AI越强，我们为什么反而越忙？真正被AI放大的，可能不是效率，而是欲望

最近我越来越强烈地感受到一个反常识的现象：

AI越好用，我反而越忙。

以前写一篇东西，我会告诉自己，今天最重要的事情就是把文章写完。

现在不一样了。

文章还没动笔，我可以先让AI搜五十篇资料；写完第一段，可以顺手让它生成三张配图；有了文章，可以继续改成PPT、短视频脚本、播客提纲、公众号摘要、SEO页面；甚至还可以再开几个智能体，让它们分别做事实核查、标题测试和竞品分析。

每一件事看起来都很便宜。

“再做一下吧，也就几分钟。”

结果到了晚上，东西确实做了很多，人却比以前更累。

这不是单纯的时间管理问题。

我越来越觉得，我们正在遇到一个AI时代很重要、却被“效率叙事”遮住的问题：

AI降低的只是“完成一件事”的成本，却没有限制我们想做多少件事。

甚至恰恰相反。

成本越低，我们越容易把原来根本不会做的事情，也加入今天的任务清单。

于是，一个很奇怪的时代出现了：

机器越来越能干，人却越来越没有空。

---

一、先把一个误区说清楚：AI确实提高了生产力

讨论这个问题时，不能走到另一个极端，说AI根本没有提高效率。

数据并不支持这种说法。

MIT研究者Shakked Noy和Whitney Zhang发表在《Science》上的随机对照实验，让453名受过大学教育的专业人士完成报告、邮件、成本收益分析等写作任务。

结果是，使用ChatGPT之后，参与者完成任务的平均时间下降了约40%，产出质量提高了约18%。

另一项后来正式发表于《Organization Science》的研究，则与波士顿咨询集团合作，对758名知识工作者进行实验。

在AI能力覆盖范围内的18类咨询任务上，使用GPT-4的人平均完成了更多任务，速度提高约25.1%，产出质量也显著改善。

但研究同时发现，一旦任务跨出了AI擅长的“锯齿状技术边界”，使用AI的人反而更容易得到错误答案。

还有一项针对5000多名客服人员的研究发现，引入生成式AI助手后，平均生产率提高约15%，受益最明显的是经验较少的员工。

所以问题并不是：

AI有没有让一项工作变快？

答案已经相当明确——很多任务确实变快了。

真正有意思的问题是：

为什么一项工作快了40%，我们却没有提前40%下班？

这里才是问题的核心。

---

二、AI正在制造一种“任务版的杰文斯悖论”

