矽谷工程师的「AI 时代账本」：效率翻了 10 倍，我却更累了

工作产出大幅提升，但疲惫感以更快的速度累积。AI 工具将任务执行时间大幅缩短，却没有减少人类的决策负担，反而在增加。當技术不断告诉我们“还可以更快”，也许更需要被听见的问题是：还可以更慢吗？本文源自腾讯科技所著文章，由 Foresight News 整理、编译及撰稿。
（前情提要： 年薪 150 万的活用 500 美元 AI 搞定，一人 Agent 系统实战全拆解）
（背景补充： 防毒软件末日？Claude AI 挖出 500 零日漏洞吓坏华尔街，CrowdStrike 暴跌 18%）

本文目录

Toggle

• 01 AI 不会疲惫，但你会
• 02 AI 改变了工作量级，但没有改变分配
• 03 能力上限在扩张，下限正在消失
• 04 工作日需要重新定义

AI 工具越强，人却为何越累，这或许才是这场效率革命真正值得追问的地方。

2026 年初，软件工程领域出现了一个耐人寻味的景象。

以 Claude Opus 4.6 为代表的新一代 AI 编程工具，正在将开发者的效率推向前所未有的高度。微软内部数据显示，工程师在自主选择工具后，Claude Code 迅速占据主导地位，这被部分观察者视为“阻力最小路径”的自然选择。

但与此同时，关于“职业倦怠”的讨论正在开发者社区密集涌现。曾在 Google、Amazon 任职的工程师史蒂夫·耶格（Steve Yegge）在近期的一篇自述文章中描述了一种他称之为“瞌睡攻击”的现象：在长时间的氛围编程后，他会毫无预兆地在白天突然入睡。

拥有 40 年硅谷经验的软体工程师耶格发文

如今，越来越多的软体工程师开始公开谈论一种共同体会：工作产出大幅提升，但疲惫感以更快的速度累积。技术大幅缩短了任务执行时间，却没有减少人类的决策负担，后者反而在增加。

图片来源于网络

01 AI 不会疲惫，但你会

在耶格看来，此前关于“AI 对实际工作帮助有限”的讨论，在 Claude Code 搭配 Opus 4.5 及 4.6 投入使用后，已不具备参考价值。这套组合显著降低了从问题定义到可运行代码之间的转换成本，使得一名熟练工程师在单位时间内的产出，可以达到传统工作流的数倍。

耶格指出，当生产力提升超过约 2 倍时，一种被他称之为“吸血鬼效应”的现象便开始显现，技术不再仅仅是工具，而开始反向塑造使用者的工作节奏和心理状态。

耶格绘制的“AI 吸血鬼抽取装置”

西丹特·卡雷（Siddhant Khare）是一位在部落格中详细记录这一过程的软体工程师。他在《AI 疲劳是真实存在的》一文中写道，自己上一个季度的程式码交付量达到职业生涯峰值，但精神上的疲惫同样被拉满。

卡雷描述了一种工作模式的根本性转变。在使用 AI 之前，他会用“整整一天”深度专注于单一问题，保持连贯的思维路径。而在引入 AI 之后，他一天需要并行处理五到六个不同的问题域。每个问题在 AI 协助下，单独耗时大幅缩短至一小时左右。但问题之间的频繁切换，构成了新的认知负荷。

“AI 不会在问题间隙感到累，”他写道，“但我会。”

卡雷将自己的新角色形容为“流水线上的质检员”。拉取请求持续涌入，每一条都需要审查、决策、盖章。流程从未中断，但决策权从未移交。他被固定在审判席上，案卷由 AI 递送，责任由人类承担。

《哈佛商业评论》近期发表的研究为这一现象提供了实证基础。

研究者追踪了一家美国科技公司的 200 名员工，发现 AI 的使用虽然在初期显著提升了任务完成速度，但也触发了连锁反应：速度提升推高了组织对交付周期的预期，更高的预期促使员工更加依赖 AI，更深的依赖扩大了员工试图处理的任务范围，而范围扩张进一步加剧了工作密度和认知负荷。

研究者将这一机制描述为“工作量蔓延”现象。它不是由指令驱动的扩张，而是在效率提升与预期调整之间反复迭代、自我强化的过程。

从事数位产品设计的萨莫·科罗舍茨（Samo Korošec）在 LinkedIn 上回复耶格时，表达了相似的处境。

他指出，社群平台上充斥着“一分钟生成十个 UI 方案”的示范内容。这些内容被反复推送给从业者和他们的管理者，形成一种隐含的标准。

既然工具可以如此快速地输出方案，那么方案的产出就应当如此快速。然而，这些示范极少展示后续的筛选、落地、跨职能协调成本，后者依然完全由人类承担。

技术压缩了生产环节的时间，但没有压缩决策环节的时间。而后者正在成为新的瓶颈，即人的注意力与意志力。

02 AI 改变了工作量级，但没有改变分配

耶格提出了一个简化的分析框架。

假设一名工程师在掌握 AI 工具后，单位时间产出提升至原来的 10 倍。那么，这 9 倍的差额价值将由谁获得，取决于使用者如何配置自己的劳动供给。

比如在情景 A 中，工程师保持原有工作时长，将全部增量产出交付给雇主。此时，雇主以不变的人力成本获得了近 10 倍的产出。工程师的收入未发生同比例变化，但其劳动强度和精神消耗显著上升。耶格称之为“被榨干”。

