AI 产能阿姆达尔定律

用 Amdahl's Law（并行计算定律）看 AI 提效：把任务图中关键路径上的某一个环节加速到近乎零耗时，整体提速仍有硬上限——上限由该环节占总时间的比例决定。

数字示例（Varun 原例）：工程师 100 单位时间里只有 30 用于写代码，AI 把 30 压到 3，总耗时只从 100 → 73，整体提速仅 27%——即使"AI 写了 90% 的代码"。因为工程师还要 review、test、debug、design、deploy、navigate 代码。

实测参照：Codeium 内部观察到的真实产能提升是 30-40%（2025 年 4 月时点），不是 10 倍。

工程师角色的三桶模型：工程工作 = ①解决什么（what）②怎么解决（how）③动手解决（doing）。AI 先吃掉 ③（已基本共识），随着代码库理解深入也会逐步吃掉 ②；工程师上移到 ①——挑最重要的业务问题、做优先级和关键技术决策，"这本来就是你最初想要工程师做的事"。

招聘推论（反直觉）：每个工程师能产出更多技术 = 建技术的 ROI 上升 = 不投资技术的机会成本上升 → 技术天花板高的公司应该招更多工程师，而不是更少。例证尺度：JPMorgan Chase CIO 年软件预算 $17B、5 万工程师——告诉她"每个工程师产能更高了"，正确的推演是加大投入。

• 例外：对技术需求有明确天花板、"够用就好"的公司，确实会少招
• 观察指标（Lenny 提出、Varun 认同）：行业金丝雀是"AI 编码公司自己放慢招聘工程师"——当时没有发生