AI越来越强为什么打工人反而越来越累、越来越内耗了这个问题在过去大半年里被问过很多次提问的人岗位五花八门——写代码的、做产品的、做运营的、做设计的但描述痛苦的样子几乎一模一样。我自己也是当事人电脑上同时开着三四个AI工具一边用AI大模型跑初稿一边开着AI编程助手补代码日程表上还挂着一条研究新出的AI Agent框架。按理说工具越强人应该越轻松可实际体验是活儿没少干脑子从早到晚嗡嗡响晚上躺下还在复盘白天那几条AI提示词是不是写得不够精准。这篇东西不打算讲什么大道理就是把我在一线摸爬滚打这段时间的观察、踩过的坑以及后来整理出来的一套相对稳定的用法写清楚。它适合两类人一类是刚把AI工具接进日常工作流、正隐隐觉得好像更忙了的人另一类是团队里负责推动AI落地、被夹在中间两头受气的角色。看完你至少能搞清楚三件事内耗到底从哪儿来、工具该怎么筛、每天的时间该怎么切。1. 先把现象说清楚真正累的不是手是脑子很多人以为累是体力上的其实在AI普及之后打工人的疲惫早就从手转移到了脑。以前做一份周报思路是线性的翻记录、整理数据、组织语言、排版虽然琐碎但每一步都有确定的结束点。现在不一样了AI能在三十秒内甩给你一版结构完整、措辞漂亮的周报然后你的工作重心就变成了判断这版能不能用、哪里在编、哪里口径不对、领导看了会不会追问。这种判断既不产生可见的产出又极其消耗注意力一天下来感觉什么都没做但精力已经见底。我把这种状态叫做审核型疲劳。它的特点是你不再负责生产而是负责把关但把关这件事没有明确的完成标准——你永远不知道是不是还有一处AI编的数字没被发现。这种没有终点的警惕状态是最容易把人拖进内耗的。1.1 三个我反复见到的典型场景第一个场景是产出量翻倍、交付周期减半。这事在内容岗和研发岗上尤其明显。以前一个需求排期五天现在因为有AI辅助排期直接压到两天。中间省下来的三天并没有变成你的空闲而是被塞进了新的需求。工具带来的效率红利第一顺位从来不是发到执行者手上而是被组织直接吃掉了。第二个场景是改稿进入无限循环。没有AI的时候一稿改三遍差不多就能定有了AI之后因为生成成本趋近于零你总觉得再跑一版说不定更好。于是同一段文案、同一个函数、同一版设计稿被反复推翻重来光是在几个版本之间做选择就耗掉半天。选择过载本身就是一种认知负荷选项越多决策越累。第三个场景是工具切换比干活还费劲。我见过一个运营同学为了做一条短视频先后用了三个AI工具写脚本、两个工具生成配音、一个工具做字幕中间还要手动把A工具的输出粘到B工具里调格式。整套流程走下来光是复制粘贴和格式对齐就占了一大半时间。工具没有减少工作只是把工作换了个花样。1.2 效率悖论省下来的时间没有回到你身上经济学里有个说法叫杰文斯悖论讲的是某项资源的使用效率提高之后总消耗量反而上升因为成本降低会刺激更多需求。AI身上这件事正在重演写代码变快了于是要写的功能变多了做图变快了于是要出的图变多了写文档变快了于是要交付的文档也变多了。再叠加一条帕金森定律——工作会自动膨胀到填满所有可用时间。以前一份材料你只有一个下午写现在有AI帮你你还是只有一个下午但标准从写完变成了写完并且看起来像花了三天打磨的。省下来的时间没有变成休息而是变成了更高的自我要求。这才是问题的核心AI压缩的是执行的时间但膨胀的是判断、协调、验收、解释这些隐形工作的量。而后者恰恰是最耗神、最难外包给机器、也最不容易被看见的部分。2. 内耗的四个真实来源拆解聊完现象得往下挖一层。为什么明明工具在手人却越来越拧巴我把这一年多的观察归纳成四个来源它们在绝大多数岗位上都能对应上。2.1 基准线被系统性抬高第一个来源是基准线的抬升。当所有人都能用AI生成一版看起来还不错的东西时及格线就自动被抬高了。以前一份排版整齐的PPT就算合格现在大家默认你也应该配好图标、讲好故事线、数据可视化做扎实——因为工具都能做到你不做就是不用心。问题在于这个新基准线是向最会用工具的那批人看齐的。你可能只是把AI当成一个提效工具但考核标准已经按AI重度用户的水平来定。结果就是每个人都在追赶一个不断上移的天花板追不上就焦虑追上了标准又变了。更麻烦的是这种抬升往往是无声的。