人类审查瓶颈模型

Human Review Bottleneck · human-review-bottleneck--alexander-embiricos

解决什么问题

AI 产能爆炸后，真正限制生产力（乃至作者眼中通往 AGI 曲线）的瓶颈在哪里，以及产品上怎么拆掉它。

核心内容

被低估的限制因子是人：不是模型智能，而是"人类打字速度 / 多线程处理速度"——人来写 prompt、人来逐一验收产出。agent 可以看着你工作、大量产出，但如果它不能自己验证工作成果，你仍被"谁来 review 这些代码"卡死。
趣味不对称：写代码是工程师最享受的部分，review 别人（尤其 AI）的代码是最不享受的部分——coding agent 把工程师的时间从前者挪到了后者。产品团队应持续自问："我们是在最大化加速人，还是让人更不知道自己该干嘛？"
产品对策：
1. ship 代码审查能力（AI 先审一遍，帮人建立对 AI 代码的信心）；
2. 让 agent 验证自己的工作（跑测试、看构建、预览效果）；
3. 界面微决策向"人先看结果、后看实现"倾斜——展示 agent 工作时先给界面截图预览，其次才是 diff；未经 AI 预审的代码不该先消耗人的注意力。
可复制的配置技巧：Atlas 团队工程师让 Codex 自我改进验证能力——循环 prompt 它"你为什么没法验证自己的工作？修复它"，直到 agent 在该项目里能自证。
hockey stick 时间表（作者预测）：能让 agent 自足验证的新栈会先出现在初创公司（访谈次年起），大公司因遗留系统需逐步改造，多年内陆续跟上；当这种加速回流到 AI 实验室自身，就到了作者眼中的"AGI tier"。OpenAI 内部已有雏形：Codex 为自己的训练 run 值班（on call），循环盯训练图表（babysitting）并在异常时介入。

适用边界

"review 瓶颈"针对代码可自动验证的场景；不可自动验证的产出（品牌、判断类工作）仍需人工。
时间表是作者个人推演，明确带有"fuzzy one-year horizon"性质。

关键引述 · 原话

"The current underappreciated limiting factor is literally human typing speed or human multitasking speed." — Alexander Embiricos

"He actually prompted Codex like, 'Hey, why can't you verify your work? Fix it,' and did that on a loop." — Alexander Embiricos

— Alexander Embiricos

关联卡片

- 与 proactive-contextual-ai 卡成对：主动性把帮助次数从几十提到几千，验证瓶颈决定这些帮助能否落地。 - 与 Amol Avasare 的 cash-automated-growth-loop 卡相通：都把"人工审查需求下降速度"当作自动化 scale 的核心指标。

出处：Alexander Embiricos (OpenAI Codex 产品负责人) · 03-podcasts/alexander-embiricos.md
提炼自 Lenny Rachitsky 的 Lenny’s Newsletter & Podcast（2019–2026）。本站为个人学习用途的二次创作，与 Lenny’s Newsletter 无官方关联。
provenance · 已核验 · glm-5.2