夜雨聆风
你有没有过这个瞬间：想算一道两位数的加减法，手指已经鬼使神差地点开了某个AI聊天框。你告诉自己，“这样快一点”
但实验记录的答案，和这种感觉相差很远。
一项由麻省理工学院、斯坦福大学、纽约大学与普林斯顿人工智能实验室联合完成的预注册实验，跟踪了2691名参与者，得出一个近乎羞辱的结论：你以为AI帮你省下了55.7秒，实际你只省了7.5秒。仅仅在两道题上用过AI之后，你的大脑就开始静默地上瘾；下一次，你会更想用它，哪怕你自己动手本来更快。
这项发现来自刚刚提交至arXiv（编号2605.22687）的论文《效率收益错觉》（The efficiency-gain illusion）。
“感觉高效”是一场集体幻觉
研究团队干了一件特别“损”的事
他们没有测什么写代码、做财报、搞研究这种“大活儿”。他们选的，全是你我闭上眼睛都能做的琐事：两位数加减法、拼写校对、回忆常识、改写短句。用学术黑话说，这叫认知卸载，把本该大脑干的活儿，外包给AI。用大白话说，就是“懒得想”
结果，打脸来得又快又狠
在实验中，人们被随机分成两组一组只“预测”自己在哪些题上会用AI，另一组真刀真枪做题，桌子上就摆着一个嵌在问卷里的GPT-4o聊天框。你猜怎么着？
预测组说：容易的题，我大概只有20%的概率用AI。实际组呢：38%的人，点开了AI
几乎翻倍
而在那些离谱到极致的题上，比如“黑加白是什么颜色”、“27加56等于几”，几乎没有人预测自己会求助AI（预测率仅2.3%）。但真实世界里，有21%到54%的人，依然把手伸向了那个对话框。
Rohan Paul在社交平台上将其概括为：错误的便利感会逐渐驯化人们。
▲ Rohan Paul的帖子概括了论文的核心落差：感觉高效，不等于测到高效
省了55.7秒，还是只省了7.5秒？表针不会说谎
最醒目的数字，来自时间幻觉
研究二的参与者被要求预估自己独立完成和用AI完成各需要多久。他们信誓旦旦：AI能把时间从97.1秒压到41.4秒，砍掉近六成。
然而实验里的隐藏计时器，记录下了残酷的真相：AI组的真实用时是86.2秒。所谓的巨大优势，被写提示、等响应、读答案、检查对不对、再决定要不要信这五个动作组成的界面摩擦，吃干抹净。
最终，预期节省55.7秒，实测节省，7.5秒。
7.5秒大概是你读这句话的时间
在那些“易如反掌”的任务上，AI不仅没加速，反而让人更慢。这种体验就像把车开进服务区绕了一圈，回来后仍觉得自己风驰电掣。
评论区里有人把这种感觉形容得入木三分，“带着进度条的拖延”。
▲ “55.7和7.5的落差痛得熟悉，有时候问AI只是带进度条的拖延”
大脑被“静默重校准”：用过两次，你的判断就变了
如果只是时间观出了点偏差，倒也无伤大雅。研究三发现，这种偏差还会延续到后面的选择中。
研究者先让一部分人“被迫”用AI做两道题，然后再让他们自由选择是否继续用。对照组则是全靠自己做完的人
结果呈现出一种持续的延续效应：
用过AI的人，下一轮选择AI的比例是44.5%。没接触过AI的人，这个数字只有27.7%。
仅仅是暴露在AI面前两轮，就足以改变一个人的行为模式。同时，那些被“投喂”过AI的人，更不相信自己动手其实更快这回事了。
论文作者把这称为过度依赖反馈环：使用塑造信念，信念再推动使用。你越用，越觉得自己需要它；你越觉得自己需要它，你的元认知，判断“什么时候我自己的脑子才是更快的工具”的能力，就越钝化。
有博主用了一个绝妙的比喻：仓鼠轮转得很漂亮，却哪儿也去不了。
▲ 短促的隐喻，戳中了许多人的隐痛
另一条裂缝：那些“真的不快，但我就是想要”的人
评论区里还有另一种看法
