先算一笔账。
假设你要给「客服怎么回复愤怒的投诉客户」这件事找一套更好的话术流程。在 AI 之前，变异是怎么发生的？你冥思苦想一个下午，写一版；找两个老客服聊聊，再改一版；运气好，一周能试三四个方案。变异的成本是一个有经验的人的一下午——很贵，所以你很省着用。
现在呢？把场景描述丢给大模型：「给我二十种处理愤怒投诉的开场策略，风格各不相同。」一分钟后，二十个方案躺在屏幕上。变异的成本，从一个人一下午，变成几分钱的电费和六十秒等待。
这就是正在发生的事：变异这个齿轮的边际成本趋近于零。边际成本，大白话就是「再多生产一份要花的钱」。复印机把文字的边际成本打到接近零，互联网把分发的边际成本打到接近零，而大模型把「生成一个像样的方案」的边际成本打到接近零。
不是快一点，是换了一个量级
注意，这不是「效率提升 30%」那种改进，而是物种级别的变化。看三个数字就够了：
- 代码：一个程序员一天写几百行；AI 辅助下，一天可以生成并筛掉几千行。GitHub 的统计说，使用 AI 助手的程序员完成任务的速度快了约 55%——这还是保守的官方口径，实际在写样板代码、测试用例这类任务上，体感是好几倍。
- 方案：咨询公司一个团队两周出一个战略草案；现在一个分析师上午就能让 AI 生成五个不同逻辑链的草案，下午逐个挑毛病。
- 文案：运营以前写三条推送标题做 A/B 测试；现在一次生成五十条，挑都挑不过来。
变异的数量爆炸了。以前一个团队一年积累几十次「有意义的改动尝试」，现在一天就能产生这个数。
一个容易被忽略的细节：变异是免费的，但变异的质量分布没变
这里有个陷阱。AI 生成的二十个方案里，并不是二十个都比人写的好。真实情况是：好方案的数量变多了，烂方案的数量也变多了，而且烂方案比好方案多得多——这点和生物突变一模一样。生物体的突变绝大多数是中性的，一部分是有害的，只有极少数是有利的。AI 生成的方案也一样：大部分平庸，一部分有隐蔽的坑，极少数是真正的金矿。
生物界对这个事实有个应对：让变异随便发生，把全部压力交给选择。地球从来不缺突变，缺的是把坏突变筛掉的严酷环境。
大白话：AI 是一台马力全开的出题机。题出得又多又快，但题目质量没变——判卷的压力全压在老师身上了。以前是出题慢、判卷闲；现在是出题机狂转，老师累瘫。
瓶颈搬家了
把三个齿轮想成一条流水线：变异是上游的原料车间，选择是中间的质检车间，复制是下游的包装车间。上游产能扩大一百倍，中间和下游不变，会发生什么？
不是整体产能扩大一百倍，而是原料在质检车间门口堆成山。整条流水线的产出，由最慢的那个车间决定——这是运营管理里的常识，瓶颈决定产出。
AI 时代知识资产的瓶颈，就这么从变异搬到了选择——也就是验证。这本书剩下的篇幅，大半都在讲这个被压得喘不过气的新瓶颈：它难在哪（第四章、第五章），它给组织带来了什么结构性问题（第六章、第七章），怎么解（第八章），以及解决之后第三个齿轮才轮得到登场（第九章）。