写在前面：为什么要做这个专栏上一篇文章《AI 在写代码，程序员应该干什么？｜程序员能力的三层汉堡 🍔》，讨论了 AI 时代下程序员真正应该建设的能力是哪几层。这一篇，我想从一个更感性的角度接着聊——AI 让我更高效，为什么我反而更累，以及它背后一个更大的追问：在这场 AI 革命中，省下的时间究竟去了哪里，又还剩下多少属于自己。这也是我建立《饼干咖啡馆》这个专栏的原因。当所有人都在追问怎样更快获得结果时，我想刻意慢下来：不只记录技术能做什么，也记录它的解法、取舍，以及效率回答不了的人的问题。我不怀念一个没有 AI 的过去，也不把加速自动等同于进步。我想在越来越快的时代，为理解、判断和生活保留一点不必立刻有用的时间。

从写代码、写文档到查资料、做决策，AI 正在把我完成一项工作所需要的时间不断压低。但我越来越清楚地感到一件事：省下的时间没有变成自由，我们的感受反而在变得更糟。这篇文章尝试把时间拆分成两本账，追下去看看到底发生了什么。

🎬 一、引子：完成得更多，为什么我却更累

1.1 完成，只是清空一个队列位置

我目前每天大量使用 AI，也清楚它让我变得更加高效。但一个需求完成以后，我越来越少感到过去那种兴奋和满足。任务被移出列表，下一项需求马上补进来。我完成得更多，却只剩下一身疲惫，继续投入下一场战斗。

过去解决一个困难问题，通常伴随着清楚的情绪变化——某条线索终于接上，某个机制终于被理解，结果真正跑通以后，我会兴奋、满足，甚至愿意在那个时刻停留一会儿。完成不仅意味着交付结果，也意味着我亲自穿过了问题。

现在 AI 把很多环节大幅压缩，一个需求可能比过去更早完成。但完成感没有按同样比例增长。

关键变化：以前完成一个困难需求像抵达终点；现在，它更像从队列里移除一项。

1.2 两种反应

当 AI 的加速进入各个行业，人们似乎被推向两个极端。我在朋友、同事身上都听到过。

看起来很焦虑的”老师傅” 过去的积累在快速贬值——抱紧已有知识，把技术变化理解成对自身价值的否定，回避新工具。

看起来很兴奋的”年轻人” 技术革命、门槛下降、更轻松的未来——把更高产出直接理解成更多自由，把加速等同于解放。

我不想拒绝变化，也不想把所有加速都理解成解放。我更想站在变化发生的现场，承认 AI 真实提高了效率，同时继续追问一件事。

1.3 核心追问

我们没有办法阻止这场变化。但正因为改变不了它的方向，才更值得认真回答一件事—— AI 明明替我们省下了时间，这些时间为什么没有变成自由，反而变成了更多工作？我的感受也在某种程度上变得更糟。

⏳ 二、核心：被节省的时间，去了哪里

2.1 同一段时间，两本不同的账

我后来发现，矛盾在于同一个我同时活在两本时间账里——一本记我在单位时间里完成了多少任务，一本记这段时间到底有多少真的由我支配。同一小时，在前一本账上是一份新增产能，在后一本账上却未必是属于自己的时间。

社会的效率账 记的是单位时间里完成了多少任务。效率、产出、KPI、竞争、职级都在这本账上，AI 让这一页的数字变得越来越漂亮。

个人的人生账 记的是这段时间是不是自己想过的样子。它在意理解、体验、关系、判断力，以及”我正在活着”的感受，而不是我处理掉了多少需求。

同一段时间，两本账

AI 首先改善的是社会的效率账：生产线转得更快，这一页的数字确实好看了。但真正感到疲惫的是个人的人生账——产出一直在涨，自己拥有的体验却在压缩。

核心判断：AI 让更多时间成为可能，但它在真正落到个人生活之前，就已经在半路被截走了。

下面两节分别算这两本账。

2.2 社会的效率账

我们经常把效率提升想象成一种减法——以前八小时的活儿现在四小时，人于是得到了四小时自由。但现实中的组织不是这样运行的。AI 省下的时间会被生产线以两种方式重新收回去，我把它们叫做两笔”回填”。

