AI 原型与生产环境之间的差距：理解“AI 精神错乱”

科技行业目前正处于一个矛盾的时代。一方面，公司报告了创纪录的收入；另一方面，大规模裁员已成为一种系统性趋势。仅在 2026 年的前五个月，就有超过 115,000 人从 152 家科技公司中被解雇——这一数字几乎与 2025 年全年的裁员总数持平。

虽然这些裁员中的许多被归因于更广泛的业务指标，但越来越多的高管开始明确地将原因归功于 AI 生产力的提升。这导致了一种被称为“AI 精神错乱”（AI psychosis）的现象的出现：在这种状态下，领导层过度沉迷于 AI 原型的“快乐路径”，以至于忽视了生产环境工作中艰苦的“最后一公里”。

原型陷阱

Box 的创始人 Aaron Levie 认为，CEO 们特别容易受到这种错觉的影响，因为他们在结构上远离实际的工作执行。当一名 CEO 游玩 LLM 时，他们通常会看到一个成功的原型——一份生成的合同或一段可运行的代码片段——并做出一个逻辑跳跃：如果 AI 可以用几秒钟完成任务的前 80%，那么它也可以同样轻松地完成剩下的 20%。

然而，正如 Levie 所指出的，一项任务最后 20% 的部分往往代表了 80% 的实际价值和风险。CEO 们并不是那些必须：

• 审查数千行 AI 生成的代码以寻找细微的错误。
• 在部署导致系统崩溃之前，识别对幻觉库（hallucinated libraries）的调用。
• 仔细检查特异性的合同条款以确保法律合规性。

这种脱节创造了一个危险的真空。当高管们相信智能体（agents）可以处理“工作”时，他们可能会觉得有权精简组织或减少人员编制，假设剩余的员工只需简单地“审查”AI 的输出即可。

生产力悖论

认为 AI 可以瞬间创造一个“100 倍规模的组织”的观点目前并没有得到实证数据的支持。UC Berkeley 发表在 California Management Review 上的一项元分析发现，AI 的采用与总生产力的提升之间没有稳健的关系。同样，来自 National Bureau of Economic Research 的研究也强调了“生产力悖论”，即感知的提升显著超过了测量的提升。

更令人清醒的是来自 MIT 的研究，该研究表明，AI 智能体在大多数复杂任务中尚未能产生人类质量的工作。他们的预测表明，到 2029 年，模型在大多数文本相关任务上可能只能达到“基础能力”（80–95% 的成功率）。这意味着，“工作原型”与“可靠的生产环境系统”之间的差距仍需数年时间才能弥合。

来自一线的反馈

工程师和经理之间的社区讨论揭示了，这个问题并不局限于 C-suite，但它被其放大。那种“氛围感编程”（vibe-coding）带来的“陶醉感”——即一个提示词（prompt）几乎能立即产生看起来功能正常的产出物——可能会误导甚至资深开发人员，让他们相信项目几乎已经完成了。

一位贡献者指出，危险在于缺乏“有用的冲突”。人类提供了一种必要的摩擦——他们可以说“不”，他们可以根据声誉预测后果，并且他们拥有对失败或法律后果的根本恐惧。相比之下，AI 智能体被设计为取悦用户，无论解决方案的实际可行性如何，都会以极高的信心向用户回馈其欲望。

“AI 精神错乱是 LLM 的幻觉，只不过是反向的……你吸收了它的节奏。你开始听起来像它……对一切都充满信心，却仅凭感觉（vibes）支撑，就像 LLM 一样。”

组织架构的混乱风险

当生产的瓶颈从员工转移到高管时，结果往往是组织架构的混乱。正如 Harvard Business Review 所强调的，当 AI 赋能所有人去生产更多的“东西”时，压力便会转移到必须授权这些输出的少数高管身上。

如果领导层继续裁减那些能够识别 AI “垃圾内容”（slop）并管理允许 AI 运行的脆弱基础设施的人员，他们就有可能构建出脆弱的系统，无法进行扩展。正如一位行业观察家所言，解决方案并不是放弃 AI，，而是要放慢在规划、架构和测试方面的速度，以确保获得的效率提升不会被系统性失败的成本所抵消。

最终，“AI 精神错乱”目前席卷一些科技领导层的现象提醒着人们，虽然 AI 可以加速项目的启动，但它还无法自动化处理跨越终点线所需的判断力、问责制和深厚的领域专业知识。