夜雨聆风2026 年，《哈佛商业评论》把一种新的工作疲劳称为“AI brain fry”。它并不是脑损伤，而是一种急性的认知过载：AI 跑得越快，人要同时盯住的任务越多，需要做的判断也越密。
AI 不一定让人少工作。它更可能把工作从“亲手执行”，改造成“持续切换、监督、核验和决策”。 当并行任务越来越多、完成标准越来越模糊，省下来的执行时间，很容易变成新的认知负担。
电脑上开着好几个窗口。一个 Agent 在改代码，一个在搜资料，一个在写方案，还有一个刚跑完几十个代码文件结果，等着你检查。
每个任务看起来都有人替你干。你只需要偶尔切过去看一眼，补一句提示词，再点一下“继续”。
可一天下来，人反而更乱。脑子里全是半截的事：这段代码等着验证，那个结论需要复核，另一个对话最初想解决什么，已经有些模糊。
有人形容，自己一天结束时，真正消耗精力的，已经不是写代码，而是管理代码如何被写出来。六个工作区开着，四个功能写了一半，两个“顺手修一下”又挖出新坑。事情做得比过去多，对全局进度的把握却越来越弱。[1]
这大概就是“AI 脑炸”最真实的样子：机器一直在跑，人却被越来越多未完成的现场拖住了。
14% 的人说，自己经历过“AI 脑炸”
2026 年 3 月，《哈佛商业评论》刊登了一项关于 AI 与工作疲劳的调查。研究团队来自波士顿咨询公司和加州大学河滨分校，共调查了 1,488 名在美国大型企业全职工作的员工。[1]
研究者把“AI brain fry”定义为：使用、接触或监管 AI 工具超过个人认知承受能力后产生的精神疲劳。
参与者描述的感觉很相似：脑子嗡嗡的，像蒙着一层雾；注意力很难集中；做决定变慢；有人还会头痛，必须离开电脑一会儿，才能重新开始思考。
在使用 AI 工作的受访者中，14% 表示自己有过这种经历。更值得注意的是，不同的 AI 用法，带来的结果几乎相反：
AI 替人完成重复劳动：受访者的职业倦怠得分低了 15%；
人持续监管 AI：高强度监管者报告的脑力投入高出 14%，精神疲劳高出 12%，信息过载高出 19%。
也就是说，AI 拿走重复劳动时，人确实可能更轻松；但如果工作重心变成不断“盯活”，新的负担也会随之出现。
工具数量也有收益区间：从一种增加到两种时，受访者感觉生产力明显提高；增加到第三种时，提升幅度已经变小；超过三种后，自我报告的生产力得分开始下降。[1]
“三个”更适合作为一条经验警戒线，而非适用于所有人的硬定律。它提醒我们：AI 可以并行，人脑的并行能力始终有边界。
不过，这里的“脑炸”只是一种对急性精神疲劳的描述，不是医学诊断，更不是说 AI 会造成脑损伤。相关数据来自问卷中的自我报告，只能说明 AI 使用方式与疲劳、信息过载等现象存在关联，不能单独证明因果关系。中文报道中常见的“哈佛新研究”也不够准确：文章刊登在《哈佛商业评论》，研究作者主要来自波士顿咨询公司和加州大学河滨分校。[1][3]
调查还显示，与未经历者相比，经历“AI 脑炸”的受访者报告的决策疲劳高出 33%，轻微错误和重大错误的频率指标分别高出 11% 和 39%，明确表示有离职意愿的人也从 25% 上升到 34%。[1]
这些数字值得警觉，但更准确的理解不是“AI 导致了错误和离职”，而是：当工作变成高频监管、切换和接管异常时，人的精神负担更重，也更容易报告错误与离职意愿。
人最累的时候，常常是在“盯活”
CBS 在跟进报道中采访了一位长期使用 AI 搭建自动化系统的从业者。他说，不同任务的等待时间有时是 5 秒，有时是 50 秒，有时又要 5 分钟。为了不浪费这些空档，他会同时打开几个窗口，推进项目的不同部分。[2]
听起来很有效率。但真正做过的人大概都知道，疲惫也正是从这里开始的。
你刚把问题交给 AI，转身去写文档；几分钟后结果出来，你切回去检查；看到一半，发现它理解错了，于是补充背景；等待下一轮时，你又打开另一个任务。
每次切换可能只有几十秒，大脑却要重新加载整个现场：
这个任务最初想解决什么？
AI 已经做到哪一步？
哪些内容可以直接采用，哪些需要核对？
上一版的问题出在哪里？
一旦出现错误，影响会扩散到哪里？
AI 把执行时间压短了，也把判断塞得更密了。
以前写一份方案，可能是连续思考一个小时。现在 AI 十分钟给你三版，你要在十分钟内比较三套结构、判断十几个事实，还很容易产生一个念头：既然改起来这么简单，要不要再试一版？
于是，产出变快了，“什么时候算做完”却变得更难判断。
微软研究院等机构在 2025 年调查了 319 名知识工作者，收集了 936 个使用生成式 AI 的真实案例。他们发现，人越相信 AI，越少报告自己进行了批判性思考；对自身能力越有信心的人，反而更愿意继续检查和判断。AI 也改变了思考花在什么地方：直接产出的力气少了，核验、整合和监督的工作多了。[9]
表面上，思考似乎交给了 AI；实际上，它只是换了一种形态，变成更零碎的核验、整合与决策。
你已经切走了，注意力还留在上一个任务里
这种疲惫早于 AI 出现。2009 年，管理学者 Sophie Leroy 提出了“注意力残留”这个概念。[5]
