帕金森定律（Parkinson’s Law）指出，工作会自动膨胀，直至占满所有可用的时间。在 AI 时代，劳动者拥有了一种能够随心所欲膨胀的工具——只要能诱导大语言模型生成内容，其产出便永无止境，换言之，毫无上限。
过去两年里，我亲眼目睹了所属行业发生的巨变，至今仍难以言表。大约一年一个季度前，我第一次察觉到异样：我注意到一位同事正利用 AI 给我回消息。他的回复带有明显的 Claude 痕迹——那些没人会手动输入的破折号、独特的韵律结构，以及对他根本不熟悉的技术的迷之自信。我对着屏幕坐了许久，犹豫是否要与一个明显在机械复制模型输出的人展开辩论。那是一个公开频道，我花了比预期更多的时间去纠正其中的基础性错误。最终我放弃了。因为在任何实质意义上，对话的另一端其实空无一人。
生成式 AI 能够产出“看起来很专业”但实则不然的作品，这种失效表现为两种形式：第一种是领域新手产出的成果看似资深，其速度或深度远超其判断力所能及；第二种是人们在从未受过训练的学科中制造“产物”。从远处看，这两种失效很相似，但本质不同。研究大多聚焦于前者，而后者往往被忽视。根据我的经验，后者才是风险更高的一种。
不懂代码的人在构建软件，从未设计过数据系统的人在设计系统。这些成果大多并未真正交付上线；它们往往被闭门造车数小时，或许在内部演示时显得热火朝天，或是私下使用，偶尔也会在不经意间展示给客户，却未引起多少反响。员工们可能沉迷于某个想法，加班加点地投入其中。虽然有少数从业者能利用当下的智能体（Agentic）工具妥善完成复杂任务，但这类人凤毛麟角，且据我观察，通常集中在代码生成领域。尽管 AI 在个人层面能力出众，但在我的工作环境中，它并未实现真正有效的规模化应用。
我有一位同事，他为人谨慎且聪慧，担任非工程类职务。今年早些时候，他花了两个月时间构建了一个本应由具备数据架构专业背景的人设计的系统。按目前衡量工具使用的标准来看，他用得很好。他产出了大量的代码和文档，在任何外行看来，这都是巨大的进展。然而，当被问及细节时，他无法解释其中任何部分的实际运作原理。这项工作从第一天起就是错的。其架构模式（Schemas），更重要的是其目标，都错得离谱——任何有两年从业经验的人都能一眼看穿。我们中确实有几个人看出来了。甚至当意见反馈到副总裁级别时，他仍据理力争。当时的职场氛围被营造得如此微妙，以至于指出错误反而显得不合时宜；他的上司们太过于沉迷于这种“蒸蒸日上”的假象，以至于不愿看到这种表象被戳穿。这项工作极大概率会继续推进，直到展示给利益相关者，然后被决定停止投资。
这是这一现象中最让我难以下笔的部分。工具并没有让他变成一个更糟糕的同事，而是让他能够连续数月“扮演”一个他从未受过训练的专业角色。这种伪装是如此成功，以至于组织激励机制都倾向于让他继续演下去。或许这是管理的失败，但我发现管理层往往太急于拥抱 AI，以至于愿意承担这种风险。
如果工具能对产出给出诚实的评估，或许情况还会好些。今年春天发表在《科学》（Science）杂志上的斯坦福大学研究 [1] 证实了每个深度用户早已察觉的事实：领先的模型比人类受访者更具“讨好性”（agreeable），即使在不合理的情况下也会肯定用户。伯克利 CMR 的元分析 [4] 发现，具备 AI 素养的用户往往会高估自己的表现，尤其是在跨领域尝试时。美国国家经济研究所（NBER）对支持代理的一项研究 [2] 发现，生成式 AI 将新手的生产力提高了约三分之一，而对专家的帮助微乎其微。哈佛商学院的研究人员在咨询工作中也发现了同样的模式 [3]。于是，你得到了一群过度自信的新手，他们在自己无法审核正确性的专业领域提高了“个人生产力”。这能出什么错呢？
越来越多的研究将此称为“产出与能力的脱钩”（output-competence decoupling）[5]。在过去的任何时代，作品的质量都是衡量作者能力的可靠信号。新手的文章读起来就像新手写的，新手的代码会以新手的逻辑崩溃。AI 斩断了这种联系。新手现在的产出不再暴露其稚嫩，因为作品反映的能力根本不是新手的，而是系统的。在这场交易中，人变成了一种“管道”，负责将输出路由给接收者，却在传递过程中丧失了评估能力。
产出作品与评判作品的技能本是不同的，但过去，完成工作的过程本身就是对判断力的磨炼。现在，第一项技能在很大程度上属于机器。第二项技能仍属于我们，但越来越少的人愿意费力去习得或运用它。
过去，架构评判来自于那些受过系统训练、或者亲手构建并搞砸过三个系统的人；而现在，评判来自于一个没有任何构建或破坏经验的模型。曾经的“缓慢”并非对工作的损耗，缓慢本身就是工作。 它是作品变优秀的过程，是创作者变专业的过程，也是公司能够向客户承诺其产品具有独特性而非平庸之作的保证。
当前这一代智能体系统的构建前提是：人类是瓶颈——如果省去人类阅读并决定是否执行的“尴尬延迟”，循环将运行得更快、更简洁。在很多情况下，这完全是本末倒置。回路中的人（Human in the loop）并非旧时代的残余，而是回路中唯一真正“身局其中”（skin in the game）、承担后果的部分。将“人”从回路中剔除并非效率的提升，而是放弃了系统自我纠偏的唯一机制。
曾经只有一页的需求文档现在变成了十二页。曾经只有三句话的状态更新，现在变成了对“要点总结”的再总结。复盘记录、事故报告、设计备忘录、启动幻灯片：每一个可以被拉长的产物，都被那些不读自己产出的人拉长了，发给那些不读自己收到内容的人。制作文档的成本已降至几乎为零，但阅读成本却并未下降，反而正在上升，因为读者必须从合成的语境中筛选出文档最初的主旨。每一个拉长文档的决定看起来都是理性的，且都能获得独立的回报——无论 AI 生成的解释是否正确，读者往往对更长的解释更有信心 [5]。集体效应的结果是，职场中的有效信号比这一切开始前更难寻找。检查点被隐藏了，淹没在文山会海中，即便那些制造淹没的人真心想做到“言简意赅”。
