AI 工具越多,人为什么反而更累?

这次线上交流从一次 AI 工具实测开始，最后聊到了一个更广泛的问题：当 AI 能同时处理更多任务，人的工作真的会更轻松吗？

讨论里没有“一键解决所有问题”的故事。大家聊到的，都是使用中的细节：报告能不能继续编辑，多个 Agent 如何占用注意力，一线教师为什么不认可某些 AI 改作文工具。

这些细节指向同一件事：AI 的能力已经很强，但从“能做”到“能稳定交付”，中间还有很长的路。

01 从会聊天，到会交付

分享者用 WorkBuddy 做了一次真实的报告生成尝试。

工具能理解任务，也能把一个复杂需求拆成步骤。最终生成的 Word 报告，文字部分已经有一定可用性。问题出在图表和后续修改：图片可以放进报告，却不容易继续编辑；数据可以展示，样式和逻辑很难交给使用者调整。

自动生成的完成度，不等于真实工作里的交付度。一份要进入公司流程的材料，还需要修改、追溯、审核和复用。因此，HTML、SVG、ECharts 等可控的生成方式，有时比一张看起来很完整的静态图更有价值。

讨论也提到了连接器的安全边界。当 AI 连接到微信、文档和其他工作入口，它能获得更多上下文，也同时接近了更多私人信息和组织数据。在企业环境里，接入什么、谁能调用、数据去向哪里，都需要先说清楚。

02 Agent 越多，注意力成了新的稀缺资源

交流中最有冲突感的一句话是：

“现在 Agent 有时候让大家变得更累了。”

分享者曾经习惯为一个任务开两三个线程，再同时运行多个 project。晚上睡觉之前，还会特意给 Agent 布置一个长任务。表面上，机器一直在工作；回到电脑前，人需要切换上下文、检查输出、处理冲突、重新交代。

并行能力增长之后，验收成本和注意力切换成了新瓶颈。

这也是“less is more”在 Agent 时代的一种解释：给当前任务足够清晰的边界，先让 AI 生成方案，用 Plan 模式确认执行路径，然后再动手。很多时候，完整做好一件事，比同时启动十件事更接近真实效率。

从 WAIC 的现场观察，讨论转向了另一个常见话题：AI 能写代码之后，人还需要理解代码吗？

大家给出的答案很实用。是否亲手写每一行代码，可以交给不同工具；但要判断 Agent 在做什么、为什么出错、这个结果能不能上线，使用者仍然需要理解基本逻辑。

一个工具很难同时做好规划、设计、执行和检查。不同模型按照擅长环节分工，再由人保留最终判断，往往更稳定。

在教育话题里，一位一线语文教师分享了自己的感受：不少老师会用 AI 搜索资料、辅助备课，但 vibe coding 等更深的使用方式，还很少进入日常教学。

学校里并不缺培训，高质量、能够连接真实教学问题的系统训练仍然稀缺。当培训只展示基础搜索和文字生成，老师很容易低估 AI 的边界。

AI 改作文更能体现这个落差。现有一些产品擅长修正语法和错别字，却很难进入高中议论文的逻辑、结构和教学目标。技术团队缺少学科经验，有经验的老师又很难把自己的教学思路灵活写进系统。

教育、医疗等垂直行业的 AI 产品，往往卡在这个位置：模型有能力，产品却没有把专业人员的方法、判断和反馈流程接进去。

回看整场交流，从生成报告、多 Agent 工作流，到代码能力和 AI 改作文，几个话题有一条共同的线：

输出需要可修改，不能只是“看起来完成”。

并行任务需要受控，否则人的验收和切换成本会迅速上升。

垂直行业产品需要容纳专业方法，让一线使用者能够调整和反馈。

数据、权限和连接器需要明确边界。

AI 会继续让执行更快。接下来稀缺的，可能是定义问题的能力、专业判断，以及与真实使用者反复对齐的耐心。