凌晨两点，告警把值班工程师叫醒。

他打开系统，自动化已经自己尝试过几种恢复操作，都失败了。屏幕上只剩一句："处理失败，请人工介入。"

介入什么？刚才改了哪些配置？业务从什么时候开始异常？该继续尝试，还是退回原来的状态？

平时越少需要他动手，这一刻就越需要他迅速弄清整个过程。

上一篇聊到，AI 把任务变便宜之后，总量和需求都会起变化。这一篇看人：当机器接走了常规任务，留下来的工作会变成什么样？为什么答案可能不是"更轻松"，而是"更需要人"？

一、机器接走简单的，留下最难的

先做个假设：一个运维系统能自动处理 99% 的故障。这个比例是假设的，为了方便讨论。

直觉上，人的工作量只剩 1%，负担应该大幅下降。

但要看剩下的 1% 是怎么被挑出来的。

自动化优先解决的，是规则清楚、资料完整、结果容易验证的问题。那被推给人的是什么？是原因不明、信息缺失、几个系统互相影响的异常。处理次数少了，每次要弄清的事却更多了。

1983 年，英国认知心理学家贝恩布里奇在一篇论文里把这个现象叫"自动化的反讽"。她说了三层意思，层层都挺扎心：

自动化替代了简单任务，把最难的异常处置留给人；

人越不操作，技能越退化；

等系统出事需要接管时，恰恰要求人在最不熟练的时刻表现最好。

最惨痛的教训来自天空。2009 年法航 447 航班，空速管结冰导致自动驾驶断开——这本是个常规故障。但飞行员太久没有手动操纵过飞机，慌乱中做出了错误操作，飞机坠海，228 人遇难。

萨伦伯格机长引用过同行威纳的一句话，把这个悖论说得很明白：

自动化常常减轻了本来已经很轻的飞行员负担，却在本来已经很重的时候，加重了负担。

今天的自动驾驶汽车，还在上演同一个剧本。很多车的接管策略是：平时系统自己开，出了系统处理不了的情况，控制权突然交还给你。可仔细想想——正常情况下，不需要你；异常情况下，你接得住吗？那时候你的手艺，恰恰是最生疏的时候。

还有一层更隐蔽的反讽：你以为自动化减少了人工，其实只是换了一种人工。很多号称"全自动"的 AI 系统背后，站着大量看不见的人——数据标注、内容审核、异常处理、系统纠错。业内管它叫"最后一英里悖论"：你解决了 99% 的场景，剩下的 1% 会更难、更贵、更需要人。

工作量下降，不等于工作变轻松。它可能只是把工作换成了另一种难法。

二、加人，为什么会加慢

再来看协作这边。

上个世纪六十年代，IBM 启动了一个当时人类历史上最复杂的软件项目——为 System/360 大型机开发操作系统。项目经理叫布鲁克斯。项目延期了，管理层的反应本能且自然：加人。

结果越加越慢。

布鲁克斯后来把这段血泪史写进了 1975 年的《人月神话》。他提出的布鲁克斯定律只有一句话：

向进度落后的软件项目增加人手，只会让进度更加落后。

为什么？两层原因。

一是沟通线随人数平方级增长。3 个人的团队有 3 条两两沟通线，10 个人是 45 条。人越多，对齐、解释、等待的时间越多，真正干活的时间越少。

二是新人不免费。熟悉代码库、业务逻辑、团队规范的培训，得由项目里最资深、最忙的那批人来带——你加了人手，先抽走的却是老人的产能。

布鲁克斯还顺手嘲讽了行业的天真：管理者以为"人×月"可以自由兑换，100 个人干 1 个月等于 100 人月。他说，这在割小麦、收棉花的时候成立，在系统编程里，近乎神话。

到了 AI 时代，这个定律有了新版本，有人叫它"产能幻觉"。AI 写代码确实快，但生成的代码量大、风格杂、隐蔽的 bug 多——资深工程师的审查负担不是轻了，而是重了。团队以为用上 AI 就等于多招了好几个工程师，于是多接项目、排期更激进。可这些"新员工"产出极快、从不沟通，整合和兜底的工作量，全落在了原本的人头上。

