闲聊|为什么 AI 干活快了 100 倍,你的工作交付却没有快 10 倍

你最近养“小龙虾”了吗？

一个多月前，“小龙虾”破圈式的爆火，带来一波训练 AI 助手的热潮；一年前，DeepSeek R1 横空出世，让全世界的人见识到中国 AI 研发的竞争力；再往前看，从 ChatGPT 引发业内广泛关注，到 GPT-4 让许多人第一次真切感受到通用内容生成系统的能力，整个行业一直处在狂奔的状态，也在不断的对现代世界制造真切的影响。

今天基于大语言模型技术路线的 AI 确实已经能够被用来完成大量具体任务，而且可用性也已经非常高了。日常的回答问题、总结材料、写会议纪要、起草邮件、搜索信息。专业场景里，它可以写代码、改 bug、润色文章、做PPT、画原型图。从生成内容这件事本身来看，AI 确实把速度提升到了一个高到离谱的水平。

很多人在第一次体验这种速度之后，（尤其是老板）会很自然地期待整个工作流程同步提速。但真正进入工作场景后会发现，内容生成这一块虽然快了，交付却没有同样倍数地变快。文章初稿能瞬间出来，发出去之前还得认真看，改掉不合适的句子段落。代码能一下几百上千行的生成，但上线之前还得仔细测试、review、对接、看看你的 Claude Code 这次有没有 reward hack 抄近道。PPT 能很快铺出来几十页，真拿去汇报之前还是要调整叙事并且核对数据看看是不是幻觉编出来的。

生成环节越来越快，整个工作流程的节奏依然没有发生同样比例的变化。很多人的焦躁感也恰恰来自这里：工具给你结果的速度实在是太快了，人的阅读、判断、确认、取舍跟不上；还有很多时候AI听不懂人话，给的结果不合心意，又是额外的情绪负担，工作压力好像没有自动减少。

往下追问自然会碰到更根本的课题：工作到底由哪些环节组成，人类在其中还承担着什么角色，AI 提高的究竟是哪一部分能力，AI 能替人类承担哪些角色。

要理解 AI 对工作的真实影响，有几条基本原则和事实必须先盘一盘。

零、人是目的，不是手段。

有点抽象的几个字，却是基础原则中的基础，它决定了我们应该怎样理解工作、技术和效率。

人类发展技术，提高生产力，建立组织，设计流程，最终都不是为了让系统自己运转得更漂亮，也不是为了让某种抽象意义上的效率/成果无限增长，而是为了服务人的生产生活，满足人的需要，让人能够更好地生存、劳动、生活、判断和选择。工作之所以有意义，交付之所以需要确认，标准之所以需要设定，归根到底都是因为背后有具体的人会使用这个结果、承受这个结果、评价这个结果。

所以，一项工作是否算完成，从来不是东西已经做出来了——不然小学老师也不会罚你重写作业——它实际上包含一个更根本的问题：这个结果是否真正服务了人的目标，是否符合人的需要，是否处在一个人能够接受、理解和负责的范围内。只要这一点成立，人就始终处在评价链条的中心位置。

一、工作需要有目标，也需要有标准，而目标和标准最终都是人来决定的，结果也是人来承担的。

因此，一项工作是否算完成、是否算合格，最终都需要由人来设定目标、设定标准，并在交付时做出确认。哪怕具体执行过程已经高度自动化，这个基本结构也还在。做一个功能、写一篇报告、出一套方案，最后总要有一个人或者几个人达成一致，拍板说：眼前这件事算是合格了，可以进入下一步了。这一步的质量好坏，带来的后果如何，都得拍板的人来承担。

二、人几乎无法准确恰当地评价超出自己认知和能力范围内的成果。

老板不需要亲自完成每一个业务细节，但评价能力总要建立在一定的业务理解的基础上。一个技术经理可以不亲手写每一段代码，但他需要懂到足以判断方案是否合理、指标是否达标、风险是否可控。理想状态下，评价本身并不是一个轻松可以胜任的动作，它需要知识和经验，还需要态度和判断力（所以只会瞎指挥、打太极的老板不在讨论范围）。

三、人的注意力和精力始终都是有限的。

很可惜，劳动者的意志再钢铁，他们的血肉之躯也是有极限的；又很可惜，这一点常常被有意无意地忽略。任务多了，链条长了，协作复杂了，人的审阅、回复、批示、协调都会出现精力瓶颈。这也是为什么长期以来人类的各种组织都会形成金字塔型的层级、分工和流程。现实中的很多限制，不只是机器马力不足，还包括人的精力不够用：再天才的领导也不可能平等地听取、审阅一千个下属的汇报。

顺着这些原则和事实往下捋，如果我们依然想要以负责任的态度完成一件工作的话，这个过程中有几类关键环节仍然需要人来承担：

一类是定义目标。到底要解决什么问题，做到什么程度算够，优先级怎么排，这些都需要人来决定。

一类是判断结果。AI 给出多个方案之后，哪一个更合适，哪一个在当前条件下值得采用；AI 给出工作结果之后，哪一部分需要返工，哪一部分可以接受，这些都需要人来判断。