这是一种新型的“废料”（slop），它比公开市场上的废料更昂贵，因为制造它们的人是领薪水的。未来专家的培养渠道正从两端缩减：曾经磨炼判断力的工作现在由工具完成，而那些提供磨炼机会的初级岗位正因“工具能做”的理论而被削减。在包括我在内的许多办公室里，这导致了大量的“运动”，却极少产生运动本应带来的成果。
下游成本正在迅速累积。大多数关于“AI 废料”的讨论都集中在涌入公共市场的内容上——佛罗里达大学的一项营销研究 [6] 对此做了直接论述。较少被提及的是组织内部正在上演的同样动态：时间被浪费在并不需要 AI 的任务上、无人阅读的产物上、以及仅仅因为工具让构建成本变低才存在的流程上。幻灯片里详细阐述着那些以前甚至不需要说出口、或早已是不言自明的事情。
在这种环境下，所谓的“纪律”看起来老派得令人尴尬，甚至在你们尝试践行之前会觉得这显而易见：只在你能精确验证产出结果的地方使用工具。 永远不要向模型寻求确认；工具会附和每一个人，而一种不让附和者付出代价的赞同是毫无价值的。
生成式 AI 在反馈迅速、结果“大致正确”即可、且人类保留最终裁决权的任务中表现出色。例如：起草备忘录、生成示例、总结读者在必要时可以自行验证的材料。伊利诺伊大学的生成式 AI 指南 [7] 和《PLOS 计算生物学》关于科研中 AI 使用的“十条简单规则” [8] 明确列出了这些用途：头脑风暴、润色校对、重构自己的想法、以及在已知数据中探测模式。
在所有推荐的用途中，人类提供判断，工具提供通量（throughput）。这种立场比“人在回路”更强：工具置于工作之外，仅在受邀时贡献，其余时间保持沉默。这与目前大多数智能体系统的构建方向背道而驰。
对于企业而言，一家“作品值得信赖”的公司所拥有的竞争优势并未消失；如果说有什么变化的话，那就是这种优势升值了。因为太多的竞争对手正悄悄地将自己转化为内容生成流水线，并指望客户察觉不到。
矛盾已经开始爆发。德勤（Deloitte）曾因一份由 AI 幻觉生成的政府报告而退还了部分 44 万美元的费用。这可能是一个基于幻觉规范构建的生产系统，也可能是一位资深工程师意识到，他过去一年名义上在审核自己已无法胜任的工作。清算将是剧烈的。坚持以正确方式开展工作的公司将有底气为此收费。而那些已经把自己“掏空”的公司会发现，被他们掏空掉的，恰恰是客户付钱购买的核心价值。
在职场中，对 AI 的误解和滥用正大行其道。在我出入的许多场合，专业精神被要求“靠边站”：要交付得更快，产出得更多，更深地集成工具，别挡了那些正在“搞定事情”的同事的路。产物在堆积，而工作并无进展。在这些海量产出的另一端，某位客户正打开交付物，读着总结好的清单，而他们或许最终会选择手动复核一遍。
免责声明：这是一篇个人随笔，而非学术论文，作者拥有二十多年的工程经验。这些是我的职场经历，并引用了我认为相关的资料。如果说有什么需要铭记的，那就是人类是极易受影响的生物。本文写作过程中使用了 AI，但方式遵循文中所荐：用于头脑风暴、起草和修改我手动验证过的材料，绝非用于提供我所欠缺的判断力。此外，那些声称这篇文章本身就是其所诟病现象的牺牲品的人，你们百分之百是对的——和 AI 一样，我也有些啰嗦和重复。
1. Sycophantic AI decreases prosocial intentions and promotes dependence (Cheng, Lee, Khadpe, Yu, Han, & Jurafsky, 2026). Science.
2. Generative AI at Work (Brynjolfsson, Li, & Raymond, 2025). The Quarterly Journal of Economics, 140(2), 889-942. Also: NBER Working Paper No. 31161, April 2023.
3. Navigating the Jagged Technological Frontier (Dell’Acqua, McFowland, Mollick, et al., 2026). Organization Science. Originally HBS Working Paper No. 24-013, 2023.
4. Seven Myths About AI and Productivity: What the Evidence Really Says (Berkeley CMR, 2025). Meta-analysis confirming asymmetric AI productivity gains and user overconfidence.
5. Beyond the Steeper Curve: AI-Mediated Metacognitive Decoupling (Koch, 2025). Longer AI explanations make users more confident regardless of correctness.
6. Generative AI and the market for creative content (Zou, Shi, & Wu, 2026). Forthcoming, Journal of Marketing Research.
7. Generative AI Guidance (University of Illinois). Recommended uses and limitations of generative AI in academic and professional work.
8. Ten simple rules for optimal and careful use of generative AI in science (Helmy, Jin, et al., 2025). PLOS Computational Biology, 21(10), e1013588.