AI 效率翻倍,为什么人更累:问题不在工具,在“验证”
AI 疲劳的根源不是工作量增加,而是工作模式从“人创造”变成了“机器生成、人验证”。验证是高警觉、难持续的认知劳动,叠加任务切换成本和人与机器的速率错配,疲劳集中在市场营销、人力资源等高验证强度岗位。出路不是少用 AI,而是让 AI 替代重复劳动,而不是在创造性工作之上再叠一层验证。
AI 效率翻倍,为什么人更累:问题不在工具,在“验证”

效率翻倍的代价,藏在“验证”里
从创造者到检查者
AI 带来的效率提升,很大程度上来自一个看似合理的分工:机器负责生成,人负责检查。写一份报告,过去要自己搭框架、找材料、逐段写出来;现在把要点丢给模型,几秒钟就能得到一份结构完整的初稿。省下的时间是真的,但省下的那部分劳动,恰恰是最能让人进入沉浸状态的部分。

生成和验证是两种性质完全不同的认知活动。生成时,人是在向外构建,注意力沿着一个目标展开,过程中有主动选择、有试错、有完成感。验证时,人必须把自己放在一个挑剔的位置上,逐项判断机器给出的结果是否可靠、有没有遗漏、哪里可能出错。这种警觉状态不能松,一松就会漏掉错误;但它又很难持续,因为它不提供生成过程中的那种推进感。
波士顿咨询集团董事总经理马修·克罗普在解释 AI 相关疲劳时提到,有效监管一个智能体本身就需要极高的认知负荷。以软件工程师为例,让 AI 设计并编写代码,输出质量必须由人来把关。每多增加一个智能体,管理带来的高压就会被放大,直到员工达到承受极限。
这个判断点出了问题的关键:AI 可以接管生成的环节,但判断和责任无法外包。机器产出的东西越像样,人越不能掉以轻心,因为错误藏得更深。过去自己写的东西,哪里薄弱心里有数;现在面对一份表面完整的机器产出,必须从头到尾重新建立对内容质量的判断。这个重新建立的过程,比从零开始写还要消耗注意力。
验证为什么比生成更累

有分析将这种状态概括为“机器生成、人类验证”的模式。它提升了生产力,却把认知负担集中到了难以维持的高成本且高度警觉的验证任务上。负担没有消失,只是换了位置,而且换到了人类最不擅长持续运转的环节。
生成式 AI 领域还出现了一个说法,叫“效率悖论”:AI 降低了生产成本,却大幅提高了审查、协调与决策的成本,这些负担全部落在人类身上。这个说法没有给出具体的行业量化数据,但描述的方向与验证负担的机制一致。当生成变得廉价,审查就成了新的瓶颈,而审查恰恰是最难通过工具进一步外包的部分。
需要说明的是,验证负担并非 AI 使用的必然结果。当 AI 被用来替代常规重复性工作时,职业倦怠率会下降。疲劳的根源不在于 AI 本身,而在于人如何使用它。把 AI 放在生成端、把人放在验证端,这种特定分工才是问题所在。

切换与速率:大脑跟不上,不是意志力问题
20 分钟才能找回专注
AI 工作流把任务切碎了。一个原本完整的写作、分析或设计过程,现在被拆成提示词输入、等待生成、检查输出、修正参数、再生成、再检查的循环。每两个环节之间,人都要从一种认知模式跳到另一种:从组织语言到评估结果,从发散思考到逐项核对。

切换的成本比多数人估计得高。波士顿咨询公司的研究提到,在向 AI 输入提示词和应用其输出结果之间切换,需要超过 20 分钟才能完全恢复专注。这意味着,如果一天中发生十几次这样的切换,有效专注时间会被切成大量碎片,而碎片之间的恢复期并不等于休息。大脑仍在处理上一个任务留下的信息,同时还要准备进入下一个任务。
这种状态下,疲劳的来源不是某个任务太难,而是大脑始终处于启动—中断—再启动的循环中。每一次再启动都要消耗额外的认知资源。人感觉“没干什么却很累”,是因为注意力从未真正稳定下来。

毫秒级响应 vs 秒级大脑
另一个错配发生在时间尺度上。AI 的响应是毫秒级的,一次生成可能在几秒内完成,而人类大脑的认知切换是秒级甚至分钟级的。机器不需要预热,不需要回忆上下文,不需要在任务之间重新建立心理模型;人需要。
当 AI 快速产出大段文本、代码或方案时,人被迫以接近机器的节奏去接收、判断和回应。这种速率差让工作节奏脱离了人类认知系统的自然节律。工作记忆的容量本身也有限:过去通常认为大脑一次能记住约 7 项事物,近期研究则把这个数字修正为 3 至 5 项。在 AI 输出密集、信息更新频繁的环境中,这个容量很容易被迅速占满。
这些认知限制是普遍的,但疲劳程度并非人人相同。任务类型、熟练度和工作环境都会调节切换成本。一个每天只偶尔使用 AI 的人,和一个连续八小时在提示词与输出之间往返的人,承受的负荷不在同一量级。把疲劳简单归为意志力不足,忽略了认知系统本身的硬约束。

