当效率工具变成精神负担，我们正在经历一场无声的"认知通胀"

【开篇：一个程序员的自白】

"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》的文章在技术圈引发热议。作者Siddhant Khare是OpenFGA的核心维护者，一位经验丰富的工程师。他写道：

"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。"

这不是个例。2026年3月，波士顿咨询公司（BCG）发布了一项针对1,488名美国全职员工的调查，发现了一个令人警醒的现象：当员工同时使用超过3款AI工具时，自我报告的生产率不仅没有提升，反而出现明显下降。

研究人员将这种现象称为 "AI脑疲劳"（AI Brain Fry） ——一种思维混沌、决策变慢、大脑嗡嗡作响的状态。14%的受访员工表示自己正在经历这种疲劳，而在市场营销、人力资源、软件工程等领域，这一比例远高于法律与合规岗位。

一、AI疲惫的三大真相：为什么我们越用越累？ 1. 从"创造者"沦为"质检员"的身份降级

以前，程序员的工作流是：思考问题 → 写代码 → 测试 → 发布。我是创造者，是Maker。

现在，工作流变成了：写提示词 → 等待 → 阅读输出 → 评估对错 → 检查安全性 → 判断是否符合架构 → 修补不对的地方 → 重新提示 → 重复。

我变成了一个审稿人，一个法官，一个在永不停歇的流水线上疲于奔命的质检员。

这在心理学上是完全不同的工种。**创造能带来"心流"，而审查只会带来"决策疲劳"**。

更残酷的是，AI生成的代码比人类写的更需要仔细审查。面对同事写的代码，你了解他的路数、强项和盲区，可以略读信任的部分。但面对AI，每一行都是嫌疑人。代码看起来自信满满，能编译，甚至能跑通测试，但它可能在某个隐秘的角落埋雷，只在凌晨3点生产环境负载拉满时才爆炸。

2. 效率提升的悖论：能者多劳的无限循环

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，你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。

这里存在一个被忽视的真相：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。

研究显示，当AI相关工作需要更高程度的人工监督时（例如阅读和解读大语言模型生成的文本），员工在工作中的脑力消耗增加了14%，精神疲劳感增加12%，信息过载感增加19%。

3. FOMO驱动的"知识仓鼠轮"

深吸一口气，回头看看这几个月发生了什么：

Claude Code发布子智能体，然后是Agent SDK；OpenAI推出Codex CLI；Google甩出Gemini CLI；GitHub搞了MCP注册表；各种Agent框架像雨后春笋：CrewAI, AutoGen, LangGraph, MetaGPT……

就连LinkedIn上的"野生导师"都在恐吓你："2026年还不用子智能体编排，你就被淘汰了！"

这种错失恐惧（FOMO）推动着我们不断追赶。周末用来评测新工具，看每一个更新日志，看每一个演示。因为恐惧落后，强迫自己站在前沿。

结果呢？周六下午折腾一套新AI编码工具，周日刚跑通工作流，周三就有人发帖说另一个工具"完爆这个"。焦虑感瞬间袭来。下个周末，又在折腾新东西。

这就好像一只仓鼠，从一个轮子跳到另一个轮子，每次迁移都耗费一个周末，换来的可能是5%无法感知的效率提升。

更可怕的是"知识折旧"。2025年初花两周精心打磨的复杂提示工程工作流，三个月后因为模型更新，跑出来的结果甚至不如一句简单的大白话。那两周的时间，不是投资，是浪费。

二、AI疲惫的代价：个人与企业的双重损失 对个人的影响

认知过载与决策瘫痪

根据认知负荷理论，信息过载和复杂交互会对个人的认知能力提出过度要求，导致处理能力、注意力和认知效率下降。当每日接收信息量超过200条时，决策疲劳发生率高达78.3%。

