AI提效背后的隐形代价：开发者为何在技术浪潮中越忙越累？

柚子 发自 凹非寺

量子位 | 公众号 QbitAI

“AI提高了我的生产力，但我却更累了……”

最近一篇名为《AI疲惫是真实存在的，但却无人提及》 的文章在论坛里引发热议，道出了许多开发者的共同心声。

文章作者Siddhant Khare是一名专业程序员，也是OpenFGA的核心维护者。即便经验丰富，他在使用AI提效的过程中，也时常感到力不从心。

以近期涌现的AI动态为例：OpenClaw、Moltbook、GPT-5.3、Claude Opus 4.6……每一个新名词都意味着新的学习压力。然而，开发者又不得不跟进，以免被贴上“落伍”的标签。

再比如写代码，AI看似节省了大量编码时间，却要求开发者进行逐行审核，导致编程之外的工作量成倍增加。当Siddhant Khare在开发者论坛分享这些经历时，许多人都表示深有同感。

我并不觉得自己效率变高了，反而觉得自己像个懒散的保姆，只能勉强维持着孩子们不受伤的状态。

AI让我更容易分心，然后一天工作结束后，我就会感到内疚。

感觉身体被掏空

为何会出现这种情况？Siddhant Khare分析，这是多方面因素共同作用的结果。

效率提升带来的工作量负担

首先，AI确实提升了效率，过去一天的工作量现在可能一小时就能完成。但这并不意味着工作负担的减轻。管理者注意到这种高效后，往往会分配更多任务，形成“能者多劳”的循环。

于是，开发者可能需要在一天内处理多个碎片化的AI辅助任务，频繁的上下文切换消耗了更多精力。

这里存在一个悖论：AI降低了直接生产成本，却增加了协调、审核和决策等间接成本，而这些额外成本最终仍由人来承担。

从创造者到审查者的身份转变

过去，开发者享受从零到一的创造过程：写代码、测试、发布系统。而现在的工作流变成了：提示→等待输出→评估→修正→重新提示。

程序员的角色逐渐转向质检员，从生成性工作变为评估性工作。审查AI生成的代码往往更累，因为每一行都可能存在隐患，无法像审查人类代码那样只聚焦关键部分。持续的评估容易导致决策疲劳，并削弱解决问题带来的成就感。

AI输出的非确定性引发焦虑

工程师习惯于确定性的输入输出，但AI本质是概率性的。相同的提示词，今天能输出优质代码，明天可能产生一堆无用的结果，且原因难以追溯。

这种不可预测性迫使使用者必须时刻保持警惕，难以完全放松。除非能彻底降低预期，预先接受需要大量重写的事实，但这在实践中很难做到。

不断更迭的AI工具

AI技术迭代速度极快，每周都有新模型、新框架出现。开发者可能刚花费大量时间掌握某个工具，新的“State-of-the-Art”就已问世。

例如，Claude Code近期接连发布sub-agents、skills、Agent SDK等功能；OpenAI推出Codex CLI、GPT-5.3-Codex等；Kimi K2.5宣称可协调上百个Agent并行；OpenClaw推出了模块化技能市场……

学不完，根本学不完。但若不学，又恐落后于前沿进展。这耗费大量业余时间，实际效率提升却有限，且学习往往浮于表面，陷入不停切换的焦虑中，而非专注于解决实际问题。

无限循环的提示改写

使用AI时容易陷入一个陷阱：总相信只需再微调一下提示词，就能得到完美结果，却忽略了背后累积的时间成本。原作者称之为 “再来一次提示”陷阱。

为了让AI输出更理想，人们可能陷入无限循环的提示词优化，最终发现，自己动手写或许更快。由于边际效益递减，后续每次提示迭代的改进越来越小。最终，目标从“实现功能”偏离为“让AI输出完美代码”。

当意识到这一点时，往往已浪费了大量时间。

思维能力的退化

过度依赖AI可能导致独立思考能力萎缩。这类似于GPS普及后，人们自行构建心理地图和规划路线的能力下降。大脑遵循“用进废退”的原则，长期将思考外包给AI，自身解决问题的能力便会减弱。这一点已得到多项研究佐证。

因此，与其因能力退化而焦虑，不如每天预留固定时间进行独立思考。

社交媒体的比较陷阱

比较是焦虑的重要来源。在社交媒体上，人们热衷于展示AI学习的成功案例，例如“两小时用AI构建完整应用”、“一分钟理解OpenClaw”。却很少有人分享过程中的挫折与失败。

这容易让旁观者产生焦虑和自我怀疑，觉得自己能力不足、跟不上节奏。但事实上，许多人可能正卡在配置环境的第一步。

总而言之，AI疲惫可以被视为个体为适应AI的快速发展，而在心理、情感和操作层面被迫承受的压力。即 “Too Much, Too Fast”（过多、过快）。

放过自己，享受AI

为此，原作者提出了一套可持续的工作方式建议：

• 限时使用：为AI任务设置闹钟（如30分钟）。若超时仍未解决，则手动完成。
• 区分思维与执行时间：每天上午坚持不使用AI，用纸笔思考架构，保持思维活跃；下午再利用AI辅助执行。
• 接受70%原则：不追求AI输出完美代码，达到70%可用性即可，剩余部分手动修改。
• 关注底层而非表层：不过度追逐每一个新出的AI工具，应聚焦更耐用的底层逻辑（如上下文管理、安全权限等）。
• 实时记录：记录AI在不同任务中的实际效率，明确何时该用AI，何时该停止。
• 停止全量审查：集中精力审查AI生成代码的核心部分（如安全边界、关键数据处理），其余部分依靠自动化测试和静态分析工具，接受非关键代码的粗糙。

换言之，AI时代的相处之道，不仅在于如何使用，更在于知道何时该停下来。AI的提效，消耗的不仅是算力资源，还有人类的精力上限。

因此，开发者应像设计系统一样，为自己的认知能力设计“缓冲区”，以确保产出的可持续性，而非盲目追求短期输出的最大化。

或许，一个更根本的解决方法是：适当休息，有助于维持长期健康与效能。

参考链接：
[1]https://siddhantkhare.com/writing/ai-fatigue-is-real
[2]https://news.ycombinator.com/item?id=46934404
[3]https://cacm.acm.org/opinion/ai-fatigue-reflections-on-the-human-side-of-ais-rapid-advancement/

关注“鲸栖”小程序，掌握最新AI资讯