经济学里有一个很经典的现象，叫“杰文斯悖论”。

简单理解就是：

一种资源使用效率提高以后，它的总消耗量不一定下降，反而可能上升。

因为东西便宜了，人们会找到更多用途。

我觉得AI正在知识工作里制造一个非常相似的现象。

以前做一张像样的封面图，可能要找设计师。

于是你会问自己：

这篇文章真的值得专门做一张图吗？

现在生成一张图只需要几十秒，这个问题消失了。

以前做一个数据分析工具，需要找工程师排期。

所以你会问：

这个需求真的重要吗？

现在AI十几分钟就能搭一个原型，这个问题也消失了。

以前做一份60页PPT意味着几天工作量。

所以很多想法压根不会进入PPT阶段。

现在AI能直接生成，于是越来越多想法都被包装成PPT。

注意，这里面发生了一件特别重要的事情：

AI降低了执行成本，同时取消了很多过去由成本天然制造的“刹车”。

以前我们之所以不做很多事情，并不是因为我们判断出它们没有价值。

只是因为太贵、太慢、太麻烦。

现在这些摩擦消失了。

于是“能不能做”迅速变成了“那就做一下”。

这就是为什么AI越强，任务反而越多。

---

三、真正跑在AI最前面的人，已经开始感受到这个问题

这个现象并不只是我的体感。

2026年5月，Every CEO Dan Shipper写了一篇很有意思的长文，叫《After Automation》。

Every几乎算得上AI工具的重度实验室。

他们把Codex、Claude Code等工具用在编程、写作、设计、客服等大量环节。

按传统自动化叙事，这种公司应该出现一个很自然的结果：

自动化程度不断提高，然后员工越来越少。

但Shipper描述的情况恰恰相反。

Every仍然保持着接近30人的团队，而且他发现：

能够交给AI的事情越来越多以后，需要人做的事情并没有消失。

原因并不神秘。

因为AI不是凭空创造一个完整结果。

它首先需要有人告诉它：

做什么？

为什么做？

什么算好？

然后结果出来以后，又需要人判断：

对不对？

够不够好？

有没有偏题？

能不能真的上线？

Shipper引用同事的一个说法，我觉得非常形象——human sandwich，人类三明治。

人是两片面包。

前面那片负责定义任务和标准。

中间大量执行交给AI。

后面那片负责判断、修改和承担结果。

AI越强，中间这层夹心做得越快。

但这意味着什么？

意味着前后的任务吞吐量也一起提高了。

过去一天只能管理两个任务。

以后你可能同时管理二十个。

人的角色因此从“执行者”逐渐变成了某种AI管理者、编辑、审稿人和决策者的混合体。

---

四、智能体最反直觉的地方，是它会制造新的管理工作

这也是我最近观察智能体时很强烈的一个感受。

AI Agent和传统软件最大的区别之一，是它可以持续工作。

OpenAI在2026年6月公布的一项Codex使用研究很有意思。

截至2026年5月，超过70%的用户已经让Codex处理过相当于人类需要一小时以上才能完成的任务。

而在OpenAI内部的重度用户中，到2026年6月，使用量最高的1%用户每天发起的并行Agent计算工作，累计可以超过60小时的人类等价工作量。

注意，这不是说一个人一天工作60小时。

真正值得关注的是：

一个人第一次能够在一天里调度远远超过自己生理时间上限的劳动量。

这听起来像超级能力。

但超级能力会带来超级问题。

十个Agent同时工作，它们也会同时回来问你：

这个参数选哪个？

这里要不要继续？

两个结果冲突怎么办？

这个版本能不能发布？

要不要再查一组数据？

于是人的瓶颈从“我做不完”变成了：

我判断不过来了。

这也是为什么我看到材料里杨光宇描述自己同时盯着多个屏幕、多个Agent运行时，会觉得特别真实。

杨光宇本人此前从事计算神经科学研究，曾任MIT助理教授，也是Project Sid论文作者之一。Project Sid展示了10到1000多个AI智能体在《Minecraft》环境中的大规模社会模拟。

按照这次访谈材料里的自述，他一度同时运行大量智能体，感觉自己一直被等待指令的Agent推着往前走。

我觉得这恰好揭示了Agent时代一个容易被忽略的问题：

当机器的执行速度超过人的判断速度以后，人就会成为整个系统新的拥塞点。

以前是你等电脑。

后来是你等AI。

再往后，可能变成AI等你。

---

五、然后，第二个问题出现了：大家都能生产以后，生产本身开始贬值

这可能是AI时代更残酷的一层。

AI不仅让你做得更多。

它同时让所有人都做得更多。

写文章便宜了，于是文章暴增。

做视频便宜了，于是视频暴增。

写代码便宜了，于是软件暴增。

做PPT便宜了，于是PPT暴增。

Dan Shipper在《After Automation》里把这种现象总结得很准确：

AI让“昨天的人类能力”变便宜了。

以前不会写代码的人，现在也能做个小工具。

不会设计的人，也可以生成封面。

不会写作的人，也能一次生成十篇文章。

这当然是一种能力民主化。

但它必然带来第二个结果：

供给暴涨。

当大量人使用相似模型、相似提示词和相似数据生成内容时，最终就很容易出现一种高度平均化的产出。

英文互联网现在经常用一个词形容它：

AI slop。

中文有人翻译成“AI泔水”。

这个词不是严格的学术概念，而是一种互联网俚语。

它真正描述的，并不是“AI做出来的东西一定很差”。

而是另一种更值得警惕的状态：

东西 technically 没错，但没有任何理由让人记住。

这其实比低质量更麻烦。

低质量至少容易发现。

平庸却会源源不断地产生。

我见过有人用AI一天生产二十多篇公众号内容，同时运营很多账号。

从生产效率看，已经非常惊人。

但如果每篇只有两三个阅读，那二十篇和零篇之间的商业价值可能并没有我们想象得那么大。

这就是AI时代非常讽刺的一幕：

产量可以增长20倍，注意力不会增长20倍。

---

六、所以，AI越强，“非共识”反而越值钱

当执行能力变成公共基础设施以后，竞争优势自然会转移。

以前一个人值钱，是因为：

我会写代码，你不会。

我会剪视频，你不会。

我会做设计，你不会。

AI正在不断压低这些能力的门槛。

未来真正稀缺的问题会逐渐变成：

为什么要做这个？

为什么是现在？

为什么这样做，而不是另外一种方式？

什么值得保留，什么应该删掉？

这些问题看起来没有“生成一个网站”那么酷。

但它们越来越值钱。

Shipper在文章里写到，当相似产出大量出现以后，市场会重新奖励那些“不一样”的东西；专家的工作没有消失，反而会转向审核、设计系统、定义标准以及处理那些高度具体的问题。

