AI 生产力与工作量增加的悖论

AI 增强工作负载的现实

AI 的承诺是自动化样板任务并分担繁琐工作，最终为工程师节省更多时间。但在实践中，许多专业人士发现情况恰恰相反：他们工作的时间比以往任何时候都多，这并非因为单个任务变得更难，而是因为 AI 的低摩擦力使他们能够同时承担更多的项目。

对于许多开发者来说，工作流程已经从专注于一两项深度任务转变为并行管理多个自主代理。虽然这些代理负责执行，但它们需要持续的人工监督、审查和上下文切换。这创造了一种持续参与的状态，工程师永远无法完全“下班”，从而导致了一种新的、独特的职业倦怠。

关于活动的数据驱动观察

来自将代理集成到日常工作中的工程师的 GitHub 贡献数据显示了一个明显的趋势：即使工程师已经进入高级领导岗位，其活动水平往往也会恢复到甚至超过他们从事高强度初级功能开发时期的水平。

这一转变的关键指标包括：

• 工作量增加： 每日贡献计数回升至高位，类似于高强度手动编码时期。
• 停机时间减少： 零记录活动的天数显著减少，这表明工作的“淡季”实际上已经消失。
• 爆发模式： 工作周期现在由高强度的生产力爆发所定义——通常由新的模型能力或工作流程触发——随后是精疲力竭的时期，此时处理额外项目的心理带宽已被耗尽。

“反向半人马”现象

对此现象的评论者经常指出“反向半人马”的概念。虽然“半人马”是指由机器赋能以实现更多目标的人类，但“反向半人马”则是指被征召去充当机器助手的人类。当机器运行速度加快时，人类被迫跟上节奏，以不可持续的速度“包装糖果”。

这种动态经常被杰文斯悖论（Jevons Paradox）所加剧：随着 AI 使软件生产变得更容易，对软件的需求和项目的复杂性也随之增加，有效地吸收了所有的效率提升，使工作者承受相同甚至更高水平的压力。

管理 AI 诱发倦怠的策略

正在努力应对这一新现实的工程师们提出了几种重新掌控时间和心理健康的策略：

• 严格的任务规划： 在远离电脑的地方制定有限的每日待办事项清单，有助于防止“支线任务”膨胀成无法管理的工作量。
• 有意识的断开连接： 一些专业人士通过将 AI 访问权限限制在特定设备或特定时间内取得了成功，从而避免了在工作时间之外不断迭代想法的诱惑。
• 协调扩展： 一些人不再直接与每个代理交互，而是转向管理“协调员”或高级代理，这允许更多的委派和更少的上下文切换。
• 质量优先于吞吐量： 认识到 AI 是提高质量的工具，而不仅仅是提高速度的工具，有助于将注意力从持续产出的“流水线”心态中转移出来。

最终，许多从业者的共识是，AI 本质上并不会减少工作量；它改变了工作的性质。如果没有明确的界限，也没有将人类福祉置于最大产出之上的自觉选择，AI 带来的效率提升很可能会被不断增加的任务列表所吞噬。