效率回填

第一笔回填：目标提高了

当完成一项任务所需的时间下降，目标和需求会随之上调。四小时不会自动变成空白，而会被下一项需求、更短的交付周期和更高的预期重新填满——只要衡量方式还是”单位时间完成多少任务”，任何一次效率提升都会被自动兑换成”再多做几件事”。

比如同样一个季度，能推进的项目数量往往会跟着同步上调：不是”用一半的时间做三个”，而是”用同样的时间做六个甚至更多”。省下的那部分效率，直接被目标涨幅接住。

案例：一个原本会被砍掉一半的需求 - 最初想法很朴素：把上线前该跑的检查串起来自动跑一遍；没有 AI，大概率在立项阶段就被砍成小脚本。• 借助 AI 和 Agent，它长成了覆盖前后端、桌面端自动化、多种执行模式、批量执行、云端发布、断点恢复、审计证据和人工确认的系统。

• 第一个完整版本一次提交改动 122 个文件、新增约 1.95 万行，主体几乎”一天铺完”。

• 接下来一周，在两个项目下出现接近 100 个非空提交，绝大多数是 fix 和 test：断点恢复、失败证据保留、前置条件排队、源码版本变更后证据是否有效、发布回执缺失时能否重放。

这些都不是 AI 制造出来的新麻烦，它们是老问题。真正变化的是：过去这类需求会因为”肯定做不完”而被主动砍掉一半，现在主体能被很快铺出来，于是所有边界都开始要求被认真兑现。

AI 首先节省的不是最终交付时间，而是提出一个更大目标的成本。

第二笔回填：验证留在人身上

另一种回填方式，是把省下的时间用来做更多的验证。上一个例子里已经能看到它：那一周不是花在”写出来”，而是花在”证明它真的成立”。AI 让我们敢把”完成”的标准往上提一大截，省下的能力就被自动兑换成了更高的验收标准。

然而最令人疲惫的是它处在一个尴尬区间——它的输出已经好到不能忽略，却还没有可靠到可以不检查。每一次生成，都在把”要不要相信这一版”这件事推给我。

以前是我盯着一个任务做完；现在是几个 AI 各自在后台干活，做完就轮流回来找我拍板，一天变成不断弹回来的验收队列。“机器能不能做完”和”这些结果到底能不能作数”是两个问题，后者最后还是要人回答，而且判断起来往往比想象中慢得多。

案例：38 项测试全绿，却没答对现实里那道题 - 我之前在做一个跨前后端的功能验证，实现完成、针对性测试补齐，第二轮 38 项测试也全部通过——按平时信号已经算完成。

