夜雨聆风
把表掏出来就现在
你以为 AI 帮你省下的每一秒，可能都在另一个账本上悄悄借了回来，还加了利息。
2026年5月，一篇挂在 arXiv 上的论文，把许多人心里那个说不出口的疙瘩，一刀剖开了：The efficiency-gain illusion（效率增益幻觉）。作者名单拉出来能吓一跳：斯坦福、纽约大学、MIT、普林斯顿 AI Lab。2691名参与者，三项预注册研究
结论一句比一句狠：
人们以为自己用 AI 省了约 55.7 秒，实际只省了约 7.5 秒。高估了将近 7 倍。
在简单任务上，AI 辅助反而比自己做更慢，平均慢 10 秒。
只用了两次 AI，人就更容易下次再用，哪怕明明自己做更快。
问题已经超出“工具好不好用”的范畴你的大脑正在被重新校准，而你毫无察觉。
▲ Rohan Paul 的种子主帖浓缩了论文核心：感觉高效≠真高效；55.7秒vs 7.5秒；界面摩擦；安静的再校准。
秒表不会说谎：55.7秒的幻觉，是怎么来的？
研究设计相当“朴实”24个日常任务，全都不难：基础算术、改一句拼写、短改写、回忆一个奥运奖牌得主。独立完成，一般五分钟内搞定
然后给参与者一个选择：自己做，还是让 GPT-4o 帮忙。
结果第一个反转来了：人口层面预测“我会用AI”的比例约 33%，实际使用率约 47%。在简单任务上，差距更大，预测约 20%，实际约 38%。人们尤其低估自己会去点AI的概率，而且是在那些“自己明明几秒就能搞定”的事上。
时间账拉开了更大的差距
参与者平均预期：独立完成约 97.1 秒，用 AI 约 41.4 秒，预期节省 55.7 秒。现实呢？独立完成约 93.7 秒，这猜得挺准；但 AI 辅助实际花了约 86.2 秒，比预期翻了整整一倍。实测节省：7.5 秒
预期省 58% 的时间，实际省不到 8%
效率增益幻觉由此显现：人们系统性低估了“用AI”本身要花的时间。
写提示平均 48.7秒，阅读和判断回复又是 37.6秒。其中约 41% 的提示是直接从任务说明里复制粘贴，你还没开始“省”，将近一分钟已经没了。
界面摩擦：时间耗在了对话框里
▲ 更早一版高互动摘要帖的配图，展示“预期节省”与“实测节省”之间的巨大落差。
很多人以为用 AI 慢是被“不聪明”卡的。错得离谱
论文的结论是：在简单任务上，瓶颈落在界面摩擦。
你要想怎么问、打字或粘贴、等流式输出一个字一个字往外蹦、读完、判断这答案是否可接受、不行还得改 prompt 再来一轮。每一步都在“感觉像在做事”，每一步都实打实吃时间。
NASA-TLX 量表测出的心力数据也很诚实：人们准确估计了“用AI时有多轻松”（预测约1.76，实际约1.74），却高估了“自己做有多累”（预测约2.66，实际约2.36）。
换成日常感受：AI带来的省力少于预期，人们也高估了独立完成的辛苦。中间的差价，就是幻觉
有回复的网友说得一针见血：
▲ Timur Yessenov 称 55.7/7.5 的落差“眼熟得让人难受”，有时问AI只是“带着进度条的拖延”。
带进度条的拖延精准得让人想把手机扔了
两次就上瘾：慢之外，还有“停不下来”
如果说前面的数据是“打脸”，研究3则让人不安。
研究者让一组人先独立完成两个任务，另一组人先用AI完成两个任务。然后进入测试阶段，观察他们在新任务上的选择。
结果：暴露阶段用过AI的人，后续在简单任务上再选AI的比例是 44.5%；独立完成组只有 27.7%
两次只用过两次
AI 使用就在人的决策系统里嵌下了一道默认选项。同时，那组用过AI的人，对“独立其实更快”这一事实的判断力也下降了。时间校准，恶化
论文把这叫携带效应用大白话说：AI 训练出了自己的正当性。一次使用，就在给下一次使用投票
人的能力未必下降，发生的是一种安静的再校准：你渐渐无法准确判断，什么时候自己的大脑才是最快的工具。
▲ David Boyle 的长回复提供了一个重要对照：他明知不更快仍用AI，为的是短暂卸载脑力。“不更快，但更舒服”，情绪价值≠效率价值。
