矽谷工程師的「AI 時代帳本」：效率翻了 10 倍，我卻更累了

工作產出大幅提升，但疲憊感以更快的速度累積。AI 工具將任務執行時間大幅縮短，卻沒有減少人類的決策負擔，後者反而在增加。當技術不斷告訴我們「還可以更快」，也許更需要被聽見的問題是：還可以更慢嗎？本文源自騰訊科技所著文章，由 Foresight News 整理、編譯及撰稿。
（前情提要： 年薪 150 萬的活用 500 美元 AI 搞定，一人 Agent 系統實戰全拆解）
（背景補充： 防毒軟體末日？Claude AI 挖出 500 零日漏洞嚇壞華爾街，CrowdStrike 暴跌 18%）

本文目錄

Toggle

• 01 AI 不會疲憊，但你會
• 02 AI 改變了工作量級，但沒有改變分配
• 03 能力上限在擴張，下限正在消失
• 04 工作日需要重新定義

AI 工具越強，人卻為何越累，這或許才是這場效率革命真正值得追問的地方。

2026 年初，軟體工程領域出現了一個耐人尋味的景象。

以 Claude Opus 4.6 為代表的新一代 AI 編程工具，正在將開發者的效率推向前所未有的高度。微軟內部數據顯示，工程師在自主選擇工具後，Claude Code 迅速占據主導地位，這被部分觀察者視為「阻力最小路徑」的自然選擇。

但與此同時，關於「職業倦怠」的討論正在開發者社群密集湧現。曾在 Google、Amazon 任職的工程師史蒂夫·耶格 (Steve Yegge) 在近期的一篇自述文章中描述了一種他稱之為「瞌睡攻擊」的現象：在長時間的氛圍編程後，他會毫無預兆地在白天突然入睡。

擁有 40 年矽谷經驗的軟體工程師耶格發文

如今，越來越多的軟體工程師開始公開談論一種共同體驗：工作產出大幅提升，但疲憊感以更快的速度累積。技術大幅縮短了任務執行時間，卻沒有減少人類的決策負擔，後者反而在增加。

圖片來源於網路

01 AI 不會疲憊，但你會

在耶格看來，此前關於「AI 對實際工作幫助有限」的討論，在 Claude Code 搭配 Opus 4.5 及 4.6 投入使用後，已不具備參考價值。這套組合顯著降低了從問題定義到可運行程式碼之間的轉換成本，使得一名熟練工程師在單位時間內的產出，可以達到傳統工作流的數倍。

耶格指出，當生產力提升超過約 2 倍時，一種被他稱為「吸血鬼效應」的現象便開始顯現，技術不再僅僅是工具，而開始反向塑造使用者的工作節奏和心理狀態。

耶格繪製的「AI 吸血鬼抽取裝置」

西丹特·卡雷 (Siddhant Khare) 是一位在部落格中詳細記錄這一過程的軟體工程師。他在《AI 疲勞是真實存在的》一文中寫道，自己上一個季度的程式碼交付量達到職業生涯峰值，但精神上的疲憊同樣被拉滿。

卡雷描述了一種工作模式的根本性轉變。在使用 AI 之前，他會用「整整一天」深度專注於單一問題，保持連貫的思維路徑。而在引入 AI 之後，他一天需要並行處理五到六個不同的問題域。每個問題在 AI 協助下，單獨耗時大幅縮短至一小時左右。但問題之間的頻繁切換，構成了新的認知負荷。

「AI 不會在問題間隙感到累，」他寫道，「但我會。」

卡雷將自己的新角色形容為「流水線上的質檢員」。拉取請求持續湧入，每一條都需要審查、決策、蓋章。流程從未中斷，但決策權從未移交。他被固定在審判席上，案卷由 AI 遞送，責任由人類承擔。

《哈佛商業評論》近期發表的研究為這一現象提供了實證基礎。

研究者追蹤了一家美國科技公司的 200 名員工，發現 AI 的使用雖然在初期顯著提升了任務完成速度，但也觸發了連鎖反應：速度提升推高了組織對交付週期的預期，更高的預期促使員工更加依賴 AI，更深的依賴擴大了員工試圖處理的任務範圍，而範圍擴張進一步加劇了工作密度和認知負載。

研究者將這一機制描述為「工作量蔓延」現象。它不是由指令驅動的擴張，而是在效率提升與預期調整之間反覆迭代、自我強化的過程。

從事數位產品設計的薩莫·科羅舍茨 (Samo Korošec) 在 LinkedIn 上回覆耶格時，表達了相似的處境。

他指出，社群平台上充斥著「一分鐘生成十個 UI 方案」的示範內容。這些內容被反覆推送給從業者和他們的管理者，形成一種隱含的標準。

既然工具可以如此快速地輸出方案，那麼方案的產出就應當如此快速。然而，這些示範極少展示後續的篩選、落地、跨職能協調成本，後者依然完全由人類承擔。

技術壓縮了生產環節的時間，但沒有壓縮決策環節的時間。而後者正在成為新的瓶頸，即人的注意力與意志力。

02 AI 改變了工作量級，但沒有改變分配

耶格提出了一個簡化的分析框架。

假設一名工程師在掌握 AI 工具後，單位時間產出提升至原來的 10 倍。那麼，這 9 倍的差額價值將由誰獲得，取決於使用者如何配置自己的勞動供給。

比如在情景 A 中，工程師保持原有工作時長，將全部增量產出交付給雇主。此時，雇主以不變的人力成本獲得了近 10 倍的產出。工程師的收入未發生同比例變化，但其勞動強度和精神消耗顯著上升。耶格稱之為「被榨乾」。