我会把这种能力叫做：

非共识判断。

AI最擅长的是从人类已经产生过的大量经验里寻找模式。

它天然适合回答：

“通常应该怎么做？”

真正困难的问题往往是：

“这一次，为什么偏偏不能按照通常的方法做？”

这就是人的价值开始凸显的地方。

---

七、我越来越相信，人真正的竞争力不是“大而全”，而是那个凸出来的地方

我喜欢用一个“气球”来理解这件事。

把一个人的能力想象成一个气球。

写作、搜索、整理资料、基础设计、数据分析、简单编程，这些都属于气球表面。

过去每个人的气球表面并不平整。

有人会代码，有人不会。

有人英语好，有人英语差。

有人会做PPT，有人不会。

AI正在把这些基础能力逐渐抬高。

于是所有人的气球表面越来越接近。

真正有价值的，就变成那个向外凸出来的地方。

可能是你对新能源行业十年的理解。

可能是你做过三家公司后形成的组织判断。

可能是你对游戏用户特别敏锐的感觉。

可能是你几十年临床经验留下来的直觉。

也可能只是你对某一个非常小的问题长期保持兴趣。

这些东西不一定能写成Prompt。

但它决定了你问什么问题，以及你对答案是否满意。

---

八、Jerry Seinfeld十年前的一句话，现在重新变得重要

2017年，《哈佛商业评论》采访Jerry Seinfeld时，记者问了他一个很有商业思维的问题。

《Seinfeld》当年的制作方式非常辛苦。

为什么不找麦肯锡这样的咨询公司，把流程优化一下，提高效率？

Seinfeld的第一反应是：

麦肯锡是谁？

记者解释说，是一家咨询公司。

他又问：

他们搞笑吗？

记者说，不搞笑。

然后Seinfeld给出了一个非常有意思的回答。

他说，对自己的行业而言，如果你只追求效率，很可能方向就错了。

因为《Seinfeld》之所以成功，就来自他亲自盯住每一个词、每一句台词、每一个镜头、每一次剪辑和每一个选角。

我以前看这段话，觉得它是在反对过度管理优化。

现在再看，我觉得它特别像是在提前解释AI创作。

AI最擅长的是什么？

消灭摩擦。

但创作里有一些摩擦恰恰不能消灭。

“这一句到底留不留？”

“这个镜头是不是太俗？”

“这个标题虽然点击率高，但还是不是我？”

“这个功能用户真的需要吗？”

这些都是很小的决定。

甚至小到无法单独计算ROI。

但一万个这样的小判断叠在一起以后，最后形成的东西就叫：

风格。

也可以叫品位。

可以叫审美。

可以叫专业判断。

名称并不重要。

重要的是，它们恰恰是自动化之后最不能轻易外包的部分。

---

九、真正危险的不是AI替代我们，而是AI把我们淹没

说到这里，我反而没有那么担心“以后还有没有事情可做”。

我更担心另外一件事：

人会不会被无限可做的事情淹死。

AI可以生成图片，所以每篇文章都要配十张图吗？

AI可以生成视频，所以每个观点都应该拍成短视频吗？

AI能做网页，所以每个想法都应该做一个网站吗？

AI能写程序，所以每一个小需求都应该做成工具吗？

以前我们主要解决的问题叫：

做不到。

AI之后更大的问题可能叫：

忍不住去做。

这两者完全不是一个难度。

---

十、注意力正在取代执行力，成为新的生产资料

心理学研究里有一个概念叫“attention residue”，注意力残留。

Sophie Leroy的实验研究发现，当一个人从尚未完成的任务切换到另一个任务时，一部分注意力仍然残留在前一个任务上，从而影响后续任务表现。

这就是为什么那些“五分钟就能完成的小任务”其实没有看起来那么便宜。

你让AI顺手生成一张图。

五分钟。

然后修改一下。

三分钟。

再看看三个版本。

四分钟。

表面成本12分钟。

真正成本却包括你从原来的深度思考里退出，再重新进入那个问题所消耗的认知资源。

当Agent同时运行以后，这种切换可能更加频繁。

微软对Microsoft 365匿名生产力数据的分析已经发现一种被它称为“无限工作日”的现象。

在消息最密集的20%用户中，会议、邮件和聊天等通知一天可以达到约275次；工作时间之外发送的聊天消息同比增长15%，晚上8点以后开始的会议也有所增加。微软同时强调，AI如果只是被叠加进原来的工作方式，可能只是让一个原本有问题的系统跑得更快。

