夜雨聆风这个病不是 AI 带来的，AI 只是让症状更明显了。
Kostiantyn Vlasenko 从来没写过代码。他在游戏公司 Mythical Games 做了十年项目经理。2026 年初，他用 Claude Code 做了一个压力管理 App，六周后上架了 Apple App Store [1]。
这个故事在科技媒体上的标题通常是这样的："零代码经验 PM，六周上线 iOS 应用。"
看到这种标题的人很难不心动。一个不会写代码的人做出了产品——这意味着什么？意味着任何人都可以。意味着你的 CEO 也可以，意味着下次开董事会的时候，你可以把这个案例甩出来。
但标题没告诉你的是：Vlasenko 搭建了 15 个以上的专业子 agent——架构师、Swift 开发、GPU 加速专家、代码审查员——在不同模块上并行运转。他把十年项目管理经验全部灌注到了 agent 编排里。他不是在"用 AI 写代码"，他是在用 AI 做他本来就会做的事：拆解任务、协调分工、审查产出 [1]。
这种细节在传播中消失了。留下的只有那六个字：六周，上线，App。
这不是一个新问题。
这不是 AI 才有的病
十多年前，一家市值曾达 2500 亿美元的跨国公司搞敏捷转型。他们把敏捷活动分成 9 个维度做成熟度评估——迭代、测试、用户故事，一套完整的打分体系。管理层盯着仪表盘，看到成熟度评分持续上升。转型在推进。形势一片大好。
实际情况呢？企业级敏捷工具根本没被开发人员接受。用户故事是迭代结束后补写的——纯粹为了合规记录。敏捷工具从流动和反馈机制退化成了文档工具。技术债务积重难返，系统构建一次需要 48 小时。
成熟度分数越做越漂亮，产品越做越烂。这家公司后来被微软收购了手机业务。
它叫诺基亚。
经济学家查尔斯·古德哈特在上世纪就总结过这个规律：当一项度量成为目标时，它就不再是一项好的度量。 比尔·盖茨说得更直白："用代码行数衡量软件生产力，就像用飞机重量衡量飞机生产进度。"
"面向领导编程"不是今天才有的。PPT 汇报文化、KPI 刷数据、给老板看的成熟度仪表盘——这些东西在 AI 出现之前就已经是组织顽疾了。一线的人知道真实情况是什么样，但管理层看到的数字在涨。
AI 让旧病更容易发作
区别在于，AI 让表演成本降到了接近于零。
以前做个 demo 需要一个团队忙几周。现在一个人、一台电脑、几十分钟。以前刷 KPI 好歹还得真干活。现在排行榜上的"AI 使用时长"，坐着不动就能涨。
Uber 就是活生生的例子。这家出行巨头去年在公司内部搞了 AI 工具使用排行榜——谁用得多谁排前面，典型的管理者视角：数字大就是好。结果全年 AI 预算四个月烧穿了。公司不得不给每位员工设了每工具每月 1500 美元的消费上限。
COO Andrew Macdonald 公开说了一句话：至今无法把 AI 使用数据对等到"实际产出了更多有用的消费者功能" [4]。
排行榜上的人都在努力刷使用量。但没有人看得清这些使用量换来了什么。
这不就是诺基亚的敏捷成熟度评分换了个壳吗？管理层看到的指标在涨，一线的实际产出在跌。只不过以前涨的是"迭代完成度"，现在涨的是"AI 使用量"和"代码生成行数"。
阿里云 CIO 蒋林泉从一开始就把"AI 生码率"排除在考核之外。他的理由很冷峻：开发人员实际写代码的时间只占整个交付流程的 20%。就算在那 20% 里，AI 最容易替代的也是价值密度最低的部分——单元测试、注释、胶水代码 [2]。
盯着生码率，就像盯着飞机重量判断生产进度。数字好看，方向是歪的。
最极端的那个版本
有一种形态把"面向领导编程"推到了极致——不是表演给领导看，而是领导的偏好直接取代了客户的需求。
某头部办公协作平台曾启动过一个旗舰级 AI 产品项目。一线共创的客户提了不少需求，但这些需求的优先级远不如另一条线：CEO 想要什么。
CEO 对产品设计有极强的表达欲。他的个人偏好被直接做成产品的默认设置。当一线开发人员觉得某个功能像 bug 时，得到的回复只有六个字——"这是他要的"。一位亲历者在复盘里写道，整个产品团队本质上在服务一个人的意志，却以为自己在服务千万用户 [3]。
客户提了需求，排期靠后。CEO 在会上随口一提的想法，第二天就进了开发冲刺。
项目越高压，汇报系统越早成熟。复盘里有句话特别精准："项目还在摇摆，模板已经稳定；能力还没闭环，changelog 已经齐全。" [3] 可汇报的东西取代了可沉淀的东西。
这个项目最终没有达到预期。客户真正需要什么，被排在了"领导想看什么"后面。
管理学者陈春花有一句话概括得很到位：管理只对绩效负责。如果考核体系追逐的是"AI 使用频次""代码量""操作次数"而非"客户续约率""一次解决率"，就是管理脱离了经营。
古德哈特定律在 AI 时代多了一层变体：你不只是考核什么就得到什么——你用 AI 考核什么，AI 就帮你生产什么。速度更快，泡沫更大。
观众也有病
