AI提效后，人类为什么更累了？

今年以来，AI工具遍地开花，提效成为了打工人之间盛行的风潮。

但越来越多的人却发现：看似干活更快了，但脑子反而更累了。

问题不在AI不够快，也不在于工作量的增多，而在于这是我们身为人类的代价。

01

大脑，本来就有处理上限

很多人用AI的感受是"快"：几秒出方案，一分钟写千字，数据整理按秒算。

但很少有人意识到：AI加速的是信息生成端，而人类作为信息接收和处理端，几千年来几乎没怎么进化。

认知心理学里，有个经典结论叫"米勒定律"：人的工作记忆一次只能容纳大约7±2个信息块，后来更严谨的研究把这个数字修正到了4个左右。也就是说正常人的脑子里同时能装的事儿，就那么多。

这是一道硬天花板， 而当AI来了之后，这道天花板更明显了。

以前你一天收20封邮件，处理5份文档，大脑还能转得开；现在AI帮你生成几十份材料、汇总上百条信息，一股脑堆到你面前，你该看不过来还是看不过来。

机器可以并行处理几百个任务，但人的注意力是串行的，你一次只能读一段话、做一个判断、想一个问题。

更有意思的是MIT的一项研究：他们监测了不同工具使用者的大脑活动，发现用搜索引擎时，大脑神经网络连接强度比纯脑力工作下降了34%-48%；而用大语言模型时，降幅更是达到55%。

简单说就是，AI帮你想得越多，你自己的大脑就越"省电"。短期看是省劲儿了，长期来看，你的独立思考能力和信息处理的“手感”，其实是在悄悄退化的。

这就是人类大脑所决定的限制了AI的效能墙：AI把信息生产的速度提高了，但人类的认知带宽跟不上。

就像把水管接到水杯上，水流大了，可杯子就那么大，接不住的就是浪费。

02

AI并没有消灭劳动

前几年有一个很火的论调：AI会在短期内替代人类。

这一论调有一些技术层面的基础：因为AI设计之初，就有替人类完成部分工作的含义。于是很多人以为，AI会替我们干活，人类就不用做了。

但现实却是，AI确实替掉了一部分劳动，但又催生了一大堆新的、更费脑的隐性劳动。

直观的是前置劳动。

想让AI出好结果，你得写精准的提示词、喂完整的上下文、调合适的参数、试不同的模型。别小看这件事，本质上你是在把原来"做"的过程，换成了"教AI怎么做"的过程。

思考没有消失，只是从执行环节前移到了指令环节。

然后是更重的后置劳动——校验。

AI生成的内容看着像模像样，但可能藏着事实错误、逻辑漏洞、数据幻觉。你不能直接用，得逐字逐句核对、调整结构、修正语气、补全细节。

有个说法很形象：以前你是创作者，现在你是AI的"质检员"。而且AI犯错越来越隐蔽，意味着它输出得自信满满，但你一不留神就踩坑，背锅的还是你。

还有一笔容易被忽略的账，多任务切换成本。

很多人用AI的日常是：开着三四个对话框，这边等输出，那边改提示，同时还要对比不同模型的结果。

大脑在多个窗口之间频繁跳转，前额叶的控制力被大量消耗。看似同时处理很多事，实则每件事都没深入，一天下来脑子发懵，比工厂打螺丝还累。

还有核心的一点：产出膨胀了。

AI让做一件事的成本变低，于是标准就水涨船高。以前写一份报告交差就行，现在得做三个版本对比；以前出一版方案就够，现在要出十套备选。省下的时间，从来没有还给个人，全都被更多的任务、更高的要求吃掉了。

数据显示，尽管AI普及率飙升，仍有76%的员工表示始终缺乏深度工作时间，甚至工作负担反而更重了。

AI没有把人从工作里解放出来，它只是把工作换了一种更费脑的形式。

03

更难逾越的天花板

如果说个人层面的累还能靠调整工作习惯缓解，那组织层面的效能墙，才是大多数企业AI提效的真正瓶颈。

计算机领域有个阿姆达尔定律：一个系统的整体提速上限，取决于其中慢的那个部分。AI时代的组织也是一样，单个岗位效率翻三倍，上下游环节没跟上，整体效率就不会有任何提升，甚至会下降。

比如产品部门用AI疯狂输出需求文档，设计和开发那边还是原来的节奏，需求都堆在半路；前端代码生成快了十倍，测试团队没配AI，bug照样排着队测。

有个比喻很精准，8车道的路修完了，入口却很窄，于是尽管车能开很快，但也会堵在起点动弹不得。

比流程不同步更隐蔽的，是上下文的分裂。

每个人都有自己的AI用法、自己的prompt习惯、自己偏好的输出风格。单独用的时候效率很高，一到团队协作就乱套：同一份数据，两个人用AI分析出两个结论；同一个任务，大家的输出标准完全不一样。

以前协作靠的是共识和默契，现在每个人的AI都在自说自话，沟通成本反而更高了。

Gartner有组数据很说明问题：个体员工因为AI每周能节省4.1小时，但组织层面只感知到大约1小时的提效。

中间差的那3个小时，就是耗在了流程摩擦、标准对齐、结果校验上。个人的"超级能力"，转化不成组织的整体战斗力。

说到底，很多企业的组织架构、管理流程、协作方式，还是工业时代和传统软件时代的产物。用老的组织形态去装AI时代的生产力，就像给马车装个发动机，轮子和车架不配套，跑越快越散架。

过去几年，我们对"提效"的理解太简单了——以为买了工具、上了系统，效率就会自动涨上去。

但真实的情况是：AI突破了机器的效能极限，却撞上了人类和人类社会的效能墙。