用 AI 写代码能快多少?动手前,16 名资深开发者估计能快 24%;做完再问,他们还是觉得快了 20%。秒表给出的答案是:慢了 19%。
2025 年,AI 评估机构 METR 做过一组随机对照实验。16 名资深开源开发者,246 个真实任务,全部落在他们自己维护多年的代码仓库里。
允许用 AI 的那组,平均多花了 19% 的时间。 这个数字后来被反复引用,因为它和所有人的直觉反着来。METR
慢的这 19%,不在生成,在验收。

一份周报,AI 三秒生成,结构漂亮,用词专业。发出去之前你发现,里面三个数据是编的。
逐条核对、逐条改,四十分钟过去,比自己写还多花二十分钟。 这类返工最容易被忽略,因为它看起来只是“认真检查”。微博
一场一小时的会,录音转出两万字。AI 摘要很整齐,却漏掉老板随口带过的一句“回头找采购对一下”。那条对账在群里躺了一周,才有人想起来。
一张三十多行的表,AI 把合并单元格读漏了。数字看着都挺像,一核对差了四百多,返工又是四十分钟。 出错的地方往往不是大段文字,而是这种一眼扫过去看不出问题的细节。知乎
这些时间不会出现在任何“AI 节省时长”的统计里。省下的时间能写进汇报,补上的四十分钟没人记账。
今年 3 月,《哈佛商业评论》发了一项 BCG 团队的调查,样本是 1488 名美国大型企业的全职员工。报告把过度使用或监督 AI 带来的疲惫,叫作“AI 脑疲劳”。
出现这种状态的人,决策疲劳高出 33%,重大错误多出 39%。 换句话说,最耗人的不是写,是盯着它写。哈佛商业评论
监督强度高的那组更直接:脑力投入多 14%,疲劳感高 12%,信息过载高 19%。越盯着 AI,越累;越累越出错;越出错越不敢放手。
另一项针对开发者的职场影子研究记录到,33.4% 的观察时间花在写提示词、看回复、核对结果上。真正动手的时间,反而被挤到了后面。
原因不复杂。AI 把执行变便宜了,把判断变贵了。以前判断藏在你的手感和经验里;现在初稿归了 AI,判断被单独摆到桌面上,你才看清它有多重。
所以,AI 提效有一个容易被忽略的前提:你得有能力验收。
而验收能力,来自你手里那点 AI 没有的东西:上下文、判断,和对错误的敏感。
但熟悉不等于省事。METR 的归因表里,开发者越熟悉仓库,反而被拖慢得越多——熟悉让他们有自己的写法,AI 的方案要先读懂、再对齐。熟悉换来的是判断力,不是省下来的时间。

真正适合交出去的,是那些你一眼能看出对错、又不必和它争风格的活。
把会议记录交给 AI 的人,后来给自己加了一条规矩:只提取原文里出现明确时间和明确负责人的事,其余单独放一栏标“待确认”,这一栏必须自己过完再发。之后再没漏过。
这其实就是任务书。不是“帮我整理会议记录”,而是“只整理有明确时间或负责人的事项,没有的标待确认”。要求写清楚了,验收才有边界。
第二条是留好核对口。不是每一句都要查,只死守三类:数字、时间和负责人、要对外发出去的话。其余的,允许它不完美。
第三条,记一周净时间。净时间等于生成时间加核对时间加返工时间。连着记七天,哪类活真该交出去,哪类只是把活换了个姿势,一目了然。
METR 的研究里还有一个细节:做完之后,开发者依然觉得自己更快。人对“生成”的快感记得很清楚,对“核对”的消耗几乎没有记忆。
所以提效这件事,靠体感会失真,得靠账。
省下来的时间如果没人认领,它不会变成休息,只会被下一项任务填满。AI 没有让你更慢,是你把省下的那部分,又原样交了出去。
当前文章无评论,是时候发表评论了