文章目录
上次聊到项目管理里一个很常见的概念：不可能三角（时间、成本、质量）。这段时间我一直在想，在 AI 时代这个三角还成立吗？如果还成立，会怎么成立？
我现在的直觉是：未来一段时间里，它会“看起来失效”。不是说时间、成本、质量不重要了，而是很多任务有了 AI 之后，三者之间的拉扯没以前那么明显——至少在“看上去交付了”的那一刻是这样。再往后，当 AI 真正接进流程、坑也踩得差不多了，这个三角又会重新趋于某种平衡。
我更想把问题说清楚：AI 到底在改变哪一个顶点？我们要怎么调整工作方式，别被短期的“轻松感”骗了。
先把“不可能”说清楚
以前说它“不可能”，核心就是稀缺：人是有限的，沟通很贵，返工也很真。
你想更快（时间更短），通常就得加人/加班（成本更高）或者少做验证（质量更冒险）。你想更便宜（成本更低），就得慢一点（时间更长）或者少做一些（质量更缩水）。在主要靠人堆出来的工作里，这套逻辑基本都成立。
AI 先改的是“时间”和“成本”的体感
AI 最直接的作用，是把很多“从 0 到 1 的手工活”变便宜：第一版方案、第一版代码、一页说明、一个大纲……以前要半天一天的东西，现在可能几十分钟就能出个样子。
于是时间的体感变了：不是项目真的不需要时间，而是你更容易在很短时间内拿到一个“可展示的雏形”。
成本的体感也变了：不是成本消失了，而是从“人的工时”转移到“工具、算力、订阅、数据、管理”上。你表面上省了人力，实际上只是换地方花，而且花得更碎、更不容易被看见。
质量在变：更容易“看起来不错”，也更容易“埋雷”
质量这件事，AI 带来的变化更微妙。
一方面，很多输出的下限被抬高了。文案更顺、界面更像样、代码更整洁，甚至测试用例也能先铺一层。对外展示时，大家会明显感觉“质量变好了”。
另一方面，真正决定质量的那部分，并没有因为 AI 自动消失：需求是否准确、边界条件有没有想清楚、异常路径有没有覆盖、上线后的指标和回滚方案有没有准备、合规/安全有没有踩线……这些东西一旦没做，AI 产出的“漂亮”反而会让人更晚发现问题。
所以我更愿意把它说成：AI 让我们更容易拿到“表面质量”，但“可用、可维护、可负责”的质量，依然要靠工程化的验证和约束。
为什么我说它会“看起来失效”
当任务是原型、Demo、脚本、一次性的分析、短文、内部工具时，AI 的确能让你同时做到：更快、更便宜、看着也不错。你很容易产生一种错觉：三角是不是被打破了？
但只要场景变成：多人协作、要长期维护、要稳定运行、要过审计/合规、要对外承诺 SLA ——这时候不可能三角又会回来，而且回来的方式更“硬”。因为你必须把“看上去交付了”变成“真的交付了”。
换句话说，AI 缩短的是从想法到样子的距离；但样子到稳定交付之间，仍然有一段很长的路，而那段路的主要工作叫：验证。
我觉得更现实的应对：把重心从“做”移到“验”
如果你默认团队里每个人都能用 AI 把东西做出来，那接下来真正拉开差距的就不是“谁写得快”，而是：谁更会定义标准、谁更会验证、谁更能把东西接进系统并长期跑住。
对个人来说，可能要刻意练三件事：
第一，写清楚问题。把需求说清楚、把约束说清楚、把不做什么说清楚。你描述得越模糊，AI 越容易给你一个“看起来对”的答案。
第二，设计验收。别只看输出好不好看，要有可检查的标准：关键路径有哪些？失败怎么处理？性能底线是什么？数据口径怎么对齐？这些东西越早写出来，返工越少。
第三，留下证据。把关键决策、关键假设、关键测试和监控留下来。AI 会让改动变得更频繁，没有证据链，后面就只剩“凭感觉”。
对团队来说，可能要接受一个转移：预算和精力会越来越多地花在工具链、数据、测试、监控、评审机制上，而不是单纯堆人。
当“产出”很便宜时，怎么管“真实进度”
AI 让文档、代码、方案这些“产出物”变多变快，但项目往往不是卡在写出来，而是卡在：能不能跑、能不能改、出了事能不能兜住。
所以我觉得管理上要换一个问法：别问“写了多少”，多问“验证到了哪”。下面这几条比较土，但我觉得好用。
第一，看“可验收的完成”，而不是看完成比例。一个需求是否完成，不是看页面有没有、接口通没通，而是有没有明确的验收点：关键路径能走通吗？失败会怎样？有没有最基本的监控和告警？回滚预案写了吗？这些都能被别人拿着清单检查。
第二，看“风险在不在下降”，而不是看任务在不在关闭。很多项目越到后面越慌，不是因为事情没做，而是因为风险一直没被消掉。可以很直白地列：依赖谁？数据口径哪里不确定？性能有没有压过？合规有没有确认？然后每周问一次：哪几个风险被验证掉了？哪几个风险只是换了个说法？
第三，看“是否上过真实环境的压力”。这里的真实不一定是生产，但至少要接近真实：真实数据规模、真实并发、真实权限、真实异常。AI 能帮你把第一版跑起来，但只有在接近真实的环境里跑过，你才会发现那些“看起来没问题”的坑。
第四，看“改动是不是可控”。AI 会让改动更频繁，频繁本身不是问题，问题是频繁且不可控。一个很简单的信号是：每次改动之后，测试是否能稳定跑完？线上是否能快速定位问题？出了问题能不能快速止血？这些决定了你能不能放心地让 AI 加速。
如果把这几条当成进度的主线，你会发现一个很现实的结论：AI 确实能把“做出来”变便宜，但“验证到可交付”的那段路，依然是要踏踏实实走的。