AI 提效之后，为什么反而更忙了

今天 Hacker News 上有一篇文章，标题是《AI 说好让人少干活，我却从没这么忙过》，到写这篇时已经有 620 分、617 条评论。评论快比分数还多了，说明很多人有话想说。

作者叫 Orestis Ioannou，在一家叫 Bold.org 的公司做了快七年，从全栈工程师做到首席工程师，2025 年 8 月起当技术副总裁。他在文章里贴出了自己从 2020 年到现在的 GitHub 贡献数据（包括私有仓库），想弄清楚自己为什么这么累。

一位 VP 的贡献图，回到了他写代码最多的那一年

按角色看，他的贡献数起伏很大。

2026 年还没过完，GitHub 的贡献数已经超过了 2021 到 2025 年的任何一整年。8 月份单月 427 次，是他加入公司以来最高的一个月。工作日贡献的中位数，2022 到 2025 年是每天 3 到 4 次，今年是 7 次。单日贡献 24 次以上的日子，前几年每年只有 1 天，今年已经有 16 天。

这里奇怪的地方在于他的职位。作为副总裁，按职责来说应该是少写代码，多做规划和管理。他刚升职的那几个月，数据也确实是这样的，2025 年 12 月只有 50 次，是他加入公司以来最安静的一个月。然后从 2026 年 1 月开始，曲线一下子回到了他当全栈工程师时的水平。

作者在原文里画的月度贡献图。底色从左到右依次是：加入公司前、全栈工程师、首席工程师、技术副总裁。橙色实线是全部贡献（含私有仓库），蓝色虚线只算公开贡献，底部数字是每年的总数。

这段时间里发生的变化，是他开始大量使用 AI Agent。

没人给他加活，多出来的是他自己接的

他在文章里写了原因：「Agent 并没有只是让我更快做完原来的工作，它们让我很容易给自己揽下多得多的工作。」

他举的例子都很小，比如顺手修一个小 bug，把代码里不统一的写法统一掉，或者开一个新的小项目。这些事以前也存在，但以前要花半天，算下来不值得，就放着了。现在发一个 prompt 就能开始，「值不值得做」这道门槛几乎消失了，于是这些小事就一件件变成了他的工作。

他还总结了一句：实现想法的能力，比思考和判断这些想法的能力涨得快得多。

如果你最近也觉得活越干越多，可以先回头看一下，多出来的那部分里，有多少是别人派给你的，有多少是你看到「这个顺手就能做」之后自己接下来的。

Agent 不用一直盯着，但每隔一会儿就要找你

第二个原因是工作的形态变了。

他现在会同时开几个 Agent，一个在实现功能，一个在查线上问题，一个在处理代码评审，还有一个在做后续需要的调研。每个 Agent 都不需要他一直盯着，但它们会时不时停下来，需要他回答问题或者批准计划，有时要读一段 diff，或者判断结果对不对。

以前他每周推进两三件重要的事，一次专心做一件。现在是好几件事同时摊开，他要在不同的问题、不同的代码库和不同的决定之间来回切换。写代码本身变轻松了，累人的是这种来回切换和一遍遍审阅。

他还注意到自己的节奏是一阵一阵的：新模型或新工作流出来以后，他会冒出很多想法，开更多的 Agent、做更多的实验；几周以后，评审和切换的压力堆起来，他会累到不想再开新的 Agent，回到相对平稳的状态；休完假回来，又开始下一轮。今年到现在，他已经经历了三轮这样的循环。

「感觉快了」和「实际快了」，可能不是一回事

作者的数据只能说明他做得更多了，不能说明他做得更快了。这两件事很容易被混在一起。

这里可以参考一个真实的实验。

2025 年 7 月，研究机构 METR 找了 16 位有经验的开源开发者，让他们在自己熟悉的大型代码库里完成 246 个真实任务，每个任务随机分成「可以用 AI」和「不能用 AI」两组。结果是，用 AI 的任务平均多花了 19% 的时间。但开发者在实验前预计 AI 能帮他们省 24% 的时间，实验结束后，他们还是觉得自己快了 20%。

METR 在研究报告里给出的对比图（CC-BY 许可）。纵轴是用 AI 后完成任务的时间变化，往上是变快，往下是变慢。左边四个绿点依次是经济学专家的预测、机器学习专家的预测、开发者在实验中的预估、开发者在实验后的自我评估；最右边的红点是实际测出来的结果，慢了约 19%。

不过这个实验也有它明显的局限性：它用的是 2025 年上半年的工具，参与的人里只有一半多用过实验里的主力工具 Cursor，而且这个结论 METR 后来也更新了。所以它不适合拿来下「AI 让人变慢」的结论。不过它说明了一点，你对自己效率的感觉，可能和实际情况差得很远。

METR 在今年 2 月更新了一次结论。他们从 2025 年 8 月开始用最新的工具重做实验，结果发现，很多开发者已经不愿意在不用 AI 的条件下干活，有 30% 到 50% 的人承认会故意不提交那些「不想离开 AI 做」的任务。同时开着好几个 Agent 的人，也很难记清每个任务实际花了多少时间。METR 的判断是，现在开发者很可能比 2025 年初快了，但新数据的偏差太大，说不清到底快了多少。

