AI 提升工作效率，不代表你会更轻松？伯克利研究戳破硅谷 10X 生产力叙事

柏克莱哈斯商学院追踪200名科技业员工长达九个月，发现AI工具并未减少工作量，反而催生“多线程并行”的高强度工作模式，认知负荷与倦怠风险同步攀升。
（前情提要：解密“x402”：重构AI时代支付信任，通往下一代机器文明的圣杯）
（背景补充：X402对稳定币支付的重要性）

本文目录

• 永远在 juggling 的新型工作节奏
• 从实验室到真实世界
• 问题不在AI，在于没人教你怎么用
• 对AI叙事的压力测试
• 重新校准数十年的工作习惯

如果你在过去一年读过任何一份科技业的投资备忘录，大概都会看到类似的叙事：AI将大幅提升生产力，让员工做更少的事、产出更多的成果，企业利润率因此飙升，人类终于可以把时间花在“更有创造力”的工作上。

这个叙事听起来很美。问题是…它可能是错的。

柏克莱大学哈斯商学院的两位学者Aruna Ranganathan和Xingqi Maggie Ye，在《哈佛商业评论》（Harvard Business Review）发表了一项历时九个月的研究。从2025年4月至12月，他们追踪了一家美国科技公司的200名员工，观察日常工作中引入AI工具后的行为变化。

结论很直白：AI没有减少工作，AI加剧了工作。

永远在 juggling 的新型工作节奏

研究团队发现，AI工具的导入并未实际让员工减少任务量或缩短工时。相反，它创造了一种全新的工作节奏——“多线程并行”。

具体来说：员工一边手动编写代码，一边让AI生成替代版本；同时运行多个AI代理处理不同任务；甚至把那些长期搁置的工作项目重新捡起来，理由是“反正AI可以在后台处理”。

表面上看，这是生产力的提升。每个人同时推进的项目数量变多了，产出速度也加快了。但研究者观察到的真实状况是：

“持续的注意力切换、频繁地检查AI输出结果、以及不断增加的待办任务。这制造了认知负荷，以及一种永远在 juggling（处理琐事）的感觉——即使工作本身感觉是有生产力的。”

换句话说，员工确实做了更多事。但他们也更累了。而且是那种“明明觉得自己很有效率，下班后却像被掏空”的累。

从实验室到真实世界

柏克莱的研究数据来自企业内部，但在企业围墙之外，同样的模式也在发生。

知名开发者Simon Willison在个人博客转载了这篇研究，并坦承自己的经历与研究结论高度吻合。作为全球最活跃的大型语言模型（LLM）实践者之一，Willison长期公开分享他使用AI工具的工作流程。他指出，自己确实能够同时推进两到三个平行项目，完成的工作量远超过去。

但代价是：他在一到两小时内就会精力耗尽。

他还观察到身边的开发者出现了类似的模式：有人因为“再一个prompt就好”的心态，一路写到凌晨三点，严重影响睡眠质量。那种感觉不像是在加班，更像是在打一款无法存档的游戏——你知道该停了，但下一个回合太诱人。

当学术研究和一线实践者的体感同时指向同一个结论，这就不是个案，而是结构性的。

问题不在AI，在于没人教你怎么用

研究团队最关键的洞察，不在于“AI让人更累”这个结论本身，而在于他们对原因的诊断：组织缺乏AI使用的结构性规范。

绝大多数企业在导入AI工具时，做的事情是：买授权、发账号、附上一个“最佳框架”的PDF，然后期待员工自己摸索出最佳用法。这等于是把一台涡轮增压引擎装上脚踏车，然后告诉骑士“你自己看着办”。

研究者的建议是：企业需要建立正式的AI实践框架，明确界定AI应该被用在哪些场景、不应该被用在哪些场景，以及如何区分“真正的效率提升”和“只是用更大的力气踩原地”。

对AI叙事的压力测试

让我们把研究结论拉到更大的脉络中。

过去一年，“AI提升生产力”是驱动科技股估值的核心逻辑之一。从Nvidia到Microsoft，从OpenAI到各种AI代理新创，整个产业链的估值前提是：AI会让每个知识工作者的产出提高2到10倍，企业因此可以用更少的人做更多的事，利润率结构性提升。

但如果柏克莱的研究是对的，如果AI的真正效果不是“做更少的事”而是“做更多的事提升了效率但更累”，那这套估值逻辑就需要重新校准。

生产力提升和工作强度加剧，是两回事。前者会降低成本、提高利润；后者会在短期内提高产出，但长期或导致倦怠、离职率上升、以及品质下降。如果你把柏克莱的发现套用到企业运营模型上，AI带来的可能不是利润率的提升，而是人力成本结构的重新分配：更高的培训成本、更高的心理健康支出、更高的人员替换成本。

当然这不代表AI没有价值，它显然有。但它的价值可能不是“让人做更少的事”，而是“让人做不同的事”。而不同不一定等于更轻松。

重新校准数十年的工作习惯

这份研究还隐含了一个很少被讨论的面向：调适期。Willison也在转载时点出了这一点。

目前的工作规范：怎么分配注意力、怎么衡量绩效、怎么定义“一天的工作量”，是花了数十年建立起来的。AI在2023年到2025年间的爆发性普及，等于是在两年内要求整个知识经济重新学习怎么工作。

这种重新学习不会自动发生，它需要有意识的组织设计、管理层的认知更新、以及最重要的：承认“更多产出”和“更好的工作”是两件完全不同的事。

硅谷喜欢用“10x工程师”来形容那些产出超群的工程师。AI的承诺是让每个人都变成10x。但这份研究告诉我们的是：也许我们得到的不是10倍的效率，而是10倍的疲劳…你觉得呢？