误方向的机会成本，也会被同步放大十倍。
很多管理者在这一层上都有一个共同盲点：回避取舍。面对多个方向时，他们倾向于都试一试，用并行推进代替真正的优先级判断。在资源充裕、竞争节奏较慢的时代，这种方式或许还能勉强运转；但在AI时代，它会迅速演变成一种效率陷阱，因为每个方向都拥有了足够快的执行速度，但没有任何一个方向真正获得资源聚焦。
方向判断，是Taster最难、也最重要的能力之一。它要求管理者清晰区分“我们应该做什么”与“我们可以做什么”，并且有能力、也有勇气，在两者之间完成真正的选择。
第二层
标准判断
做到什么程度，才算“够好”？
这个问题看似简单，但现实里，大量团队的内耗与返工都源于这里。一个缺乏清晰标准的团队，往往会陷入一种熟悉的困境：每次交付都有争议，每次争议都以“再改一版”收场，没有人真正知道什么时候可以停止。
Anthropic产品负责人吴凯特（Cat Wu）在访谈中提到过一个关键概念：product taste（产品品味），是当下最稀缺的能力之一。所谓“品味”，本质上是一套被内化的标准系统——知道什么是好的，什么是不够好的，什么是在当前阶段已经足够好的。
而真正有效的标准，不能只停留在Taster个人的大脑里。Taster的重要工作不只是做判断，更是把判断标准显性化，让团队能够理解、对齐，并逐渐形成共同的语言，而不是每一次都依赖最高层亲自裁决。
第三层
对齐判断
这个决定，真的符合公司的长期方向吗？
局部最优与整体最优之间，往往并不一致。一个团队视角里的最优解，放在公司整体层面未必成立；一个季度内看似正确的决策，放到三年的战略周期里，也可能代价高昂。
这一层判断，要求管理者能够不断切换视角。既看到局部，也看到整体；既理解短期效率，也理解长期代价。
这也是为什么真正优秀的Taster，往往具备跨领域的认知宽度。只懂单一领域的专家，很难在这一层做出稳定而可靠的判断。
为什么Taster这么稀缺
如果Taster真的如此重要，为什么大多数组织里它依然极度稀缺？答案也许就藏在两个非常常见的认知误区里。
误区一
经验，等于判断力
做了十年管理，并不意味着Taster能力也同步增长了十年。经验只是判断力的原材料，而不是判断力本身。
长期重复同类场景，会不断强化一个人的执行熟练度，却未必能够真正拓宽其判断维度。一个长期待在同一行业、同一模式、同一种组织文化中的管理者，可能对业务细节极其熟悉。但当他面对跨行业决策、新商业模式，或者陌生用户群体时，其判断能力未必比一个从业五年的人更强。
真正支撑Taster能力的，是认知多样性。是接触过足够多不同类型的真实决策，见过足够多不同领域的思维框架，经历过足够多在不同语境下的复盘与反思。这些能力，并不会随着时间自动增长，而需要被主动建构。
误区二
执行能力，遮蔽了判断能力
在长期以执行为核心的组织文化里，“能做事”往往比“会判断”更容易被看见。
一个能够准时交付项目的人，通常比一个能在早期发现方向偏差的人，更容易获得即时反馈与认可。因为前者的价值是显性的、可量化的；而后者的价值，则往往隐藏在那些“没有发生的问题”里——那些没有踩进去的坑、没有浪费掉的资源、没有走的弯路，几乎很少被纳入绩效体系。
久而久之，这种激励结构会系统性压制Taster能力的成长。管理者会越来越擅长在执行层面精益求精，却很少在“判断”本身上投入足够注意力。而当AI开始迅速拉平执行能力之后，这个长期被忽视的能力缺口，也许会突然变成组织里的“显眼包”。
相关推荐
当指令成为习惯，激发就成了盲区
中欧商业在线与知名组织行为学教授打造
《教练式领导力》系列课程
帮助管理者从控制思维转向赋能思维
重建人与人之间真正有效的协作关系
「码」上了解课程体系▼
Taster可以被培养吗
可以。但前提是，组织必须把它当作一件真正重要的事情，而不是期待它在日常工作中自然长出来。
培养Taster能力，至少需要三个条件。
No.1
接触真实决策的完整过程
真正有价值的学习，是理解一个完整决策的上下文：当时面对了哪些约束？为什么做出这个判断？哪些信息被纳入考虑？哪些被排除在外？结果如何？事后又如何复盘？
只看结果的学习，很容易掉进“幸存者偏差”。真正能提升判断力的，是理解决策形成的内在逻辑，以及那些当时看起来合理、后来被证明错误的推断，究竟是如何产生的。
No.2
掌握跨领域的思维框架
Taster能力的本质，是一种迁移能力。能够把在一个领域里获得的认知工具，迁移到另一个完全不同的情境中。这意味着，管理者需要主动扩展自己的认知边界，而不是永远停留在已经熟悉的领域反复深耕。
战略思维、决策框架、用户洞察、财务逻辑、组织设计原则……这些看似属于不同领域的工具，在真实商业判断中，往往需要被同时调用。单一领域的深度，无法替代多维认知的宽度。
No.3
在低风险环境中反复练习
判断力一定需要练习。但真实业务环境的容错率往往很低，因为错误判断可能直接影响产品方向、团队信心，甚至客户关系。因此，管理者需要一个能够犯错、能够复盘、能够重新来过的“练习场”。
只有在低风险环境里反复训练，判断才会逐渐形成稳定的“肌肉记忆”，并最终迁移回真实业务场景。
这三个条件，共同构成了Taster能力系统性成长的基础。缺少任何一个，培养都容易停留在信息积累的层面，而无法真正完成判断能力的提升。
*****
回到文章开头。Boris Cherny每天能够完成10到30个Pull Request，并不是因为他比别人更勤奋，也不只是因为他使用了更强大的工具。更关键的是，像 Anthropic 这样的AI Native组织，从一开始就非常清楚：工具负责执行，人负责判断。这两件事之间的边界，在他们那里是清晰的。
同样，Cursor 能做到20亿美元ARR，也并不只是因为他们更早拥抱AI，而是因为他们愿意把最稀缺的时间与注意力，持续投入到一个问题上：“这个，真的够好吗？”
AI时代的竞争格局，正在加速分化。工具层面的差距会越来越小，因为优秀工具一定会快速普及；但判断层面的差距，却会越来越大，因为判断力这种东西无法被下载，也无法被购买。它只能被长期培养。
编辑 | 鸽子
参考来源 |
《ClaudeCode之父：“全员编程”时代，企业真正领先在于“组织流程的代差”》，华尔街见闻
《深思 | 双层四角：如何面向AI Native进行组织的重构》，张斯成
Why Coding Is Solved, and What Comes Next，Boris Cherny，红杉资本AI Ascent 2026
Boris Cherny, Head of Claude Code: What happens after coding is solved, Lenny's Podcast
How Anthropic's Product Team Moves Faster Than Anyone，Cat Wu，Lenny's Podcast
Cursor（Anysphere）ARR数据：Bloomberg、TechCrunch
