Good Taste the Only Real Moat Left
编译摘要
1. 浓缩
- 核心结论1: AI 把“合格输出”变成廉价默认值，人的稀缺价值从生产第一稿转向判断第一稿为什么不够好。
- 关键证据: 作者列举 landing page、产品 memo、pitch deck、营销文案等都可以被模型迅速生成；真正的瓶颈不再是“能否写出来”，而是能否看出它只是通用、平滑、像别人的平均版本。
- 更深一层: 这篇文章把 AI 时代的竞争问题从能力问题改写为分辨率问题。多数人会被“看起来还不错”的 7 分产出满足，真正稀缺的是能把 7 分和 9 分分开的判断。
- 核心结论2: 品味不是审美姿态，而是一套可操作的诊断能力：注意到什么、拒绝什么、能否说清哪里坏。
- 关键证据: 作者强调品味体现在三件事上：你注意到别人忽略的细节，你拒绝模型给出的平庸选项，你能把“感觉不对”翻译成可执行的修改理由。
- 关键机制: 当 AI 可以一次生成 10 到 20 个方案，训练品味的方法不是选一个“最喜欢的”，而是逐个写下“它失败在哪里”，再用更具体的约束重写。
- 核心结论3: “人类只负责挑选 AI 输出”仍然太弱；真正的护城河来自品味、情境、约束、承担后果和创作意图的结合。
- 关键证据: 作者提醒，模型无法承担监管风险、客户误解、品牌损害、团队容量和长期后果；这些后果会回到具体人和组织身上。
- 对本库的意义: 这补强了“人的剩余价值”主线。人的价值不只是当审稿人，而是在真实约束中决定方向、拒绝平庸、承担选择，并把模糊意图变成可验证的作品。
2. 质疑
- 关于“品味是唯一护城河”的质疑: 标题有意强化了品味的重要性，但“唯一”并不严谨。真实工作中，品味必须和领域知识、分发能力、组织权力、客户关系、执行速度、验证体系一起作用；没有这些支撑，品味容易退化为评论能力。
- 关于“品味可训练”的质疑: 作者给出的训练循环很有用，但它默认学习者已经愿意反复比较、写失败理由、接受约束。对低动机或缺少高质量样本的人来说，AI 反而可能加速品味退化，因为他们会长期暴露在平滑的中位数输出里。
- 关于“AI 产出廉价”的质疑: 廉价主要指第一稿的人类时间成本下降，不代表总成本下降。如果 review、验证、修正、合规和部署成本上升，组织只是把成本从写作阶段转移到判断和治理阶段。
- 关于“人类承担后果”的质疑: 承担后果也不自动产生好判断。一个人可能承担结果但仍然缺乏训练、视野和反例库；因此本篇最应该被读作“品味是可训练的关键变量”，而不是“只要人类负责就比模型好”。
3. 对标
- 对标 Taste for Makers: Paul Graham 讨论“好设计”来自简单、解决正确问题、再设计和大胆；本文把这套创作者品味放进 AI 产出泛滥后的工作场景。前者回答“什么是好设计”，后者回答“当机器能生成大量还行的设计时，人为什么仍然重要”。
- 对标 AI-Era-Taste-and-Judgment: 这篇文章提供了该 topic 的现代工作语境版本：AI 让 competent output 泛滥，于是 Taste 和 Judgment 不是锦上添花，而是避免组织被平均值淹没的过滤器。
- 对标软件工程 review: Coding agent 生成代码后，关键问题不是“代码能不能跑”，而是抽象是否过早、边界是否隐藏、复杂度是否被转嫁、未来维护者是否还能理解。这里的 review 就是品味的工程化形态。
- 可迁移场景: 产品策略、界面设计、代码审查、品牌表达、销售话术、客户提案、研究 memo。凡是 AI 可以快速产出“看起来可用”的地方，人类都需要给出具体、可追溯、愿意承担后果的拒绝理由。
关联概念