这里要特别说明：

这些数据不能证明AI导致了长工时。

但它揭示了一个非常重要的背景：

现代知识工作本来就已经处在高度碎片化状态。

现在再给每个人增加十几个永不停机的智能体，注意力管理只会变得更加重要。

国际劳工组织在2026年的研究中也把work intensification——工作强化列为AI进入职场后需要关注的心理社会风险之一，同时指出AI既可能提高效率，也可能带来工作强化、自主性下降等问题。

---

十一、AI时代最难学的一项能力，可能叫“不做”

以前，一个优秀员工的典型形象是：

交给我的事情，我都能完成。

AI时代，这个标准可能要变了。

因为未来“完成”会越来越便宜。

一个人真正重要的能力可能变成：

面对100件都可以做的事情，只选择其中那3件。

这是一种非常不符合现代职场直觉的能力。

它看起来不像勤奋。

甚至很像懒。

但未来真正稀缺的人，很可能不是那个一天启动50个Agent的人，而是知道其中47个根本不应该启动的人。

所以我现在评价一个AI工作流，会开始问三个问题。

第一：

如果没有AI，我会不会做这件事？

如果答案是不会，那就值得重新考虑。我是不是只是因为成本变成了零，所以给自己创造了一项没有必要的工作？

第二：

这件事最终服务哪个结果？

如果不能明确说出它改变了哪个决策、哪个指标或者哪个用户体验，那么“AI几分钟就能做”并不是做它的理由。

第三：

这里哪一个判断必须由我完成？

如果整个流程没有任何一步需要我的经验、判断、审美或者责任，那么它极有可能只是可替换的平均产出。

---

十二、我们可能一直误解了AI所谓的“解放人类”

以前我理解的AI解放人类，是这样的：

以前工作8小时。

AI帮我干掉4小时。

于是我每天只工作4小时。

现在我越来越觉得，现实很可能不是这个版本。

更可能发生的是：

过去8小时只能完成5件事。

AI来了以后，同样8小时可以推动50件事。

然后市场、组织和我们自己很快适应新的产能。

新的问题、新的产品、新的内容和新的竞争一起出现。

最后，我们依然工作8小时。

甚至更久。

技术历史上，这其实并不罕见。

生产率提高，从来不意味着人类自动选择休息。

很多时候，它意味着我们开始追求以前贵到无法想象的东西。

所以AI最大的变化，可能并不是让这个世界“没有工作”。

而是把工作的瓶颈从：

执行能力

逐渐推向：

问题选择、判断、品位、责任和注意力。

机器可以不断增加我们的“能做”。

但只有人能够决定自己的“不做”。

我现在越来越相信，这可能才是AI时代真正困难的一课：

AI给你的最大危险，不是让你无事可做。

恰恰相反。

它会让你觉得什么都可以做。

而一个人最终的价值，不在于他启动了多少个智能体，生成了多少文字、图片、程序和PPT。

而在于面对几乎无限的可能性时，

他还能不能清醒地说：

这一件值得做。

剩下的，都不要。

---

关注本站，每天分享跨境电商前沿资讯（ Ctrl + D 收藏本站/收藏为书签 ）

参考资料

1. Noy, S. & Zhang, W.，MIT，《Science》，2023：生成式AI对专业写作任务生产率的随机实验。
2. Dell’Acqua, F. 等，《Organization Science》，2026：758名BCG知识工作者的GPT-4现场实验与“锯齿状技术边界”。
3. Brynjolfsson, E., Li, D. & Raymond, L.，《Quarterly Journal of Economics》，2025：生成式AI对5000余名客服人员生产率的影响。
4. Dan Shipper，Every，《After Automation》，2026年5月21日。
5. OpenAI Economic Research，《How agents are transforming work》，2026年6月25日。
6. Altera等，《Project Sid: Many-agent simulations toward AI civilization》，2024。
7. MIT McGovern Institute：Guangyu Robert Yang研究经历与计算神经科学背景。
8. Sophie Leroy，《Organizational Behavior and Human Decision Processes》，2009：任务切换与attention residue研究。
9. Microsoft Work Trend Index，《Breaking down the infinite workday》，2025。
10. International Labour Organization，AI Systems @ Work，2026：AI、工作强化与心理社会工作风险。
11. Harvard Business Review，Jerry Seinfeld访谈，2017。