疲劳分布不均:谁在替 AI 兜底
市场营销 25.9%,法律合规约 6%
AI 疲劳的分布并不均匀。一项覆盖美国各行业大型企业 1488 名全职员工的调查显示,14% 的受访者自报出现“AI 脑疲劳”,症状包括思维混沌、头痛和决策变慢。但分行业看,市场营销岗位的比例达到 25.9%,人力资源 19.3%,运营 17.9%,软件工程 17.8%,法律与合规岗位只有约 6%。

这个差距与验证强度高度相关。市场营销和人力资源的 AI 产出大多涉及文案、创意方案、候选人评估等主观内容,错误不容易被系统自动拦截,需要人逐项判断语气、事实和适配度。软件工程虽然也高频使用 AI,但代码有编译器和测试用例作为外部校验,部分验证负担被工具链分担。法律合规岗位的 AI 应用更多集中在检索和辅助整理,生成内容仍需人工核对,但任务节奏相对可控,且从业者本身对逐条核验有成熟的职业习惯。
工具越多,效率反而下降

疲劳不只与岗位有关,也随工具数量变化。同一项研究发现,员工同时使用 1 到 2 款 AI 工具时生产力显著提升;从 2 款增加到 3 款时增幅变小;超过 3 款后效率反而下降。研究者将这一拐点归因于多任务处理存在上限,但该解释在证据中仅作为方向性判断提出,未给出机制层面的数据支持。
更合理的理解是,每增加一款工具,就多出一套界面逻辑、输出格式和错误模式需要学习与监控。工具之间的切换本身不产生价值,却持续消耗注意力。当工具数量跨过某个阈值,协调成本超过了单款工具带来的产出增益,效率自然回落。这与前文讨论的验证负担同源:工具越多,人需要同时维持的验证情境越多,认知资源被切得更碎。
需要避免一个误读。14% 的总体自报比例意味着大多数员工并未报告 AI 脑疲劳,行业差异也相当显著。AI 疲劳不能被描述为所有使用者的普遍必然结果。它更像一种结构性现象:在验证强度高、主观判断多、工具叠加密集的岗位上集中出现。那些把 AI 用于明确规则下检索或辅助的岗位,疲劳程度明显更低。

疲劳不是 AI 的必然代价,而是使用方式的选择
替代重复劳动,还是叠加验证负担

疲劳的出路不在减少 AI 使用,而在改变 AI 被嵌入的位置。波士顿咨询集团的研究给出了一个关键区分:当 AI 用于替代常规或重复性工作时,员工的职业倦怠率会下降;当 AI 被当作需要持续监管的智能体时,认知负荷反而被放大。马修·克罗普的表述更直接:监管一个智能体本身就需要极高的认知负荷,每多增加一个智能体,管理压力就被放大一次,直到员工达到承受极限。
两种结果的差异指向同一个变量——人的认知输入是被减少还是被增加。替代重复劳动,意味着把格式整理、初稿生成、数据清洗这类低判断、高耗时的环节交给机器,人从执行者变成验收者,但验收对象是规则明确的产出,检查成本有限。监管智能体则不同。智能体的输出质量直接关系到最终成果,人必须持续判断其推理是否可靠、边界是否越界、错误是否被掩盖。这不是机械重复,而是高警觉的持续监控,恰恰是人类认知系统最难以长期维持的状态。
把 AI 用在它该在的地方

因此,判断 AI 是否值得引入,不应只看它能否完成某项任务,而应看它把人从哪个环节解放出来、又把人推向哪个环节。如果 AI 替代的是重复性执行,人保留的是判断和创造,认知负担总体下降。如果 AI 承担的是生成,人被迫承担全量验证,效率数字可能上升,人的损耗也在同步累积。
需要诚实面对的是,这种分工调整并不总是可行。有观察指出,AI 未必能把人从繁琐中解放出来,反而可能带来其他负担。关于如何在 AI 时代保护认知资源,现有讨论也仍停留在原则层面,缺乏可操作的具体方案。这意味着,把 AI 从验证端挪回替代端的建议,更多是一个方向判断,而非一套成熟的执行手册。对于那些验证强度天然就高的岗位,问题可能无法通过重新分工完全消解,只能通过减少 AI 介入深度或限制并行工具数量来缓解。