AI 脑疲劳与自动化悖论：为什么工具越智能，我们越累？
自动化从未将人类从系统中移除，它只是重新定义了人机协作的方式——而这场重新定义，远比我们想象的要复杂。
一个被忽视的 40 年预言
1983 年，认知科学家 Lisanne Bainbridge 发表了一篇论文，提出了一个反直觉的洞见：
"自动化系统越复杂，人类在其中的角色就越具有挑战性，而不是更轻松。"
四十多年后的今天，当 AI 工具如雨后春笋般涌现，当"AI 替代人类"的论调甚嚣尘上时，我们终于开始理解 Bainbridge 预言的深刻性。
加州大学伯克利分校的研究人员发现了一个令人不安的现象：AI 没有减少工作量，反而创造了更多的工作。
这听起来很荒谬，不是吗？我们被承诺"让 AI 替你工作"，结果却是工作越做越多。
三个正在发生的现实
1. 工作的"帕金森定律"
伯克利的研究揭示了一个机制：任务会膨胀以填满可用的容量。
当 AI 让某些步骤变得"无摩擦"时，我们失去了自然的停顿点。以前写一份报告可能需要停下来查资料、整理思路——这些摩擦虽然耗时，但也给了我们休息和反思的机会。
现在？AI 可以瞬间生成初稿，然后你有更多时间修改、优化、迭代。节省下来的时间没有被用来休息，而是被用来做更多的工作。
2. "AI 脑疲劳" (AI Brain Fry)
波士顿咨询集团 (BCG) 的数据揭示了一种新型职业倦怠："AI 脑疲劳"——一种以注意力难以集中为特征的急性认知耗竭状态。
为什么会出现这种情况？
当 AI 处理了"简单"的任务后，留给人类的都是最需要认知资源的复杂问题。你不再是"写点什么"，而是要审核 AI 生成的内容、在多个 AI 工具之间切换、判断哪些任务应该交给 AI、修复 AI 产生的错误。
认知负荷没有被消除，它被转移了——从执行层面转移到了决策和审核层面。
3. "工作废料" (Workslop) 的兴起
这是一个新词，但现象已经很普遍："工作废料"指的是那些看起来像工作成果，但实际上缺乏实质内容的 AI 生成物。
想象这个场景：同事用 AI 生成了一份报告，你被要求审核。报告看起来很完整，但缺乏深度洞察。你不得不花时间来辨别哪些是真实的、哪些是 AI 编造的，最后你可能需要重写大部分内容。
AI 没有消除工作，它只是将工作从"创作者"转移到了"审核者"。
被忽视的能力侵蚀
工程师们报告了一个微妙的变化："在依赖 AI 工具一段时间后，独立进行初稿思考的能力悄悄地退化了。"
这不是说 AI 让你"变笨"了，而是说某些认知肌肉因为长期不使用而萎缩了。就像 GPS 普及后，很多人的空间导航能力下降一样。
讽刺的真相
这里有一些深刻的讽刺：
- 讽刺一：我们引入 AI 是为了减轻工作负担，结果却创造了更多需要人类处理的工作。
- 讽刺二：我们期望 AI 让我们更轻松，但实际上它把最耗脑力的部分留给了人类。
- 讽刺三：我们担心 AI 取代人类，但真正的问题是 AI 生成的"工作废料"需要人类来收拾。
可能的出路
BCG 的研究提到了一个有趣的可能性：AI 在教育领域的"拉平效应"。 在资源不足的学校，AI 可能帮助"提升课程设计、教学质量和评估的底线"。
这对工作场景的启示是：
- 不要用 AI 来"替代人类"，而要用 AI 来"增强人类"
- 设计人机协作系统时，要考虑人类的认知极限
- 为 AI 生成的内容设立明确的质量标准，减少"工作废料"
最后的思考
Bainbridge 在 1983 年的结论今天依然成立："自动化从未将人类从系统中移除，它只是重新定义了人机协作的方式。"
关键问题不是"AI 会不会取代我"，而是：
- 我如何在人机协作的系统中，找到不可替代的位置？
- 我如何设计自己的工作流，让 AI 真正减轻而不是增加我的认知负担？
- 我如何在利用 AI 的同时，保持自己的核心认知能力不退化？
这些问题没有标准答案，但每一个知识工作者都需要开始思考它们。
因为无论我们喜不喜欢，人机协作的时代已经到来。区别只在于，你是被动适应，还是主动设计。
参考资料：
Carl Hendrick, "AI Brain Fry, Workslop and the Ironies of Automation", Substack, Mar 2026
Bainbridge, L. (1983). "Ironies of Automation". Automatica.