有人总结得很妙：布鲁克斯说加更多的人没用，但他没说，加对的人有用——那个能定义问题、能判断 AI 产出质量的人，才是真正的稀缺资源。

加人有沟通成本，加机器有监督成本。资源从来不是免费的，它只是把账单换了个地方。

三、一个 AI 和十个 AI，是两回事

既然一个人接管困难，多派几个 AI 智能体一起上呢？

先看个好场景：三个智能体分工查日志、分析配置、核对业务，各管一摊，输入完整，省时省力。

再看个坏场景：它们同时获得了修改权限。一个回退了配置，另一个正按新配置排查，第三个看到一团混乱的现场，又提出了新的改动建议。产出热热闹闹，现场越来越没法解释。

把布鲁克斯定律平移到 AI 智能体身上，目前还只能算类比——AI 不需要团建和培训，但它同样需要上下文、共享约定和结果核对。一个智能体刚写完接口，另一个还按旧接口调用；一个把推测写进摘要，另一个把摘要当事实。这些问题不会因为数量增加自动消失，只能靠设计解决：谁有权限改，谁来负责整合。

但 AI 确实带来了一些新东西，我自己的体感很强烈。

二十年前我做一个小项目，三个人做了半年。同样的事放今天，我一个人加一堆 AI 工具，半天就能做出个七七八八——因为技术团队就我一个人，没有任何内部沟通成本。真正花时间的沟通，全在跟甲方澄清需求上。

更有意思的是 Agent 之间的协作成本。多个 Agent 互相协调，也会"烧"掉大量调用——这有点像它们之间的扯皮。只不过和人类不同，这部分成本有清晰的下降路径：模型在变便宜，算法在优化。人类的沟通成本很难压缩，token 的可以。

所以未来的协作图景可能分成两半：人与人之间要反复澄清的模糊需求，这半还得人来；边界清楚、可以拆开的任务，交给一个人带一队 AI。协作的瓶颈没有消失，只是搬了家。

四、留下来的工作，是什么

把两个概念放在一起，人的角色变化就清楚了：从反复执行操作的人，变成定义任务边界、处理异常、整合结果、验证行动的人。

这让我想起指挥家卡拉扬的一段话：

乐手不是在执行命令，而是在共同创造音乐。指挥家的价值，不在于告诉小提琴手怎么拉琴，而在于定义整个作品往哪儿走。

AI 时代，这个比喻越来越像真的：AI 写代码，你审代码；AI 出方案，你定方向。有个说法我很喜欢：工具越强大，越考验你定义问题的能力，而不是解决问题的能力。

我自己的两点感想，供你参考。

第一，别把"保留人工"做成"人工背锅"。自动驾驶那种"出事才交给人"的设计，本质上是在最便宜的时刻甩掉最贵的责任。真正有效的介入，需要平时就看得见、练得着：操作记录完整，异常有迹可循；关键技能定期演练——有个经典的做法，把已解决故障的结论藏起来，让新人独立定位，再和处理记录对照。养兵千日，得先有练兵的机会。

第二，专家可能不需要"属于"某一家公司。自动化接走日常之后，专家的活变成了"一来就是大活"——一家公司养不起，但他的手艺又必须保持熟练。一个可能的解法是"云化"：一批专家集中起来，同时服务很多甲方。活够多，手就够熟；见的问题够杂，经验就涨得够快——医生也许有一天会回到这个模式：常见病交给系统，疑难杂症留给真正的人。

当然，别把"人更重要"听成"岗位会增加"。这两个悖论讲的是工作的性质和协作的代价，不是就业预测。它们真正提醒的是：人的价值，需要通过能看清、能练习、能介入的工作方式，才有机会发挥。

而这些条件——谁有权限、谁负责整合、谁定义成功——已经不是个人能独自争取的了。它们进入组织设计的范围。

下一篇，聊康威定律和古德哈特定律：为什么AI转型最终是组织问题？