没有人发通知说从今天起交付标准提高30%但它会通过一句这个再优化一下吧、一次评审里的沉默、一个同事随手甩出的更漂亮的版本慢慢渗透到所有人的认知里。2.2 责任并没有转移给AI第二个来源是责任归属。AI可以生成内容但AI不能承担责任。代码上线出故障挨骂的是你文案写错数据被追责的是你方案里有硬伤被质疑的是你。AI在你身后你在前面顶着。这就形成了一个很别扭的结构你承担了生产环节的大部分工作量却没有获得对应的决定权——因为你不敢完全信任AI的输出又没法完全不用它。于是在用和不用之间反复横跳一边依赖一边怀疑这种认知失调本身就是内耗的温床。我在带项目的时候特别有体会。团队用AI写了一段处理逻辑跑通了大家都很高兴。结果上线之后在一个边界条件下崩了排查了两个小时最后发现是AI补的一个默认值在特定输入下不成立。这两个小时的排查时间原本根本没在排期里。也就是说AI省下的那点编码时间被一次返工全部吃回去了还倒欠了情绪成本。2.3 工具碎片化带来的上下文切换税第三个来源是切换成本。人脑在做任务切换时是有损耗的心理学上有个说法叫注意力残留——你从A任务切到B任务A的思维惯性还会在脑子里挂一段时间。工具越多切换越频繁残留越严重。现在的典型状态是写代码用AI编程助手查资料用AI聊天工具画图用另一个AI做表格再换一个写邮件可能又换一个。每个工具都有自己的提示词格式、上下文限制、输出风格。你不仅要记住这个活该用哪个工具还要在工具之间搬运上下文——把需求描述重新讲一遍把已有的约束条件重新列一遍。我做过一个粗略的统计在一个典型的工作日里我在不同AI工具之间切换的次数超过二十次。每次切换平均要花一分钟重新组织输入。一天下来就是二十多分钟纯粹浪费在重新交代背景上而且每次切换都要重新进入状态这个隐性成本比时间本身更贵。2.4 提示词调教变成了新的隐性工作量第四个来源最容易被忽略为了用好AI你不得不先学会怎么跟AI说话。于是催生出一整块新的工作——学提示词、调提示词、整理提示词模板、研究不同模型的脾气。这块工作有个很坑的特点它不计入任何产出。你花两小时优化了一套提示词模板产出是一个文件在别人眼里你这俩小时什么都没干。但它又实实在在地占用了你的时间而且必须做——不做的话后面每一次重复劳动都要重新付出代价。更让人烦躁的是这套技能还会过期。模型迭代一次你之前调好的提示词可能就不好用了工具换一个之前的模板格式又得改。你花了大力气搭起来的东西保鲜期可能只有三个月。这种投入了但随时可能作废的感觉是内耗的经典配方。3. AI工具链怎么搭才不添乱既然问题出在工具太多、基准太高、责任压在自己身上那出路就不是再学一个新工具而是做减法。下面这套思路是我自己反复调整之后稳定下来的核心原则只有一条工具服务于流程而不是流程迁就工具。3.1 按任务类型分工别按工具名气选我的做法是把日常工作按认知负担分成四类每类只固定一到两个工具其余一律不碰。任务类型特征工具策略我的做法生成类从零产出草稿不需要精确用一个通用对话工具即可固定一个不比较输出好坏够用就走校验类需要事实准确、逻辑闭环必须人工复核AI只做辅助AI列疑点我逐条查证转换类格式搬运、结构调整脚本优先能用代码就不用对话写小脚本一次投入长期复用决策类涉及取舍、责任归属不交给AI最多用来列利弊自己拍板AI只当记录员这张表最大的价值在于最后一行。很多人内耗的根源是把本该自己拍板的决策也丢给了AI然后拿到一个模棱两可的答案反而更纠结了。AI适合做的是把选项列清楚而不是替你选。我特别想强调转换类那一行。像把会议记录整理成行动项把一批数据从A格式转成B格式把几十个文件名批量重命名这类活用对话式AI一句句喂是最亏的。写个脚本二十分钟搞定以后每次都能用。我在AI编程助手的帮助下写过十来个这种小工具现在它们已经变成了我的固定资产每次用到都是净收益。3.2 Agent不是万能药先想清楚边界现在到处都在讲AI Agent好像不搭一个能自主干活的智能体就落伍了。我踩过这个坑说点实在的。Agent擅长的是目标明确、步骤可拆、中间结果可验证的任务比如批量处理一批结构化数据、按照固定规则跑一遍检查、定时汇总几个来源的信息。