情绪耗竭与职业倦怠

压力-紧张-结果模型指出，技术需求会创造技术压力，进而产生情绪反应（紧张），最终影响用户行为。频繁且侵入性的AI系统交互可能导致持续的负面情绪，损害用户体验。

调查显示，在自称出现"AI脑疲劳"的员工中，34%表示有明确的离职意向；而在没有出现这种情况的员工中，这一比例为25%。

对企业的损失

研究人员引用Gartner 2018年的一份报告指出，一家年收入50亿美元的公司因决策不当，每年损失约1.5亿美元。

AI疲惫不仅是生产力问题，更是董事会级别的风险。当工作流程被打断，或系统重叠时，对技术的信任会侵蚀，导致员工脱离、错误增加和人员流失率上升。

71%的办公室职员认为新的AI工具出现速度超过了他们学习使用的速度，近一半（47%）感到他们应该对使用AI感到兴奋，但实际上却感到担忧。

三、破局之道：如何与AI建立健康的关系？ 1. 建立"止损"能力：知道何时停手

在这个时代，最重要的技能不是提示词工程，不是选模型，也不是工作流。

是"止损"的能力。

知道何时AI的输出已经够好了；知道何时该自己接手；知道何时合上笔记本；知道何时微小的改进不值得巨大的认知成本。

我们给系统设计熔断机制、背压机制，我们也应该给自己设计一套。

2. 别追工具，追基础设施

工具来来去去，但问题永存。上下文效率、授权、审计、运行时安全——无论这个月流行哪个框架，这些底层问题都在。

建立在那些不会轻易变质的层面上。 与其被动消费无穷无尽的新工具，不如主动去创造一个哪怕很小，但完全属于自己的东西。在这个过程中，你才能真正理解技术的边界，建立自己的判断体系，并从被AI消耗的疲惫感中，重新找回创造的乐趣。

3. 接受"实习生心态"：预期30%的重写率

见过应对得最好的工程师，都是那些与此"和解"的人。他们把AI输出当成一个聪明但不靠谱的实习生交来的初稿。

他们预期要重写30%，他们为此预留了时间。 因为从未指望它完全正确，所以当它出错时，他们不会炸毛。他们指望的是"有用"，而非"正确"。这中间的区别大了去了。

4. 企业层面的"杠铃策略"

Ataccama的AI负责人Corey Keyser提出，企业需要一种**"杠铃策略"**：

  • 杠铃的一端是员工主导型采用 ：AI不应该被强制推入工作流程，而应该以自然的方式提供、可访问并受到鼓励。

  • 另一端是投资于少数专注的、由高管支持的AI项目 ：这些计划应直接与组织KPI挂钩，并由专门团队或顾问构建，以确保其稳健、可信和可扩展。

关键在于专注——关注少数具有明确ROI和高管一致性的计划。这使采用变得有目的性，而非表演性。

5. 信息节食：清理你的输入源

如果一个信息流让你感到落后而不是知情，那就取关它。

去关注那些真正在建设、在发布产品的人，而不是只会做Demo的人。社交媒体上满是AI大神。"我用AI 2小时做完了整个App！"——那些帖子是"集锦"。没人会发帖说："我花了3小时想让Claude理解我的数据库架构，最后放弃了自己手撸了SQL。"

结语：保护好你的大脑，那是你唯一的资产

AI是我用过最强大的工具，也是最耗能的。这不矛盾。

在这个时代能活得好的工程师，不是用AI最多的人，而是用得最"明智"的人。

如果你累了，不是因为你做错了什么。实际这真的很难——工具是新的，模式还在成型，行业在假装"更多产出=更多价值"。

但这不成立。可持续的产出，才是价值。

保护好你的大脑。那是你唯一的资产，没有任何AI能替代它。

【互动话题】

你是否也经历过"AI疲惫"？是在什么场景下？欢迎在评论区分享你的故事和应对方法。

参考资料：波士顿咨询公司研究、ITPro、Fortune China、哈佛商业评论等