商业第 2 期 ·

AI不会帮你减少工作量的结构性原因——160年前的煤炭与2025年的提示词有何共同点

效率越高反而越忙碌的悖论，正在你的办公桌上上演

安光涉（Oswarld）· OZ Talking 作者与编辑

AI不会帮你减少工作量的结构性原因——160年前的煤炭与2025年的提示词有何共同点

开篇

订阅者朋友，我想问一个问题。自从开始在工作中使用AI之后，您真的更早下班了吗？

我自己也在相当积极地使用AI。写文章、做调研、整理各种资料。每一项具体工作确实都变快了。以前要花一个小时的事，现在15分钟就能搞定。可奇怪的是，下班时间却没有提前，反而好像更晚了一些。

我原以为只是自己的感受，直到今年2月《哈佛商业评论》（HBR）上刊登的一项研究，正面回应了这个疑问。这是加州大学伯克利分校哈斯商学院副教授Aruna Ranganathan与博士研究生Xinqi Maggie Ye历时8个月，对美国一家科技企业进行追踪观察的结果。结论令人毛骨悚然：最热衷于使用AI的人，反而最先陷入职业倦怠。

今天我想把这项研究和一个160年前的经济学理论交叉对照，聊聊AI为什么会让我们更忙，以及我们该如何从中脱身。

160年前的煤炭告诉我们什么

要理解这一点，得先回到1865年的英国。

当时经济学家威廉·斯坦利·杰文斯（William Stanley Jevons）发现了一个有趣的现象。詹姆斯·瓦特的蒸汽机大幅提升了煤炭的使用效率，按常理，煤炭消耗量应该会下降，因为同样的量能完成更多工作。然而结果恰恰相反。效率提高后，煤炭使用成本随之下降；成本下降后，人们建了更多工厂，跑了更多火车，还开发出新的用途。煤炭消耗量反而暴增。

这就是“杰文斯悖论”1。简单来说，就好比拓宽高速公路本以为车会减少，结果却涌入了更多车辆，再次造成拥堵，道理是一样的。LED照明普及后，照明用量反而增加；互联网让沟通变得高效后，沟通总量却爆炸式增长，都是同样的脉络。

而这个160年前的悖论，如今正再次发挥作用。2025年1月DeepSeek事件爆发时，微软CEO萨提亚·纳德拉在社交媒体上写道：“杰文斯悖论正再度上演！AI越高效、越易获取，使用量就会越猛增。”只是煤炭换成了AI，结构完全一样。

不过我更关注的是，纳德拉所说的“使用量”并非仅仅是API调用次数这类东西。AI使用量的暴增，意味着我们所做工作的数量和密度也在同步暴增。加州大学伯克利分校的这项研究，精准捕捉到了这一点。

对“AI重度用户”八个月的日常观察

先来看看这项研究的设计。从2025年4月到12月，研究团队每周两天亲自进驻一家规模约200人的美国科技企业。他们追踪了内部Slack等沟通记录，并在工程、产品、设计、研究、运营等多个岗位领域进行了40多场深度访谈。

关键在于，这家公司并未强制要求使用AI，只是提供了企业订阅，员工想用就用。然而研究团队发现的模式却十分明确：员工们的工作速度更快、方式更多样、密度更高，而且没有任何人要求他们这么做，他们却自发地这样做了。

研究团队将这一现象称为“工作强化（Work Intensification）”2。这不是工作“时长”的增加，而是工作“密度”的提升。同样是8小时的工作，体感疲劳程度却相当于12小时。而这种强化以三种具体形式呈现出来。

三种强化模式：因为能做、因为停不下来、因为必须管理

第一，工作范围自发扩大。

产品经理开始用AI写代码。设计师做起数据分析，研究员承担起工程任务。以前需要请其他团队帮忙或外包出去的工作，如今在AI帮助下自己就能完成。研究团队认为这是AI提供的“认知助推”所致。以前跨不过去的知识鸿沟被AI填平了，于是人产生了“我好像也能做到”的感觉。