它不擅长的是目标模糊、需要频繁判断、出错代价高的任务比如帮你决定项目优先级、帮你回复一封可能引发争议的邮件。判断要不要用Agent我会问三个问题第一这个任务的步骤能不能提前写清楚第二中间每一步的结果我能不能快速验证第三跑错了的代价我能不能承受三个都是是才值得搭。否则上Agent就是给自己找麻烦因为你还得花时间去监控它、纠正它、给它兜底。算一笔账一个简单的数据处理任务你自己写脚本可能四十分钟搞定搭Agent配置加调试可能两小时而且以后每次用都要花几分钟检查它有没有跑歪。这种情况下Agent就是负收益。工具选型的标准不是先进而是总成本更低。3.3 一个最小可用的自动化配置思路如果你每天有大量重复的信息处理我建议从最简单的自动化起步别一上来就搞复杂架构。下面这段Python是个模板思路是读入一批任务描述按固定模板拼接提示词输出结构化结果。你可以把它改造成自己的批量处理脚本。import json TEMPLATE 你是一名{role}。基于以下材料完成任务。 要求 1. 只输出JSON不要任何解释文字 2. 字段固定为summary(不超过80字)、risks(数组最多3条)、next_action(一句话) 3. 材料中没有提到的事实一律写未提及不要推测 材料 {content} def build_prompt(role, content): return TEMPLATE.format(rolerole, contentcontent) def batch_process(items, role项目助理): results [] for it in items: prompt build_prompt(role, it[text]) # 这里替换成你自己的模型调用 raw call_model(prompt) try: data json.loads(raw) except json.JSONDecodeError: data {error: 格式不合规, raw: raw[:200]} results.append({id: it[id], data: data}) return results这段代码有三个设计点值得说。第一是强制JSON输出因为结构化结果好验收你一眼就能看出字段缺没缺。第二是明确要求未提及这是抑制幻觉最简单有效的手段之一——不给AI留自由发挥的空间。第三是异常兜底格式不对就把原始输出截断存下来方便事后排查而不是让整个流程崩掉。有了这个模板你处理一百条材料和一条材料的成本几乎一样。这才是自动化真正该带来的东西不是让单次更快而是让边际成本趋近于零。4. 实操把AI用成减负工具的一套工作流工具选完了接下来是流程。我发现很多人用AI的方式是随手问想到什么问什么缺乏固定套路结果每次都要重新组织语言、重新交代背景累且低效。下面这套流程我用了大半年把随手问变成了按流程走内耗感明显下降。4.1 任务分级先判断再动手拿到任何一件事我会先花十秒做个分级决定用哪种方式处理。第一级AI能直接做完的。典型的是格式转换、文本润色、简单代码片段、信息摘要。这类任务我直接丢给AI然后花十秒扫一眼结果没问题就走。关键心态是够用就行不要追求完美版本追求完美就是在给自己加戏。第二级AI做初稿、我做主体。比如写方案、写文档、写分析。这类任务我会让AI出结构和大纲但核心论点、关键数据、最终措辞必须我自己来。因为这些东西一旦交给AI后面验收和纠错的成本会远超自己写的成本。第三级AI只做反方。就是我拿AI当挑刺的人用让它站在对立面质疑我的方案找逻辑漏洞。这类用法的好处是它不产出成品所以不存在要不要用它的输出的问题纯粹是帮我把思路想得更周全。第四级完全不碰AI。涉及责任归属的决策、需要高度保密的内容、需要亲自建立人际信任的沟通这些我坚决不交给AI连草稿都不让AI写。因为一旦用了我就会忍不住参考它的措辞最后变成AI的意见而非我的判断。这四级分完之后最大的变化是我不再纠结这件事要不要用AI了因为判断标准是固定的十秒钟就能决定省掉了大量犹豫成本。4.2 提示词模板化一次投入长期复用提示词这块核心思路是把重复的输入变成资产。