在情景 B 中，工程师大幅缩减工作时长，仅以原有 10% 的劳动时间完成与过去相当的产出。此时，增量价值全部由个人获得，获得了更多的闲暇时间。但这一状态在竞争环境下难以持久。若组织内部成员普遍采取此策略，组织整体产出将落后于竞争对手，长期将面临生存风险。

耶格指出，理想状态应位于这两种极端假设之间。但在现行组织架构中，刻度盘的调节权并不对称。组织天然倾向于将指针推向 A 端，而个体需要主动施加反作用力。

这一框架将技术效率问题转化为分配问题。AI 并未改变“价值由劳动创造”的基本事实，但它改变了同样单位劳动所能创造的价值量级。当这一量级发生跃迁时，原有的分配均衡必然受到冲击。

耶格回忆了 2001 年在 Amazon 工作的经历。当时他所在的团队承受着高强度的交付压力，而回报高度不确定。他在一次讨论中向同事写下公式：$ / 小时。他解释道，分子（年度固定薪酬）在短期内难以改变，但分母（实际工时）具有相当大的弹性空间。

他主张将注意力从“如何赚得更多”转向“如何工作时长更少”。这一视角转换在当时令部分同事感到陌生，但在数周后，他多次路过会议室时看到白板上依然保留着这组符号。

二十五年后，耶格认为这一公式同样适用于 AI 时代。不同的是，AI 大幅放大了分母变化对分子的影响，但个体对分母的控制力并未同步增强。

LinkedIn 用户约瑟夫·埃莫森（Joseph Emison）从另一个角度回应了这个问题。

他观察到，大多数在创意领域取得持续成就的从业者，包括知名作家、设计师、研究者，他们每日有效工作时长通常不超过四小时。剩余时间用于恢复、漫游、输入。这不是效率问题，而是认知活动的生理极限问题。

如果 AI 将“工作”与“有效工作”进一步切割，那么我们需要重新定义的，可能不是工具的使用方式，而是“工作日”的长度。

03 能力上限在扩张，下限正在消失

耶格在文中坦承，自己也是问题的一部分。

他拥有超过四十年的工程经验，领导过大型团队，阅读速度快，且具备充足的时间和资源进行技术实验。他可以连续数十小时使用 Claude Code 构建一个可运行系统，并将其发布至公共领域。他的工作成果被广泛传播，部分管理者将其视为“工程师应可达到的水准”。

他写道：“雇主们很可能开始看着我，以及我们这些远远偏离常态的异类，然后说：‘嘿，我所有的员工都可以像那样’”。

LinkedIn 等平台上，部分早期采用者开始公开分享自己的 AI 使用强度：有人称其所在组织为少数账户支付每月数千美元的费用；有人展示自己同时运行数十个对话会话。这些内容在获得技术社区关注的同时，也在管理层面塑造了一种隐性参照系。

耶格将此称为“不切实际的美丽标准”。他承认，自己并不具备代表性，他的工作节奏难以被多数人复制，甚至他自己也不确定能否长期维持。但当他站在讲台或写下书籍时，他所传递的讯息（至少在接收端）被简化为“这可以做到”。

LinkedIn 用户利赫·阿绍夫（Leigh Aschoff）将问题引向了更深层。他认为，当代人与 AI 的互动方式，映射出人际互动中长期存在的边界识别障碍。许多人在与他人的关系中缺乏识别和表达自身极限的能力，而这种能力的缺失被平移到人机关系中。工具不会主动停止，也不具备感知使用者疲劳的能力。

当技术不断拓宽能力的上限，识别下限的能力反而变得更加稀缺。

04 工作日需要重新定义

耶格在文中提出了一个具体主张：AI 时代的有效工作日应缩短至三到四个小时。

这不是一个经过严谨验证的数字，而是一个基于经验的推断。他的观察是，AI 将大量执行性任务自动化，但将决策、判断、问题重构等高阶认知活动保留给人类。这些活动对注意力和情绪资源的消耗远高于执行性任务，且难以通过并行或压缩恢复。

耶格在参观某个科技园区时，见到了一种他称之为“刻度盘调至合适位置”的工作环境——开放式空间、充足的自然光、分布于各处的社交与休息区域、员工在其中自由切换工作与恢复状态。他并不确定这一设置在 AI 全面渗透后是否仍能维持平衡。但他确信，当前许多组织采用的模式——不调整工作时长，仅增加单位时间产出密度，这是不可持续的。

他不再将问题归结为“AI 是吸血鬼”，而是归结为“我需要更清楚地知道自己的极限在哪里”。

耶格在文末表示，自己正在尝试调低刻度盘。他减少了公开活动，拒绝了大量会面邀请，不再追求每一个可见的技术赛道。他仍在写作，仍在构建产品，仍在与同行交流。但他也在下午合上电脑，与家人散步。他说，不知道自己能把指针往回拉多少，但他确信，方向是对的。

对于更广泛的从业者群体而言，这一问题尚未进入集体议程。关于 AI 生产力的叙事仍占据主流，关于疲惫的讨论仍以个人化、碎片化的方式存在。但越来越多的信号表明，这两条曲线正在交会。

技术缩短了任务路径，但没有缩短工作日。工具分担了执行，但没有分担责任。效率提升了交付速度，也提升了消耗速度。

当 AI 不断告诉我们“还可以更快”，也许更需要被听见的问题是：还可以更慢吗？