瓶颈搬到了选择。这一章把「选择」拆开看看，它在 AI 时代到底长什么样。
我们平时说的「验证」，其实是两件很不一样的事，难度天差地别：
第一种验证：对代码的验证
AI 写了一段代码，对不对？这种验证相对幸福，因为代码有一个奢侈的属性：它能跑。
跑起来就有答案——编译过不过、测试绿不绿、输出符不符合预期。所以软件行业几十年攒了一整套自动化验证的家当：单元测试（把代码切成最小块，每块配一个「输入 A 必须输出 B」的断言）、持续集成（每次改动自动跑全部测试，红灯一亮就拦下）、类型系统、静态检查。这套家当的意思是：大量验证工作可以交给机器，人只看最终结果。
所以「AI 写代码」这件事能这么快落地，核心原因不是 AI 写得有多好，而是代码行业碰巧早就把选择车间自动化了。变异放大一百倍，质检也跟着放大一百倍，流水线没堵死。
但别高兴太早。测试只能验证「代码做了我们想到要检查的事」，验证不了「这段代码解决的到底是不是真问题」「这个设计三个月后会不会变成灾难」。自动化测试能抓语法级的错，抓不了方向级的错。
第二种验证：对解决方案的验证
AI 给出一份诊断建议、一套营销方案、一份合同条款——这个对不对？
这里没有「跑起来」这回事。一份诊断建议不能像代码一样丢进编译器，看它报不报错。你没法给「这个营销方案能不能打动 35 岁女性用户」写一个单元测试。
这种验证只能靠：懂行的人，结合现实，做判断。它慢、贵、无法完全自动化，而且——这是关键——它恰恰是这个时代数量爆炸的那类产出。AI 生成代码的能力很强，但它生成「方案」「建议」「分析」「判断」的能力更强，因为这些连语法错误都没有，句句通顺。
大白话：对代码的验证像判数学卷子——有标准答案，机器都能帮忙判。对方案的验证像判作文——没有标准答案，得语文老师一篇一篇读。AI 让交卷量暴涨一百倍，而作文老师的数量没变。
选择的裁判权，在现实世界里
生物界的选择，裁判是环境——不需要谁来做决定，适者生存自动发生。但组织里的知识资产没有这个奢侈。一段提示词的「环境」是什么？是真实的患者、真实的客户、真实的业务后果。裁判工作必须有人来做：
- 有人要决定：这次改动算改进还是改糟了？
- 有人要观察：新方案在真实业务里效果如何？
- 有人要拍板：这个发现要不要写回知识资产？
每一个「有人」，都是活生生的人，每个人都有每天八小时的限额。变异可以免费无限量，但验证的产能被人的数量和人的专业度死死锁住。这就是第三章说的那座「堆在质检车间门口的山」。山不会自己消失，只会越堆越高——或者，从山脚下开始塌方：没人验证的方案被直接用进了真实业务。
下一章看看这座山的地质构造：验证为什么这么难，难到连「找更多人来验证」这个显而易见的解法都不太好使。