我给自己建了一个模板库按场景分类用的时候直接改参数不用重新想怎么写。一个通用的模板结构是这样的角色你是{角色} 目标{一句话说清楚要什么} 约束 - 输出格式{具体格式} - 长度{具体字数或条数} - 禁止{明确不能出现什么} 输入材料 {材料内容} 验收标准 {我自己怎么判断输出合格}最后那个验收标准是关键大多数人写提示词不写这一条结果AI给的东西总差那么点意思。把验收标准写进去相当于提前告诉AI你的评判尺子输出质量会稳定很多。比如做竞品分析我的验收标准会写每一条结论后面必须能对应到材料里的原文否则视为无效。这一条写进去之后AI编造结论的情况明显减少因为它知道我会去核对。4.3 验收清单把返工率压下来AI最大的成本不是生成是返工。为了压住返工率我给自己定了一份验收清单每次拿到AI输出都按顺序过一遍形成肌肉记忆之后基本不会漏。事实核对里面出现的所有数字、名称、引用逐条对照来源找不到来源的一律标记为待确认。逻辑检查结论和论据能不能对上有没有跳跃有没有把相关性当因果口径一致性术语、称呼、单位是否统一同一份材料里前后说法有没有冲突边界条件如果这是代码边界输入会怎样如果是方案极端情况下会怎样风格匹配语气是否合适会不会让对方觉得不像你写的这份清单听起来繁琐但实际执行下来每条也就十几秒。比起返工一遍动辄半小时这笔账非常划算。我做过对比不用清单的时候AI产出的东西平均要改三轮用了清单之后大部分情况一轮就能过。4.4 个人知识库让AI记住你的语境内耗的另一个来源是重复交代背景。每次开新对话都要重新说一遍我们是做什么的、这个项目的目标是什么、有哪些约定俗成的规矩。这活儿干多了非常烦。我的解法是维护一份个人知识库文件把项目背景、术语表、常用约束、历史决策都记在里面。开新任务的时候直接把相关片段贴进去或者用支持文件上传的方式挂上去。这样AI的回答会明显更贴合实际不会答非所问。这份知识库不需要多复杂Markdown文件就够重点是持续更新。我一般是每完成一个项目就花十分钟把新产生的约定补进去。三个月下来这份文件成了我用AI效率提升最明显的一环。5. 常见问题与排查实录前面讲的是怎么用这一节讲用错了怎么办。下面这几个问题是我自己踩过、也在别人身上反复见到的。5.1 越改越差AI输出震荡的排查有个很典型的现象你让AI改一版改完发现问题再让它改结果前面改好的地方又被改回去了。反复几轮之后版本比第一版还差。这个问题的根因是上下文里混入了互相矛盾的指令。你在多轮对话里不断加要求早期的约束和后来的约束打架AI只能在中间找平衡结果就是左右摇摆。我的处理办法是一旦发现改了两轮还在震荡立刻停止追加指令重新开一个干净的对话把所有要求一次性、结构化地写清楚并且明确优先级——如果这几条要求冲突以第一条为准。这个办法基本能解决九成以上的震荡问题。还有一个细节不要让AI同时改内容和改格式。这两件事的评判标准完全不同混在一起说它会顾此失彼。先定内容再统一处理格式分两步走。5.2 幻觉与事实错误的处理幻觉的表现有很多种最危险的不是明显胡说而是看起来很像真的。数字对但单位错了、人名对但职位错了、逻辑对但引用的出处不存在——这些错误如果不逐条核实很容易混进最终交付物里。我的防线有三层。第一层是在提示词里明确材料中没有的一律写未提及从源头压缩发挥空间。第二层是要求AI在给出结论时标注依据比如根据材料第三段。第三层就是人工抽查重点查那些看起来特别顺的地方——越是流畅漂亮的表述越可能有问题。有个经验是用反向提问来测试让AI把刚才的结论反过来推一遍看能不能自洽。如果正反都能自圆其说说明它其实没有掌握事实只是在拼语言。5.3 成本、耗时与到底省没省事的量化很多人在讨论AI到底值不值但大多数讨论停留在感觉层面。我建议做个简单的记录用数据说话。指标记录方式判断标准净节省时间任务总耗时减去自己做的预估耗时连续三次为负就该换用法返工次数同一次交付被退回的次数明显上升说明验收环节缺失切换次数一天内在不同工具间切换的次数超过十次就该合并工具情绪消耗下班后的疲惫感打分1-5持续4分以上必须做减法这张表最容易被忽略的是最后一行。技术人习惯用效率指标衡量一切但打工人的核心资产其实是可持续的状态。