这里得插句公道话David Boyle 式的选择无可厚非。用AI换一点喘息空间、等草稿时发个呆，这是合法偏好。问题在于把“感觉更舒服”误记成“做得更快”。当主观体验和客观秒表脱节，你的时间管理就成了自我欺骗。
专家也中招：METR的开发者RCT，慢得离谱
如果你觉得“这不过是实验室里让普通人做简单任务”的把戏，往下看。
METR 在2025年7月做了一场在真实开源仓库里的随机对照试验。16名资深开发者，平均贡献过数万星、百万行代码的项目。246个真实 issue随机允许或禁止使用 Cursor Pro 和 Claude 3.5/3.7 Sonnet。
结果是：允许用AI，完成时间反而慢约 19%。
人类有多不自知？开发者事前预测AI会让他们快约 24%；做完之后，仍然估计自己快了约 20%
慢19%，一个被坚信“快了20%”的人，是不会去看表的。
▲ Sean Goedecke 的解读把三重对照排成标题：事前预期加速24%，事后仍觉加速20%，实际慢19%。
参与者并非“不会用工具”的菜鸟他们是在自己最熟悉的代码库上被AI绊倒的高手。
别误会：AI得用在合适的战场
公平起见，研究结果并非全都在“唱反调”。
Stanford HAI 报道过 Brynjolfsson 团队的研究：在客服中心，生成式AI让坐席每小时解决的工单数提升约 14%，而且红利主要流向新手，两个月经验+AI的坐席，可以接近六个月经验不用AI的表现。
再比如 GitHub 对 Copilot 的研究，特定编码任务上确有大幅加速。
所以AI的生产力增益是真的存在，但它高度依赖任务结构、技能基线和嵌入方式。
结构化、文本密集、结果易验收、新手可以学到的场景，增益清晰可见。 而那些“自己几秒就能做完、却要穿过对话界面来回摩擦”的琐事，AI 是负资产。
有账号用了一个很妙的比喻：
▲ “别用法拉利开去隔壁。”简单任务不适合绕进对话框，完整工作流更能发挥AI的价值。
从微观到宏观：为什么满世界AI，统计数字毫无波澜？
这片幻觉的涟漪，还在往更大的水域扩散。
Solow 悖论1987年，经济学家 Robert Solow 说过一句经典刻薄话：“电脑时代到处可见，唯独统计上看不见生产力。” 后来 IT 投资猛增而生产率放缓的奇景，就以他命名。
2026年5月，国际劳工组织（ILO） 的研究简报又把这套逻辑搬到AI身上：任务级增益满天飞，企业级证据混杂，宏观统计里看不到清晰的AI签名。
▲ ILO简报核心：微观任务加速，宏观账本安静，扩散、度量与组织适配是中间件。
Stripe 经济团队的研究也被 Ruxandra Teslo 拉到公共讨论里：微生产力增益没有转化为宏观生产力跃升。真实世界摩擦被严重低估
▲ Ruxandra Teslo 的帖子标题点出：“智能并非世界进步的唯一瓶颈”。微观热闹，宏观冷清。
再加上workload creep，工作量蠕变。人类学家和管理评论者发现：AI 让人感觉“一切都更快了”，于是午餐、会前、深夜的缝隙全被填满。自然停顿点消失加速的体感直接变成了更多的工作，闲暇反而被挤走。
美国 Upwork 2024年的调查数字几乎可以当寓言读：96%的高管认为AI会提效，77%的员工说AI让自己更累或更低效。
▲ mike cook 转述的调查数据：高管预期与员工体验之间的巨大裂缝。
最后说几句
这场效率幻觉的核心，其实是一句特别简单的话：
你正在失去判断“什么时候该用自己的脑子”的能力。
变化来自一个反馈环：高估收益 → 多用一次 → 校准再偏一点 → 更依赖一点。它转得又快又静
下次你伸手要点开那个对话框之前，可以做个三秒实验：这件事，我自己做，会用多少秒？ 然后问AI，再掐一次表
两个数字之间的距离，就是你被幻觉吃掉的部分。
AI 永远是好工具但前提是：你知道什么时候该把它关掉。
▲ 网友 binji 的评论收束全篇：“仓鼠轮转得很漂亮，却哪儿也去不了。”
