Botsitting 的兴起：AI 监督如何影响员工生产力与工作满意度

AI 监督正在创造一种新型的“Botsitting”劳动

员工们正越来越多地将工作周的大部分时间——平均超过六小时——用于进行“botsitting”，即监督、纠正和管理 AI agent。这种转变代表了职业劳动的本质发生了根本性变化，将人类的角色从主要创造者转变为自动化输出的质量保证层。

虽然一些用户报告在特定技术任务中获得了巨大的效率提升，例如编写复杂的 MySQL joins 或 Terraform 配置，但更广泛的趋势是挫败感的增加。劳动不再关乎工作的“手艺”，而在于确保 AI 不会“脱轨”。

自动化执行带来的心理代价

自动化正在通过移除工作中提供意义感和职业自豪感的元素来侵蚀工作满意度。这种现象体现在以下几个方面：

• 创造力自主权的丧失： 员工经常被要求将他们最喜欢的工作部分自动化。例如，重视建立关系的客户服务代表现在被要求监督处理这些互动的 AI agent。
• 技能异化： 随着员工意识到他们的专业技能正被他们现在必须“看护”的工具所取代，一种日益增长的社会倦怠感正在显现。与过去几十年软件库缓慢的演进相比，这种转型可能感觉像是系统遭受了“突然冲击”。
• 情感挫败： 通过 AI 实现的生产力提升往往被执行那些感觉空洞或重复的工作所带来的心理成本所抵消。

"What's a 20% productivity gain if I constantly feel deflated by work that used to energize me? That's going to give back the productivity gain and more, while also decreasing my quality of life."

生产力悖论：感知生产力与实际效率

管理层与员工对 AI 生产力的感知存在着日益扩大的差距。这种差异通常源于不同的成功指标：

• 管理层视角： 生产力是通过每小时带薪劳动的总输出量来衡量的。如果总输出保持稳定或略有增加，而成本下降，则被视为成功。
• 员工视角： 生产力是通过输出量相对于所付出的努力程度来衡量的。一名员工可能会觉得更有生产力，因为他们可以用仅 40% 的努力实现之前 80% 的输出量，即使绝对输出量有所下降。

此外，有人认为 AI 创造了一种“虚假的生产力感”，即公司专注于实施 agentic workflows 和 MCP 工具，而不是实现实际的业务结果，这反映了历史上过度优化生产力模板和计时器的倾向。

技术摩擦与新的瓶颈

将 AI 集成到专业工作流中引入了新的形式的技术摩擦，取代了旧的瓶颈：

• 反馈循环的断裂： 传统的编码涉及编写、运行和修改代码的紧密循环。AI agent 会通过引入等待期（当 agent 在“计划”或“编码”时）来打破这一循环，这会消耗耐心和乐趣。
• 上下文切换过载： 使用编排 agent 来管理多个 worker agent 的做法可能会导致令人瘫痪的上下文切换量。用户报告称有大量待审核的 draft PRs，这使得很难为每个任务恢复必要的心理上下文。
• “诡异”的波动性： LLM 的特点是偶尔表现出惊人的才华，随后紧接着是绝对的荒谬。为了缓解这一点，一些开发者使用严格的护栏和沙箱（例如，使用 forbidigo 用于 Golang）来减少对乏味的权限问题和纠正的需求。

经济激励与 Token 模型

一些观察者指出，当前的 AI 效率低下状态是由 AI 提供商的经济激励驱动的。因为许多模型是按 token 计费或有 token 限制，因此提供商有经济动机去最大化 token 使用量，而不是最小化完成任务所需的 token 量。这创造了一个系统，使得工具可能并非针对通往解决方案的最有效路径进行优化，而是针对最消耗 token 的路径进行优化。