本以为用了AI工具下午就能空出来，结果却比以前下班更晚了。听起来熟悉吗？UC Berkeley的研究人员花了8个月观察一家美国科技公司的200名员工，发现AI并没有减少工作——它持续地加剧了工作强度。
这是怎么回事？
1865年，经济学家William Jevons发现了一个奇怪的现象：蒸汽机变得更高效后，煤炭消耗量不降反升。效率提高降低了成本，成本降低引爆了需求。这就是"杰文斯悖论"。 现在，AI和知识工作正在上演完全相同的剧情。
UC Berkeley的Aruna Ranganathan和Xingqi Maggie Ye在HBR上发表了研究成果。2025年4月到12月，他们观察了一家200人的科技公司。公司并没有强制使用AI，但员工们自发地工作更快、承担更广泛的任务、工作时间更长。 一位工程师说："以为生产力提高了就能少干点，结果干的一样多甚至更多。"
California Management Review的Hamilton Mann称之为"AI生产力盲区"。他分析了导致AI生产力收益被抵消甚至逆转的5个结构性因素。核心洞察是：自动化并不减少认知负荷——它只是把负荷转移到了别处。AI产出的每一份内容都需要人来审核、筛选和判断。
数据说话
Upwork 2024年调查：96%的管理层期望AI提升生产力，但77%的员工表示工作量反而增加了。71%经历了倦怠，39%花更多时间审查和修正AI输出。
到底发生了什么变化？
研究发现了AI工作强化的三个机制：
1. 任务范围扩张——产品经理开始写代码，设计师做工程工作，研究员承担开发任务。AI填补了知识鸿沟，"试试看"的实验不断累积，每个人的工作范围在悄然膨胀。工程师们花更多时间审查和修复同事"氛围编程"产生的半成品代码。
2. 时间边界侵蚀——AI把启动任何任务的摩擦降到了几乎为零。午餐时发提示词，开会时跑AI，下班前"最后一行"成了习惯。工作日中自然的休息间隙悄悄消失了。
3. 多任务暴增——手动写代码的同时让AI生成替代方案，同时运行多个AI代理，连搁置已久的任务都被复活了。感觉像有了搭档，但实际上注意力切换和输出检查的认知负荷在不断叠加。
| 期望的场景 | 实际发生的事 | |
|---|---|---|
| 工作量 | AI代劳，人的工作减少 | 职责膨胀，净工作量增加 |
| 工作时间 | 省下的时间早点下班 | 空闲时间塞入额外任务，下班后还在发提示词 |
| 认知负荷 | 重复工作减少，头脑轻松 | AI输出审核+多任务=更多认知疲劳 |
| 休息 | 更多空闲时间 | 零摩擦让"小任务"侵入休息时间 |
| 长期效果 | 可持续的生产力提升 | 倦怠、判断力下降、质量滑坡、离职率上升 |
这正是杰文斯悖论的现代翻版。当AI降低了认知工作的成本，组织不会用这些余量来让你休息——而是用来堆更多的活。就像ATM本应淘汰银行柜员，结果银行反而开了更多网点、雇了更多人一样。
AI让做更多事变得容易，但让停下来变得困难。
— UC Berkeley研究团队
核心整理：怎么开始
研究者提出的解决方案叫"AI实践"——在组织层面设计AI使用规范、停止时机和工作扩展的边界。
- 设计有意识的暂停
在重要决策前加入结构化检查点："一个反对意见，一个与组织目标的关联"。30秒的暂停就能减少因速度导致的判断失误。 - 建立工作排序规则
不要对每个AI输出立即反应。将非紧急通知批量处理，保护专注时间窗口，让工作以连贯的阶段推进。 - 定期进行范围审计
每季度问自己："这真的是我的工作吗？"检查AI悄然添加的额外职责是否被正式承认和补偿。 - 确保人际连接时间
有意创造不使用AI工具、与同事直接交流的时间。简短的签到、共同回顾、结构化对话能打破"一个人+AI"的孤立和疲惫循环。 - 制定团队AI使用指南
不仅约定"什么时候用AI"，还要约定"什么时候停止用AI"。没有这种共识，个人的自愿加班就会成为整个团队的新基线。
关键区分
效率（Efficiency）是局部的、功能性的。生产力（Productivity）是系统性的、目标导向的。AI提高了效率不等于生产力提升了。把速度当方向、把执行当价值，就是掉入杰文斯悖论陷阱的那一刻。
