上一章提出了覆盖率问题。这一章把它的另一面摊开：这不仅是组织的损失，更是业务专家个人的价值警报。
先看清一个趋势：执行的价值在跌
回想一下三个齿轮的分工。AI 接手的是「变异」——生成方案、起草代码、给出初稿。这些事以前恰恰是业务专家的核心产出：医生看病诊断、分析师写报告、程序员写代码。当「做出一个及格线以上的产出」变成免费，「能做出及格线产出」这项能力的市场价格就开始崩塌。
这不是说专家没用了。恰恰相反——第五章说过，验证需要业务知识和品位的交集，而这个交集只有专家有。问题在于：专家的价值从「生产」迁移到了「判定」，但很多专家（和他们的雇主）还没完成这个迁移，还在用旧的价值定义上班。
一个残酷的推演：如果张医生不碰那段提示词的验证和迭代，只是每天照着它的输出看病——那他实际上变成了一个「AI 输出的执行终端」。他的二十年临床经验，既没有被写进资产，也没有参与资产的筛选。这时他的可替代性，和一个刚毕业的医学生没有本质区别：反正都是照着 AI 的建议办事。
大白话：新时代的账是这么算的——你的经验如果只用来「干活」，AI 在干活上追你追得飞快；你的经验如果用来「判定对错并改进知识资产」，AI 反而成了你的放大器。同一份经验，投放在不同的齿轮上，命运相反。
验证者为什么比生产者更值钱
经济学上有个简单的道理：值钱的是瓶颈。当生产不是瓶颈时，生产者不稀缺；当验证是瓶颈时，验证者最稀缺。
而且验证者有一种生产者没有的杠杆——一个人的产出只影响他自己的工作量，但一个人的验证影响的是整个资产。张医生作为生产者，一天看二十个病人；张医生作为验证者，他改进的提示词被全院使用，等于他的判断被复制到了两百个医生的每一天里。杠杆差了一百倍。
软件行业早就演过一遍这个剧本：代码评审（code review）文化里，最受尊敬的工程师往往不是写得最快的，而是评审眼光最毒的——他们的一句「这个设计三个月后会让你后悔」，避免的损失超过一个团队一周的产出。评审者就是代码世界的验证者。
组织的损失：资产停在低水平均衡
从组织这边看，覆盖率问题的后果是知识资产卡在一个低水平均衡——资产质量停留在「维护它的那个小团队的认知上限」，而全组织其他几百人的认知，一点都没渗进去。
更隐蔽的是恶性循环：资产质量不高 → 一线专家用了觉得「也就那样」→ 更不愿意参与改进 → 资产质量继续不高。打破这个循环，不能靠喊话「请大家积极反馈」，得靠机制。这是第八章的主题。
先把结论钉在这一章的尾巴上：在 AI 时代，业务专家如果不成为知识资产的验证者，他的价值会变得很低——这不是威胁，是算术。变异免费之后，唯一稀缺的是判断，而判断恰恰长在专家身上。问题只剩一个：怎么把这份判断接进齿轮里。