她发现，人从任务 A 切换到任务 B 时，大脑仍需要一段时间处理 A 留下的信息。尤其是 A 尚未完成时，一部分注意力会继续停留在刚才的问题上，进而影响接下来任务的表现。
任务切换本身也有成本。心理学家 Stephen Monsell 对相关研究的综述显示，即使人知道马上要换任务，切换后仍然更容易反应变慢、出错增多。[8]
Gloria Mark 等人的实验还发现，被中断的人有时会用更快的速度把工作补回来，同时承受更高的压力、挫败感、时间紧迫感和脑力投入。[7]因此，完成数量与轻松程度是两套不同的指标。
以前，中断大多来自电话、会议、同事消息和临时需求。现在，AI 又制造了一批“不知道什么时候回来”的任务。
提示词发出去以后，事情并没有真正离开大脑。你知道结果随时可能返回，也知道回来后还要判断。这种“随时得去看一眼”的状态，会让注意力一直悬在多个任务之间。
心理健康机构 Revive 在一篇实践文章里，把它叫作 AI 决策疲劳：人把执行交给 AI 后，转而陷入持续监控和反复确认——语气对不对、决定能不能信、AI 所追求的效率是不是自己真正想要的。[4]
这篇实践文章的价值，主要在于准确概括了日常体验：脑力消耗从“亲手做”，转向“盯着它做，再判断结果能不能用”。
AI 省下的时间，为什么很快又被填满
很多公司引入 AI 时，默认逻辑是：原来一天完成五件事，现在效率翻倍，那就应该完成十件事。
员工也可能这样要求自己。AI 的能力看起来没有尽头，总觉得还可以再优化一轮、再多开一个 Agent、再把旁边那件事顺手做了。
结果是，AI 省下的时间迅速被新任务填满，一个人负责的范围也随之扩大。工具提高了单个环节的速度，却没有自动降低目标、责任和工作总量。
HBR 的调查发现，当员工觉得公司会因为有了 AI 而要求自己完成更多工作时，精神疲劳得分高出 12%。相反，那些感受到公司重视工作与生活平衡的员工，精神疲劳得分低了 28%。[1]
这说明，“AI 脑炸”不只是个人不会管理注意力，也与组织如何设计工作有关。公司一边用 AI 提效，一边把省下来的每一分钟重新塞满，员工的负荷自然会持续上升。
如果企业奖励的是 Token 消耗量、AI 生成的代码行数、同时运行了多少个 Agent，大家就会自然地追求更多调用、更多任务和更多产出。真正值得优先衡量的，是这些内容解决了什么问题、是否产生实际价值，以及最终由谁验收。
AI 把“多做一点”的边际成本降得很低，看起来几乎免费；但人的注意力、判断力和责任容量，依然是有限资源。
怎么用 AI，才能不被它拖着跑
重点未必是让 AI 少干一点，而是减少同时需要人盯着的现场。下面六种做法，归根结底只有三件事：限制并行数量、降低切换频率、保留人的最终判断。
限制的不是工具，而是“待验收现场”
HBR 调查中，自我报告的生产力在使用超过三种 AI 工具后开始下降。[1]“三个”更适合作为提醒，而不是人人适用的硬标准。
真正需要限制的，不是安装了多少工具，而是此刻有多少任务正在运行、稍后又要由你验收。最好只保留两三个这样的“待验收现场”，其他任务进入队列，完成一个再开启一个。
给 Agent 设置固定验收时间
把检查结果集中到固定时间，比如完成手头这一小段以后，再统一查看。关闭非必要提醒，让生成完成的通知进入待处理队列，而不是立刻触发一次任务切换。
Revive 的文章把这种做法叫作“被动信任时段”：给 AI 一段独立工作的时间，在约定节点集中查看结果。[4]
低风险、可回滚的任务可以多放手。高风险任务则减少并行数，把注意力留给真正需要检查的地方。
开始前就写清楚停止条件
AI 最容易让人陷进去的地方，是永远还能再改一版。
开始前先定好：什么结果算完成，最多迭代几轮，什么时候必须停。CBS 采访中的从业者会同时给自己和 AI 设截止时间，因为“下一个更好的版本”一直存在，追下去很容易没有尽头。[2]
完成标准比“继续优化”更能保护注意力。
切走前，留一张“回来就能继续”的纸条
Leroy 和 Glomb 后来的研究发现，中断前写下一个简短的“可恢复计划”，可以减少注意力残留，改善接下来任务的表现。[6]
我通常是把对应任务的命令行做好一个命名，我回来看的时候，知道我上次执行的什么。
每周问一次：它真的让我变轻松了吗
工具越多，越容易默认“能自动化就应该自动化”。每周花几分钟看一下 AI 帮你做过的事：哪些确实省掉了重复劳动，哪些只是增加了检查和返工，哪些让自己离工作越来越远。
保留真正减负的。对于需要反复盯守、出错后又难以收拾的自动化，则可以降级、重做流程，或者直接停用。
公司也要管好“一个人能带多少个 Agent”
今天的 Agent 很像一种新的管理跨度。
一个人带多少名员工，企业通常会认真讨论；一个人同时监管多少个 AI Agent，同样需要明确边界。机器可以持续运行，人的注意力、判断力和责任容量却有上限。
HBR 的调查发现，管理者愿意回答员工的 AI 使用问题时，员工报告的精神疲劳低了 15%；如果管理者让员工完全自己摸索，疲劳得分则高了 5%。团队有组织地把 AI 放进工作过程，也比每个人各自堆工具、互相比较谁用得多更轻松。[1]
企业真正要做的，大概有四件事：
