AI 效率悖论：为什么用了 AI 反而更累了？
范文杰约 13 分钟半年前，我开始深度使用 Claude Code、Cursor 等 AI 编程工具。它们确实很强，已经包揽了我 99% 的编程任务，大多数时候写出来的代码比我自己写的还要好。按理说，这应该让我的工作变得更轻松、更高效。但实际情况却恰恰相反——我发现自己反而更累了：工作节奏变得更混乱，心智负担显著增加，整体效率可能还不如之前。这是一个非常违反直觉的现象。为什么 AI 工具这么强大，却让我的工作状态变得更糟糕了？
这篇文章试图剖析这个"效率悖论"的本质原因，并基于半年来的实践探索，总结出一套在 AI 时代更有效的工作方法论。核心观点在于：**AI 提升的是执行力，但专注力依然稀缺；效率的本质不是"做得多"，而是"做得对"**。
1. 问题：AI 提升并发度，但人更累了
在使用 AI 工具之前，我的工作状态相对稳定：同时处理 2-3 个任务，每个任务都能保持相对完整的上下文，任务之间的切换频率不高，心智负担处于可控范围。但引入 AI 后，情况发生了显著变化。AI 的执行速度很快，我给它派发一个任务后，它可能需要 20-30 秒来生成代码，这个等待时间让我本能地想要切换到其他任务以提高"效率"。于是，工作流程变成了这样：
让 AI 重构模块 A 的时候，我切换去处理模块 B 的单元测试； 等待 AI 完成测试代码时，我又切到模块 C 去优化构建配置； 当我回过头来 review 模块 A 的代码时，又发现需要调整，于是再次派发任务给 AI，然后又切到其他任务...
如此循环往复，我发现自己同时在推进 4-5 个甚至更多任务，表面上看起来非常忙碌、非常高效，但实际体感却是：每件事都做不深入，频繁的任务切换让大脑疲惫不堪，到了一天结束的时候，虽然做了很多事情，但似乎没有一件事情是真正做好的，反而积累了更多的技术债和返工成本。
这种状态持续了一段时间后，我开始意识到问题的严重性。AI 确实提升了我的"并发能力"，让我可以同时推进更多任务，但这并没有带来预期的效率提升，反而让工作变得更加混乱和疲惫。表面上看，这是一个"工具使用不当"的问题，但深入思考后，我发现这背后反映了一个更深层的问题：我们误以为 AI 提升了"并发度"就等于提升了"效率"，但实际上，人脑的并发处理能力并没有因为 AI 的出现而提升，上下文切换的成本依然很高，甚至因为任务数量的增加而变得更高了。
编程圈有一个经典的共识：程序员不能被打断。这不是程序员的矫情，而是编程工作本身的特性决定的。当你深入到某个功能模块的开发中时，需要在脑子里构建一个完整的心智模型：这个模块的职责是什么，它与其他模块的交互界面如何定义，数据是如何流转的，可能会有哪些边界情况需要处理，当前的架构设计是否合理，是否存在性能瓶颈...这些信息交织在一起，形成一个复杂的认知网络，支撑着你做出正确的决策。一旦被外界打断，这个精心构建的心智模型就会崩塌，当你重新回到这个任务时，可能需要花费 15-30 分钟甚至更长的时间重新加载这些上下文，才能恢复到之前的工作状态。这就是所谓的"上下文切换成本"，它不仅消耗时间，更重要的是会打断思维的连贯性，破坏"心流"状态，导致工作质量和效率的双重下降。
在传统的工作模式下，这个问题虽然存在，但由于任务数量相对有限(除非临时大段开会)，我们还能通过主观意志来控制任务切换的频率，尽量保持专注。但 AI 工具的引入，天然改变了这个平衡。AI 的核心特性在于：它的并发处理能力几乎是无限的，上下文切换成本几乎为零，且不会感到疲惫。这使得它成为一个理想的"并发执行器"。问题在于，**我们在使用 AI 的过程中，很容易把自己也当成了"并发调度器"**，不自觉地模仿 AI 的工作方式，试图通过提升并发度来提升效率。但人脑并不是 CPU，它的并发处理能力非常有限——根据认知科学的研究，人类大脑能够同时保持高质量处理的任务数量大约在 2-3 个左右，超过这个数量，每个任务的质量都会显著下降。更糟糕的是，频繁的上下文切换不仅会降低单个任务的质量，还会累积成巨大的认知负担，让大脑持续处于高负荷状态，最终导致疲惫和倦怠。
