为什么用上AI后你反而更累了？哈佛这份研究扎心了

哈佛商业评论最近发了一个扎心的研究：跟踪了200个科技公司员工8个月，发现用了AI以后，大家不但没轻松，反而更累了。

研究总结了三个症状。第一，员工开始疯狂揽活，PM自己写代码，设计师自己拉数据，拿一份工资干三个人的事。第二，工作和生活的边界彻底模糊，因为"随手发个prompt"感觉不像在工作，于是午休发、睡前发、上厕所也在发。第三，资深工程师被迫给同事用AI生成的垃圾代码擦屁股，痛苦不堪。

研究的结论是：AI带来了"工作量的悄性蔓延"。

这个观察我完全认同，但我觉得归因归浅了。它描述了症状，但没有触及病根。这200个员工并不蠢，他们也不是被公司逼的——研究明确说了，AI工具全凭自愿使用。那问题来了：为什么一群聪明人，会自愿把自己累死？

一张隐形的价格表

要理解这件事，得先理解一个概念：我们每个人脑子里，都有一张隐形的价格表。

这张价格表记录的不是商品价格，而是"做一件事的成本"。比如：写一个数据分析脚本，大概要2小时；做一张设计图，大概要半天；写一段后端API，大概要一天。这些估算是我们在过去几年甚至十几年的工作中慢慢形成的，已经内化成了直觉。

正是这张价格表，帮我们做出了无数个"该不该干"的决策。PM不会自己写代码，不是因为她不想，而是因为价格表告诉她：学Python + 写脚本 + 调试 = 3天，找工程师帮忙 = 5分钟。理性的选择显然是后者。同样，工程师不会自己做设计，因为价格表告诉他：学Figma + 做图 = 太贵了，算了。

换句话说，这张价格表本质上是一个决策过滤器。它帮我们自动过滤掉那些"做了也不划算"的事情，让我们专注于自己最擅长、性价比最高的工作。这就是经济学里的比较优势，而价格表是比较优势能够生效的前提。

然后AI来了。

AI把这张价格表上几乎所有条目的价格都打了个一折。写脚本从2小时变成5分钟，做图从半天变成3句prompt，写API从一天变成20分钟。

但问题在于：价格表更新了，我们脑子里的决策逻辑却没跟着更新。

当"做一件事"的成本暴跌到接近零的时候，那个原本帮我们自动过滤任务的机制就失效了。以前，PM脑子里的价格表会自动拦截"自己写代码"这个念头。现在，价格表说"这才5分钟的事"，过滤器就放行了。于是她开始写代码。接着发现"顺手做个数据分析也才5分钟"，于是又揽了一件。然后"帮团队画个流程图也就几句prompt"，于是又多了一件。

每一件事单独看都不贵。但加在一起，就是哈佛研究里说的"工作量悄性蔓延"——你像温水里的青蛙，一件一件地往身上加担子，每加一件都觉得"也没多重嘛"，直到某天发现自己已经站不起来了。

工作和生活边界的模糊也是同样的逻辑。以前你不会在睡前打开IDE写代码，因为价格表告诉你这至少得投入一个小时，太贵了。但"发个prompt"在价格表上的标价几乎是零——你甚至不觉得这是在工作，只是"随手问了一下"。但你的大脑并不认同。每一次"随手问一下"，都让你的认知引擎保持在待机状态，消耗着本应用来休息的能量。

至于资深工程师给AI代码擦屁股？这更是一个经典的成本结构失衡：AI把代码生成的成本打到了接近零，但代码审查的成本一分没降。生产端成本暴跌，质控端成本不变，结果就是垃圾产量激增，而清洁工还是那几个人。

所以，哈佛研究描述的三个症状，底层其实是同一个病因：AI改变了行动的成本结构，但我们脑子里的决策框架还停留在旧的价格表上。我们用新的成本在做事，却用旧的逻辑在决策。

从更新价格表到重建决策框架

如果这是病因，那药方呢？

第一层：把"能做"和"该做"彻底分开。

这是最基础也是最重要的一步。AI让几乎所有事情都变得"能做"，但"能做"从来不等于"该做"。一个PM能用Cursor写出能跑的代码，不代表她应该把时间花在这里。正确的问题不是"这件事AI能不能帮我做"，而是"这件事是不是我应该做的"。

判断标准也很简单：如果这件事做完了，你的核心KPI或者核心职责没有任何变化，那它就不该做，不管它有多便宜。便宜不是做事的理由，价值才是。

第二层：为AI的产出配备对等的质控成本。

前面说了，AI让生产成本暴跌，但质控成本没变。一个实习生一天能写十份报告，如果你不检查就直接交上去，出了问题锅是你的。AI也一样。当你或你的同事用AI生成代码、文档、分析报告的时候，必须有人为这些产出的质量负责。

实操上来说，就是在用AI铺量之前，先想好验收方案。比如让AI同时生成测试用例，或者用另一个AI实例做交叉验证，或者至少把关键产出走一遍人工审核。不要让"生产"和"质控"之间出现系统性的缺口。

第三层，也是最核心的：把省下来的时间花在更高维度的思考上，而不是更多的执行上。

AI把执行成本打到接近零，这本来是一个巨大的礼物。它的意思是：你终于可以不用花那么多时间在"怎么做"上了，你可以把时间花在"做什么"和"为什么做"上了。

但研究里那200个员工做的恰恰相反——他们把省下来的时间全部回填到了更多的执行里。就好比你中了彩票，结果拿这笔钱去买了更多的彩票，而不是改善生活。

真正的AI Native不是用AI做更多的事，而是用AI做更少但更准确的事。用省下来的时间去思考：我们的方向对不对？我们解决的是不是真问题？有没有更好的路径？

写在最后

说到底，这个哈佛研究揭示的不是"AI的问题"，而是一个古老的人性问题：当约束被移除的时候，我们往往不知道该怎么办。

就像一个一直在格子间里工作的人，突然被放到一片空旷的草原上。他不会欣喜若狂地奔跑，反而会感到迷茫和焦虑——没有墙了，我该往哪个方向走？于是他的本能反应是：找事做。做什么都行，只要手上有活干，就不会觉得自己在偷懒。

这就是AI时代的核心悖论：AI消灭了执行层面的稀缺性，但暴露了决策层面的稀缺性。以前我们忙得没时间思考，现在我们有时间了，却发现自己不知道该思考什么。于是我们用更多的执行来填补这个空虚。

解药不是少用AI，也不是多用AI，而是更新自己脑子里那张价格表——不仅更新"做事"的价格，更要更新"做决策"的价格。在新的价格表上，执行是最便宜的条目，而判断力、方向感和说"不"的能力，才是真正昂贵的资产。

当获取执行力的成本已经低如尘埃，学会不执行，才是AI时代最稀缺的技能。