一类是评估风险。一个懂行的人往往知道哪里最容易出错，哪一个看起来通顺但实际有隐患，哪里一定要花点心思多看一眼。

最后是承担责任。事情出了问题，总要有人解释、修正、承担后果。

以软件开发为例，AI 今天写代码确实很快，然而软件开发里“写代码”这步其实才是最简单直接的，至于非代码部分：需求得先说清楚吧，接口得和其他 team 协调吧，代码要同事 review 并吵架吧，测试得跑吧，发布上线前要跟所有人通气吧。真实系统还会有历史包袱、复杂依赖和团队规范。生成速度提高了，验证和协调仍然需要时间。

写作也是类似的。AI 可以在很短时间内给出一篇结构完整、表述通顺的稿件，但文章要真正发出去，还要确认它是否准确表达了自己的意思，内容是否经得起推敲，是否贴合对象，是否保留了真正重要的观点，是否踩了某些红线。写得快并不意味着看得快、改得快、确认得快。

AI 可以24小时持续产出答案，人却没有办法以同样的速度持续完成审查、反馈、协调和拍板。一个残酷的现实：AI 产出越多，人需要看的东西也会变多。一个人面对十个候选版本，未必比面对一个版本更开心更轻松。生成变快，许多时候会带来比以前更高的筛选成本。很多工作场景里的负担并没有因为有了更多草稿而自然减少，反而会转移到阅读、判断和取舍上。从组织视角来看，AI 带来的主要变化很可能是：产出变得更容易了，审查和治理的带宽显得更稀缺了。

这时候“人”反而成了效率瓶颈。

以前我们常常看到两个方向的观点：一个是过度乐观，觉得有了 AI 之后，很多知识都不再需要学了，很多能力都可以直接外包，人只需要躺着发号施令就完事了。另一个是过度悲观，觉得 AI 既然已经会做这么多事，人在社会生产中很快就没有位置了。

我的看法是两者都是简单论断，而任何简单论断都不值一看。

AI 的能力边界会不断扩展，很多具体任务会继续被自动化，很多社会分工中的一部分手动工作内容也会持续被压缩。这些变化是真实的、既成的、不以人的意志为转移的，是无论如何都要面对的。与此同时，只要工作仍然需要设定目标、判断结果、识别风险、承担责任，人的判断力就仍然重要。只要现实世界仍然靠人来做决定、来相处、来组织、来生活，人的注意力、理解力、判断力就仍然是稀缺资源。

我一985教授朋友跟我吐槽说，现在有的学生变成了 AI 转发器，有什么任务或者讨论问题布置下去，学生用 AI 搞一搞就发回来了，那东西一看就知道 AI 做的，明显是在糊弄老师。实际上这又何尝不是在糊弄自己呢——这个过程除了贡献了一些token，自己得到了什么呢？当面一聊还不是啥也说不出来。

这就说到有些人会因为 AI 的帮助而产生一种虚假的“提升感”，觉得有了 AI 之后以前不那么容易的事情变得简单了，自己做起来游刃有余了，因此沾沾自喜，感觉是不是自己的竞争力自动变强了。

然而残酷的是，结论完全相反。

如果说AI是一个能力放大器，有AI的辅助每个人的能力都能放大3倍，后果是什么？

假设张三的能力是单位1，李四的能力是2，都有AI赋能的情况下，张三的能力变成3，李四是6，乍一看李四的能力还是张三的二倍，然而二人的绝对效率差从1变成了3！——张三有了 AI 辅助并不能更好的弥补和李四的差距，二人的差距反而被 AI 放大了。更不用说能力强的人被AI赋能的乘数其实并不会和能力弱的人一样。

这种情况下张三首先要诚实地面对自己的基础实力，基础实力的提升不是 AI 能自动带来的。AI 的确能普惠式的帮助人更高效的学习，前提是你确实花功夫去学习去提升自己——毕竟前AI时代，所有人都可以在网上找到MIT斯坦福清华北大的在线课程和教材，但真正利用起来让自己变强的人有几个呢？而在 AI 时代，工具可能让人更浮躁，对知识的掌握更有错觉，很难说是促进了还是阻碍了人类提升自己。

苏格拉底（可能）说过：认识你自己。

在 AI 时代如何找到自己的位置，靠思考不够，靠 AI 可能有点帮助，但归根结底需要亲自投入精力进行学习和实践。大概也正因为如此，学习这件事的意义从来不该只停在为了更好地干活层面——它帮人理解世界，理解他人，也理解自己。

回到最初的问题：用 AI 干具体的活儿比以前快了一百倍一千倍，而交付效率却没有提升 10 倍，我们怎么办？

笔者打算吃好喝好，保持清醒，继续创造。和屏幕前的你聊聊，本身也是解决方案的一部分。

谢谢你读到这里，很荣幸与你相会！

这是这个公众号的第一篇文章，闲聊+科普性质的，希望得到您的反馈。公众号的主题不是技术本身，不会聊到技术细节，也不会每日自动转发前沿热点，更多的是分享一些作者面对飞速变化的世界的思考，也会分享一些业界与学界的见闻与故事，甚至发表一点“暴论”。我主要是希望能搭建起一个与读者交流的平台，如果有哪些话题想让我下次侃一侃，或者您有故事想跟我分享，欢迎留言私信。