放到作者身上，这就解释了为什么他会一直加活。当你觉得每件事都变快了，接一件新的事就显得没什么成本。但如果省下来的时间实际上并没有你想的那么多，再加上切换和审阅的消耗，最后的表现就是感觉很累。

今年 5 月，METR 又调查了 349 名技术从业者。受访者自己估计，用 AI 之后做事的速度中位数是原来的 3 倍，但产出的价值只有 1.4 到 2 倍。对这个差距，METR 给出的一个解释和作者的经历几乎一样：AI 让很多原本不值得排进计划的小任务变得很便宜，人们就把时间花在了这些价值更低的任务上。

一家公司 200 人的 8 个月：多数人是在没人要求的情况下多干的

如果只有作者一个人这样，可以说是个人习惯问题。但今年 2 月，伯克利 Haas 商学院的 Aruna Ranganathan 和 Xingqi Maggie Ye 在《哈佛商业评论》上发表了一项研究的阶段性结果，看到的现象很像。

她们从 2025 年 4 月到 12 月，跟踪了美国一家科技公司约 200 名员工。公司给所有人开了 AI 订阅，但不强制使用。她们发现，用了 AI 工具以后，员工的工作变得更密了。员工做得更快了，接的任务范围也更广，工作也延伸到了一天里更多的时间，而且通常没有人要求他们这样做。很多人在午休和开会的时候，甚至在准备离开工位之前，还会顺手给 AI 发一条 prompt。

这项研究只覆盖一家公司，结果也还是初步的。但它和作者的数据指向同一件事：多出来的活，相当一部分是人自己加上的，原因就是「顺手就能做」。

也有人说，提效的好处最后都归了公司

HN 评论区回复最多的一条，看法很不一样。这位网友说，他不理解作者为什么会以为雇主会付同样的钱让你少干活，现实里只有两种结果：要么你干更多的活拿同样的钱，要么你被裁掉，你的活转给别人。

截至写这篇时，这条评论下面有 355 条回复，是整个讨论里回复最多的一条。

国内的讨论也有类似的声音。掘金热榜上有一篇文章，作者帮朋友的公司搭了 AI 编程的工作流，结果老板要求量化提效幅度，接着提出裁员 20%。

这一面是真实存在的，而且不是个人能解决的。但它解释不了作者的情况：他是副总裁，没有人要求他提交更多代码，他也说这些活是因为「感觉值得做」才接下来的。所以这篇文章只讨论你自己能控制的那部分。

给「顺手一个 prompt」重新立个门槛

作者在文章最后说，他还没有找到平衡，只是发现「能做更多」一直在变成「做更多」，而他已经累了。他没有给出办法。

HN 评论区里有几位网友分享了自己的做法，可以作为参考。

• 先写清单，再开 Agent。有位网友每天开工前先写好当天要做的事，只做清单上的内容。如果想做清单外的事，就停下来，先用纸笔重新规划一次清单。他的说法是，支线任务正在一点一点拖垮我们。
• 限制能随时干活的设备。另一位网友发现，问题主要出在手机上。他的整套 Agent 在手机上都能用，于是脑子里一冒出想法，他就掏出手机发 prompt。后来他把主力手机换成了功能机，工作基本只在上班时间、在电脑上做。
• 把并行数变成一个需要控制的数字。这一条是从作者的经历里推出来的：他累的主要原因是切换和审阅，那么同时开着的 Agent 越多，切换就越多。如果你发现自己一天下来什么都推进了一点，但什么都没做完，可以试着减少同时进行的任务。

这几条做的其实是同一件事：AI 把「值不值得做」的门槛拿掉了，你需要自己重新立一个门槛。比如，一件事如果不在今天的清单上，那它就等到明天再决定要不要做，哪怕它只需要一个 prompt。

如果你也有类似的感受，可以先做一件很小的事：把这一周的工作或者任务记录拉出来看一下，数一数里面有多少件，是你自己顺手接下来的。

资料来源：

• Orestis Ioannou，《AI promised less work. I've never worked more》，2026 年 10 月 27 日，https://oioannou.com/blog/ai-promised-less-work/
• Hacker News 讨论，https://news.ycombinator.com/item?id=50257325
• METR，《Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity》，2025 年 7 月 10 日，https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/ （文中对比图出自这里，CC-BY 许可）
• METR，《We are Changing our Developer Productivity Experiment Design》，2026 年 2 月 24 日，https://metr.org/blog/2026-02-24-uplift-update/
• METR，《Measuring the Self-Reported Impact of Early-2026 AI on Technical Worker Productivity》，2026 年 5 月 11 日，https://metr.org/blog/2026-05-11-ai-usage-survey/
• Aruna Ranganathan、Xingqi Maggie Ye，《AI Doesn't Reduce Work—It Intensifies It》，Harvard Business Review，2026 年 2 月 9 日（原文付费，研究细节转引自 Simon Willison 博客），https://simonwillison.net/2026/Feb/9/ai-intensifies-work/
• 稀土掘金，《出事了，AI 提效后，老板让我裁员20%》，https://juejin.cn/post/7700887980139036682