问题在于，这种效应会连锁扩散。产品经理用AI写出的代码，由谁来审查？答案是工程师。而且这不是正式的工作请求，而是通过Slack线程，或者直接走到工位旁，非正式地请人帮忙审查。所谓的“氛围编码（Vibe Coding）”3——只给AI大致的方向、凭感觉修改——其产出，最终由真正的工程师来兜底。一个人的能力边界扩大了，团队整体的工作总量反而增加了，这本身就是个悖论。

第二，工作与生活的边界被打破。

AI的对话式界面，把开始工作的摩擦降到了极致。以前想工作，得先打开程序、配置环境、查找资料，这一系列准备过程其实起到了自然的“刹车”作用。

但用AI只需要一句提示词。午休时“就问这一句”，开会中“就确认这一个”，下班前“最后再问这一个”。研究中频繁观察到这种下班前的“最后一句提示词”正在变成习惯。因为对本人而言，向AI发送提示词就像是在“对话”，而不是在“工作”，所以边界意识变得迟钝。一位参与者说道，回想起来，休息时提示AI已成习惯，休息时间因此不再具有恢复感。

如果说智能手机制造出了“时刻在线的状态”，那么AI正在制造的，是“时刻在工作的状态”。智能手机时代顶多是查邮件、回邮件，而在AI时代，一句提示词就能推进实际的工作。

第三，需要管理的“待处理任务”不断堆积。

人们把AI视为“搭档”，于是开始同时推进多项任务。一边手动写代码，一边让AI生成替代方案；后台再跑另一个AI代理；甚至连以前搁置的任务也被重新唤醒。结果就是无休止的情境切换（context switching）4。

一位参与研究的工程师的话点出了核心：本以为用AI提高生产力后能省下时间、少干点活，但实际上干的活量和以前一样，甚至更多。感觉自己更有生产力了，但并没有感觉更不忙。AI没有变成“秘书”，反而变成了不断产出成果的新员工，而你，成了这个新员工的管理者。

自我强化循环：六个月后的陷阱

这三种模式并非各自独立运作，它们构成了一个循环结构。

AI加速了某项特定工作 → 对速度的期待随之提高 → 对AI的依赖随之增加 → 工作范围随之扩大 → 工作密度和工作量同时增加 → 为处理增加的工作量，又要更多地使用AI。研究团队将其称为“自我强化循环”。

一开始人们会兴奋地投入更多。“多亏了AI，我居然能做到这个程度！”但六个月后，这一切已经变成了常态。这就是所谓的“工作量蠕变（Workload Creep）”5现象——工作量在不知不觉中一点点增加，本人在毫无察觉的情况下，工作已变成新的“默认值”。可怕的是，这个过程是自发发生的，不是公司强制要求的。所以无论是组织还是个人，都很难意识到这已经是过载状态。

这并非加州大学伯克利分校这项研究独有的发现。其他大规模调查也指向了同样的方向。

Upwork Research Institute在2024年对美国、英国、澳大利亚、加拿大共2500人进行的调查显示，使用AI的员工中有77%表示自己的工作量反而增加了。DHR Global的《2026 Workforce Trends Report》显示，83%的职场人正在经历职业倦怠，其中48%将过度的工作量列为原因。而METR在2025年的实验研究中发现，熟练开发者在使用AI工具时，实际所耗时间反而多了19%，但他们自己却以为快了20%。“生产力错觉”得到了实测数据的确认。

有一点需要说明。加州大学伯克利分校的这项研究，是对一家规模200人的单一科技企业进行的观察，将其直接推广到所有行业需要谨慎。研究团队也说明，这项研究仍在进行中，尚未在正式学术期刊发表，目前只是HBR的投稿文章阶段。不过，Upwork、DHR Global、METR等独立的大规模调查都指向了同一个方向，这说明这种模式很可能相当普遍。

那么韩国的情况呢？说实话，可能更加严重。韩国在OECD国家中也属于长工时排名靠前的国家，而且“努力工作”被视为美德的组织文化十分强势。AI带来了“还能再做点什么”的感觉，这种感觉一旦与韩国的劳动文化相遇，很容易形成自发做更多事情的结构。