因此，问题的本质可以归纳为：AI 提升了我们的并发能力，但没有降低我们的上下文切换成本；相反，由于并发任务数量的增加，上下文切换的总成本反而显著提升了。这就是"效率悖论"的根源——工具变强了，但使用者反而更累了。
2. 认知误区：把自己当成 AI 的调度器
更深入地分析这个问题，会发现背后存在一个核心的认知误区：我们在使用 AI 的过程中，逐渐把自己定位成了"AI 的调度器"。这种角色定位看似合理——AI 负责执行，人类负责调度和决策——但实际上它忽略了一个关键事实：人类的注意力带宽是有限的，我们不可能像操作系统调度进程那样高效地调度多个任务。
在这种错误的角色定位下，工作流程变成了：不停地给 AI 派发任务，监控它的执行进度，review 它的产出，发现问题后再派发新任务，然后切换到下一个任务重复这个过程。表面上看，这是在"充分利用 AI 的并发能力"，实际上却是在把自己的大脑当成一个"任务队列管理器"，不断地在多个任务之间切换，承受着巨大的上下文切换成本。更糟糕的是，这种工作模式很容易让人陷入一种"战术勤奋"的陷阱：看起来非常忙碌，一直在做事，但实际上很多时候是在做低价值的、容易做的事情，而真正重要的、需要深度思考的工作反而被推迟了。
举个具体的例子：当我在 review AI 生成的代码时，可能会发现某个依赖版本过时了，或者某个变量命名不够规范。这些问题确实存在，且"随手"就能修改，成本很低。但如果我真的停下来去修改它们，就会打断当前的 review 流程，而这个流程本身可能正在帮助我发现更深层的架构问题。等我修改完这些小问题，再回到 review 流程时，之前构建的对代码整体结构的理解可能已经淡化了，需要重新加载上下文。更麻烦的是，这种"随手修改小问题"的行为很容易产生一种"完成感"，让人误以为自己在高效工作，但实际上是在用战术上的勤奋掩盖战略上的懒惰——修改依赖版本确实有价值，但相比于发现和解决架构问题，它的价值要低得多。
因此，正确的角色定位应该是：人类是战略家，负责定义问题、设定方向、把控质量；AI 是执行者，负责在明确的边界内高效完成具体任务。人类应该专注于少数几个高价值的任务，在每个任务上投入充分的专注力，深入思考，做出正确的决策；而不是试图像操作系统一样调度多个任务，把自己变成一个"多线程处理器"。
3. 解决方案：重新定义 AI 时代的效率
基于上述分析，我在过去几个月里逐步调整了自己的工作方式，核心思路可以总结为：主动管理专注力，聚焦高价值工作，规划先于执行。具体来说，包括以下三个方面：
3.1 专注力管理：主动限制并发度
第一个转变是：不再被动地接受 AI 带来的并发能力提升，而是主动限制自己同时处理的任务数量。具体原则是：同一时间最多处理 3 个任务，且这 3 个任务必须是当前最有价值的任务。这个数字不是随意设定的，而是基于认知科学的研究结论：人类大脑能够同时保持高质量处理的任务数量大约在 2-3 个。超过这个数量，每个任务的质量都会显著下降，且上下文切换的成本会急剧上升。
在实践中，我建立了一个简单的"任务看板"，分为"进行中"和"待处理"两个区域。进行中区域最多只能有 3 个任务，必须完成一个任务，才能从待处理区域拉取新任务进来。这个机制强制我在任何时刻都必须做出选择：当前这 3 个任务是否真的是最重要的？如果有新的紧急任务出现，我是否愿意暂停当前某个任务来处理它？这种强制选择的机制，迫使我更加审慎地评估任务的优先级，避免陷入"什么都想做"的陷阱。
