一家约200人的美国科技公司里，午饭时有人给AI下指令；下班前，再留一条，让Agent夜里接着跑。公司没强制使用，还给员工开了企业订阅。
研究者跟了8个月，做了40多场访谈，发现用AI的员工节奏更快、接的活更广、工作时间更长。36氪
研究里引了一位工程师的话：“你原本以为有了AI，你可以更高效并省下一些时间，这样就能少干点活。但实际上，工作量并没有减少”。哈佛商业评论
不是AI失灵，是账算错了地方。AI缩短的只是“生成”这一段，一件活却不止生成。
研究写得很具体：产品经理开始写代码，研究员接手工程任务；工程师要审同事用AI赶出来的半成品，还得在Slack里随时答疑。
AI让“开始”变得太容易。那些原本会被推迟、外包或放弃的活，现在都被启动了。工作量不是被完成，而是被释放。
第二个漏点是边界。开会间隙丢一条指令，离开工位前再留一条让AI接着跑。打字像聊天，不像加班。休息没被取消，是被切碎了。
还有并行。一边手写，一边让AI生成另一版，同时开几个Agent。产出在增加，待审的队列也在增加。
生成可以并行，审查不能。生成快了，不等于交付快了。
知乎上有个高赞回答把这件事说得很白：“review，或者说决策，是一个非常消耗心力的过程，且无法通过 AI 总结辅助”。知乎
管AI也不像带下属。下属会成长，会记住上次的错；AI每次仍可能随机犯错，你得一直盯着。
公司也开始纠偏。今年10月，亚马逊给工程师的指导文件明确说，AI用得多，不代表工作干得好。36氪
把使用量当成绩，最后只会多出一批为了跑Agent而跑的任务。
更隐蔽的成本在交付之后。Claude Code工程师Addy Osmani举过一个例子：Agent提交600行代码，结构清楚，测试全绿，开发者放心合并；几周后系统出问题，才发现某个事务顺序被悄悄改了。
测试全绿，只证明测过的路径通过。代码写得越快，团队对代码的理解可能欠得越多。
这就是“理解债”。产出堆高了，能解释它的人却没变多。
研究者给公司的建议叫“AI准则”：有意识地暂停，给任务排序，保留人和人之间的连接。
Osmani给个人的办法更土：让Agent根据这次改动出几道题，答对才合并；追问它哪些决定没经过授权；测试通过后，再问一句“你没测什么”。
他的判断也很直接：“当你生成的内容已经多到无法负责时，你做的就不再是审查，而是在赌它没问题”。36氪
每周还留一次不靠Agent的独立工作，看看自己离开它还能做到什么程度。
这些动作都不提高生成速度，只提高一件事：你到底知不知道自己在交什么。
所以真正该问的不是“AI还能快多少”，而是“省下来的那段时间归谁”。如果它立刻被第三个任务填满，那不叫提效。
那只是把两天的活压成一天，此后每天都按一天算。省下来的时间没有消失，它变成了新的默认值。
AI能把“生成”压得很短。但交付的速度，最终取决于你还能认真看完多少。