• 等我把真实后端执行器和前端时间线渲染放在一起比对，才发现测试替身构造了生产环境根本不会出现的事件序列。

• 渲染逻辑能正确处理测试喂给它的输入，每条断言都成立，但生产环境不会沿测试假设的路径走——页面仍可能把已完成的任务一直显示成”等待准入”。

前面的 AI 和几十个测试都没有发现，是因为实现和测试共享了同一套假设。测试只证明了这套假设内部自洽，没有证明它对应现实。

所以问题从来不是”AI 不会写测试”，而是：谁来判断测试里的那个世界，和生产里的那个世界，是不是同一个世界。

机器可以把题答对，人仍然要确认它答的是不是现实里的那道题。

小结：一笔算不平的账

预期是按生成速度定的，交付却要按”生成＋验证”的总速度走。如果目标只参考前者，这段差额就会落到人的精力上——而且 AI 越强、需要人过目的量越大，这道缝就越宽。

2.3 个人的人生账

效率账解释了”外部为什么持续加速”，但真正让我疲惫的，是这套加速在个人身上的感受。人生账主要在三个地方被扣减：等待被压缩、责任被错位、过程被跳过。

第一处扣减：等待消失了

过去：手机式的等待 你可以随时发消息（使用工具），但能不能真正联系上，取决于对方是否在线。等待回复的间隙，会自然留下一点消化、犹豫和独自思考的时间。

现在：随叫随到的对话者 你刚产生疑惑，找到它，它就能给出解释；你还没形成自己的假设，它就已经把路径和答案一起铺在面前，甚至包括为什么这样想，怎么测试的完整闭环。

这种随叫随到压缩的不只是等待，也压缩了问题暂时没有答案的状态。好奇、受挫、试错和顿悟原本都生长在这段空白里——问题悬而未决的时间，也是人形成假设、发展判断的空间。

第二处扣减：责任错位了

AI 可以快速给出完整方案，也可以用很确定的语气解释为什么应该这样做。但当判断错误时，它不会长期维护这些结果，不会面对真实使用者，也不会因为决策失败承担现实损失。最终负责接管、修正和解释结果的人，仍然是我。

这一点前文已经提到，但这里想论述更微妙的一层：AI 越擅长并行，需要我一个人串行确认的事情反而越多。它可以在几分钟里同时给出五个方案，但只有一个具体的人能决定哪一版真的进入现实，并在之后为它负责。而我，只能串行执行。

案例：并行的是机器，能拍板的只有我我的日常工作方式 - 前端开四五个 Agent、后端也开四五个 Agent，三四个并列需求同时开始，它们自己讨论、读彼此的交接记录、把方案往一起拉。

• 大多数时候这套办法有效，一个人能触达的实现范围明显变大了。

• 但有一类分歧再多 Agent 也收不拢：我的经验值是三轮，同一个需求讨论到第三轮还没达成一致，我就接管。 

一次具体的分歧 - 同一个接口改动，前端 Agent 主张后端先把字段规范化再返回、前端不做兼容；后端 Agent 主张服务端保持原样、由前端加一层兼容，避免把历史包袱写进服务端。

• 两边都给出了完整理由，在各自上下文里都对；到第三轮论证只是更完整，没有一方能否证对方。

• 因为这道题的答案根本不在代码里——它问的是这份兼容成本记在哪一侧、半年后由谁维护。

• 我拍板的依据也不是技术优劣，而是两个更像人的判断：哪一侧改动更容易回滚，以及这块代码接下来更可能落在谁手上。

这些问题没有一个能从代码里推导出来。机器的并行越强，越多未决的判断会在更短时间里集中回流到我这里——我的角色从一个串行的实现者，变成了一个并行系统的最终仲裁者。

责任错位

责任错位：它拥有表达判断的自由，我承担判断产生的后果。机器越擅长并行，人越需要刻意保留串行的最终确认——AI 可以承认错误然后改正，但后果只能由具体的人承担。

第三处扣减：过程被跳过了

过去解决一个复杂问题时，完成感不仅来自结果，也来自寻找线索、形成假设、排除错误和理解机制的过程。AI 可以迅速生成结果，甚至连”为什么这样做”的解释也一起给出。但看见一条解释，不等于亲自形成了这个判断；成果进入我的项目，也不代表抵达成果的过程属于我。

很多年前，我和一位朋友讨论过一个问题：学技术到底有什么用？ 他认为技术的价值在于应用，在于最后能做出什么东西；而我一直觉得，学习技术本身就足以让我兴奋。

我喜欢的方式是先自己想——如果是我来做，我会怎么划边界、怎么取舍、愿意付出什么代价？再去看别人真正是怎么做的。这样一来，我不只是记住了一个”标准答案”，还看见了自己和真实方案之间的差距，看见了他人当初为什么这样选择。

