最近越用 AI 越觉得疲惫。这种疲惫，未必是你不会用工具，更像是认知劳动被重新分配之后出现的系统性压力。
恰好听到墙裂坛的播客，讲到杰文斯的效率悖论，直击要点。
于是写文章记录下来。
19 世纪，经济学家威廉·斯坦利·杰文斯观察到一个反直觉现象：蒸汽机改良后，燃煤效率提升了，英国的煤炭消耗却没有下降。相反，随着蒸汽动力变得更便宜、更普及，全社会的煤炭需求反而增长了。
如果把这个逻辑借到个人知识工作里，那个被消耗的“煤炭”，可以理解为人的时间和认知带宽。
从微观上看，摘要长文、起草邮件、列出大纲，确实变得极快。但在更大的工作尺度上，一天里要处理的信息节点、要交付的版本数量，以及等待拍板的事项，往往会明显增加。
当然，这也可能只是新工具学习期的暂时性疲劳。但如果在已经很熟练地使用 AI 之后，那种被信息淹没的感觉依然没有明显下降，我更倾向于把它理解为工作系统本身出了问题。
问题不在于 AI 没提效，而在于提效之后，系统会如何重新分配这部分红利。
当生成变便宜，组织就会默认你应该产出更多
理解这种疲惫的第一层机制，在于看清效率红利是怎么被吞掉的。
过去的工作流里，一位产品经理花三天时间拿出一份 PRD 草案，是很合理的节奏。但当组织普遍意识到 AI 可以在很短时间内生成文档时，对响应速度和版本数量的期待，往往也会跟着抬高。
在一些团队里，同样的期限内，你交付的已不只是一份 PRD，而是多套不同视角的方案，外加会前临时补上的竞品对比和不同受众版本的改写。
单次生成的效率确实提升了，但这部分红利常常不会自然留在个人时间里，而是很快被新的业务期待吃掉。微观上省下的那十分钟，在高响应环境里很快就会被更多待处理材料重新占满。
并不是所有团队都会立刻把效率红利兑换成更多短期任务，有些岗位确实能直接感受到省时。但这种红利反噬更容易出现在需求会持续膨胀、又把响应速度等同于竞争力的知识工作环境里。
即便任务总量不明显膨胀，疲惫也未必下降，因为在不少场景里，更昂贵的环节正在从生成转向筛选与拍板。
真正让人累的，已经不是写不出来，而是验不完、判不完
AI 往往没有减少高强度脑力劳动，而是把一部分认知负荷挪到了更隐蔽、更耗神的位置。
当你面对一页空白文档时，大脑处在一种线性的构建状态，即使进度慢，思路通常还是连着的。但当你面对 AI 吐出的长文或大段代码时，工作的性质就变了——你要做事实核验，要判断逻辑口径是否跟公司战略一致，要横向比较不同版本之间的细小差异，还要修补那些看起来合理、实际却站不住的漏洞。
很多人并不擅长长时间维持这种高强度的“找茬”状态。AI 的输出常常看起来流畅完整，但可能掩盖事实、口径或业务逻辑上的错误。你得拿出很高的专注力，才可能把这些问题从漂亮句子里挑出来。
在不少产品和知识工作场景里，真正开始变稀缺的，是能够负责拍板的注意力与判断力。当候选方案的数量暴增，质量又参差不齐时，验证与决策很容易成为新的主耗时环节。
而且，就算把验证成本算进去了，你仍然可能低估另一半消耗：管理 AI 本身的成本。
你省下的不是工时，而是换来了一整套很少被看见的影子工作
除了明面上的验证压力，管理 AI 还引入了大量很少被命名的隐性成本。
很多时候，一线知识工作者并不只是作者本身，还会同时扮演多个 AI 代理的质检员和验收人。为了让输出可用，你得先整理前置上下文，对幻觉做二次校对，再把结果手动接回现有的文档和项目流程。
这类协调性质的劳动很耗精力，却经常不体现在 OKR 或任务看板上，也很少被单独看见。
不可否认，当我们在单一工具里建立起稳定模板后，某些场景的影子工作确实可能下降。但在多工具并存、内部知识分散、流程衔接不畅的真实环境里，这种跨系统的管理成本，并不会因为你个人更熟练就自动归零。
要减的不是 AI 使用量，而是 AI 扩出来的无效决策面
解决这种疲劳的出口，不是简单地少用 AI，而是把人的注意力和判断力，当成整个工作流里最需要节省的资源。
这意味着在工作流里主动设边界：限定版本数量，在调用 AI 之前先说清楚验收标准，对核心判断减少无上限的机器生成。
既然效率提升会推高总消耗，破解之道就不是继续叠加更快的生成工具，而是主动压缩无效输出和无意义的方案比较。
当生成越来越便宜，真正变贵的，反而是人的判断。