新西兰一家大型公立医院的癌症中心，病人来做化疗，坐下来之后，还得等药。一份 62 位病人的调查显示，要等一到四个小时，平均 129 分钟。
医护人员并没有闲着。在有人着手解决之前的那一周，护士加了 61 个小时的班，配药的药房积压的活最多排到 340 分钟。研究这件事的学者写道，药房的工作量忽高忽低，「前一分钟员工还闲着找活干，后一分钟就得加班」。
最顺理成章的办法，是多招药剂师，或者把配药间弄得更快。医院两样都没做。
走得最慢的那个孩子
1984 年，物理学家艾利·高德拉特出了一本写成小说的管理书，《目标》。书里，一位焦头烂额的工厂厂长亚历克斯，带儿子所在的童子军去走十英里山路。按每小时两英里算，五个小时就该走到。
孩子们一起出发，很快就在山路上拉成了一长串。走到一块路标前，亚历克斯一算，他们每小时只走了一英里。快的孩子冲在前头，队尾有个叫赫比的孩子总是掉队，排在他后面的人，谁也快不过他。
于是亚历克斯叫停全队，把队伍倒过来：赫比走最前面，最快的孩子走最后。这回全队走在了一起。接着大家把赫比背包里的东西分出一些，各自背上。赫比背得轻了，走得快了，全队也跟着快了。从这以后，队伍一直保持着每小时两英里。
这就是穿上登山靴的约束理论：整条线的产量，由处理能力最吃紧的那一环决定。别的环节再快，活也只是堆在那一环前面，就像最快的孩子和赫比之间越拉越大的那段空当。
用这套理论的人，把它教成五步：找到约束；把约束的能力用足；让其他环节都配合它的节奏；这之后才花钱给它扩能；约束一旦不再是约束，从头再来，因为别处又成了新的约束。约束理论研究所提醒，人们常常跳过前三步，直奔要花钱的第四步。
卡住的是一条规矩
新西兰那家医院找到的「赫比」在药房。可再往下看，慢的并不是配药的人，而是一条规定他们什么时候才能开工的规矩。
病人的药，要等专科医生当天根据验血结果、通常还有一次门诊，确认这个病人可以用药，才开始从头配。大家相信这样省钱：化疗药贵得惊人，给当天用不了药的病人配好了，就可能只能扔掉。
高德拉特自己后来也看到，规矩也会是约束，而且比机器更难挪动。这家医院试了试。整整四周，药房提前配药，大部分在用药前一天就配好。
最长的等待，从四个小时降到 30 分钟，大多数病人根本不用等。护士的加班少了三分之二。原本是瓶颈的药房，试验期间给癌症中心配出的药，比按试验前推算的预计量多了 37%，也没有多加班。
这次试验是有代价的：浪费掉的药，占的成本从 0.4% 涨到了 4%。于是团队把专科医生确认这一步留给了最贵的 10% 的药，其余 90% 提前配。浪费又降回接近 0.4%，之后没再做病人调查，研究者事后估计平均等待约 16.5 分钟，原来是 129 分钟。一位后来才来的护士长说，他「一开始真的很吃惊，所有的化疗药都已经备在那儿等着了」。
前面的人走得更快了
设想一个组长给手下五个工程师配上了 AI 编程助手。一个月后，大家写出来的代码多了很多。审代码的还是那两位资深工程师，每到周五，排队等审的改动都比上周更长。
分析公司 Faros AI 在 2025 年发布的报告，说的大致就是这件事。它分析了 1,255 个团队、一万多名开发者的工作记录：重度使用 AI 的团队，开发者合并的代码请求（一批批等人审批的代码改动）多了 98%；这些请求的审查时间长了 91%。
这份数据说明的是相关，不是因果，而且出自一家卖度量工具的公司。可它自己的诊断，读起来就像高德拉特写的：放到整个公司的产出和质量上，看不出和用不用 AI 有显著关系。它说，瓶颈在「人的审批」。
编程助手让走在前面的孩子走得更快了。赫比还在队尾，背包比以前更沉。