夜雨聆风AI 会继续让许多局部动作变快。我们真正要争取的，不是证明自己还能跑得更快，而是参与决定跑道为什么加长，以及省下来的时间究竟属于谁。
AI 最容易兑现的承诺，是省时间。
一段代码不用从空文件起步，一份资料可以先得到摘要，会议结束就有纪要，几十个标题转眼排成一列。单看每项任务，这些变化都是真的。可许多人打开待办列表时，并没有因此看见一块空出来的下午。更多时候，任务变多了，回复变快了，交付预期也跟着上调。
工具省下了分钟，系统把分钟收走了。
我们测量了速度，却没有测量时间去了哪里
生成式 AI 确实能提高一些工作的速度。Brynjolfsson、Li 和 Raymond 研究一家公司的 5,179 名客服人员，发现引入 AI 助手后，每小时解决的问题数平均提高了 14%，新手和技能较低的员工获益更多。工具像一条经验传送带，把高绩效员工的做法更快带给新同事。
同样是 AI 辅助，另一项结果却往相反方向走。METR 在 2025 年让 16 名熟悉成熟开源代码库的开发者随机完成 246 个真实任务。开发者事前预计 AI 会让自己快约 24%，实验结果却是允许使用 AI 的任务平均慢了 19%。研究样本很小，也只代表当时的工具和特定人群，但它足以打破一个偷懒的等式：有 AI，不等于任何任务都会更快。
两个结果并不矛盾。客服任务的流程、指标和高质量示范相对清楚；资深开发者面对的是自己熟悉、质量要求高、上下文庞大的代码库。AI 生成得快，理解建议、发现不合适的方向、等待工具、修补代码和重新建立上下文也会花时间。
所以第一个问题不是“AI 到底提效多少”，而是：它在哪一类任务上，用什么指标，为谁提效？
局部变快以后，系统会做四件事
第一，管理者会提高产量目标。以前一天写一份方案，现在工具能给出初稿，于是默认一天应该写三份。节省没有回到人手里，而是变成新的基线。
第二，低成本会释放更多需求。生成一个版本更便宜以后，团队不会只生成一个版本，往往会要求更多方案、更多渠道、更多个性化。单份成本下降，总量却上升了。
第三，产出会制造复核负债。十个 AI 草稿不等于十个可交付结果。事实、权限、风格、边界和后续维护仍要有人承担。生成越顺，未经核验的候选越容易堆积。
第四，响应速度会变成关系预期。对方知道你能更快回复，原本一天一次的交流可能变成持续在线。技术省下的是编辑时间，拿走的却是完整注意力。
OECD 对 AI 与工作质量的研究把这层风险写得很具体：算法管理可能伴随更快的工作节奏、更少的自主、更密的监控和隐私压力。问题不只出在模型，而在组织如何接住它。
效率红利也有所有权
工业时代谈生产率，常把“单位时间产出更多”视为天然进步。对组织财务而言，这个指标很有用；然而，对一个人的生活，它只说了一半。
如果写一份报告从四小时缩到两小时，另外两小时至少有四种去向：
这不是技术自己能决定的。它需要岗位设计、团队协商、定价方式和个人边界。所谓效率红利，和工资、利润一样，也有分配问题。
我在开发和内容工作里最警惕的，不是 AI 偶尔答错，而是它把“还可以再做一点”变得没有尽头。过去受限于制作成本的念头，现在都能立刻变成候选。想法没有少，关闭任务的能力反而更重要。
一项自动化如果只记录生成了多少，却不记录复核多久、返工多少、维护多久，它很可能只是把成本搬到了统计表之外。
给效率加四个验收指标
团队或工作过程中引入 AI 时，可以同时测四件事。
任务时间：从开始到得到候选结果，缩短了多少？
交付时间：加上理解、核验、修改、沟通和上线，最终缩短了多少？
总负荷：同一周期内，任务数量、切换次数、在线时长和加班有没有变化？
红利去向：省下来的资源变成更多产量、更高质量、更低价格，还是人的恢复与学习？
这四项放在一起，我们才知道是在自动化工作，还是在自动化地制造更多工作。
做一次两周的“AI 红利去向”记录
选一个你高频使用 AI 的流程，连续记录两周。每次只写五行：
两周以后再决定这项自动化是否成功。你可能会发现它真的替你拿回了半天，也可能发现它只是把“写”变成了“连续审核”。两种结果都比一句“效率提升 30%”有用。
AI 会继续让许多局部动作变快。我们真正要争取的，不是证明自己还能跑得更快，而是参与决定跑道为什么加长，以及省下来的时间究竟属于谁。
资料与延伸阅读
