新的 AI 超能力：专注与执行

AI 效率不会消除倦怠

AI 提高的生产力并不会自动带来更少的工作或零倦怠。虽然 AI 能够将单个任务的完成速度提升 2-100 倍，但它常常鼓励用户增加他们同时处理的项目数量——这种现象被称为制造“制造工作”（主要是为了让人保持忙碌的工作）。这种横向扩张会产生众多的“未闭环”和责任，尽管单个任务所需的努力减少，但仍可能导致精神疲惫和倦怠。

垂直深度与横向扩张的策略

为了规避 AI 加速生产力带来的倦怠，最有效的策略是从横向扩张（做更多事情）转向纵向深度（在重要的事情上走得更远）。

"最后的 1%" 和 100 倍体验

一个完成度为 99% 的项目和一个完成度为 100% 的项目之间存在显著差异。以日全食与偏食的类比来说，完成度仅相差 1% 可能导致最终体验和影响相差 100 倍。

由于 AI 减少了项目前 99% 的摩擦，满足于‘良好就好’的理由变得更少。相反，应将 AI 节省的时间重新投入到最后的 1%——即打磨、精炼和深度专注所需的工作，以将项目从 B 级努力提升到 A+ 体验。

社区对 AI 生产力的看法

开发者和创始人之间的讨论揭示了在如何利用 AI 效率以及其相关风险方面存在分歧。

"玩具" 解决方案和实施疲劳的风险

一些从业者认为，AI 降低了入门门槛到如此程度，以至于它鼓励了创建不兼容的、初级水平的软件。

"每个人都认为每个问题现在只需‘几个小时’就能用 AI 解决……我们现在正处于一个更糟的‘又一个……’时代，每个人都构建了大致相同（但不知为何不兼容）的所有同类初级软件版本。"

这可能导致‘实施疲劳’，开发者会把每个 AI 生成的概念验证视为必须保留的珍贵想法，而不是 ruthlessly（无情地）剔除糟糕的想法以专注于高质量产品。

AI 作为支持栈的增强

相反，一些用户发现 AI 通过移除繁琐基础设施任务的认知负担来防止倦怠。通过使用 AI 处理配置、容器化和安装问题，开发者可以将更多时间用于实际编码和逻辑，从而有效地增强支持栈，而不仅仅是启动更多项目。

"99% 待办" 问题

一个常见的批评是 AI 实际上并不能帮助项目的‘最后 1%’。相反，它将 0% 项目的待办清单（从未启动的想法）转变为 99% 项目的待办清单（几乎完成但缺少最终打磨的想法）。这将优先级的负担从决定何时开始转移到决定何时真正完成和交付。

可操作见解摘要

• 避免“制造工作”陷阱：不要仅仅用 AI 节省的时间来增加项目数量。
• 优先考虑纵向深度：利用 AI 处理初始阶段的繁重工作，以便将人类注意力集中在最终的打磨上。
• 理解的证明：超越“概念验证”（现在很便宜），迈向“理解的证明”，确保解决方案是健壮且集成的，而不是孤立的玩具。