在情景 B 中，工程師大幅縮減工作時長，僅以原有 10% 的勞動時間完成與過去相當的產出。此時，增量價值全部由個人獲得，獲得了更多的閒暇時間。但這一狀態在競爭環境下難以持久。若組織內部成員普遍採取此策略，組織整體產出將落後於競爭對手，長期將面臨生存風險。

耶格指出，理想狀態應位於這兩種極端假設之間。但在現行組織架構中，刻度盤的調節權並不對稱。組織天然傾向於將指針推向 A 端，而個體需要主動施加反作用力。

這一框架將技術效率問題轉化為分配問題。AI 並未改變「價值由勞動創造」的基本事實，但它改變了同樣單位勞動所能創造的價值量級。當這一量級發生躍遷時，原有的分配均衡必然受到衝擊。

耶格回憶了 2001 年在 Amazon 工作的經歷。當時他所在的團隊承受著高強度的交付壓力，而回報高度不確定。他在一次討論中向同事寫下公式：$ / 小時。他解釋道，分子 (年度固定薪酬) 在短期內難以改變，但分母 (實際工時) 具有相當大的彈性空間。

他主張將注意力從「如何賺得更多」轉向「如何工作時長更少」。這一視角轉換在當時令部分同事感到陌生，但在數週後，他多次路過會議室時看到白板上依然保留著這組符號。

二十五年後，耶格認為這一公式同樣適用於 AI 時代。不同的是，AI 大幅放大了分母變化對分子的影響，但個體對分母的控制力並未同步增強。

LinkedIn 用戶約瑟夫·埃莫森 (Joseph Emison) 從另一角度回應了這一問題。

他觀察到，大多數在創意領域取得持續成就的從業者，包括知名作家、設計師、研究者，他們每日有效工作時長通常不超過四小時。剩餘時間用於恢復、漫遊、輸入。這不是效率問題，而是認知活動的生理極限問題。

如果 AI 將「工作」與「有效工作」進一步切割，那麼我們需要重新定義的，可能不是工具的使用方式，而是「工作日」的長度。

03 能力上限在擴張，下限正在消失

耶格在文中坦承，自己也是問題的一部分。

他擁有超過四十年的工程經驗，領導過大型團隊，閱讀速度快，且具備充足的時間和資源進行技術實驗。他可以連續數十小時使用 Claude Code 構建一個可運行系統，並將其發布至公共領域。他的工作成果被廣泛傳播，部分管理者將其視為「工程師應可達到的水準」。

他寫道：「雇主們很可能開始看著我，以及我們這些遠遠偏離常態的異類，然後說：『嘿，我所有的員工都可以像那樣』」。

LinkedIn 等平台上，部分早期採用者開始公開分享自己的 AI 使用強度：有人稱其所在組織為少數帳戶支付每月數千美元的費用；有人展示自己同時運行數十個對話會話。這些內容在獲得技術社群關注的同時，也在管理層面塑造了一種隱性參照系。

耶格將此稱為「不切實際的美麗標準」。他承認，自己並不具備代表性，他的工作節奏難以被多數人複製，甚至他自己也不確定能否長期維持。但當他站在講台或寫下書籍時，他所傳遞的訊息 (至少在接收端) 被簡化為「這可以做到」。

LinkedIn 用戶利赫·阿紹夫 (Leigh Aschoff) 將問題引向了更深層。他認為，當代人與 AI 的互動方式，映射出人際互動中長期存在的邊界識別障礙。許多人在與他人的關係中缺乏識別和表達自身極限的能力，而這種能力的缺失被平移到人機關係中。工具不會主動停止，也不具備感知使用者疲勞的能力。

當技術不斷拓寬能力的上限，識別下限的能力反而變得更加稀缺。

04 工作日需要重新定義

耶格在文中提出了一個具體主張：AI 時代的有效工作日應縮短至三到四個小時。

這不是一個經過嚴謹驗證的數字，而是一個基於經驗的推斷。他的觀察是，AI 將大量執行性任務自動化，但將決策、判斷、問題重構等高階認知活動保留給人類。這些活動對注意力和情緒資源的消耗遠高於執行性任務，且難以通過並行或壓縮恢復。

耶格在參觀某個科技園區時，見到了一種他稱之為「刻度盤調至合適位置」的工作環境——開放式空間、充足的自然光、分布於各處的社交與休息區域、員工在其中自由切換工作與恢復狀態。他並不確定這一設置在 AI 全面滲透後是否仍能維持平衡。但他確信，當前許多組織採用的模式——不調整工作時長，僅增加單位時間產出密度，這是不可持續的。

他不再將問題歸結為「AI 是吸血鬼」，而是歸結為「我需要更清楚地知道自己的極限在哪裡」。

耶格在文末表示，自己正在嘗試調低刻度盤。他減少了公開活動，拒絕了大量會面邀請，不再追求每一個可見的技術賽道。他仍在寫作，仍在構建產品，仍在與同行交流。但他也在下午合上電腦，與家人散步。他說，不知道自己能把指針往回拉多少。但他確信，方向是對的。

對於更廣泛的從業者群體而言，這一問題尚未進入集體議程。關於 AI 生產力的敘事仍占據主流，關於疲勞的討論仍以個人化、碎片化的方式存在。但越來越多的訊號表明，這兩條曲線正在交會。

技術縮短了任務路徑，但沒有縮短工作日。工具分擔了執行，但沒有分擔責任。效率提升了交付速度，也提升了消耗速度。

當 AI 不斷告訴我們「還可以更快」，也許更需要被聽見的問題是：還可以更慢嗎？