这个调整带来的效果是显著的：上下文切换的次数大幅下降，每个任务都能获得更充分的专注力，工作质量明显提升，而心智负担则大幅降低。更重要的是，这种工作方式让我能够更容易进入"心流"状态——当你只专注于少数几个任务时，大脑不需要频繁地在不同的上下文之间切换，能够更深入地思考问题，产出的质量也会更高。
3.2 价值导向：抵抗优化诱惑
第二个转变是：建立更清晰的价值判断标准，主动抵抗"优化诱惑"。所谓"优化诱惑"，是指那些看起来容易做、能快速完成，但实际价值并不高的任务。这类任务的典型特征是：成本低、能产生"完成感"、但对核心目标的贡献有限。比如前面提到的修改依赖版本、优化变量命名、重构不影响主线的代码等等。这些事情本身没有错，在合适的时机做确实有价值，但问题在于，当你正在处理更重要的任务时，它们会成为一种"诱惑"，诱使你暂停当前工作，转而去做这些"随手"就能完成的小事。
这种诱惑之所以危险，是因为它利用了人类大脑的一个弱点：我们天然地倾向于追求"确定性"和"完成感"。修改一个依赖版本，能够立即看到结果，能够获得"我完成了一件事"的满足感；而深入思考架构问题，可能需要几个小时甚至几天，期间充满不确定性，且不一定能够立即看到成果。在这种对比下，大脑会本能地倾向于选择前者，因为它能够以更低的成本获得"奖励"。但问题在于，这种"完成感"是廉价的，它不代表真正的价值创造。
为了抵抗这种诱惑，我建立了一个简单的价值判断框架：每次想要"随手"做某件事时，先问自己两个问题：
这件事对当前核心目标的贡献有多大？如果贡献很小，那就记录下来放到 backlog，但不现在做。 做这件事的机会成本是什么？也就是说，用这个时间本来可以做什么更有价值的事情？如果机会成本很高，那就坚决不做。
这个框架的本质是：始终聚焦于最有价值的 20% 工作，而不是被那些容易做但价值不高的 80% 工作所消耗。
这个调整同样带来了显著的效果：我发现自己在真正重要的工作上投入的时间增加了，而在那些看似有用但实际价值不高的小事上浪费的时间大幅减少。更重要的是，这种工作方式让我对"效率"有了新的理解：效率不是"单位时间内完成多少件事"，而是"单位时间内创造多少价值"。前者会让你陷入战术勤奋的陷阱，后者才是真正的效率。
3.3 规划优先：与 AI "开会"的工作流程
第三个转变，也是最重要的转变，是：在任何实现之前，先与 AI 充分讨论，明确目标、方案和验收标准。这个转变源于一个核心认知：AI 的强项在于执行明确定义的任务，而人类的强项在于定义问题和设定边界。如果我们在问题还没有定义清楚的时候就急于让 AI 开始执行，那么大概率会陷入不断返工的循环：AI 生成代码 → 发现方向不对 → 调整需求 → AI 重新生成 → 又发现新问题 → 再次调整...这个过程不仅浪费时间，更重要的是会让人陷入"战术执行"的思维模式，忙于应对各种具体问题，而忽略了更高层面的战略思考。
为了避免这个陷阱，我建立了一个"与 AI 开会"的标准流程：把 AI 当成一个协作伙伴，在开始任何实现之前，先与它进行一次充分的"会议"，明确以下几个问题：
我们要做什么？这个问题的本质是什么？它要解决什么痛点？ 我们怎么做？有哪些可能的方案？每个方案的优缺点是什么？在当前的约束条件下，哪个方案是最优的？ 我们怎么验收？成功的标准是什么？如果失败了怎么办？
通过这一系列的讨论，我和 AI 能够共同构建出一个清晰的"问题定义"和"解决方案"，并将其固化为一份文档。这份文档不需要很长，可能只有几百字，但它明确了接下来所有工作的方向和边界。有了这份文档，后续的实现工作就变得非常清晰：AI 可以在这个明确的框架内高效工作，而我则可以专注于把控方向和质量，而不是陷入具体的实现细节。