一项工具哪怕效率提升明显只要让你长期处在高压疲惫状态那就是负资产。我自己就砍掉过两个效率很高的工具。它们的共同问题是输出太不稳定每次用都要花大量精力核对核对带来的心理负担比收益大。砍掉之后总产出没降但状态好了很多。5.4 本地化与数据边界的取舍有段时间我也研究过把模型跑到本地理由很朴素数据不出门、调用不受限、不用考虑额度。折腾了几轮之后我的结论是——本地部署适合的是高频、小规模、格式固定的任务不适合需要强推理的复杂任务。原因很直接本地能跑的模型规模和效果有上限遇到需要长上下文、复杂推理的活儿效果差距会让人抓狂最后还是要回到线上模型等于白折腾。硬件投入、环境维护、版本更新这些隐性成本也不低。我的实际做法是分层数据敏感的、格式固定的批量任务放本地需要强能力的复杂任务走线上两边各干各擅长的。这个组合方式比全都本地或者全都线上都省心。选择的时候有几个具体的判断点模型规模是否够用、显存是否吃得消、推理速度能否接受、维护成本是否可控。这几个都想清楚了再动手别一上来就买卡装机。6. 别让工具牵着人走几条我自己的规矩聊了这么多方法和排查最后想说说心态层面的东西。技术方案再好如果节奏乱了内耗还是躲不掉。下面几条是我给自己定的规矩执行下来效果还不错。6.1 给AI划一条不越界的线我给AI划的界线很简单凡是需要我承担后果的事AI只能参与过程不能输出结论。方案的方向、代码的最终逻辑、对外沟通的措辞这些必须从我手里出去。AI可以在前面帮我把材料备齐、把选项列全但最后那一下必须我自己按。这条线看起来限制了很多实际上反而让人轻松。因为你知道哪些事不用纠结了——不用再纠结这个AI写的能不能直接用答案永远是不能。省下来的决策精力可以放在真正需要判断的地方。6.2 每天留一段无AI时间我给自己定了个规矩每天上午的前四十分钟不看任何AI工具只做最需要深度思考的那件事。这段时间里判断、取舍、结构设计全部自己做不借助任何生成工具。刚开始不习惯总觉得效率低、心里慌。坚持两周之后发现这四十分钟的产出质量比之后三小时还高。原因也简单深度思考需要连续的注意力而AI工具本质上是在不断地打断你——每次调用都是一次小型的注意力切换。把最需要连续性的时段保护起来等于给自己攒了一天里最值钱的那块精力。同样的道理也适用于会议。开需求讨论的时候我不带电脑不做实时记录就专心听和想会后用AI整理纪要。把听和判断和整理和格式这两件事分开各用各的时段效率和感受都明显好于边听边记。6.3 定期做一次工具减法我的习惯是每个季度末花一小时把这三个月用过的AI工具全部列出来挨个问三个问题这个季度用过几次每次用的时候有没有觉得别扭如果删掉它我的工作会不会受影响三个问题里有两个答案是负面就直接删。这个动作听起来简单但非常有效。因为工具是有沉没成本的——你花了时间学它、配置它就不太舍得扔于是它一直挂在那儿时不时消耗你一点注意力。定期清理能把这些隐形负担扫掉。过去一年我删掉了七个工具同时也新增了三个。净减少四个但工作产出没受影响反而因为界面清爽、切换变少状态好了不少。6.4 把用AI的成果变成可见的东西最后一条是关于价值感的。内耗的深层原因之一是忙了一天感觉什么都没留下。当你大部分时间都在审核、纠错、切换工具的时候很容易产生一种虚耗感。我的解法是把用AI省下来的时间强制投入到能沉淀的事情上——写一份内部文档、整理一套可复用的模板、给团队做一次分享。这些事有明确的产出物看得见摸得着能有效对抗那种一天白干的空虚。我们团队现在有个小机制每周五花半小时每人分享一个这周用AI解决的实际问题形式不限可能是一段脚本、一套提示词、一个流程改进。攒了几个月之后这份共享文档成了团队里最实用的资产新人上手时直接看它就行。说到底AI越强人越累不是因为工具不好而是因为我们还在用旧的工作节奏去适应新的生产能力。工具把执行的时间压缩了但判断、协调、担责、验收这些活儿一点没少甚至更多了。真正需要调整的不是再学一个新工具而是重新分配自己的精力和时间——哪些事该快哪些事该慢哪些事压根不该做。我自己这一年最大的收获就是终于接受了AI能干的活不代表我必须干那么多活这句话。把标准从能不能做到换成值不值得做人一下子就清爽了。