给同时监管的 Agent 数量和任务风险设边界；
讲清楚 AI 省下时间后，工作量会不会跟着增加；
把考核重点从 Token、调用次数和生成数量，转向最终解决了什么问题；
把 AI 使用方法做成团队共同规则，由组织共同承担摸索成本。
AI 提高了局部速度，人的一天依然只有 24 小时。
最后
我们很容易被一种忙碌感迷惑：对话一直在跑，结果不断出来，好像每一分钟都没有浪费。
人的工作还包括理解、取舍、核验和承担后果。AI 越能做，留下来让人判断的事情往往越密，也越重要。
所以，判断 AI 是否真正带来提效，不妨少看一个数字：今天开了多少个对话。
多问两个更实际的问题：
今天到底关掉了多少件事？做完以后，有多少东西真正留在了自己脑子里？
AI 可以一直跑。人真正需要守住的，是完整的注意力，以及对结果的理解和判断。
参考资料与核对说明
Bedard, J., Kropp, M., Hsu, M., Karaman, O. T., Hawes, J., & Kellerman, G. R. (2026). When Using AI Leads to “Brain Fry”. Harvard Business Review. https://hbr.org/2026/03/when-using-ai-leads-to-brain-fry
Zak, L. (2026). Is AI productivity prompting burnout? Study finds new pattern of “AI brain fry”. CBS News. https://www.cbsnews.com/news/is-ai-productivity-prompting-burnout-study-finds-new-pattern-of-ai-brain-fry/
量子位（2026）。《哈佛新研究：过度使用 AI 会“烧脑”，14% 用户出现认知过载》，智源社区转载。https://hub.baai.ac.cn/view/53198
Revive Therapeutic Services (2026). Beyond the “Set and Forget”: Navigating AI Decision Fatigue in the Age of OpenClaw. https://www.revivetherapeuticservices.com/beyond-the-set-and-forget-navigating-ai-decision-fatigue-in-the-age-of-openclaw
Leroy, S. (2009). Why Is It So Hard to Do My Work? The Challenge of Attention Residue When Switching Between Work Tasks. Organizational Behavior and Human Decision Processes, 109(2), 168–181. https://doi.org/10.1016/j.obhdp.2009.04.002
Leroy, S., & Glomb, T. M. (2018). Tasks Interrupted: How Anticipating Time Pressure on Resumption of an Interrupted Task Causes Attention Residue and Low Performance on Interrupting Tasks and How a “Ready-to-Resume” Plan Mitigates the Effects. Organization Science, 29(3), 380–397. https://doi.org/10.1287/orsc.2017.1184
Mark, G., Gudith, D., & Klocke, U. (2008). The Cost of Interrupted Work: More Speed and Stress. In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, 107–110. https://doi.org/10.1145/1357054.1357072
Monsell, S. (2003). Task Switching. Trends in Cognitive Sciences, 7(3), 134–140. https://doi.org/10.1016/S1364-6613(03)00028-7
Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. In Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems. https://doi.org/10.1145/3706598.3713778