AI 刚开始进入工作时，我以为它会像一台更聪明的自动化机器：以前两小时完成的事情，现在二十分钟做完，省下的一小时四十分钟自然就能还给自己。
现实却常常相反。
邮件写得更快了，于是一天可以处理更多邮件；代码生成得更快了，于是同一时间要推进更多需求；资料总结只需要几分钟，于是会议之前又多看了几份报告。AI 确实缩短了完成一件事的时间，但那些被节省下来的时间，并没有变成休息，而是很快被新的任务填满。
于是，一个很反直觉的感受出现了：工具越来越强，人却越来越累。
AI 降低了成本，也抬高了预期
一种工具只要能显著提高效率，组织和个人对产出的预期就会随之改变。
过去，做一份完整的行业分析需要几天，大家会接受它需要几天。现在 AI 可以在十分钟内整理出框架，人们就会自然地追问：能不能再补三个角度？能不能顺便做成表格？既然这么快，今天下班前能不能再出一个版本？
从单个任务来看，我们的确更高效了；从一天的总量来看，工作却变得更密集了。原本任务之间那些等待、整理和发呆的缝隙，被一项项新要求严丝合缝地填上。
效率提高并不会自动带来闲暇。只有当我们允许“提前完成”意味着“可以结束”，时间才真正被节省下来。否则，效率只是让单位时间容纳更多工作。
生成变快了，判断并没有变便宜
AI 最擅长迅速给出一个看起来完整的结果。它可以写方案、改文案、列数据、生成代码，而且往往表达流畅、结构清晰。
但“得到结果”和“确认结果可信”是两件事。
一段代码能运行，不代表它能承受真实流量；一份报告逻辑通顺，不代表引用的数据真实；一封邮件措辞漂亮，不代表它准确表达了自己的立场。AI 把生成的成本降得很低，却把更多工作推到了判断这一端：我们需要核对事实、补充背景、识别遗漏、测试边界，并决定这个结果是否可以由自己签字发出。
生成十个方案只要一分钟，认真比较十个方案却可能比从头思考一个更累。我们面对的不再是“没有答案”，而是“答案太多，却不知道应该相信哪一个”。
这种疲惫不容易被看见，因为表面上 AI 已经完成了大部分内容。真正消耗注意力的验证、取舍和责任，仍然留给了人。
我们从做一件事，变成同时盯着很多件事
没有 AI 时，一个人写文档，通常会沿着一条线慢慢向前推进。有了 AI 之后，我们可以在等待它生成代码时让另一个窗口整理会议纪要，同时让第三个窗口分析日志。
机器确实可以并行，人脑却没有因此获得三倍的注意力。
我们不断在上下文之间切换：刚才在判断接口设计，下一秒去修改宣传文案，随后又回来检查一段并不熟悉的代码。每个任务只推进了一点，看上去处处都有进展，头脑里却始终挂着一串没有关闭的进程。
AI 缩短了执行时间，也增加了启动任务的冲动。因为“让它先做着”几乎没有成本，我们很容易同时打开太多事情。最后让人疲惫的，未必是工作量本身，而是持续切换、持续等待、持续惦记。
节省的是操作，留下的是责任
AI 可以代替我们完成很多操作，却不能真正接走责任。
它可以帮医生整理病历，但最终的诊断需要医生负责；可以帮程序员生成代码，但系统故障时不能由模型去解释；可以为管理者提供建议，但团队不会接受一句“这是 AI 说的”作为决策依据。
这意味着我们一边享受速度，一边承担一种新的心理压力：结果并不完全由自己产生，却必须由自己保证。尤其当 AI 的输出超出自己的熟悉领域时，验证它可能比亲手完成更没有把握。
“做得更快”不等于“心里更确定”。很多时候，真正让人累的不是敲了多少字、写了多少行代码，而是始终不敢确信有没有漏掉什么。
AI 还制造了另一种比较
当 AI 能力成为公开可用的资源，人与人之间的产出差距看起来突然被放大了。
社交媒体上总有人展示：一天做完一个产品，一小时写完一篇长文，一个人完成过去一个团队的工作。看得多了，我们很容易觉得，如果自己没有保持同样的速度，就是不会使用 AI，甚至是不够努力。
但展示出来的通常只是完成的一刻，很少包括选错方向的尝试、反复验证的过程、长期维护的成本，以及使用者原本积累的专业能力。
AI 让创造更容易，也让“我本来还可以做得更多”的声音变得更响。工具没有催促我们，关于效率的想象却在不停催促我们。
怎样让 AI 真正替自己减负
问题并不是要不要使用 AI。它依然是非常有价值的工具。真正需要调整的，是我们衡量工作的方式。
先定义完成，再开始生成
在打开 AI 之前，先写清楚这项任务做到什么程度就算结束。如果没有完成标准，AI 每给出一个版本，我们都会想到还能再优化一点、再补充一点。无限生成很容易，无限修改也就随之而来。
把省下的时间明确地留下来
如果 AI 把两个小时的任务缩短到四十分钟，不要默认剩下的时间必须再塞进一项任务。可以把其中一部分用于检查和思考，也可以真的休息。节省时间是一种选择，不是工具自动兑现的奖励。
限制同时进行的任务
AI 可以在后台并行，人最好仍然保持有限的进行中任务。让一个结果经过判断、完成和关闭，再启动下一件事，往往比同时维护五个“已经做了 60%”的任务更轻松，也更可靠。
把 AI 用在消耗上，把注意力留给判断
资料格式化、重复转换、初步归纳、测试样例生成，这些工作适合尽量交给 AI；目标是什么、信息是否可信、应该舍弃什么、最终由谁负责，则值得保留完整的注意力。
不是所有事情都要与 AI 一起做。对于那些自己很享受、需要深入理解或关系重大的任务，亲自慢慢完成并不是低效。
不只记录产出，也记录负荷
一天生成了多少文档、提交了多少代码，很容易统计；一天切换了多少次上下文、有多少事情一直悬而未决，却经常被忽略。如果效率提高了，疲惫感也持续提高，就说明优化的可能只是机器可见的产出，而不是人的工作体验。
写在最后
每一次效率革命，最初都承诺把人从劳动中解放出来。但时间会不会真正回到人手里，从来不只由工具决定，也取决于我们如何分配效率带来的收益。
AI 可以让一件事完成得更快，却不会主动告诉我们什么时候应该停下；可以生成更多可能，却不会替我们决定哪些事情根本不必做；可以模仿清晰的答案，却无法替我们承担选择之后的人生。
有 AI 以后越来越累，并不证明 AI 没有提高效率。恰恰可能是因为它太有效了，以至于我们还没有学会怎样与突然增加的能力相处。
真正值得追求的，不是让自己始终像机器一样满负荷运转，而是借助机器，把人的时间重新留给思考、关系、创造和生活。
如果一种技术让我们能做更多，却始终没有机会问一句“这些事情真的都值得做吗”，那么我们得到的只是更快的忙碌。