你一定有过这种时刻：AI 三分钟吐出一大段代码，你看着满屏滚动的输出，觉得自己生产力翻倍，下一步就要改变世界。但掐表数据泼了盆冷水——METR 找了一批有经验的开源开发者，用 AI 工具干真实的开发任务，结果用了 AI 反而慢了 19%；更绝的是，动手前他们预测自己能快 24%，做完之后仍然觉得快了 20%。知乎
感受提速 20%，实际减速 19%，中间的错位去哪了？知乎问题「为什么用AI写代码之后，人反而越来越累了」下，一句高赞评论说透了：AI 提升了员工的效率，也提升了老板的野心，效率的提升跟不上野心的膨胀，自然累了。时间都被谁吃掉了？三笔账。知乎
第一笔：成本没消失，只是搬家了。写代码从小时级压到分钟级，但每一行生成代码后面都跟着队列：review、验证、维护、担责。以前打字是瓶颈，review 被天然“限流”；现在生成不限流，积压的账单一次性涌过来。工程数据公司 DX 对四百多家公司的遥测显示，AI 带来的 PR 吞吐量提升中位数只有 7.7%，单个 PR 的中位规模却从 44 行涨到 72 行，Faros 的数据里 review 耗时更是涨了将近 200%。以前写代码累在“写”，现在累在“看”和“验”——瓶颈没走，只是从手指头挪到了眼睛上。知乎知乎
第二笔：代码便宜了，需求涨了。经济学里有个杰文斯悖论：一样东西变便宜之后，用量会涨得比效率还快，总消耗不降反升。AI 写得快，于是“既然快就都做了吧”，一周一个版本卷到一周三个。36氪那篇《打工人，开始“表演”AI提效》里，一位产品经理的坦白很扎心：Leader 一旦觉得你效率提升，就会想让你去干别人的活儿，提效的红利落不到自己头上，反而成了加活的依据。知乎知乎36氪
这种预期下，提效甚至成了表演：一项覆盖 1000 名美国全职员工的调查里，48% 的人承认向同事或上级夸大了自己的 AI 使用频率。你干到 95 分，系统默认值会偷偷校准成 120 分。36氪
第三笔：人的注意力，没跟上并行度。《哈佛商业评论》的研究者给这种状态起了个名字：AI brain fry（大脑烧糊）——对美国各行各业、不同职位和级别公司的 1488 名全职员工调查确认，指挥智能体干活会带来真实的人类认知疲劳。人同时挂三个任务、来回切窗口，一天下来只觉得累；那张被广泛转发的 BCG 曲线就是同一个形状：同时用的 AI 工具超过 3 个，自评生产力先升后降。知乎
技术圈那句自嘲更狠：AI 批量拉💩山的速度，远超自己理解的速度，放弃理解代码、让它自己跑测试，能跑就行。那怎么办？三条实在的：知乎
给生成限流：先定方案再让 AI 动手，小批量提交，别把 5000 行 PR 扔给第二天的自己。
拒绝提效表演：汇报交付结果，不汇报 token 用量；说不清楚价值的 AI 案例，宁可不交。
管住切换节奏：AI 跑任务时别开新战场，给工作分类，润色类小活攒到一起集中处理——这是 36氪报道里那位受访者亲测有效的土办法。36氪
AI 编程的真相不是“从苦力活里解放”，而是苦力活升级了：代码便宜了，但验证、责任和“这东西该不该做”的判断，一样都没便宜。买下一个 token 包之前，先问自己一句：省下来的时间，是归你的，还是归老板的？