而 AI 给出的答案通常越过了这一段。它把结论、代码、解释一次性递到我面前，我很容易在读懂之后误以为自己已经想通了——“读懂一段解释”和”亲自走过这段思路”完全不是一回事。它让从问题到产物这条路变得前所未有地短，放大了朋友说的那种应用价值，却也让我最珍惜的理解、设想和取舍，变成了最容易被跳过的一段。

之前让我感到兴奋的：不只是最终得到了一个可用工具，而是自己的理解与前人的选择相遇的瞬间。答案可以被加速，但这个”相遇的瞬间”没办法被替我完成——一旦被替代，属于自己的判断力也就没有生长的机会。

结算：依赖性厌恶

被压缩的等待、错位的责任、被跳过的过程，最后都会汇到同一种情绪上。如果 AI 只是一个很差的工具，人不会产生这么复杂的情绪。真正令人不适的是：明明不能完全信任它，却每天都在依赖它；明明担心能力退化，却越来越难忍受没有即时答案的状态。我暂时把这种体验称为依赖性厌恶。

它很有价值 ＋ 我无法完全信任或控制它 ＋ 我又很难轻易离开它 ＝ 依赖与厌恶同时出现

等待、责任和过程，最后都汇到同一种感受上：我越来越依赖这个让我完成更多事情的工具，却越来越不喜欢自己和工作之间的关系。让我撑下去的兴奋和完成感在减少，必须由我接住的判断和责任在增加——同样一段工作里，奖励减少了，负担增加了。

而其中最难面对的一条是——工具并没有拿走我的思考能力，是我在每一次本可以自己想的时候，先去问了它。

我讨厌的也许不是 AI，而是那个正在放弃思考的自己。

彩蛋：我最初和计算机的相遇 行文至此，我想到自己最开始爱上计算机的契机。 我刚工作那年，干的第一件”技术活”是给一份好几百行的 Word 调格式：每一行里第一个冒号及其之前是黑体，后面是宋体，方便打印。 靠着搜索和自学，我查到了 VBA，在 Word 里写出了我人生中第一个真正用于工作的程序。它解决了一个真实的问题，也极大地鼓舞了我：那是我第一次意识到，写程序可以让一个具体的人从重复劳动里脱身，我对计算机的热情就是从那一刻生长出来的。 而现在，如今的大模型可以毫不费力地写出这段代码，甚至比我当年写得更好。但它一并轻松解决掉的，还有我当年那份热情。 

如果那年就有大模型，我和计算机，恐怕就不会相遇了。

⚠️ 三、警惕：不要把任何一端变成廉价答案

在社会和个人两个尺度都能看见变化以后，人容易被推向两个省事的答案。这两个都不成立。

3.1 因为厌恶，就假装 AI 没有价值

前面那些不适是真实的：工作方式被改变，完成感在下降。但顺着这股情绪往下走，最省事的一步是把结论从”我不喜欢现在的状态”偷偷换成”AI 其实没那么有用”。

我自己没有立场这样说。前面那个覆盖前后端、多种执行模式和断点恢复的验证系统，如果没有 AI，大概率会停在一个”先跑通就行”的小脚本；那几十项针对性测试也是它帮我一次补齐的。更日常的部分同样成立：读一份陌生代码、起草一版方案、在一堆日志里找异常，它把这些事情的启动成本压到了我过去不敢想的程度。它确实扩大了一个人能够独立完成的范围，这一点我不打算打折。

所以把 AI 说成没有价值，并不是清醒，而是一种廉价的道德优越感。更关键的是，这个答案什么问题都没解决——只要否认它有用，就没法讨论真正的问题：用它省下来的时间记在谁的账上，多出来的验证责任又落在谁身上。

3.2 因为离不开，就停止建设自己的输入

另一个极端，是把依赖误认为能力。一旦把”看懂输出”当成”已经会了”，人就会慢慢不再认真观察、不再收集一手事实、不再形成假设。下一次面对问题时，只能提供更贫乏的输入，再依赖 AI 补全更多缺失部分。依赖由此形成闭环。