一位名叫David Boyle的用户在评论区写下了一段几乎可以封神的辩护词。他承认，有一类任务，用AI确实不更快。不过，
“AI在跑的时候，我可以把脑子关掉一分钟，看看窗外，喘口气，摸摸草。等草稿回来了，我再把脑子重新打开这能卸下一点心智负担”
不更快，但更好、更开心
▲ “Not quicker but better and happier”，与论文测到的“时间，努力”双维度形成奇妙对照
这段话之所以危险而动人，在于它恰恰坐实了论文的另一个核心发现：人们从AI那里获得了情绪上的喘息，秒表上的领先却可能并不存在。此时被优化的是当下的疲惫感
但问题来了：当喘息感被误记为生产力，日积月累，依赖会逐渐变成一种不用面对“费点劲”的舒适。
更大的阴影：让资深开发者慢了19%，主管们却还以为快了
如果你觉得“简单任务上犯迷糊”只是小白才会踩的坑，那METR在2025年做的另一项随机对照试验，会给你当头一棒。
他们找了16名资深开源开发者，平均维护着2.2万星以上的大型代码仓库，分配给他们246个真实的GitHub issue，修bug、加功能、做重构。一半人允许用Cursor和前沿Claude模型，另一半纯手搓。
结果是：允许用AI的那组，完成时间反而多了约19%。
参与者全是万里挑一的高手反常之处在于，他们事前预测AI能让自己快24%；亲身经历了减速之后，仍然坚信AI让自己快了20%。
事实 不仅无法说服人，甚至连经历过事实的人都说服不了。这就是Stripe Economics团队指出的那个经典困境：微观层面的“感觉良好”，迟迟无法兑现为宏观层面的生产率跃迁。
另一边，Upwork的数万人调查给出了同样撕裂的画面：96%的高管相信AI提升了公司效率，77%的员工却说自己更忙了，47%的人不知道该如何达到老板期待的生产率。AI把“快”的部分吸走了，把“收拾烂摊子”的部分加倍吐了回来。
▲ “AI在任务层令人惊叹，但真实世界的扩散与摩擦，几乎难以逾越”
从1987年到2026年：太阳底下没有新鲜事？
把时间拨回1987年诺贝尔经济学奖得主Robert Solow说了一句后来被刻在经济学史上的话：
“计算机时代无处不在，唯独不在生产率统计里。”
那时候，企业疯狂购置PC和信息系统，账面上的生产率却半死不活。这段历史被称为IT生产率悖论后来呢？经过大约十年，学习成本消化完，组织流程重构完毕，生产率才开始报复性上涨。
今天的AI，正站在同一条河的出发点。只不过，这条河上多了一座更隐蔽的桥，心理层面的校准失灵。
论文给出的警告是：依赖的风险常以静默的重新校准出现。
你不会一夜之间变成不会算数的傻瓜。但你会一点点失去判断“我该不该自己来”的精度。一个人如果连“27+56要不要问AI”都开始犹豫，那他在更大的决策上，什么时候相信自己的判断，什么时候求助于外部系统，又该拿出几成把握？
所以，我们该拔掉网线吗？
没必要也不现实
这篇论文并未断言AI无用它研究的是，在“简单、琐碎、本可脱手”的微任务上，人类对AI的收益感知系统出了bug。而在结构化、高复杂度、依靠经验兜底的职业场景里，比如客服工单处理，经典的Brynjolfsson研究就测到了14%到34%的真实提升。
核心问题落在这里：你对自己在用AI这件事上，到底有没有数？
下一次，当你想把一道两位数加法丢进聊天框之前，不妨做个小实验。给自己掐个表：写完提示、等待回复、检查答案、决定信不信，这一整套做完。然后再掐一次表：自己口算一遍
很可能，你会被那个结果吓一跳
工具不会让你变笨但快如闪电的错觉，可能掩盖原地打转的现实，这正是属于这个时代的新式眩晕。
毕竟，仓鼠轮的用途本就与“到达哪里”无关。它只会让你“一直跑下去”