Oswarld视角

坦白说，这项研究结果并没有让我感到惊讶，反而有种“终于有人把这个测出来了”的感觉。在制定GTM战略的过程中，我见过无数次这样的模式：新工具引入后，人们首先想到的是“用它还能多做什么？”，而“用它可以少做什么？”这个问题总是很晚才被提出，而且大多数时候根本不会被提出来。AI也不例外。

我尤其担心的是“生产力错觉”。METR的研究中，开发者们实际慢了19%，却觉得自己快了20%——这不是个人层面的误判，而是可能扭曲整个组织决策的结构性问题。如果领导者凭“体感”来衡量AI引入的效果，那么即便团队实际上已经处于过载状态，也可能得出“进展顺利”的结论。

到目前为止，关于AI引入的讨论大多集中在“如何用得更好”上——提示词工程、工具选择、工作流设计。这些讨论都很有必要。但这项研究想说的是，有一个问题被漏掉了：“何时该停下来。”

结语

今天内容的核心有三点：AI不是在减少工作，而是在强化工作——速度、范围、密度全都在提升。由于这种强化是自发发生的，无论组织还是个人都很难意识到过载的存在。因此，这不该靠个人意志力来解决，而应该在组织层面设计AI使用规范（AI Practice）6。

研究团队提出的AI Practice包含三个方面：在做重要决定前有意识地暂停的“意图性暂停（Intentional Pauses）”；对AI通知进行批量处理、保护专注时间的“排序（Sequencing）”；以及在AI单独作业之间确保人与人之间对话的“人际锚定（Human Grounding）”。这不是个人日常习惯的问题，而是组织需要将其构建为一套系统。

不如这周试试一件事：为自己划定一段不发送提示词的时间段，无论是午休时间，还是下班前的30分钟。在那段时间里你感受到的是不安，还是解脱感——这种感受本身，就是一种诊断。

📎 参考资料与延伸阅读

作者安光涉是世宗大学经营学教授，也是 OBF（Oswarld Boutique Consulting Firm）首席顾问。他在大学教授经营数据管理、商业分析等统计与数据分析课程，同时在产业现场负责 GTM 与人工智能战略咨询，设计技术与商业的连接方式。他曾发表关于 AI 对话系统记忆架构（HEMA）的学术论文，并运营每日策展全球 AI 论文的 Daily Arxiv 项目。他毕业于高丽大学技术经营专业研究生院与 KMBA，著有《把思考交出去的人：Homo Brainless》。

注释

  1. 杰文斯悖论（Jevons Paradox）：资源使用效率提升后，消耗量非但不减少反而增加的现象。就像拓宽高速公路本以为车流会减少，结果却涌入了更多车辆，道理相同。 ↩

  2. 工作强化（Work Intensification）：并非工作时长，而是工作“密度”提升的现象。同样是8小时，体感疲劳程度却相当于12小时。 ↩

  3. 氛围编码（Vibe Coding）：只给AI大致方向，让其生成代码后，再凭感觉判断并修改结果的编码方式。是一种在没有精确理解的情况下依赖AI输出的做法。 ↩

  4. 情境切换（Context Switching）：在不同任务之间来回切换注意力。据认知心理学研究，每次切换后，注意力恢复平均需要23分钟。 ↩

  5. 工作量蠕变（Workload Creep）：工作量在不知不觉中一点点增加的现象，本人在毫无察觉的情况下，工作已变成新的“默认值”。 ↩

  6. AI Practice：由加州大学伯克利分校研究团队提出的概念，指关于何时、如何使用AI，以及何时停止使用AI的组织层面的规范与惯例。其核心在于将其设计为系统，而非依赖个人的自我调节。 ↩

延伸阅读

社会

没发一篇论文就拿到博士学位的工程师，学位的意义正在改变

在AI时代，证明专业性的方式本身正在发生变化

第 1 期 ·