依赖闭环

当外部事实和个人假设停止增长，讨厌与依赖会同时增强——因为人越来越无法验证自己离不开的系统，最终只能用 AI 解释 AI。

但依赖闭环并不是必然的结局，只要独立性被主动保护，它就可以被打断：

1.给自己留一段”没有 AI 的想问题时间”。哪怕只有 15 分钟，也先自己写下：我知道什么、不知道什么、初步的假设是什么。等这段做完了，再去问 AI。

2.允许自己”停下来”。当你发现输入不完整、上下文有冲突，最好的做法不是让 AI 帮你补齐，而是停一下、把缺的那块想清楚。

✅ 四、结论：把一部分时间重新拿回来

历史进程改不了，但我可以决定：AI 帮我省下的时间里，有多少能重新变成我自己的。

4.1 三个自检

我越来越不会用”完成了多少任务”来评价自己一天过得怎么样。下面三个问题，就是查那两本账有没有失衡：

·时间：一次效率提升以后，我节省的时间用来思考，还是只接住了更多任务？

·过程：AI 压缩的是没有价值的重复劳动，还是我原本用来形成理解和满足感的过程？

·能力：如果暂时不能使用 AI，我失去的是效率，还是连独立开始思考的能力也一起失去了？

事前能做的，是问 AI 之前，先让问题在自己手里待一会儿。而一项工作结束之后，还可以有另一个动作。

4.2 一个动作

自检是为了发现失衡，发现之后需要一个很小的动作把它接住。我现在的做法是：每完成一项由 AI 加速的复杂工作，不马上进入下一项，而是留几分钟，在自己这里记三件事。

收尾三问

1. 它替我完成了什么？ 哪些产出是 AI 给的，承认它的价值，也看清自己借力的边界。 

2. 我真正理解了什么？ 哪些判断已经长在我身上，哪些还只是”读懂了它的解释”。 

3. 还有什么判断仍然不属于我？ 哪些责任、取舍和后果，仍然只能由我承担。

这个动作只需要几分钟，但它把”又完成了一项任务”变成”我知道这项任务里哪些是我的”。它不要求拒绝 AI，只要求在生产线的下一项任务涌进来之前，先把这一项的账在自己这里结一下。

4.3 结论的边界

今天这笔账算不平，是因为验证只能由人做、责任也只能由人担。如果未来系统足够可靠，而且责任能够由系统、组织与制度真实承接，人或许不必再承担今天这样密集的逐项验证。

但那是以后的事。就眼下这段过渡期而言，能力的跃升是社会的狂欢，责任的兜底却落在具体的人身上：欢呼的是”我们”，深夜里逐项确认的是”我”。

边界：这两本账的分法，是当下这段过渡期的记账方式。也许在未来，人不再需要为这台跑得更快的机器逐项质检，验证与责任也能被系统和制度真正承接。 到那时，AI 提高的不再只是生产线的速度，那些被节省的时间也终于能够重新属于人。 也许，那才是我愿意期待的未来。

4.4 属于我们自己的时间

我们目前正在经历的，是一场生产力革命。它规模足够大，进行得足够快，以至于身处其中的人，很难在此刻就判断它最终会把工作、创造和生活改造成什么样子。也许要到十年之后回过头，才能看清今天正在发生什么。

但正因为看不清，此刻更应该保留一点属于自己的判断力。

希望身处其中的我们——

• 不因为一场革命正在发生，就放弃亲自理解世界的努力；

• 不因为答案越来越容易得到，就停止观察、形成假设和独立判断；

• 不因为整条生产线在加速，就默认被省下的时间只能变成下一项任务；

• 依然保留一部分不必立刻有用的时间——留给理解、体验、关系，以及那些让我们觉得自己正在生活的事情。 

十年之后回看，希望我们记得的，不只是这场革命跑得有多快，还有属于我们自己的那些时间，最后去了哪里。