到这里你可能会觉得：问题出在领导身上——他们太好骗了。
不完全是，问题也出在观众身上。
沃顿商学院的两个研究者 Shaw 和 Nave 做了一个实验。他们让受试者做认知测试题，然后给 AI 辅助。AI 给正确答案时，受试者接受率 93%。AI 给错误答案时，接受率 80%。
差距只有 13 个百分点。
但最扎心的数字在后面：有 AI 辅助的人，对自己判断的信心比没有 AI 的人高出 11.7 个百分点——即使刚刚接受了错误答案，信心仍然虚高 [5]。
你不仅接受了错误，还不知道自己在接受错误。
看完 AI demo 的观众就处在这个位置上。四小时写了一万行代码——"太强了"。但这一万行代码的架构是什么？安全审计做了吗？能跑在真实的生产环境里吗？这些问题不在 demo 的叙事范围内，而观众的判断力已经被表演的说服力覆盖了。
斯坦福 HAI 报告说全球 88% 的组织已采用 AI，麦肯锡调查说仅 1% 自认成熟 [6]。SAP 给出的数字更直白：74% 的企业 AI 项目无法走出试点。
88% 和 1% 之间，就是从 demo 到生产的距离。
聚光灯之外的判断
蒋林泉用了一个概念：技能通胀，品味通缩 [2]。
AI 让写代码变得越来越容易，"会写代码"这件事在快速贬值。真正稀缺的是品味——对业务价值的判断力。AI 只能做到平均水平，但有品味的人能定义什么是"好"。
Karpathy 说得精准：Vibe Coding 抬高了所有人做软件的下限，但 Agentic Engineering 才守得住专业软件的质量和安全门槛。demo 本质上就是一种 Vibe Coding——快、好看、令人印象深刻。但上限不取决于 demo 本身，取决于 demo 之后那些看不见的事。
从诺基亚的成熟度评分到 Uber 的 AI 排行榜，从某平台的 CEO 偏好驱动到 demo 观众的虚假信心——底层逻辑没有变过。一个组织在优化领导看到的东西，还是在优化产品本身，这两者之间的裂缝，是组织最隐蔽也最昂贵的成本。
2026 年的 AI 行业有一个画面：一个 PM 六周上线 App，一个 CEO 每天三小时写代码，一个排行榜上的数字不断攀升。领导看到的都是好消息。
代码确实变便宜了。但判断代码该不该写、该怎么组织、什么时候该停下来——这些能力比以前更贵了。
这种判断不在聚光灯下。它在凌晨两点的代码库里，在一个人盯着屏幕决定"这个方案到底行不行"的那一刻。
参考资料
[1] Anthropic, "How a non-technical project manager built and shipped a stress management app with Claude Code in six weeks", Day Zero: Founder Stories, 2026-05. https://claude.com/blog/how-a-non-technical-project-manager-built-and-shipped-a-stress-management-app-with-claude-code-in-six-weeks
[2] 蒋林泉, "代码首先是负债——一个 CIO 的 AI 效能实践复盘", 阿里云 CIO 年度复盘, 2026-05. https://mp.weixin.qq.com/s/TrgoIq3rWn6bpYT8Lvdwyw
[3] 某头部办公协作平台旗舰 AI 项目亲历者 7.5 万字复盘, 2026-06.
[4] Bloomberg, "Uber Caps Usage of AI Tools Like Claude Code to Cut Costs", 2026-06-02. https://www.bloomberg.com/news/articles/2026-06-02/uber-caps-usage-of-ai-tools-like-claude-code-to-cut-costs
[5] Steven Shaw & Gideon Nave, "Thinking—Fast, Slow, and Artificially", Wharton/SSRN, 2026. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=6097646
[6] Stanford HAI, "Artificial Intelligence Index Report 2025", April 2025. https://hai.stanford.edu/ai-index/2025-ai-index-report; McKinsey & Company, "The State of AI: Global Survey 2025". https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai