系统 · 组织 · AI
约束理论 在 AI 整合中的应用
AI 工具及其使用方式变化很快,让企业陷入两难。这些变化影响深远,企业无法置之不理,却又必须一边履行眼下和未来的承诺,一边把新工具融入正在运转的工作流程,尽量减少干扰。同时,还得应对这一切给团队士气、文化和组织效率带来的变化。
很多人都能感受到 AI 的能力和潜力,可一看营收增长、任务完成时间这些硬指标,或是职业发展、员工满意度这些软指标,却很难看到实质性的改善。
要理解其中的主要原因,可以从埃利亚胡·高德拉特提出的约束理论入手。它的核心观点可以用一句话概括。
本文借鉴了 Tiago Forte 关于约束理论的系列文章。他把这套理论应用到了当代知识工作中。
即使每个环节都有所改善,整个组织的表现也未必会随之提升。
组织和工程系统一样,产出主要取决于瓶颈。想象一家咖啡店。如果队伍卡在收银台,服务再周到,餐点和咖啡再好,无线网络再快,洗手间再干净,每小时能接待的客人也不会因此增加。

瓶颈之外的改进对整体产出没有帮助,而且常常让情况更糟!如果没弄清组织的约束在哪里,就向所有部门下达“用 AI 提高生产力”的指令,反倒可能降低整体效率。
举个例子,如果工程团队是瓶颈,也就是最稀缺的资源,那么整个组织能交付多少,就取决于开发人员能完成多少。市场和产品部门有余力,反而可能加重工程团队的负担。光是请工程师估算一个项目需要多久,就会占用他们原本可以用来交付的时间。
于是瓶颈进一步收紧,整体交付量下降,上游部门有了更多空闲,又会发出更多估时请求,瓶颈也就越来越紧。微软的一项案例研究发现,一条看似无害的规定,要求工程师在 24 小时内给出工期估算,竟让瓶颈环节的产能下降了 40%!

就连下游团队也会影响瓶颈,因为有些决定必须请工程团队参与。结果是更多的协调开销、更多的会议、更多的电话、更多的邮件,以及更多悬而未决的事项。

到这一步,“提高生产力”的指令已经大幅拉低了整体交付量。大家都在埋怨卡住流程的团队,而这个团队也在埋怨其他所有人。
这时候,大家想出了什么办法?“再努把力,把生产力提得更高!”

要打破这个循环,得先想通一件有悖直觉的事。如果人人都忙着提高自己的效率,却因此占用了瓶颈环节的时间,整家公司就会变得极其低效。要让整体交付量达到最大,瓶颈以外的每个环节都必须留有余力。
如果组织里缺少信任,或者大家不理解这个机制,管理层的要求就很容易被听成“谁都别闲着”。每个人都为了自己的绩效把更多工作推向瓶颈,问题越发严重,协作也随之失灵,怨气渐渐积累。
AI 带来的独特挑战
汽车制造业的丰田生产方式和软件工程中的敏捷 Scrum 都强调让“进行中的工作”清晰可见,以此找出瓶颈。看看汽车零件堆在哪道工序前,或是哪一列的工单越积越多,瓶颈往往就在那里。
这样一来,团队就能持续追踪瓶颈,有针对性地改善它。
引入 AI 又带来了新的难题。在某些领域,AI 的表现可以超越人类,光是说清楚要做什么,耗时就和真正做出来差不多。在另一些领域,它却可能彻底失败。这条很难凭直觉判断的界线被称为“锯齿状前沿”。它始终在移动,光是跟上 AI 能力的变化并将其融入工作,就足以成为一份全职工作。
想象一条汽车装配线,其中一个工位的产量突然变成原来的十倍,另一个工位则像抛硬币一样,一半的概率产量变成五倍,另一半的概率产量减半。
要让这些新能力真正改善利润率、营收、团队文化和士气,组织里的人必须彼此信任,也必须知道瓶颈在哪里。
瓶颈会转移
工程团队只是可能出现瓶颈的地方之一。即使在工程团队内部,理解需求、编写代码、审查变更、集成系统和上线运维,也都是不同的工作。AI 对它们的加速并不均匀。团队也许很快就能把功能写出来,验证质量和安全交付的能力却未必跟得上。
这样的变化已经出现。DORA 在 2026 年 3 月发布的分析汇总了 1,110 名谷歌工程师的反馈。他们在生成代码上省下的时间,又花在了验证上,而把原型投入生产也并不容易。Anthropic 也提到,随着代码产出增加,代码审查成了瓶颈。这些观察说明瓶颈可能转移,各个组织面临的约束仍会不同。审查也未必是最后一站。AI 同样可以改善测试、审查和集成,让瓶颈再次转移。
AI 可以让工程团队变快,同时让排队问题更严重。假设实际交付能力变成原来的两倍,但由于提方案、做原型更容易,涌入的工作量变成了原来的三倍。工程团队确实进步了,却比以前更难应付需求。前面图中假设工程产能保持不变,其实只要请求增长得比产能更快,队伍就会越排越长。
AI 还改变了工作进入系统的位置。以前需要工程师帮忙做原型的人,现在可能自己就能做出来。于是请求变成了“帮我把它接进现有系统,做好安全防护,以后也维护一下”。队伍在更靠后的环节重新出现,排的是另一类工作,而且提出请求的人往往已经认定了某个方案。在其他情形下,瓶颈甚至会移出工程团队,落在判断什么值得做、如何触达客户,或怎样帮助人们用好已经交付的产品上。
瓶颈会转移得更快吗?有可能,但得看时间尺度。一个新模型、一套更好的测试,或是更方便地查阅内部文档,都可能很快改变哪项技术工作最费时。组织层面的约束却可能持续得更久,比如优先级不明、审批缓慢,或者只有一个人掌握关键信息。工具提速不会自动消除这些问题,暂时出现排队也未必意味着根本约束已经改变。
实际工作中,可以把识别瓶颈当作例行工作。追踪有价值的工作在哪里等待、等多久、有多少要退回返工。工具或流程有了实质性变化就重新评估,无须每遇到一次积压就重组团队。只要其他环节的改进能够减少传到瓶颈的错误、干扰或无谓工作,它们也能起作用。衡量成效,要看有多少有用的成果以合格的质量交付给了使用者。代码量、提案数和原型数回答不了这个问题。
怎么做
AI 带来的一个独特变化,是各个岗位都开始承担更多技术工作。当人人都能制作自己的工具时,无论是否意识到,大家其实都已经在做软件工程。与其从头摸索一遍,不如借鉴软件行业积累的经验和经受过实际考验的流程。
作为一名在硅谷大小公司工作了十多年的工程师,我既能通过访谈和跟岗观察梳理价值流,找出组织层面的系统性瓶颈,也能深入到具体代码,给工程师提供指导和反馈。我的首要关注点,是评估并提高整个组织理解和运用 AI 的能力。
以下是我会着重了解的一些问题。
梳理价值流
- 一项工作从开始到创造价值,会经过组织里的哪些环节?
- 工作会在哪里堆积,形成瓶颈?
- 信息如何在各个团队之间传递?
- 有没有人互相等着对方拍板,结果谁都无法推进工作?
- 对每个团队来说,上游和下游分别带来了多少额外的协调工作?
- 各团队有没有这样的项目,既能利用空余时间为组织创造价值,又不会打扰其他团队手上正在做的事?
整合 AI 工具
- 现有工作里,有多少实际上属于软件工程?
- 团队是否已经采用了合适的软件开发实践?
- 内部开发的软件和 AI 工具,应当如何与外部工具搭配使用?
- 自建和采用外部工具,各有哪些成本和机会?
- 行业变化这么快,团队该如何评估并引入新工具?
- 是否需要搭建直接面向客户的生产系统,例如数据看板?
- 是否需要安排轮值人员待命,并约定服务水平?
- 这些系统带来的价值,足以支持设立专门的工程岗位吗?
组织文化
- 在公司里,大家有没有机会指导别人,也得到别人的指导?
- AI 对员工士气产生了哪些影响?
- 现有的岗位和职责划分是否依然合理?AI 是否已经改变了实际分工?
- 进入新岗位或从中转出,有没有清晰的路径?大家是否清楚彼此可以期待什么?
- 组织中是否有足够的信任,让各团队敢于留有余力?还是大家任由工作堆到瓶颈处,再把责任推给那个团队?