这个流程的核心价值在于：它把人类的时间投入在最有价值的地方——战略思考和问题定义，而不是战术执行。在传统的工作模式下，我们可能会觉得"先做再说"效率更高，因为思考和规划本身不产出"可见"的成果，会让人觉得是在"浪费时间"。但实际上，在复杂问题上，前期规划的时间投入往往能够带来数倍甚至数十倍的后期收益。我最近做了一个基建工具的优化，如果按照传统方式，直接开始写代码，可能需要 3 小时开发，然后发现方向不对，又花 1.5 小时返工，总计 4.5 小时。但采用"规划优先"的方式，前期花 20 分钟与 AI 讨论清楚方案，后期开发只用了 2 小时，且没有返工，总计 2.3 小时，效率提升了接近一倍。更重要的是，这种方式产出的质量更高，因为整个方案是经过深思熟虑的，而不是在实现过程中不断打补丁。
4. 更深层的思考：效率的本质
通过上述三个方面的调整，我逐步从"效率悖论"中走了出来，工作状态也恢复到了一个更健康的水平。但这个过程也促使我对"效率"这个概念本身进行了更深入的思考。
传统认知中，效率往往被定义为"单位时间内的产出量"，这个定义在工业时代是合理的，因为那时的工作多数是重复性的、标准化的，产出的质量相对稳定，因此提升效率的关键就是提升数量。但在知识工作领域，尤其是在编程这种高度依赖创造性和深度思考的工作中，这个定义就不再适用了。因为知识工作的产出质量差异巨大：一个设计良好的架构可能需要一天时间，但它带来的价值可能抵得上一周甚至一个月的低质量代码堆砌；一个深入的问题分析可能需要几个小时，但它能够避免后续数十个小时的返工。在这种情况下，"单位时间内的产出量"这个指标就失去了意义，因为它无法区分高价值产出和低价值产出。
因此，对于知识工作而言，效率应该被重新定义为：单位时间内的有价值产出。这个定义的关键在于"有价值"三个字，它强调的不是"做了多少事"，而是"做了多少有价值的事"。在这个新的定义下，提升效率的关键就不再是提升并发度、做更多的事，而是识别出真正有价值的工作，并在这些工作上投入充分的专注力，做到极致。
AI 工具的出现，从某种意义上说，是在加速这个转变。在传统模式下，执行力是稀缺的，我们需要花大量时间在具体的编码实现上，因此很难有足够的时间投入到深度思考和战略规划中。但 AI 让执行力变得不再稀缺，它能够以极高的效率完成具体的编码任务，这就把人类从繁重的执行工作中解放出来，让我们有更多时间投入到更高价值的工作中——定义问题、设计方案、把控质量。但这个转变不会自动发生，它需要我们主动调整自己的工作方式和思维模式。如果我们还是用传统的"执行导向"思维来使用 AI，试图通过提升并发度来提升效率，那么就会陷入"效率悖论"；只有当我们转向"价值导向"思维，把时间投入到真正重要的工作上，AI 才能真正成为生产力的倍增器。
5. 总结
回到最初的问题：为什么你用了 AI 反而更累了？答案是：因为我们还在用传统的思维方式使用新工具。我们误以为 AI 提升了并发能力就应该提升并发度，但忽略了人脑的上下文切换成本；我们把自己定位成 AI 的调度器，不停地派发任务和切换上下文，但忽略了专注力才是真正的稀缺资源；我们急于让 AI 开始执行，但忽略了规划和问题定义才是最有价值的工作。
要走出这个悖论，需要做出三个核心转变：第一，主动管理专注力，限制并发度，同时最多处理 3 个任务；第二，建立价值导向，抵抗优化诱惑，聚焦于最有价值的 20% 工作；第三，规划先于执行，与 AI "开会"明确目标和方案，让 AI 在明确的框架内工作。这三个转变的核心思想可以总结为：在 AI 时代，战略思考比战术执行更重要，专注力比并发度更稀缺，有价值的产出比大量的产出更有意义。
工具没问题，问题在于我们的使用方式。当我们调整思维，重新定义效率，AI 才能真正成为生产力的倍增器，而不是让我们更累的负担。